可生长对象的生长预测图像生成方法、装置和计算机设备与流程

本技术属于机器学习，具体而言，本技术涉及一种可生长对象的生长预测图像生成方法、装置和计算机设备。

背景技术：

1、在各个专业领域(如化学领域、医学领域、食品药品等相关领域)，实现对可生长对象(如菌群、细胞、人体组织)的生长预测具有很大的研究和利用价值。目前,对于可生长对象的生长预判一般是通过专业人员对可生长对象的当前图像进行观察和分析，并结合大量的先验知识才能得出预判的结果。然而，可生长对象的生长预判往往是一个非常复杂的过程，若过度依赖于专业人员的先验知识来获得预测结果，一方面需要耗费较多的时间和精力，且还可能由于专业人员经验的缺乏、对生长趋势的误判等原因导致预测结果和实际结果偏差较大的情况发生，从而导致对可生长对象的生长预测的准确度较低。

技术实现思路

1、本技术的主要目的为提供一种可生长对象的生长预测图像生成方法、装置和计算机设备，旨在解决可生长对象的生长预测图像准确度较低的技术问题。

2、为了实现上述发明目的，本技术提供一种可生长对象的生长预测图像生成方法，包括：

3、将待预测的可生长对象当前时间节点的初始3d图像在x、y、z三个方向进行梯度计算，获得第一梯度张量、第二梯度张量和第三梯度张量；

4、将预设时间间隔进行时间编码获得时间张量，其中，所述预设时间间隔为所述可生长对象的预测生长时间节点与所述当前时间节点之差；

5、提取所述初始3d图像中的可生长对象图像，基于所述可生长对象图像获得可生长对象张量；

6、将所述初始3d图像、所述可生长对象张量、所述第一梯度张量、所述第二梯度张量、所述第三梯度张量和所述时间张量进行拼接获得拼接张量；

7、将所述拼接张量输入预训练的神经网络，获得所述初始3d图像的每一像素点的预设增量，所述初始3d图像的像素点的类型分为边缘像素点、中心像素点和无效像素点，其中，所述边缘像素点用于表征所述可生长对象中具有生长属性的第一构成部分，所述中心像素点用于表征所述可生长对象中具有成熟属性的第二构成部分，所述无效像素点用于表征所述初始3d图像中除所述可生长对象外的第三构成部分；

8、从所述初始3d图像中选取所述中心像素点；

9、将所述中心像素点的预测增量与所述初始3d图像进行结合，获得生长预测图像。

10、在一个实施例中，所述将待预测的可生长对象当前时间节点的初始3d图像在x、y、z三个方向进行梯度计算，获得第一梯度张量、第二梯度张量和第三梯度张量的步骤，包括：

11、将所述初始3d图像输入预设的第一方向滤波器、第二方向滤波器和第三方向滤波器，获得具有预设数量通道的第一梯度张量、第二梯度张量和第三梯度张量，其中，所述通道包括筛选通道，用于区分所述初始3d图像中像素点的类型。

12、在一个实施例中，所述将预设时间间隔进行时间编码获得时间张量的步骤，包括：

13、将所述时间间隔输入预设时间编码器中，获得时间张量。

14、在一个实施例中，在所述预设时间编码器中，获取所述时间张量的步骤包括：

15、对所述预设时间间隔进行离散化，获得离散时间间隔；

16、基于第一公式对所述预设时间间隔编码，获取所述预设时间间隔的时间奇维度，所述第一公式如下：

17、

18、基于第二公式对所述预设时间间隔编码，获取所述预设时间间隔的时间偶维度，所述第二公式如下：

19、

20、其中，i为所述预设时间间隔的维度，d是所述时间编码器中的特征图的通道总数，ti为所述离散时间间隔；

21、基于所述时间奇维度和所述时间偶维度获取所述时间张量。

22、在一个实施例中，所述筛选通道中像素值大于预设像素值的像素点为中心像素点，所述筛选通道中像素值小于所述预设像素值的像素点为边缘像素点，所述筛选通道中像素值为0的像素点为无效像素点，所述筛选通道的像素点与所述初始3d图像的像素点一一对应；

