CN105741336B - 一种基于随机采样的分块压缩感知成像方法及系统 - Google Patents

一种基于随机采样的分块压缩感知成像方法及系统 Download PDF

Info

Publication number
CN105741336B
CN105741336B CN201610128736.6A CN201610128736A CN105741336B CN 105741336 B CN105741336 B CN 105741336B CN 201610128736 A CN201610128736 A CN 201610128736A CN 105741336 B CN105741336 B CN 105741336B
Authority
CN
China
Prior art keywords
region
splits
imaging
piece
stochastical sampling
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.)
Active
Application number
CN201610128736.6A
Other languages
English (en)
Other versions
CN105741336A (zh
Inventor
王中阳
周燕飞
张小伟
沈灏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Advanced Research Institute of CAS
Original Assignee
Shanghai Advanced Research Institute of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Advanced Research Institute of CAS filed Critical Shanghai Advanced Research Institute of CAS
Priority to CN201610128736.6A priority Critical patent/CN105741336B/zh
Publication of CN105741336A publication Critical patent/CN105741336A/zh
Application granted granted Critical
Publication of CN105741336B publication Critical patent/CN105741336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明提供一种基于随机采样的分块压缩感知成像方法及系统。其中，所述基于随机采样的分块压缩感知成像方法包括：控制激光照射样品，并对照射所述样品产生的荧光信号进行处理；将处理后的荧光信号到达的成像区域进行分成多个相同块；分别针对所述成像区域的每块区域应用相同的采样算子进行多次采样得到所述块区域的观测向量值；分别针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据；根据每块区域的初始图像数据重构出整个初始图像数据。本发明的方案能够提高随机采用成像的效率。

