本发明专利技术提供一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法，本发明专利技术方法包括：S1、基于改进的傅里叶叠层方法，确定观测图像I(x,y)；S2、将确定的所述观测图像I(x,y)建模为正向网络；S3、对建模后的前向网络进行优化，实现对观测图像I(x,y)的重构。本发明专利技术的技术方案解决了现有技术中的傅里叶叠层成像过程中的频谱偏移量误差的问题。本发明专利技术的技术方案将重构物体与估计频谱偏移量相结合，能够在一个流程中同时重构物体和估计频谱误差，适应性强，且无需进行预训练，可在网络训练过程中直接快速且准确的重构出物体，对频谱偏移量误差的容忍度高，适用于频谱偏移量存在随机误差的情况。差的情况。差的情况。
【技术实现步骤摘要】
一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法
[0001]本专利技术涉及傅里叶成像技术和深度学习
，具体而言，尤其涉及一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法。
技术介绍
[0002]傅里叶叠层成像是一种新型超分辨计算成像技术，该技术通过一定的方法使得目标频谱与低分辨率相机相干传递函数(coherent transfer function,CTF)产生移位，利用低分辨率镜头采集不同频谱下的目标信息，而后通过相位恢复方法将目标信息在频域中进行拼接，合成大范围的目标频谱，从而提高了观测分辨率。
[0003]在显微成像领域中，傅里叶叠层成像技术受到的广泛的关注。傅里叶叠层显微成像中利用LED阵列替换了传统光源，通过LED灯珠从不同角度照射目标从而实现目标频谱与相机CTF之间的频谱偏移，而后通过相位恢复重建能够得到超越所使用镜头的分辨本领。该技术克服了显微镜头空间带宽积的限制，利用低分辨率大视场的显微镜头，实现了大视场、高分辨率的成像。此外，一些研究人员在拓展将傅里叶叠层成像技术应用于宏观成像领域中，提出了采用相机移位或激光光源移位等方式实现目标频谱与相机CTF之间的频谱偏移，期望利用小孔径相机实现大口径相机的成像能力。
[0004]基于相位恢复的频谱重建是傅里叶叠层成像的关键问题，目前常见的傅里叶叠层重建算法主要有EPIE算法和Wirtinger flow算法等。在傅里叶叠层重建中，目标频谱与相机CTF之间的频谱偏移量是重建算法的关键参数，若频谱偏移量不正确，则模型不匹配会导致重建图像中出现严重的伪影，大大降低分辨率。频谱偏移量的引入是通过相机移动或光源移动等方式引入，为了准确得到频谱偏移量，需要通过预校准的方式对频谱偏移量进行估计，这在实际操作中十分复杂。
技术实现思路
[0005]根据上述提出的傅里叶叠层成像过程中的频谱偏移量误差技术问题，而提供一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法。本专利技术能够基于数据可同步重建高分辨率目标图像并估计频谱偏移量。
[0006]本专利技术采用的技术手段如下：
[0007]一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法，包括：
[0008]S1、基于改进的傅里叶叠层方法，确定观测图像I(x,y)；
[0009]S2、将确定的所述观测图像I(x,y)建模为正向网络；
[0010]S3、对建模后的前向网络进行优化，实现对观测图像I(x,y)的重构。
[0011]进一步地，所述步骤S1具体包括：
[0012]S11、利用卷积定理，将图像传感器上所记录的图像I(x,y)改写为：
[0013][0014]其中，为所观测目标；PSF(x,y)＝F{CTF(u
x
,u
y
)}为相机的相干点扩散函数；
[0015]S12、为了满足深度神经网络训练中仅能使用实数的要求，将I(x,y)公式中O(x,y)、PSF(x,y)与等复数按照实部与虚部的形式进行改写：
[0016]O(x,y)＝O
r
(x,y)+iO
i
(x,y)
[0017]PSF(x,y)＝PSF
r
(x,y)+iPSF
i
(x,y)
[0018][0019]其中，O
r
(x,y)和O
i
(x,y)为O(x,y)的实部和虚部；PSF
r
(x,y)和PSF
i
(x,y)为PSF(x,y)的实部和虚部；
[0020]S13、将改写后的O(x,y)、PSF(x,y)以及的公式带入到改写后的I(x,y)的公式，得到改写后的成像模型：
[0021][0022]其中，cos＝cos(d
x
x+dy)，sin＝sin(d
x
x+d
y
y)；
[0023]S14、基于给定的频谱偏移量(d
x
,d
y
)、相机的相干点扩散函数(PSF