23、所述从所述初始3d图像中选取所述中心像素点的步骤，包括：

24、获得所述筛选通道的每一像素点的像素值；

25、将所述筛选通道中大于所述预设像素值的像素点设为目标像素点；

26、将所述目标像素点对应的所述初始3d图像中的像素点设为中心像素点。

27、在一个实施例中，所述提取所述初始3d图像中的可生长对象图像，基于所述可生长对象图像获得可生长对象张量的步骤，包括：

28、基于所述初始3d图像构建获得二值图，所述二值图中像素点的值为0或1；

29、将所述初始3d图像与所述二值图的像素点执行点乘操作，提取得到可生长对象图像；

30、对所述可生长对象图像进行通道扩张，获得可生长对象张量。

31、在一个实施例中，所述预训练神经网络的训练损失由如下公式获得：

32、

33、其中，为训练损失，ω为每次训练输入的训练样本集，为训练样本集中的第p个训练样本输入待训练神经网络后获得的生长预测图像，y(p)为第p个训练样本对应的真实生长图像。

34、本技术还提供一种可生长对象的生长预测图像生成装置，包括：

35、梯度张量获取模块，用于将待预测的可生长对象当前时间节点的初始3d图像在x、y、z三个方向进行梯度计算，获得第一梯度张量、第二梯度张量和第三梯度张量；

36、时间张量获取模块，用于将预设时间间隔进行时间编码获得时间张量，其中，所述预设时间间隔为所述可生长对象的预测生长时间节点与所述当前时间节点之差；

37、可生长对象张量获取模块，用于提取所述初始3d图像中的可生长对象图像，及基于所述可生长对象图像获得可生长对象张量；

38、拼接张量获取模块，用于将所述初始3d图像、所述可生长对象张量、所述第一梯度张量、所述第二梯度张量、所述第三梯度张量和所述时间张量进行拼接获得拼接张量；

39、预设增量获取模块，用于将所述拼接张量输入预训练的神经网络，获得所述初始3d图像的每一像素点的预设增量，所述初始3d图像的像素点的类型分为边缘像素点、中心像素点和无效像素点，其中，所述边缘像素点用于表征所述可生长对象中具有生长属性的第一构成部分，所述中心像素点用于表征所述可生长对象中具有成熟属性的第二构成部分，所述无效像素点用于表征所述初始3d图像中除所述可生长对象外的第三构成部分；

40、中心像素点选取模块，用于从所述初始3d图像中选取所述中心像素点；

41、生长预测图像获取模块，用于将所述中心像素点的预测增量与所述初始3d图像进行结合，获得生长预测图像。

42、本技术实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一实施例提供的可生长对象的生长预测图像生成方法的步骤。

43、本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例提供的可生长对象的生长预测图像生成方法的步骤。

44、本技术所提供的一种可生长对象的生长预测图像生成方法、装置和计算机设备，包括：将待预测的可生长对象当前时间节点的初始3d图像在x、y、z三个方向进行梯度计算，获得第一梯度张量、第二梯度张量和第三梯度张量；将预设时间间隔进行时间编码获得时间张量，其中，所述预设时间间隔为所述可生长对象的预测生长时间节点与所述当前时间节点之差；提取所述初始3d图像中的可生长对象图像，基于所述可生长对象图像获得可生长对象张量；将所述初始3d图像、所述可生长对象张量、所述第一梯度张量、所述第二梯度张量、所述第三梯度张量和所述时间张量进行拼接获得拼接张量；将所述拼接张量输入预训练的神经网络，获得所述初始3d图像的每一像素点的预设增量，所述初始3d图像的像素点的类型分为边缘像素点、中心像素点和无效像素点，其中，所述边缘像素点用于表征所述可生长对象中具有生长属性的第一构成部分，所述中心像素点用于表征所述可生长对象中具有成熟属性的第二构成部分，所述无效像素点用于表征所述初始3d图像中除所述可生长对象外的第三构成部分；从所述初始3d图像中选取所述中心像素点；将所述中心像素点的预测增量与所述初始3d图像进行结合，获得生长预测图像。通过对可生长对象的当前3d图像进行在x、y、z三个方向的梯度计算处理，并融入了时间的编码特征，从而可以提高生长预测图像的准确性。