Description

一种基于随机采样的分块压缩感知成像方法及系统
技术领域
本发明涉及一种超分辨成像领域，特别是涉及一种基于随机采样的分块压缩感知成像方法及系统。
背景技术
光学显微成像技术具有无损、非接触、高特异性、高灵敏、高活体友好以及能够提供功能信息等突出优点，被广泛的应用于生物医学和材料科学领域。传统的光学显微成像技术受衍射极限的限制，无法做到小于200nm分辨率，只能观测到微米至亚微米的结构形貌。
为了突破光学显微成像技术的衍射极限，科学家不断寻找新的方法来提高显微成像技术的分辨率。近年来，Stefan W.Hell等人[1,2]提出的STED和基态倒空(Ground statedepletion,GSD)荧光成像技术、庄小威等人[3]提出的STORM技术、Eric Betzig等人[4]和Samuel T.Hess等人[5]提出的光激活定位超分辨成像方法(Photo-activatedlocalization microscopy,PALM)，突破了光学衍射极限的限制，使光学显微镜的成像分辨能力提高到几十纳米。其中，STORM技术是利用了荧光探针具有光开关的特性，用特定波长的激光来激活探针，然后用另一个波长激光来观察、精确定位以及漂白荧光分子，将此过程循环足够多次后重构得到高分辨率的图像的方法。由于具有激发强度小、宽场分辨能力高、荧光染料适用性强等特点，STORM技术被广泛应用于生物医学领域的研究。STORM技术超高空间分辨率的能力主要依赖于极高的单分子定位精度，即在采集图像时，对应每一帧图像只能激活少量荧光分子。但其缺点是为了收集足够多的光子数来重构一幅完整的图像，通常需要几千帧的采样数，导致采样效率被约束。同时，当获得数据后进行单分子拟合等数据处理时，通常也需要几分钟至几十分钟(针对不同的样品甚至需要几小时)来得到一幅高分辨图像。为了提高STORM技术的成像速度，主要有两种解决途径：一是在同等采样帧数下，加快采样速率，从而提高成像速度，这就需要增大激发光的强度、缩短荧光染料的光开关时间、使用更加快速的探测器，这类方法是传统STORM系统的进一步优化，然而较高的激发光强度会引起样品的损害，不利于对生物样品活性功能的观察。二是减少图像重构所需的采样帧数，这就需要增大荧光分子的激发密度，使得每帧可以累积更多的单分子事件来减少采样帧数。在较高的激发密度下，传统的单分子拟合定位算法便不再适用，以此而发展起来的多分子拟合算法虽然可以提高荧光分子的定位精度，但是在图像重构速度方面还是较慢。Bo Huang课题组[6]首次提出了基于CVX模型的Compressed Sensing-STORM算法(CS-STORM)，在高激发密度的情况下，其定位精度相较于传统算法有了较大的提高，大大减少了图像的采集帧数，但是由于算法的限制，得到一副正常尺寸大小的超分辨图像却需要几天的时间。在专利(CN201510394995.9)，也提出了基于稀疏约束的快速随机光学重构成像系统及方法。但在采样次数与重构时间上还有待于进一步优化。
鉴于此，如何找到进一步减低采样次数减少重构时间的压缩感知成像方案就成了本领域技术人员亟待解决的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于随机采样的分块压缩感知成像方法及系统，用于解决现有技术中基于随机采样的压缩感知成像方案采用次数多或及重构时间长，有待于进一步优化的问题。
为实现上述目的及其他相关目的，本发明提供一种基于随机采样的分块压缩感知成像方法，所述基于随机采样的分块压缩感知成像方法包括：控制激光照射样品，并对照射所述样品产生的荧光信号进行处理；将处理后的荧光信号到达的成像区域进行分成多个相同块；分别针对所述成像区域的每块区域应用相同的采样算子进行多次采样得到所述块区域的观测向量值；分别针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据；根据每块区域的初始图像数据重构出整个初始图像数据。
可选地，对照射所述样品生成的荧光信号的处理包括：所述荧光信号经色镜、滤光片、反射镜后由空间随机相位调制器进行空间调制。
可选地，对所述成像区域的采样的具体实现包括：通过电子倍增耦合器件采集。
可选地，针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据的具体实现包括：依照最小均方误差线性估计方法，根据每块区域的观测向量值计算得到所述块区域的初始图像数据。
可选地，所述基于随机采样的分块压缩感知成像方法还包括：对所述初始图像数据进行优化得到最终的图像数据。