r
，PSF
i
)以及观测目标(O
r
，O
i
)时，利用改进后的成像模型确定所观测图像I(x,y)。
[0024]进一步地，所述步骤S2具体包括：
[0025]S21、根据目标图像分辨率尺寸生成二维网格坐标点记为(x,y)；
[0026]S22、根据相机的点扩散函数PSF(x,y)分别获取其实部和虚部，记为PSF
r
(x,y)和PSF
i
(x,y)；
[0027]S23、组建正向网络模型。
[0028]进一步地，所述步骤S23组建正向网络模型具体包括：
[0029]S231、对于第n次观测情况，将频谱偏移量分别建模为两个1
×
1卷积层的权重；
[0030]S232、将频谱偏移量卷积层与二维网格(x，y)直接进行乘法和正余弦运算生成与
[0031]S233、将步骤S232中所生成的cos
(n)
和sin
(n)
与PSF
r
和PSF
i
做乘法和加减运算，计算得到(PSF
r
cos
(n)
+PSF
i
sin
(n)
)和(PSF
r
sin
(n)
‑
PSF
i
cos
(n)
)；
[0032]S234、将观测目标的实部O
r
和与虚部O
i
分别构建为一个卷积层，将卷积层分别与步骤S233中输出结果进行卷积运算，则得到：
[0033]与O
r
卷积：
[0034]与O
i
卷积：
[0035]S235、将步骤S234中卷积输出结果相加/减，并输入到平方激活函数y＝x2中，输出结果即为：
[0036][0037][0038]S236、将步骤S235中的两个结果相加，则前向网络的输出即为
[0039][0040]S237、若n<N，则n＝n+1，重复执行步骤S231到步骤S237。
[0041]进一步地，所述步骤S3具体包括：
[0042]S31、网络参数初始化；
[0043]S32、设定损失函数为L1范数损失函数：
[0044][0045]其中，I
(n)
(x,y)为第n次频谱偏移时所观测的图像，为第n个子前向网络层所输出的图像；
[0046]S33、根据链式求导法则，将损失函数按照正向网络模型由后向前逐层求导；利用导数对网络参数和O
r
，O
i
进行反复迭代优化，直到达到迭代收敛；
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法，其特征在于，包括：S1、基于改进的傅里叶叠层方法，确定观测图像I(x,y)；S2、将确定的所述观测图像I(x,y)建模为正向网络；S3、对建模后的前向网络进行优化，实现对观测图像I(x,y)的重构。2.根据权利要求1所述的一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法，其特征在于，所述步骤S1具体包括：S11、利用卷积定理，将图像传感器上所记录的图像I(x,y)改写为：其中，为所观测目标；PSF(x,y)＝F{CTF(u
x
,u
y
)}为相机的相干点扩散函数；S12、为了满足深度神经网络训练中仅能使用实数的要求，将I(x,y)公式中O(x,y)、PSF(x,y)与等复数按照实部与虚部的形式进行改写：O(x,y)＝O
r
(x,y)+iO
i
(x,y)PSF(x,y)＝PSF
r
(x,y)+iPSF
i
(x,y)其中，O
r
(x,y)和O
i
(x,y)为O(x,y)的实部和虚部；PSF
r
(x,y)和PSF
i
(x,y)为PSF(x,y)的实部和虚部；S13、将改写后的O(x,y)、PSF(x,y)以及的公式带入到改写后的I(x,y)的公式，得到改写后的成像模型：其中，cos＝cos(d
x
x+dy)，sin＝sin(d
x
x+d
y
y)；S14、基于给定的频谱偏移量(d
x
,d
y
)、相机的相干点扩散函数(PSF
r
，PSF
i
)以及观测目标(O
r
，O
i
)时，利用改进后的成像模型确定所观测图像I(x,y)。3.根据权利要求1所述的一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法，其特征在于，所述步骤S2具体包括：S21、根据目标图像分辨率尺寸生成二维网格坐标点记为(x,y)；S22、根据相机的点扩散函数PSF(x,y)分别获取其实部和虚部，记为PSF
r
(x,y)和PSF
i
(x,y)；S23、组建正向网络模型。4.根据权利要求3所述的一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法，其特征在于，所述步骤S23组建正向网络模型具体包括：
...
【专利技术属性】
技术研发人员：赵明，张晓慧，田芷铭，刘帅，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。