改善数字全息显微术分辨率的几种方法

从理论和实验上研究了数字全息显微术的分辨率问题。通过分析几种不同数字全息记录光路对记录介质空间分辨率的要求表明,无透镜傅里叶变换全息光路对CCD的空间分辨率要求最低,最能充分利用CCD的带宽;再现像面的空间分辨率在不同方向上的不一致,会导致再现像在空间分辨率高的方向上相对展宽,而在空间分辨率低的方向上相对压缩;再现像的横向分辨率主要由CCD所能记录的物体的最高空间频率决定,它随CCD的尺寸和空间分辨率的提高及记录距离D的减小而提高。给出了消除再现像畸变的方法及实验结果,并提出了3种改善横向分辨率的方法。     

数字全息显微系统的成像分辨率分析

根据成像理论和全息系统的点扩散函数,研究了数字全息显微系统的成像分辨率,给出了无预放大和有预放大情况下成像分辨率的表达式,指出了只有当CCD的成像分辨率等于或高于显微物镜(MO)的成像分辨率时,预放大数字全息系统的成像分辨率才取决于显微物镜的数值孔径(NA);反之,系统的成像分辨率则取决于CCD的数值孔径。采用无透镜傅里叶变换全息记录光路,对美国空军分辨率测试板进行了实验研究,结果表明再现像在水平和垂直方向的极限分辨率分别为3.91μm和4.38μm,与理论分析相吻合。对条纹物体进行了全息图的模拟记录和再现,结果与理论分析相一致。     

光学显微图像定量评价方法及应用研究进展（特邀）

作为工业数字图像质量评价在应用领域的重要延伸,光学显微图像定量评价主要通过对图像特征和属性进行分析计算,针对性地量化评估图像的质量。近年来,随着各类光学显微成像技术的蓬勃发展,图像定量化评价的重要性日益凸显,在总体图像处理中具有指导性作用。对现有的光学显微图像定量评价指标及相关算法进行总结,对各个算法的模型结构和性能表现进行讨论说明,阐述显微图像定量评价的应用和发展趋势,并对该领域目前所存在的问题和难点进行分析和展望。     

AOTF测量光谱分辨率提升算法的仿真

根据声光可调谐滤波器(Acousto-Optical Tunable Filter, AOTF)光谱测量系统分辨率随衍射波长变化的特点,研究了利用反卷积算法提高AOTF光谱仪测量光谱分辨能力的方法。结合光谱分辨率的分布,在谱段范围内进行坐标非线性变换,使整个光谱范围内的传递函数相同。再利用非线性迭代反卷积方法和傅里叶自反卷积方法对仿真AOTF光谱系统获取的线谱数据进行分辨率提升处理。仿真结果在分辨率上很大程度地得到了还原,原来由于分辨率低而丢失的信息得到了复原。     

基于卷积神经网络的细胞折射率显微图像和明场显微图像的融合方法

为了改善细胞折射率显微成像的质量,提高特征的辨识度,本文提出了一种基于卷积神经网络算法的细胞折射率显微图像和明场显微图像的融合方法,该方法克服了传统融合方法人工制定融合规则的困难,通过训练数据学习自适应强鲁棒融合函数,获得了更佳的融合效果.主观和客观评价结果表明,该方法有效地改善了细胞折射率显微图像的分辨率,提升了特征辨识度.     

运动和散焦模糊图像的复原方法及其应用研究

模糊图像复原是从退化的观测图像中重建原始图像的过程,是进行图像处理和模式识别等研究的基础.运动模糊和散焦模糊是两类常见的模糊方式.通过对这两类模糊图像复原过程的研究,分析了模糊图像复原过程中滤波器的选择、点扩散函数的确定以及边缘噪声的处理等关键技术,提出了图像复原的可行方案.计算机仿真试验结果表明,该方法是有效地和可行的.     

基于迁移学习的红外图像超分辨率方法研究

针对红外图像空间分辨率低、成像质量不高的问题,提出了基于迁移学习的红外图像超分辨率方法。该方法以基于卷积神经网络的自然图像超分辨率方法为基础进行改进:增加网络的层数进行更深层次的学习训练,串联多层小的卷积核使其能够利用更多的图像信息,以“相差图”为目标进行训练,减小网络训练时间,提升网络收敛速度;利用迁移学习知识,再以少量高质量红外图像为目标样本,对自然图像超分辨率的网络进行二次训练,将网络权重经过微调后迁移应用到红外图像的超分辨率上。实验结果表明:基于卷积神经网络的超分辨率方法能够有效迁移应用到红外图像的超分辨率上,且改进后的网络具有更好的自然及红外图像的超分辨率性能,验证了本文所提方法的有效性及优越性。     