本发明还提供一种基于随机采样的分块压缩感知成像系统，所述基于随机采样的分块压缩感知成像系统包括：荧光信号生成模块，用于控制激光照射样品，对照射所述样品生成的荧光信号进行处理；分块压缩采样模块，用于将处理后的荧光信号到达的成像区域进行分成多个相同块，分别针对所述成像区域的每块区域应用相同的采样算子进行多次采样得到所述块区域的观测向量值；分块区域计算模块，用于分别针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据；整体图像重构模块，用于根据每块区域的初始图像数据重构出整个初始图像数据。
可选地，对照射所述样品生成的荧光信号的处理包括：所述荧光信号经色镜、滤光片、反射镜后由空间随机相位调制器进行空间调制。
可选地，对所述成像区域的采样的具体实现包括：通过电子倍增耦合器件采集。
可选地，所述分块区域计算模块的具体实现包括：依照最小均方误差线性估计方法，根据每块区域的观测向量值计算得到所述块区域的初始图像数据。
可选地，所述整体图像重构模块还用于：对所述初始图像数据进行优化得到最终的图像数据。
如上所述，本发明的一种基于随机采样的分块压缩感知成像方法及系统，具有以下有益效果：通过对随机采样成像的成像区域进行分块压缩感知成像，大大降低了图像重构时的处理复杂度，不仅节省了图像处理时间，同时采用分块的策略也可以大大减少采样次数。从而极大地提高了随机采用成像的效率。
附图说明
图1显示为本发明的基于随机采样的分块压缩感知成像方法的一实施例的流程示意图。
图2显示为本发明的基于随机采样的分块压缩感知成像系统的一实施例的模块示意图。
图3显示为本发明的基于随机采样的分块压缩感知成像系统的一实施例的应用场景示意图。
图4显示为本发明的基于随机采样的分块压缩感知成像系统的一实施例的分块模型示意图。
图5显示为本发明的基于随机采样的分块压缩感知成像系统的一实施例的与其他成像方法的效果比较图。
元件标号说明
1 基于随机采样的分块压缩
感知成像系统
11 荧光信号生成模块
12 分块压缩采样模块
13 分块区域计算模块
14 整体图像重构模块
31 二向色镜
32 物镜
33 样品
34 滤光片
35 反射镜
36 空间随机相位调制器
37 电子倍增耦合器件
S1～S4 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明提供一种基于随机采样的分块压缩感知成像方法。所述基于随机采样的分块压缩感知成像方法可以应用于STORM(随机光学重建显微成像技术)的重构算法中，同时从物理采样模式上进行革新，从采样帧数上进行大幅度的压缩，使得整个测量及成像效率可以从数量级上得到提升。压缩观测的基本原理如下：压缩观测y＝Φx，其中y为观测所得向量M×1，x为原信号N×1(M<<N)。Φ可以称为观测矩阵、测量矩阵、测量基、可压缩信息采样算子，大小为M×N。M为采样次数。
在一个实施例中，如图1所示，所述基于随机采样的分块压缩感知成像方法包括：
步骤S1，控制激光照射样品，并对照射所述样品产生的荧光信号进行处理。在一个实施例中，对照射所述样品生成的荧光信号的处理包括：所述荧光信号经色镜、滤光片、反射镜后由空间随机相位调制器进行空间调制。空间光调制器含有许多独立单元,它们在空间上排列成一维或二维阵列。每个单元都可以独立地接受光学信号或电学信号的控制,利用各种物理效应(泡克尔斯效应、克尔效应、声光效应、磁光效应、半导体的自电光效应、光折变效应等)改变自身的光学特性,从而对照明在其上的光波进行调制。一般把这些独立的小单元称为空间光调制器的“像素”(pixel),把控制像素的信号称为“写入光”(writelight),把照明整个器件并被调制的输入光波称为“读出光”(readout light),经过空间光调制器后出射的光波称为“输出光”(output light)。形象的说,空间光调制器可以看作一块透射率或其它光学参数分布能够按照需要进行快速调节的透明片。显然,写入信号应该含有控制调制器各个像素的信息。把这些信息分别传送到相应像素位置上去的过程,称为“寻址”(addressing)。空间随机相位调制器是能够根据光的相位的一维或二维分布进行空间和时间的变换或调制的器件。
步骤S2，将处理后的荧光信号到达的成像区域进行分成多个相同块；分别针对所述成像区域的每块区域应用相同的采样算子进行多次采样得到所述块区域的观测向量值。在一个实施例中，对所述成像区域的采样的具体实现包括：通过电子倍增耦合器件采集，包括应用相同的采样算子多次通过多个电子倍增耦合器件分别采集多个所述成像区域的观测向量值。
