CN107392946A - 一种面向三维形状重建的显微多焦距图像序列处理方法 - Google Patents
一种面向三维形状重建的显微多焦距图像序列处理方法 Download PDFInfo
- Publication number
- CN107392946A CN107392946A CN201710584586.4A CN201710584586A CN107392946A CN 107392946 A CN107392946 A CN 107392946A CN 201710584586 A CN201710584586 A CN 201710584586A CN 107392946 A CN107392946 A CN 107392946A
- Authority
- CN
- China
- Prior art keywords
- image
- focal length
- micro
- multiple focal
- sequence
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000006073 displacement reaction Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Microscoopes, Condenser (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种面向三维形状重建的显微多焦距图像序列处理方法,其特征在于:通过显微镜Z轴调焦确定观测物体的上表面位置和下表面位置,调节Z轴焦距,每隔一定的间隔采集一幅图像,获得显微多焦距图像序列;将每一幅图像转换成灰度图像,通过相位相关法检测平均位移;判断整个图像序列是否需要进行图像配准;然后对显微多焦距图像序列做滤波处理;找到图像序列中每一个位置上对应的清晰点,并找到清晰度最大的点,并记录其所在的图像在序列中的序列号,作为高度参考信息,构建三维信息图,利用的中值滤波进行滤波。本发明的优点在于:解决传统显微多焦距图像序列处理方法在面向三维形状重建会产生位移偏差,噪声过大和空洞过多的问题。
Description
技术领域
本发明属于显微图像处理领域,特别涉及一种面向三维形状重建的显微多焦距图像序列处理方法。
背景技术
物体在显微镜下的三维信息在生命医学领域和工业领域都有着广泛的应用需求,是现代高端数码显微镜必备的核心功能之一。不管是金相显微镜还是生物显微镜,由于显微镜的视场景深都是非常小,同时样本的表面有一定的厚度,这样导致获得一张样本表面的全对焦图像是十分困难的,对于显微镜的光学成像系统的要求十分严格。在数码显微镜领域中,解决该类问题最常用的技术是多焦距图像序列技术。该技术通过对样品的不同对焦平面采集高分辨率的图像并通过匹配技术和对齐技术实现图像序列位置上对齐,可以用于后续的三维形状重建。在显微图像处理领域,三维重建技术是与多焦距显微图像紧密联系在一起的,三维重建是在该图像序列采集的基础上衍生出来的后续处理结果。但是传统的多焦距图像序列处理方法在实现三维形状重建的过程中会产生位移偏差,出现噪声过大和空洞过多的情况。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种面向三维形状重建的显微多焦距图像序列处理方法,该方法能够解决传统显微多焦距图像序列处理方法在面向三维形状重建会产生位移偏差,噪声过大和空洞过多的问题。
本发明解决上述技术问题所采用的技术方案为:一种面向三维形状重建的显微多焦距图像序列处理方法,其特征在于:包括以下步骤:
步骤(1)、首先通过显微镜Z轴调焦确定观测样品的最高点位置和最低点位置,确定好观测样品的最高点位置和最低点位置之后,调节Z轴焦距,将观测物体的最高点或最低点调节到清晰位置,然后按照预定距离间隔旋转显微镜Z轴转轮,并相应的采集观测样品的图像,直到观测样品的最低点或最高点显示清晰,此时获得观测样品的显微多焦距图像序列;
步骤(2)、将步骤(1)中获得的显微多焦距图像序列中的所有图像转换成灰度图像,通过相位相关法检测显微多焦距图像序列中的每两幅相邻图像的灰度图像的位移,并计算得到所有显微多焦距图像序列图像之间的平均位移;
步骤(3)、通过步骤(2)中获得的所有图像序列间的平均位移,判断整个显微多焦距图像序列是否需要进行图像配准,如果平均位移大于等于0.6~1.0,则需要进行图像配准,图像配准后再转入步骤(4),反之则不需要,直接转入步骤(4);
步骤(4)、对步骤(3)获得的显微多焦距图像序列使用拉普拉斯滤波器做滤波处理,得到滤波后的显微多焦距图像序列中每幅图像的像素点位置及其对应的清晰度值;对拉普拉斯滤波器滤波后的显微多焦距图像序列中的每幅图像中像素点的清晰度值进行二值化处理,二值化处理的阈值为对应每幅图像中像素点亮度的中值,大于中值的像素点被保留,小于或等于中值的像素点被剔除;
步骤(5)、对步骤(4)处理后的显微多焦距图像序列使用金字塔滤波器清除噪声,选择金字塔最顶层的图像中所包含的像素点作为每幅图像的清晰点,记录该清晰点的位置和清晰度;