小波变换在显微热图像位移估计中的应用

针对显微热图像,提出一种基于傅里叶变换的多分辨率位移估计方法。该方法首先对显微热图像进行小波变换,再将原始图像及小波变换后的各个近似分量生成一个基于灰度的金字塔序列图像,然后基于傅里叶变换位移估计算法分别对金字塔各层序列图像进行位移估计,最后将得到的各层序列图像位移量按照分层权重进行加权平均得到最后的图像序列位移量,实验结果表明:该方法有效地提高了显微热图像微位移估计精度,降低了位移估计的平均误差和方差。     

共聚焦和超分辨率显微荧光图像的共定位分析浅谈

共定位分析是研究蛋白或分子相互作用的有效工具。荧光显微图像的共定位分析包括定性分析和定量分析两部分。严格而言,共定位分析是使用共定位系数去描述两个或以上的分子间变量关系。目前,许多研究工作者对荧光显微图像的共定位分析需求大。然而,对需要做共定位分析的样品要求、采图要求和分析方法等普遍存在疑问。在本文中,笔者结合多年成像类设备共享服务的经验,基于激光共聚焦和超分辨率荧光显微图像,详细阐述共定位定性和定量分析的方法,以供其他科研工作者参考和借鉴。     

基于深度学习的图像超分辨率重建方法浅析

图像超分辨率是图像处理中一个经典问题,从低分辨率图像中恢复高分辨率图像的不确定性给问题的求解带来了极大的挑战。作为一个热门的应用领域,从问题提出至今,研究者们提出了许多的解决方法。随着科技进步和深度学习的发展,基于卷积神经网络等的深度学习方法应用于图像超分辨率重建,使得重建图像的质量得到了极大的提高。文章对基于深度学习的图像超分辨率重建的一些较为经典的方法进行了总结与探讨,分析了其中的优势与不足,并指出了目前方法中存在的问题和今后研究可以努力的方向。     

基于图像拼接和双频投影栅线法的三维形貌测量

为解决采用光栅投影式三维轮廓术测量物体三维形貌时,出现的条纹图样的不连续性,利用计算机编程,生成由两种不同频率合成的复合光栅,将它投影到被测物体上,并将被测物体放在精密的旋转平台上,通过二次成像后对两幅图像进行图像拼接,得到清晰的被光栅调制的物体图像,再对图像进行傅里叶变换,然后采用滤波器滤出相应的高频和低频成分,利用低频光栅的相位差辅助解出高频光栅的真实相位差,从而实现物体的三维形貌重建.结果表明,本方法简单、精度高,可以成功解决有突变面形和投影时具有阴影的物体的三维形貌测量问题.     

基于生成对抗网络的超声图像超分辨率重建

针对医学超声图像的分辨率低而导致视觉效果差的问题,使用基于神经网络的图像超分辨率(SR)重建方法提升医学超声图像的分辨率。采用针对自然图像超分辨率重建的生成对抗网络(SRGAN)作为基本方法,通过减少2个输入通道和删除1个残差块对该网络的结构进行更改,并且改进网络损失函数,新增模糊处理数据集,使该网络适应医学超声图像所具备的灰度图像、散斑纹理单一等特点,从而重建出放大4倍的边缘清晰没有伪影的医学超声图像。将改进SRGAN与原始SRGAN的结果相比,峰值信噪比(PSNR)和结构相似性(SSIM)分别有1.792 dB和3.907%的提升;与传统双立方插值的结果相比,PSNR和SSIM分别有2.172 dB和8.732%的提升。     

基于GAN和CNN-ELM的监控图像智能修复及检测方法

针对目前石化危险品装车过程中海量监控视频图像人为处理效率低下、模糊图像识别率低等问题,提出一种基于生成式对抗网络(GAN)和卷积神经网络(CNN)与极限学习机(ELM)相结合的监控模糊图像智能修复及检测方法.首先,使用深度学习网络作为 目标检测框架,利用GAN网络中生成器与判别器间的零和博弈对模糊图像进行复原,得到清晰完整的作业图像;其次,利用CNN自适应学习图像特征的能力,对修复后的图像进行自主特征提取;最后,将提取的图像特征输入ELM分类器中进行目标识别与分类,判断作业过程是否存在违规行为.试验结果表明:所提方法图像修复速度快,视觉效果自然,且目标识别准确率高,具有很好的泛化能力.     

利用深度和灰度图像实现三维目标的识别与分类

将深度图像和灰度图像相结合,对围绕定轴旋转的三维目标进行了识别与分类。将深度图像作为相位因子,对其进行傅里叶变换,并用其制成三维定向图,用于三维目标的识别和旋转角度的判定;对于灰度图像,采用主分量分析(PCA)的方法,对训练图像进行特征分析。根据深度图像测定的目标角度,对三维目标灰度图像在其所属特征空间进行分解与重构。实验结果表明,综合利用深度图像和灰度图像,可以大大降低目标识别中的误判概率。