步骤S3，分别针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据。在一个实施例中，针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据的具体实现包括：依照最小均方误差(Minimum Mean Square Error，MMSE)线性估计方法，根据每块区域的观测向量值计算得到所述块区域的初始图像数据。
步骤S4，根据每块区域的初始图像数据重构出整个初始图像数据。所述基于随机采样的分块压缩感知成像方法还可以包括：对所述初始图像数据进行优化得到最终的图像数据。
本发明还提供一种基于随机采样的分块压缩感知成像系统。所述基于随机采样的分块压缩感知成像系统可以应用如上所述的基于随机采样的分块压缩感知成像方法。在一个实施例中，如图2所示，所述基于随机采样的分块压缩感知成像系统1包括荧光信号生成模块11、分块压缩采样模块12、分块区域计算模块13以及整体图像重构模块14。其中：
荧光信号生成模块11用于控制激光照射样品，对照射所述样品生成的荧光信号进行处理。对照射所述样品生成的荧光信号的处理包括：所述荧光信号经色镜、滤光片、反射镜后由空间随机相位调制器进行空间调制。
分块压缩采样模块12与荧光信号生成模块11相连，用于将处理后的荧光信号到达的成像区域进行分成多个相同块，分别针对所述成像区域的每块区域应用相同的采样算子进行多次采样得到所述块区域的观测向量值。对所述成像区域的采样的具体实现包括：通过电子倍增耦合器件采集。
分块区域计算模块13与分块压缩采样模块12相连，用于分别针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据。所述分块区域计算模块的具体实现包括：依照最小均方误差线性估计方法，根据每块区域的观测向量值计算得到所述块区域的初始图像数据。
整体图像重构模块14与分块区域计算模块13相连，用于根据每块区域的初始图像数据重构出整个初始图像数据。所述整体图像重构模块还用于：对所述初始图像数据进行优化得到最终的图像数据。
在一个实施例中，本发明的方案所应用的一个成像光路的模型可以参见专利CN201510394995.9“基于稀疏约束的快速随机光学重构成像系统及方法”中的内容。在一个实施例中，所述基于随机采样的分块压缩感知成像系统的光路模型如图3所示，其中，激光经二向色镜31和物镜32，经物镜边缘入射，大角度的照射在样品33表面，由于全内反射效应，使得只有样品33表面的荧光基团被激发，大大降低了背景噪声的影响。信噪比较高的荧光信号通过物镜32的另一边缘返回，经二向色镜31、滤光片34、反射镜35后被空间随机相位调制器36空间调制，最终由电子倍增耦合器件37收集。在一个实施例中，参见图4，所述基于随机采样的分块压缩感知成像系统将成像区域(具有N＝Ir×Ic个像素)平均分割为互不覆盖的大小为B×C的块(每块的具有B×C个像素)，第i个块区域的原始向量数据记为xi，i＝1…n,n＝N/(B×C),其中，B可以等于C。然后对各个块区域的原始向量数据xi应用相同的可压缩信息采样算子Φ得到该块区域的观测值向量yt。然后采用现有的CS(CompressiveSensing)方法，如直接法或最小均方误差法得到X的初始解其中，采用直接法时，在一个实施例中，可以采用最小均方误差(Minimum MeanSquare Error，MMSE)线性估计根据可压缩信息采样算子Φ以及观测值向量yt求出初始解xi。然后，将各个区域的初始解xi重构出整个成像区域的初始解(即将不同区域的数据拼接成一个整体图像数据)，并对所述初始解进行一系列的优化恢复。由于是分别针对得到的每块区域的观测向量值计算得到所述块区域的初始图像数据，计算的数据量将远小于将成像区域作为一个整体观测计算的计算量。本发明的方案通过分案不仅让数据采样端提供了简单的结构，也使得数据重构能更好更快的得到分块数据的初始解。
在一个实施例中，本发明设计的一种基于随机采样的分块压缩感知成像方案，和基于CVX模型的CS-STORM方案在同等分子激发密度下进行比较，两者都具有较高的重构效率，但在一些点上本发明方案的结果稍优于CS-STORM方案的结果。另外，通过比较不同分子密度下重构分子密度、中心定位误差之间，发现当采样率在30％及以上时，本发明的方案在重构分子密度和中心定位误差方面都优于多分子拟合算法和基于CVX模型的CS-STORM算法，与基于CVX的CS-STORM算法相比，中心定位误差提高了约10nm。在一个实施例中，如图5所示，本发明设计的一种基于随机采样的分块压缩感知成像方案和单分子拟合算法、多分子拟合算法以及基于CVX模型的CS-STORM算法进行了对比。其中(e)表示真实的图片，(f)表示CCD(Charge Coupled Device，电荷藕合器件图像传感器)得到的低分辨率图片，(g)表示单分子拟合算法重构的结果，拟合所需帧数为1000帧，拟合时间为6秒，(h)表示多分子拟合算法重构的结果，拟合所需帧数为1000帧，拟合时间为2分29秒，(i)表示基于CVX模型的CS-STORM算法重构的结果，拟合所需帧数为506帧，拟合时间为43小时，(j)表示本发明设计的方案重构的结果，拟合所需帧数为52帧，拟合时间为1.24秒。通过比较(i)和(j)，从拟合帧数上比较，本发明所需的拟合帧数远低于单分子拟合算法和多分子拟合算法，提高了大概1个数量级；从拟合时间上比较，本发明所需的拟合时间远低于基于CVX模型的CS-STORM算法，提高了大概3～6个数量级，具体时间还与样品的分子激发密度有关。