步骤(6)、利用步骤(5)所得到的清晰点,根据显微多焦距图像序列中每一个位置对应的清晰点,并找到清晰度最大的点,并记录清晰度最大的点所在的图像在显微多焦距图像序列中的序列号,将该序列号作为高度参考信息,利用高度参考信息构建观测样品的三维信息图;
步骤(7)、利用中值滤波法对步骤(6)构建的观测样品的三维信息图进行滤波,以消除三维信息图中包含的空洞和噪声;将滤波后的三维信息图作为观测样品最终输出的三维信息图。
进一步地,步骤(3)中的图像配准通过与相位相关的图像配准算法对显微多焦距图像序列进行图像配准,将需要进行图像配准的图像称为目标图像,将需要进行图像配准的图像相邻的图像称为参考图像,具体通过以下步骤实现:
步骤(3-1)、特征点检测,构建特征点检测算子对目标图像和参考图像进行特征点提取,确定目标图像和参考图像中各个特征点所在的位置;
步骤(3-2)、特征点匹配,将步骤(3-1)中得到的目标图像的特征点与参考图像中的特征点进行匹配,找到最佳匹配的特征点对;
步骤(3-3)、图像几何变换,利用步骤(3-2)中得到的最佳匹配特征点对计算出来的变换矩阵通过线性仿射变换,将所有的目标图像的位置和尺寸变换为与参考图像一致。
具体地,步骤(3-1)中使用的特征点检测算子为ORB特征检测算子。
具体地,步骤(3-2)中使用的特征点匹配方法采用FLANN匹配算子。
与现有技术相比,本发明的优点在于:通过获得所有显微多焦距图像序列的平均位移,判断整个显微多焦距图像序列是否需要进行图像配准,使用图像配准,可以消除图像平移和尺度变化;三维信息图会包含空洞和噪声,利用的中值滤波进行滤波,消除空洞和噪声。
附图说明
图1为本发明实施例的总体实现框图;
图2为本发明实施例的三维信息图构建示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提供的面向三维形状重建的显微多焦距图像序列处理方法。其总体框图如图1所示,包括以下步骤:
步骤(1)、首先通过显微镜Z轴调焦确定观测样品的最高点位置和最低点位置,确定好观测样品的最高点位置和最低点位置之后,调节Z轴焦距,将观测物体的最高点或最低点调节到清晰位置,然后按照预定距离间隔旋转显微镜Z轴转轮,并相应的采集观测样品的图像,直到观测样品的最低点或最高点显示清晰,此时获得观测样品的显微多焦距图像序列;
步骤(2)、将步骤(1)中获得的显微多焦距图像序列中的所有图像转换成灰度图像,通过相位相关法检测显微多焦距图像序列中的每两幅相邻图像的灰度图像的位移,并计算得到所有显微多焦距图像序列图像之间的平均位移;
步骤(3)、通过步骤(2)中获得的所有图像序列间的平均位移,判断整个显微多焦距图像序列是否需要进行图像配准,如果平均位移大于等于0.6~1.0,则需要进行图像配准,图像配准后再转入步骤(4),反之则不需要,直接转入步骤(4);
其中,本实施例中,步骤(3)中的图像配准通过与相位相关的图像配准算法对显微多焦距图像序列进行图像配准,将需要进行图像配准的图像称为目标图像,将需要进行图像配准的图像相邻的图像称为参考图像,具体通过以下步骤实现:
步骤(3-1)、特征点检测,构建特征点检测算子对目标图像和参考图像进行特征点提取,确定目标图像和参考图像中各个特征点所在的位置;本实施例中,使用的特征点检测算子为ORB特征检测算子。
步骤(3-2)、特征点匹配,将步骤(3-1)中得到的目标图像的特征点与参考图像中的特征点进行匹配,找到最佳匹配的特征点对;本实施例中,使用的特征点匹配方法采用FLANN匹配算子。
步骤(3-3)、图像几何变换,利用步骤(3-2)中得到的最佳匹配特征点对计算出来的变换矩阵通过线性仿射变换,将所有的目标图像的位置和尺寸变换为与参考图像一致。
步骤(4)、对步骤(3)获得的显微多焦距图像序列使用拉普拉斯滤波器做滤波处理,得到滤波后的显微多焦距图像序列中每幅图像的像素点位置及其对应的清晰度值;对拉普拉斯滤波器滤波后的显微多焦距图像序列中的每幅图像中像素点的清晰度值进行二值化处理,二值化处理的阈值为对应每幅图像中像素点亮度的中值,大于中值的像素点被保留,小于或等于中值的像素点被剔除;
其中,拉普拉斯滤波器做滤波处理过程可以看做是原始二维图像与拉普拉斯的卷积核进行卷积,在本实施例中,拉普拉斯的卷积核定义为:
0 | -1 | 0 |
-1 | 4 | -1 |
0 | -1 | 0 |
步骤(5)、对步骤(4)处理后的显微多焦距图像序列使用金字塔滤波器清除噪声,选择金字塔最顶层的图像中所包含的像素点作为每幅图像的清晰点,记录该清晰点的位置和清晰度;在本实施例中,使用的金字塔滤波器的层数为4层;
步骤(6)、利用步骤(5)所得到的清晰点,根据显微多焦距图像序列中每一个位置对应的清晰点,并找到清晰度最大的点,并记录清晰度最大的点所在的图像在显微多焦距图像序列中的序列号,将该序列号作为高度参考信息,利用高度参考信息构建观测样品的三维信息图;如图2所示,为构建三维信息图的构建示意图,图2中的(a)为所有图像中的清晰点;(b)为找到清晰度最大的点;(c)为记录(b)图中清晰度最大的点所在图像在显微多焦距图像序列中的序列号;(d)为将(c)图的序列号作为高度参考信息,构建三维信息图;
步骤(7)、利用中值滤波法对步骤(6)构建的观测样品的三维信息图进行滤波,以消除三维信息图中包含的空洞和噪声;将滤波后的三维信息图作为观测样品最终输出的三维信息图。
Claims (4)
1.一种面向三维形状重建的显微多焦距图像序列处理方法,其特征在于:包括以下步骤:
步骤(1)、首先通过显微镜Z轴调焦确定观测样品的最高点位置和最低点位置,确定好观测样品的最高点位置和最低点位置之后,调节Z轴焦距,将观测物体的最高点或最低点调节到清晰位置,然后按照预定距离间隔旋转显微镜Z轴转轮,并相应的采集观测样品的图像,直到观测样品的最低点或最高点显示清晰,此时获得观测样品的显微多焦距图像序列;
步骤(2)、将步骤(1)中获得的显微多焦距图像序列中的所有图像转换成灰度图像,通过相位相关法检测显微多焦距图像序列中的每两幅相邻图像的灰度图像的位移,并计算得到所有显微多焦距图像序列图像之间的平均位移;
步骤(3)、通过步骤(2)中获得的所有图像序列间的平均位移,判断整个显微多焦距图像序列是否需要进行图像配准,如果平均位移大于等于0.6~1.0,则需要进行图像配准,图像配准后再转入步骤(4),反之则不需要,直接转入步骤(4);
步骤(4)、对步骤(3)获得的显微多焦距图像序列使用拉普拉斯滤波器做滤波处理,得到滤波后的显微多焦距图像序列中每幅图像的像素点位置及其对应的清晰度值;对拉普拉斯滤波器滤波后的显微多焦距图像序列中的每幅图像中像素点的清晰度值进行二值化处理,二值化处理的阈值为对应每幅图像中像素点亮度的中值,大于中值的像素点被保留,小于或等于中值的像素点被剔除;
步骤(5)、对步骤(4)处理后的显微多焦距图像序列使用金字塔滤波器清除噪声,选择金字塔最顶层的图像中所包含的像素点作为每幅图像的清晰点,记录该清晰点的位置和清晰度;
步骤(6)、利用步骤(5)所得到的清晰点,根据显微多焦距图像序列中每一个位置对应的清晰点,并找到清晰度最大的点,并记录清晰度最大的点所在的图像在显微多焦距图像序列中的序列号,将该序列号作为高度参考信息,利用高度参考信息构建观测样品的三维信息图;
步骤(7)、利用中值滤波法对步骤(6)构建的观测样品的三维信息图进行滤波,以消除三维信息图中包含的空洞和噪声;将滤波后的三维信息图作为观测样品最终输出的三维信息图。
2.根据权利要求1所述的面向三维形状重建的显微多焦距图像序列处理方法,其特征在于:步骤(3)中的图像配准通过与相位相关的图像配准算法对显微多焦距图像序列进行图像配准,将需要进行图像配准的图像称为目标图像,将需要进行图像配准的图像相邻的图像称为参考图像,具体通过以下步骤实现:
步骤(3-1)、特征点检测,构建特征点检测算子对目标图像和参考图像进行特征点提取,确定目标图像和参考图像中各个特征点所在的位置;
步骤(3-2)、特征点匹配,将步骤(3-1)中得到的目标图像的特征点与参考图像中的特征点进行匹配,找到最佳匹配的特征点对;
步骤(3-3)、图像几何变换,利用步骤(3-2)中得到的最佳匹配特征点对计算出来的变换矩阵通过线性仿射变换,将所有的目标图像的位置和尺寸变换为与参考图像一致。
3.根据权利要求2所述的面向三维形状重建的显微多焦距图像序列处理方法,其特征在于:步骤(3-1)中使用的特征点检测算子为ORB特征检测算子。
4.根据权利要求2所述的面向三维形状重建的显微多焦距图像序列处理方法,其特征在于:步骤(3-2)中使用的特征点匹配方法采用FLANN匹配算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710584586.4A CN107392946B (zh) | 2017-07-18 | 2017-07-18 | 一种面向三维形状重建的显微多焦距图像序列处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710584586.4A CN107392946B (zh) | 2017-07-18 | 2017-07-18 | 一种面向三维形状重建的显微多焦距图像序列处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392946A true CN107392946A (zh) | 2017-11-24 |
CN107392946B CN107392946B (zh) | 2020-06-16 |
Family
ID=60339962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710584586.4A Active CN107392946B (zh) | 2017-07-18 | 2017-07-18 | 一种面向三维形状重建的显微多焦距图像序列处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392946B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102573A (zh) * | 2018-08-06 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置和存储介质 |
CN110363734A (zh) * | 2019-06-27 | 2019-10-22 | 上海交通大学 | 厚样本显微荧光图像重构方法及系统 |
WO2020135040A1 (zh) * | 2018-12-29 | 2020-07-02 | 中国科学院深圳先进技术研究院 | 图像三维信息提取方法、对象成像方法、装置及系统 |
CN111444752A (zh) * | 2019-10-22 | 2020-07-24 | 泰州市海陵区一马商务信息咨询有限公司 | 阴影目标数据定向分析装置及方法 |
CN112099216A (zh) * | 2020-08-18 | 2020-12-18 | 宁波永新光学股份有限公司 | 一种电动荧光显微镜的调焦方法 |
CN112099217A (zh) * | 2020-08-18 | 2020-12-18 | 宁波永新光学股份有限公司 | 一种显微镜自动对焦方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441320A (zh) * | 2008-12-09 | 2009-05-27 | 东华大学 | 一种基于显微成像检测的高动态图像获取装置及其方法 |
CN103824294A (zh) * | 2014-02-28 | 2014-05-28 | 中国科学院计算技术研究所 | 一种电子断层图像序列对位方法 |
WO2015195048A1 (en) * | 2014-06-16 | 2015-12-23 | Agency For Science, Technology And Research | Reducing speckle noise in optical coherence tomography images |
CN106846383A (zh) * | 2017-01-23 | 2017-06-13 | 宁波诺丁汉大学 | 基于3d数字显微成像系统的高动态范围图像成像方法 |
CN106898019A (zh) * | 2017-02-21 | 2017-06-27 | 广西大学 | 基于尺度不变Harris特征的图像配准方法和装置 |
-
2017
- 2017-07-18 CN CN201710584586.4A patent/CN107392946B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441320A (zh) * | 2008-12-09 | 2009-05-27 | 东华大学 | 一种基于显微成像检测的高动态图像获取装置及其方法 |
CN103824294A (zh) * | 2014-02-28 | 2014-05-28 | 中国科学院计算技术研究所 | 一种电子断层图像序列对位方法 |
WO2015195048A1 (en) * | 2014-06-16 | 2015-12-23 | Agency For Science, Technology And Research | Reducing speckle noise in optical coherence tomography images |
CN106846383A (zh) * | 2017-01-23 | 2017-06-13 | 宁波诺丁汉大学 | 基于3d数字显微成像系统的高动态范围图像成像方法 |
CN106898019A (zh) * | 2017-02-21 | 2017-06-27 | 广西大学 | 基于尺度不变Harris特征的图像配准方法和装置 |
Non-Patent Citations (1)
Title |
---|
李婧 等: "激光扫描共聚焦显微镜自动对焦研究", 《激光杂志》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102573A (zh) * | 2018-08-06 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置和存储介质 |
CN109102573B (zh) * | 2018-08-06 | 2023-05-02 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置和存储介质 |
WO2020135040A1 (zh) * | 2018-12-29 | 2020-07-02 | 中国科学院深圳先进技术研究院 | 图像三维信息提取方法、对象成像方法、装置及系统 |
CN111381357A (zh) * | 2018-12-29 | 2020-07-07 | 中国科学院深圳先进技术研究院 | 图像三维信息提取方法、对象成像方法、装置及系统 |
CN111381357B (zh) * | 2018-12-29 | 2021-07-20 | 中国科学院深圳先进技术研究院 | 图像三维信息提取方法、对象成像方法、装置及系统 |
CN110363734A (zh) * | 2019-06-27 | 2019-10-22 | 上海交通大学 | 厚样本显微荧光图像重构方法及系统 |
CN110363734B (zh) * | 2019-06-27 | 2021-07-13 | 上海交通大学 | 厚样本显微荧光图像重构方法及系统 |
CN111444752A (zh) * | 2019-10-22 | 2020-07-24 | 泰州市海陵区一马商务信息咨询有限公司 | 阴影目标数据定向分析装置及方法 |
CN112099216A (zh) * | 2020-08-18 | 2020-12-18 | 宁波永新光学股份有限公司 | 一种电动荧光显微镜的调焦方法 |
CN112099217A (zh) * | 2020-08-18 | 2020-12-18 | 宁波永新光学股份有限公司 | 一种显微镜自动对焦方法 |
CN112099217B (zh) * | 2020-08-18 | 2022-10-28 | 宁波永新光学股份有限公司 | 一种显微镜自动对焦方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107392946B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392946A (zh) | 一种面向三维形状重建的显微多焦距图像序列处理方法 | |
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN109509164B (zh) | 一种基于gdgf的多传感器图像融合方法及系统 | |
WO2013099772A1 (ja) | 細胞輪郭線形成装置及びその方法、コンピュータにより処理可能な細胞輪郭線形成プログラムを記憶する記憶媒体 | |
CN111145134B (zh) | 基于块效应的微透镜光场相机全聚焦图像生成算法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN110322485B (zh) | 一种异构多相机成像系统的快速图像配准方法 | |
CN102567979A (zh) | 车载红外夜视系统及其多源图像融合方法 | |
CN113160195B (zh) | 一种基于生成热成像的复合材料缺陷无损检测方法 | |
CN111710012B (zh) | 一种基于两维复合配准的octa成像方法与装置 | |
TW201044856A (en) | Image restoration method and apparatus | |
CN111626927B (zh) | 采用视差约束的双目图像超分辨率方法、系统及装置 | |
CN107462182B (zh) | 一种基于机器视觉和红线激光器的截面轮廓形变检测方法 | |
CN111402330B (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
Kasem et al. | Spatial transformer generative adversarial network for robust image super-resolution | |
CN109978897B (zh) | 一种多尺度生成对抗网络的异源遥感图像配准方法及装置 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN103778615B (zh) | 基于区域相似性的多聚焦图像融合方法 | |
CN111256596B (zh) | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 | |
CN112833821A (zh) | 高密度ic焊点的微分几何立体微视觉检测系统及方法 | |
CN108960285B (zh) | 一种分类模型生成方法、舌体图像分类方法及装置 | |
CN109345501A (zh) | 基于频域图像增强的螺旋缠绕式物料缺陷检测方法 | |
CN110705615A (zh) | 一种基于TV模型与GoogLeNet模型的甲状腺结节检测和分类方法 | |
CN113688849B (zh) | 一种用于卷积神经网络的灰度图像序列特征提取方法 | |
CN105783785A (zh) | 一种小波脊相位提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |