【技术实现步骤摘要】
本专利技术属于图像增强，具体涉及一种基于深度学习的显微图像增强方法及系统。
技术介绍
1、在生物医学研究、材料科学分析等领域，显微图像是获取微观结构信息的关键手段。然而，受限于成像设备的物理特性、样本制备条件以及成像环境的干扰，显微图像普遍存在对比度低、细节模糊、噪声干扰严重等质量问题。这些问题导致图像中的关键结构难以准确识别，给后续的特征提取、目标检测与分析带来巨大挑战，进而影响科研结论的准确性和可靠性。
2、目前，传统的显微图像增强方法主要包括基于直方图均衡化、同态滤波、小波变换等技术。直方图均衡化通过调整图像的灰度分布提升对比度，但易造成局部细节信息丢失；同态滤波在一定程度上能增强图像高频成分，但对参数设置依赖性强，泛化能力不足；小波变换可在多尺度下处理图像，但计算复杂度高，且难以自适应地针对显微图像的复杂特征进行优化。近年来，基于深度学习的图像增强技术在自然图像领域取得显著成果，但由于显微图像具有独特的纹理特征、成像噪声分布及低信噪比特性，现有深度学习模型难以直接应用于显微图像增强，需要耗费大量时间和计算资源，并且也...
【技术保护点】
1.一种基于深度学习的显微图像增强方法，其特征在于，所述方法包括:
2.根据权利要求1所述的一种基于深度学习的显微图像增强方法，其特征在于，将所述卷积特征集中的每一卷积特征都代入预设通道补偿模块得到第一补偿特征集包括：
3.根据权利要求1所述的一种基于深度学习的显微图像增强方法，其特征在于，将该补偿特征和相邻补偿特征代入融合模块得到融合特征包括：
4.根据权利要求1所述的一种基于深度学习的显微图像增强方法，其特征在于，加权注意力模块用于包括：
5.根据权利要求1所述的一种基于深度学习的显微图像增强方法，其特征在于，所述融...
【技术特征摘要】
1.一种基于深度学习的显微图像增强方法，其特征在于，所述方法包括:
2.根据权利要求1所述的一种基于深度学习的显微图像增强方法，其特征在于，将所述卷积特征集中的每一卷积特征都代入预设通道补偿模块得到第一补偿特征集包括：
3.根据权利要求1所述的一种基于深度学习的显微图像增强方法，其特征在于，将该补偿特征和相邻补偿特征代入融合模块得到融合特征包括：
4.根据权利要求1所述的一种基于深度学习的显微图像增强方法，其特征在于，加权注意力模块用于包括：
5.根据权利要求1所述的一种基于深度学习的显微图像增强方法，其特征在于，所述融合特征集包括第一融合特征、第二融合特征、第三融合特征和第四融合特征；对所述融合特征集和...
【专利技术属性】
技术研发人员：于小涛，
申请(专利权)人：北京欧波同光学技术有限公司，
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。