综上所述，本发明的一种基于随机采样的分块压缩感知成像方法及系统，具有以下有益效果：通过对随机采样成像的成像区域进行分块压缩感知成像，大大降低了图像重构时的处理复杂度，不仅节省了图像处理时间，同时采用分块的策略也可以大大减少采样次数。从而极大地提高了随机采用成像的效率。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于随机采样的分块压缩感知成像方法，其特征在于，所述基于随机采样的分块压缩感知成像方法包括：
控制激光照射样品，并对照射所述样品产生的荧光信号进行处理；
将处理后的荧光信号到达的成像区域进行分成多个相同块；分别针对所述成像区域的每块区域应用相同的采样算子同时进行多次采样得到所述块区域的观测向量值；
分别针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据；
根据每块区域的初始图像数据重构出整个初始图像数据。
2.根据权利要求1所述的基于随机采样的分块压缩感知成像方法，其特征在于：对照射所述样品生成的荧光信号的处理包括：所述荧光信号经色镜、滤光片、反射镜后由空间随机相位调制器进行空间调制。
3.根据权利要求1所述的基于随机采样的分块压缩感知成像方法，其特征在于：对所述成像区域的采样的具体实现包括：通过电子倍增耦合器件采集。
4.根据权利要求1所述的基于随机采样的分块压缩感知成像方法，其特征在于：针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据的具体实现包括：依照最小均方误差线性估计方法，根据每块区域的观测向量值计算得到所述块区域的初始图像数据。
5.根据权利要求1所述的基于随机采样的分块压缩感知成像方法，其特征在于：所述基于随机采样的分块压缩感知成像方法还包括：对所述初始图像数据进行优化得到最终的图像数据。
6.一种基于随机采样的分块压缩感知成像系统，其特征在于：所述基于随机采样的分块压缩感知成像系统包括：
荧光信号生成模块，用于控制激光照射样品，对照射所述样品生成的荧光信号进行处理；
分块压缩采样模块，用于将处理后的荧光信号到达的成像区域进行分成多个相同块，分别针对所述成像区域的每块区域应用相同的采样算子同时进行多次采样得到所述块区域的观测向量值；
分块区域计算模块，用于分别针对得到的每块区域的观测向量值，计算得到所述块区域的初始图像数据；
整体图像重构模块，用于根据每块区域的初始图像数据重构出整个初始图像数据。
7.根据权利要求6所述的基于随机采样的分块压缩感知成像系统，其特征在于：对照射所述样品生成的荧光信号的处理包括：所述荧光信号经色镜、滤光片、反射镜后由空间随机相位调制器进行空间调制。
8.根据权利要求6所述的基于随机采样的分块压缩感知成像系统，其特征在于：对所述成像区域的采样的具体实现包括：通过电子倍增耦合器件采集。
9.根据权利要求6所述的基于随机采样的分块压缩感知成像系统，其特征在于：所述分块区域计算模块的具体实现包括：依照最小均方误差线性估计方法，根据每块区域的观测向量值计算得到所述块区域的初始图像数据。
10.根据权利要求6所述的基于随机采样的分块压缩感知成像系统，其特征在于：所述整体图像重构模块还用于：对所述初始图像数据进行优化得到最终的图像数据。
CN201610128736.6A 2016-03-07 2016-03-07 一种基于随机采样的分块压缩感知成像方法及系统 Active CN105741336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610128736.6A CN105741336B (zh) 2016-03-07 2016-03-07 一种基于随机采样的分块压缩感知成像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610128736.6A CN105741336B (zh) 2016-03-07 2016-03-07 一种基于随机采样的分块压缩感知成像方法及系统

Publications (2)

Publication Number Publication Date
CN105741336A CN105741336A (zh) 2016-07-06
CN105741336B true CN105741336B (zh) 2019-04-30

Family

ID=56250061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610128736.6A Active CN105741336B (zh) 2016-03-07 2016-03-07 一种基于随机采样的分块压缩感知成像方法及系统

Country Status (1)

Country Link
CN (1) CN105741336B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952233B (zh) * 2017-03-24 2020-03-31 深圳大学 荧光多分子定位方法、装置以及超分辨成像方法、系统
CN108711151B (zh) * 2018-05-22 2022-09-13 广东工业大学 一种焊接缺陷检测方法、装置、设备、存储介质及系统
CN109297925B (zh) * 2018-10-09 2024-07-19 天津大学 一种基于分块压缩感知的太赫兹高分辨率快速成像装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104570000A (zh) * 2015-01-07 2015-04-29 太原理工大学 一种基于混沌压缩编码的光学综合孔径成像系统及方法
CN104702828A (zh) * 2015-03-13 2015-06-10 四川大学 一种分块阵列块内压缩感知逐点扫描相机
CN105044897A (zh) * 2015-07-07 2015-11-11 中国科学院上海高等研究院 基于稀疏约束的快速随机光学重构成像系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104570000A (zh) * 2015-01-07 2015-04-29 太原理工大学 一种基于混沌压缩编码的光学综合孔径成像系统及方法
CN104702828A (zh) * 2015-03-13 2015-06-10 四川大学 一种分块阵列块内压缩感知逐点扫描相机
CN105044897A (zh) * 2015-07-07 2015-11-11 中国科学院上海高等研究院 基于稀疏约束的快速随机光学重构成像系统及方法

Also Published As

Publication number Publication date
CN105741336A (zh) 2016-07-06

Similar Documents

Publication Publication Date Title
de Haan et al. Deep-learning-based image reconstruction and enhancement in optical microscopy
US10352860B2 (en) Super resolution microscopy
CN105741336B (zh) 一种基于随机采样的分块压缩感知成像方法及系统
CN105044897B (zh) 基于稀疏约束的快速随机光学重构成像系统及方法
US20140051974A1 (en) System and method for mri imaging using polarized light
US9715098B2 (en) Sparse deconvolution spatial light microscopy in two and three dimensions
WO2013059404A1 (en) Systems and methods for deterministic emitter switch microscopy
JP2013542468A (ja) 走査型投影レンズレス顕微鏡システム
Ding et al. Multiple image storage and frequency conversion in a cold atomic ensemble
CN110132910B (zh) 基于光场多维信息融合显微超分辨成像装置和成像方法
CN103592278B (zh) 基于荧光发射抑制机理的随机定位超分辨显微方法及装置
CN101865673B (zh) 一种微观光场采集与三维重建方法及装置
JP2021510850A (ja) 高空間分解能の時間分解イメージング法
CN115293981B (zh) 结构光照明荧光显微图像去噪和超分辨率重建方法及系统
Chen et al. Image enhancement in lensless inline holographic microscope by inter-modality learning with denoising convolutional neural network
Russell et al. Manipulating the quantum coherence of optically trapped nanodiamonds
Thompson et al. High speed fluorescence imaging with compressed ultrafast photography
CN114979590B (zh) 一种线积分压缩的超快成像装置
Yu et al. Efficient phase retrieval based on dark fringe extraction and phase pattern construction with a good anti-noise capability
CN107121419B (zh) 一种非侵入式成像方法及装置
Stergiopoulou et al. 3D Image super-resolution by fluorophore fluctuations and MA-TIRF microscopy reconstruction (3D-COL0RME)
Zeng et al. Simultaneous multicolour imaging using quantum dot structured illumination microscopy
Costantini et al. A multimodal imaging and analysis pipeline for creating a cellular census of the human cerebral cortex
CN106952233A (zh) 荧光多分子定位方法、装置以及超分辨成像方法、系统
Guérit et al. Compressive lensless endoscopy with partial speckle scanning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant