一种显微图像去模糊模型训练方法及去模糊方法和装置制造方法及图纸

本发明专利技术公开了一种显微图像去模糊模型训练方法及去模糊方法和装置。所述显微图像去模糊模型训练方法包括，获取图像样本集，样本包含模糊图像和去模糊图像，分别提取各图像的颜色特征、高斯模糊特征和灰度化后特征；针对每组特征权重组合，通过特征加权得到各模糊图像和去模糊图像的融合特征，得到融合特征样本集，利用融合特征样本集训练选定深度学习网络，得到训练后网络；从得到的训练后网络中筛选预测准确度最高的作为显微图像去模糊模型，将对应的特征权重组合作为最优的特征权重组合。该方法通过对图像重要特征提取并加权融合，基于深度学习网络学习模糊图像和去模糊图像的融合特征间的差异，使得建立的模型能够适用于显微图像的去模糊。

【技术实现步骤摘要】

本专利技术涉及显微图像处理和深度学习，特别涉及一种显微图像去模糊模型训练方法及去模糊方法和装置。

技术介绍

1、显微图像，可以观察内部结构和组织的变化，从而体现物体的性能变化。但由于各种透视镜以及光源衍射的极限限制、成像设备与物体之间的相对运动、显微镜成像本身固有的模糊和噪声等因素，使得显微图像具有不同程度的模糊现象，影响科研人员对真实数据做出判断，也导致智能化应用软件预测准确率降低。

2、由于引起图像模糊的因素有很多可能，且性质各不相同，目前没有统一修复的方法，往往根据不同的应用场景采取不同的方法、不同的退化模型、处理技巧和估计准则，从而得到了不同的去模糊方法。

3、传统去模糊技术有非邻域滤波法、邻域滤波法以及效果较好的维纳滤波和最小二乘滤波等，传统去模糊是利用光学的方法对失真的观测图像进行校准。随着数字信号处理、图像处理和深度学习的发展，将深度学习应用于图像去模糊处理成为新的方向，新的去模糊算法不断出现，目前常规的技术有以下几种：

4、1、基于传统机器学习的图像去模糊

5、传统机器学习利用了自然图像的一些本文档来自技高网...

【技术保护点】

1.一种显微图像去模糊模型训练方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述深度学习网络通过下述方式预先得到：

3.如权利要求2所述的方法，其特征在于，所述残差快速傅里叶变换学习流依次包含快速傅里叶变换层、复合卷积层和快速傅里叶逆变换层，所述复合卷积层包含两个1x1卷积层和中间的ReLU激活函数层。

4.如权利要求2所述的方法，其特征在于，还包括：

5.如权利要求1～4中任一项所述的方法，其特征在于，所述分别提取各模糊图像和去模糊图像的颜色特征、高斯模糊特征和灰度化后特征，具体包括：

6.如权利要求1～4...

【技术特征摘要】

1.一种显微图像去模糊模型训练方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述深度学习网络通过下述方式预先得到：

3.如权利要求2所述的方法，其特征在于，所述残差快速傅里叶变换学习流依次包含快速傅里叶变换层、复合卷积层和快速傅里叶逆变换层，所述复合卷积层包含两个1x1卷积层和中间的relu激活函数层。

4.如权利要求2所述的方法，其特征在于，还包括：

5.如权利要求1～4中任一项所述的方法，其特征在于，所述分别提取各模糊图像和去模糊图像的颜色特征、高斯模糊特征和灰度化后特征，具体包括：

6.如权利要求1～4中任一项所述的方法，其特征在于，训练后网络的预测准确度，通过对比训练后网络的输出图像与所述样本集中对应...

【专利技术属性】
技术研发人员：李欣，阎熠德，罗路，安笑予，苏乾潇，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：