CN105139361A - 一种基于非线性优化的fpm算法的图像超分辨率重建方法 - Google Patents
一种基于非线性优化的fpm算法的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN105139361A CN105139361A CN201510599249.3A CN201510599249A CN105139361A CN 105139361 A CN105139361 A CN 105139361A CN 201510599249 A CN201510599249 A CN 201510599249A CN 105139361 A CN105139361 A CN 105139361A
- Authority
- CN
- China
- Prior art keywords
- image
- fpm
- led
- resolution
- nonlinear optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于非线性优化的FPM算法的图像超分辨率重建方法,包括以下步骤:(1)控制LED阵列中LED逐点发光,FPM平台采集不同光照下的低分辨率图像;(2)基于不同角度光照下所得到的图像其实是正射下的图像在频域进行偏移得到的特点,对采集到的低分辨率图像建立约束,基于该约束,定义重建结果和采集的图像之间的总偏差;(3)对总偏差求导得到相对应的梯度值,利用梯度下降算法,迭代求解得到总偏差最小的重建结果。本发明充分利用了非线性优化方法的优势,将原有的FPM算法进行了数学建模,将频域迭代的方法抽象成求解非线性函数得最优解的问题,从一个新的角度来解决图像超分辨率重建问题,提高了算法的重建效果。
Description
技术领域
本发明属于显微成像、计算机视觉、计算机图形学领域,尤其是立体图形学领域,特别涉及一种基于非线性优化的FPM算法的图像超分辨率重建方法。
技术背景
Fourierptychographicmicroscopy(FPM)是一种基于显微镜平台的图像超分辨率重建的方法,可以有效克服空间带宽积(spacebandwidthproduct)受限的矛盾问题。常见的光学成像平台都会受到空间带宽积的限制,即如果观察的视野范围比较广,则观测物体的放大倍数就会偏小;反之,如果观测物体的放大倍数比较大,则视野的范围就会缩小。而FPM算法很好地解决了这一问题,让我们能够获取广视野、高分辨率的图像,由此,突破了光学成像系统的物理极限。
非线性优化方法是指当目标函数为非线性函数时,求解模型最优解的方法。在信息论、图像处理、光学成像和模式识别等领域,需要解决的实际问题往往可以通过数学建模而转化为求解目标函数的最优解的数学问题。而常见的目标函数往往是非线性函数,因此,在解决实际问题的时候我们往往要考虑利用非线性优化方法求解模型最优解。
发明内容
本发明的目的在于提供一种基于非线性优化的FPM算法的图像超分辨率重建方法。
本发明提供的基于非线性优化的FPM算法的图像超分辨率重建方法包括以下步骤:
(1)控制LED阵列中LED灯逐点发光产生不同角度的光照,FPM平台选择当前LED对应的曝光时间采集不同角度的光照下的低分辨率图像Ii(x,y);
(2)基于不同角度的光照下所得到的图像其实是正射下的图像在频域进行偏移得到的特点,对采集到的所述低分辨率图像Ii(x,y)建立约束:
其中,(x,y)表示空间域的坐标,(u,v)表示频域的坐标,H(u,v)为图像频谱的重建结果,Ci为提取矩阵,是矩阵Ci的转置,εi表示重建的图像和采集的第i个低分辨率图像之间的偏差,δ为一个大于0小于10-10的常数,γ是一个实常数;
基于该约束,定义图像频谱的重建结果H(u,v)和采集的第i个低分辨率图像之间的总偏差:
其中,L表示被使用的LED灯的数量;
(3)通过对所述总偏差求导得到相对应的梯度值,利用梯度下降算法,通过迭代的方法求解得到总偏差最小的H(u,v)。
优选地,所述FPM平台包括显微镜,所述显微镜设置有成像装置,所述显微镜的光源采用可编程的LED阵列,所述LED阵列的相邻两个LED之间的距离为4mm,所述LED阵列与载物台之间的距离为6~12cm。
优选地,采用以下方法确定所述曝光时间:
首先,确定中心LED的位置:固定一个曝光时间,LED阵列上的LED灯逐点发光,用所述FPM平台中的成像装置采集每一张图像,计算图像的亮度分布,估计中心LED的位置,所述中心LED为样本正下方的LED;
然后,确定曝光时间:主要的原则是在保证采集到的图像不存在过曝光的现象的前提下,曝光时间尽可能选择长的。
优选地,所述步骤(2)中δ的取值为10-20。
本发明的优点在于充分利用了非线性优化方法的优势,将原有的FPM算法进行了数学建模,将频域迭代的方法抽象成求解非线性函数得最优解的问题,从一个新的角度来解决图像超分辨率重建问题,提高了算法的重建效果。
具体实施方式
下面结合实施例对本发明进一步说明。
以下实施例使用的FPM平台该FPM平台包括显微镜,显微镜设置有相机(即成像装置),显微镜的光源采用可编程的LED阵列,LED阵列的规模为32X32,LED阵列的相邻两个LED之间的距离为4mm,LED阵列与载物台之间的距离一般选择6~12cm,本例中选择8cm。该FPM平台主要是基于显微镜,相比于传统显微镜,在光源位置放置了一个可编程LED阵列来代替原有的光源。
在一些实施例中,基于非线性优化的FPM算法的图像超分辨率重建方法包括以下步骤:
(1)用FPM平台采集不同角度的光照下的低分辨率图像Ii(x,y):
利用计算机控制LED阵列的发光和相机的图像采集:
i.首先校准LED的位置,确定采集过程中相机的曝光时间。一种较佳方法如下:
①确定样本正下方的LED(即中心LED)的位置:固定一个曝光时间,LED阵列上的LED灯逐点发光,用相机采集每一张图像,计算图像的亮度分布,估计中心LED的位置。
②确定成像装置的曝光时间:主要的原则是曝光时间尽可能选择长的,但是一定保证采集到的图像不存在过曝光的现象。
ⅱ.采集低分辨率图像:用计算机控制LED阵列中LED灯逐点发光,同时相机选取对应的曝光时间来采集图像。
(2)数学模型
FPM算法是基于一个假设:不同角度的光照下所得到的图像其实是正射下的图像在频域(即傅里叶域)进行偏移得到的。基于该假设,可以得到图像间存在的关系:
其中,g(x,y)表示空间域的图像,G(u,v)表示傅里叶域的图像,(本文中定义小写字母g表示空间域的结果,大写字母G表示傅里叶域的结果),M、N表示图像的尺寸,u0、v0表示偏移量。图像的傅里叶变换满足二维离散傅里叶变换:
图像的傅里叶逆变换则满足二维离散傅里叶逆变换:
假设对于重建的图像的估计为H(u,v),则对于每一张采集到的低分辨率图像Ii(x,y),可以建议以下约束:
其中(x,y)表示空间域的坐标,(u,v)表示频域的坐标,H(u,v)为图像频谱的重建结果,Ci为提取矩阵,即从M×N(恢复结果)的矩阵中提取m×n(采集图像)的矩阵。是矩阵Ci的转置,εi表示重建的图像和采集的第i个低分辨率图像之间的偏差,δ为一个大于0小于10-10的常数(本例中取值为10-20),γ是一个实常数。
基于上述约束,可以根据非线性优化方法求解最优问题的优化问题,也即定义图像频谱的重建结果H(u,v)和采集的第i个低分辨率图像之间的总偏差为:
其中,L表示被使用的LED灯的数量;
(3)求解数学模型:
通过对总偏差求导,可以得到相对应的梯度值,利用梯度下降算法,通过迭代的方法求解得到使得总偏差最小的H(u,v)(即最终重建的高分辨图像)。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干等同替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (4)
1.一种基于非线性优化的FPM算法的图像超分辨率重建方法,其特征在于,包括以下步骤:
(1)控制LED阵列中LED灯逐点发光产生不同角度的光照,FPM平台选择当前LED对应的曝光时间采集不同角度的光照下的低分辨率图像Ii(x,y);
(2)基于不同角度的光照下所得到的图像其实是正射下的图像在频域进行偏移得到的特点,对采集到的所述低分辨率图像Ii(x,y)建立约束:
其中,(x,y)表示空间域的坐标,(u,v)表示频域的坐标,H(u,v)为图像频谱的重建结果,Ci为提取矩阵,是矩阵Ci的转置,εi表示重建的图像和采集的第i个低分辨率图像之间的偏差,δ为一个大于0小于10-10的常数,γ是一个实常数;
基于该约束,定义图像频谱的重建结果H(u,v)和采集的第i个低分辨率图像之间的总偏差:
其中,L表示被使用的LED灯的数量;
(3)通过对所述总偏差求导得到相对应的梯度值,利用梯度下降算法,通过迭代的方法求解得到总偏差最小的H(u,v)。
2.根据权利要求1所述的基于非线性优化的FPM算法的图像超分辨率重建方法,其特征在于,所述FPM平台包括显微镜,所述显微镜设置有成像装置,所述显微镜的光源采用可编程的LED阵列,所述LED阵列的相邻两个LED之间的距离为4mm,所述LED阵列与载物台之间的距离为6~12cm。
3.根据权利要求1所述的基于非线性优化的FPM算法的图像超分辨率重建方法,其特征在于,采用以下方法确定所述曝光时间:
首先,确定中心LED的位置:固定一个曝光时间,LED阵列上的LED灯逐点发光,用所述FPM平台中的成像装置采集每一张图像,计算图像的亮度分布,估计中心LED的位置,所述中心LED为样本正下方的LED;
然后,确定曝光时间:主要的原则是在保证采集到的图像不存在过曝光的现象的前提下,曝光时间尽可能选择长的。
4.根据权利要求1所述的基于非线性优化的FPM算法的图像超分辨率重建方法,其特征在于,所述步骤(2)中δ的取值为10-20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510599249.3A CN105139361B (zh) | 2015-09-18 | 2015-09-18 | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510599249.3A CN105139361B (zh) | 2015-09-18 | 2015-09-18 | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139361A true CN105139361A (zh) | 2015-12-09 |
CN105139361B CN105139361B (zh) | 2017-12-19 |
Family
ID=54724694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510599249.3A Active CN105139361B (zh) | 2015-09-18 | 2015-09-18 | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139361B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767534A (zh) * | 2016-12-30 | 2017-05-31 | 北京理工大学 | 基于fpm的立体显微系统和配套三维面形高分重构方法 |
CN109325503A (zh) * | 2018-09-05 | 2019-02-12 | 西安工业大学 | 一种用于压缩编码孔径成像的目标轮廓识别方法 |
CN114492493A (zh) * | 2016-03-09 | 2022-05-13 | 手持产品公司 | 用于使用子像素移位来产生高分辨率图像的成像设备和使用所述成像设备的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6788826B1 (en) * | 1998-11-10 | 2004-09-07 | Agfa-Gevaert | Method for correcting artefacts in a digital image |
CN103236041A (zh) * | 2013-04-25 | 2013-08-07 | 北京交通大学 | 一种基于Contourlet变换的图像超分辨率重建方法 |
CN104181686A (zh) * | 2014-08-25 | 2014-12-03 | 清华大学深圳研究生院 | 基于fpm的光场显微方法 |
CN104200449A (zh) * | 2014-08-25 | 2014-12-10 | 清华大学深圳研究生院 | 一种基于压缩感知的fpm算法 |
-
2015
- 2015-09-18 CN CN201510599249.3A patent/CN105139361B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6788826B1 (en) * | 1998-11-10 | 2004-09-07 | Agfa-Gevaert | Method for correcting artefacts in a digital image |
CN103236041A (zh) * | 2013-04-25 | 2013-08-07 | 北京交通大学 | 一种基于Contourlet变换的图像超分辨率重建方法 |
CN104181686A (zh) * | 2014-08-25 | 2014-12-03 | 清华大学深圳研究生院 | 基于fpm的光场显微方法 |
CN104200449A (zh) * | 2014-08-25 | 2014-12-10 | 清华大学深圳研究生院 | 一种基于压缩感知的fpm算法 |
Non-Patent Citations (2)
Title |
---|
ZHENG G 等: "Wide-field,high-resolution Fourier ptychographic microscopy", 《NATURE PHOTONICS》 * |
苏衡 等: "超分辨率图像重建方法综述", 《自动化学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492493A (zh) * | 2016-03-09 | 2022-05-13 | 手持产品公司 | 用于使用子像素移位来产生高分辨率图像的成像设备和使用所述成像设备的方法 |
CN106767534A (zh) * | 2016-12-30 | 2017-05-31 | 北京理工大学 | 基于fpm的立体显微系统和配套三维面形高分重构方法 |
CN106767534B (zh) * | 2016-12-30 | 2018-12-11 | 北京理工大学 | 基于fpm的立体显微系统和配套三维面形高分重构方法 |
CN109325503A (zh) * | 2018-09-05 | 2019-02-12 | 西安工业大学 | 一种用于压缩编码孔径成像的目标轮廓识别方法 |
CN109325503B (zh) * | 2018-09-05 | 2021-07-02 | 西安工业大学 | 一种用于压缩编码孔径成像的目标轮廓识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105139361B (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200449B (zh) | 一种基于压缩感知的fpm方法 | |
Lu et al. | Spatiotemporal variation of surface urban heat islands in relation to land cover composition and configuration: A multi-scale case study of Xi’an, China | |
CN101794440B (zh) | 图像序列的加权自适应超分辨率重建方法 | |
Zhou et al. | Effects of spatial pattern of forest vegetation on urban cooling in a compact megacity | |
Abbas et al. | Approaches of satellite remote sensing for the assessment of above-ground biomass across tropical forests: Pan-tropical to national scales | |
Jin et al. | A fusion method for visible and infrared images based on contrast pyramid with teaching learning based optimization | |
Fang et al. | Moisture stress of a hydrological year on tree growth in the Tibetan Plateau and surroundings | |
Pinty et al. | Evaluation of the JRC-TIP 0.01 products over a mid-latitude deciduous forest site | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN105118053B (zh) | 一种基于压缩感知的全参考图像质量客观评价方法 | |
Zhou et al. | Observation and simulation of net primary productivity in Qilian Mountain, western China | |
CN105139371A (zh) | 一种基于pcnn与lp变换的多聚焦图像融合方法 | |
CN103020939A (zh) | 利用多时相数据去除光学遥感影像大面积厚云的方法 | |
CN105139361A (zh) | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 | |
CN109886908A (zh) | 红外图像与可见光图像融合方法 | |
Paz-Kagan et al. | Structural changes of desertified and managed shrubland landscapes in response to drought: Spectral, spatial and temporal analyses | |
Moreno et al. | Significance of soil erosion on soil surface roughness decay after tillage operations | |
Liu et al. | Understanding the role of phenology and summer physiology in controlling net ecosystem production: a multiscale comparison of satellite, PhenoCam and eddy covariance data | |
Su et al. | An impervious surface spectral index on multispectral imagery using visible and near-infrared bands | |
Jia et al. | Influence of ecological factors on estimation of impervious surface area using Landsat 8 imagery | |
Pan et al. | Time tracking of different cropping patterns using Landsat images under different agricultural systems during 1990–2050 in Cold China | |
CN104951800A (zh) | 一种面向资源开采型地区的遥感影像融合方法 | |
CN102542547B (zh) | 一种基于光谱约束的高光谱图像融合方法 | |
CN103530860B (zh) | 基于自适应的自回归模型的高光谱图像超分辨率方法 | |
CN114298950A (zh) | 一种基于改进的GoDec算法的红外与可见光图像融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 518055 Guangdong city of Shenzhen province Nanshan District Xili of Tsinghua Applicant after: Graduate School at Shenzhen, Tsinghua University Address before: 518000 Guangdong city in Shenzhen Province, Nanshan District City Xili Shenzhen Tsinghua Campus of Tsinghua University Applicant before: Graduate School at Shenzhen, Tsinghua University |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |