CN108447113A - 一种基于深度学习模型的脉冲式强度关联三维成像方法 - Google Patents

一种基于深度学习模型的脉冲式强度关联三维成像方法 Download PDF

Info

Publication number
CN108447113A
CN108447113A CN201810240295.8A CN201810240295A CN108447113A CN 108447113 A CN108447113 A CN 108447113A CN 201810240295 A CN201810240295 A CN 201810240295A CN 108447113 A CN108447113 A CN 108447113A
Authority
CN
China
Prior art keywords
tensor
image
training
reconstruction image
original reconstruction
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
Application number
CN201810240295.8A
Other languages
English (en)
Other versions
CN108447113B (zh
Inventor
郝群
曹杰
张开宇
张芳华
王营博
冯永超
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201810240295.8A priority Critical patent/CN108447113B/zh
Publication of CN108447113A publication Critical patent/CN108447113A/zh
Application granted granted Critical
Publication of CN108447113B publication Critical patent/CN108447113B/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
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种三维成像方法，尤其涉及一种基于深度学习模型的脉冲式强度关联三维成像方法，属于光电成像技术领域。本发明的目的是为了解决现有脉冲式强度关联三维成像方法在以强湍流为代表的强噪声环境下工作时，成像速率慢，成像质量不佳的问题。本发明利用深度学习模型，相比传统和结合压缩感知的关联成像方法，可实现在少量关联次数下的高质量低噪声重建图像输出，抗噪声能力和鲁棒性强。

Description

一种基于深度学习模型的脉冲式强度关联三维成像方法
技术领域
本发明涉及一种三维成像方法，尤其涉及一种基于深度学习模型的脉冲式强度关联三维成像方法，属于光电成像技术领域。
背景技术
作为间接统计成像方法的典型代表，脉冲式强度关联成像技术，因其系统成本低、分辨率高、抗干扰能力强的特点，在生物医学成像、光学图像重建、遥感测量等领域得到广泛的关注和研究。该技术利用时间切片原理，通过多次关联时间切片位置下参考臂获取的光源二维光强信息及探测臂获取的经目标表面反射或透射调制的总光强信息，重建出含有目标表面反射率分布或透射率分布信息的三维图像。然而受限于统计成像的基本原理，该技术在实际噪声环境下需要大量的关联次数方可实现成像，并且其成像速率低且重建图像的质量也普遍偏低。针对这一问题，学者近年来多采用压缩感知技术与脉冲式强度关联成像技术结合的方式，利用信号的稀疏性特性，高质量地重建出含有目标表面信息的三维图像。这种方法虽然可以大幅提高弱噪声环境下的重建图像质量，降低关联次数，但在以强湍流为代表的强噪声环境下，仍无法大幅提高重建图像质量。
发明内容
本发明的目的是为了解决现有脉冲式强度关联三维成像方法在以强湍流为代表的强噪声环境下工作时，成像速率慢，成像质量不佳的问题，提供一种基于深度学习模型的脉冲式强度关联三维成像方法，该方法能够有效提高成像速率的同时，实现高质量图像重建。
本发明的目的是通过下述技术方案实现的。
一种基于深度学习模型的脉冲式强度关联三维成像方法，具体步骤如下：
步骤一、在探测臂上获取经目标表面反射或透射调制的总光强信息，在参考臂上获取系统所用同一光源的二维光强分布信息，进行M组N次数据信息记录。
步骤二、利用脉冲式强度关联算法，对步骤一采集到的M组N次的总光强信息和光源的二维光强分布信息进行运算，经过M*N次关联迭代运算后，重建出含有大量噪声以及目标表面反射率分布或透射率分布信息的M组图像。
步骤三、对步骤二中重建的M组图像构建原始重建图像的训练样本张量和原始重建图像的测试样本张量；并构建与原始重建图像的训练样本张量对应的目标真值图像训练张量。其中，目标真值图像训练张量与原始重建图像的训练样本张量一一对应；
在步骤二重建的M组图像中，随机抽取p％的样本作为原始重建图像的训练样本，余下的(1-p)％样本作为原始重建图像的测试样本。每幅图像按照像素排列顺序压成一维信号，分别构建原始重建图像的训练样本张量和原始重建图像的测试样本张量。
原始重建图像的训练样本张量、原始重建图像的测试样本张量和目标真值图像训练张量的张量形式为[样本数量，一维信号，通道数]，其中样本数量表示图像数量；一维信号表示每幅图像按照像素排列顺序构成的一维信号；通道数表示图像通道的数量。例如：RGB图像通道的数量为3，灰度图通道的数量为1。
步骤四、搭建深度学习模型中的深度自编码网络结构，并初始化网络结构的参数。
深度自编码网络结构，包含编码结构和解码结构，其中编码结构与解码结构呈对偶形式。编码结构首先将输入数据升维，然后随着深度的增加对升维后的数据进行维度压缩，以达到去除噪声的目的，得到压缩后的数据。解码结构与编码结构对称，将压缩后的数据升维，然后降维，实现解码重建，达到输出原图像的目的。深度自编码网络结构使用全连接的方式构建，使用均值为m、方差为n的均匀分布初始化网络参数。
步骤五、将步骤三的原始重建图像的训练样本张量，以及目标真值图像训练张量输入至步骤四搭建的深度自编码网络结构中，对深度自编码网络结构进行循环训练，直至网络输出的损失函数(loss function)低于设定阈值时停止训练。
将步骤三中的原始重建图像的训练样本张量，作为输入信号，输入至步骤四中的深度自编码网络结构中；同时，将步骤三中的目标真值图像训练张量，作为参考信号，输入至步骤四中的深度自编码网络结构中。随后，对深度自编码网络结构进行训练。
训练过程为：以深度自编码网络结构为训练对象，最小化原始重建图像的训练样本张量输入至深度自编码网络后的网络输出与目标真值图像训练张量之间的损失。网络输出的损失函数以原始重建图像的训练样本张量与目标真值图像训练张量的均方根误差表达，损失函数计算公式为：
其中，i为样本序号，N为样本数量，为原始重建图像的训练样本张量，f(·)为网络输出，w为网络参数，yi为目标真值图像训练张量。深度自编码网络使用典型算法训练参数w，当网络输出的损失函数低于设定阈值H时，则完成当前网络结构训练，停止循环训练过程。
步骤六、将步骤三中的原始重建图像的测试样本张量输入至步骤五中经过优化的深度自编码网络，输出经过网络重构后的一维信号，将输出的网络重构后的一维信号逆向还原即得到高质量低噪声三维切片图像。
有益效果
(1)本发明公开的一种基于深度学习模型的脉冲式强度关联三维成像方法，利用深度学习模型，相比传统和结合压缩感知的关联成像方法，可实现在少量关联次数下的高质量低噪声重建图像输出，抗噪声能力和鲁棒性强。
(2)本发明公开的一种基于深度学习模型的脉冲式强度关联三维成像方法，通过扩充测试样本集，实现对泛化目标的高质量低噪声图像重建。
(3)本发明公开的一种基于深度学习模型的脉冲式强度关联三维成像方法，可直接通过对现有强度关联三维成像系统的关联器的软件算法进行修改实现，无需增加额外专用硬件结构，改造成本低，适用性强。
附图说明
图1基于深度学习模型的脉冲式强度关联三维成像方法流程图；
图2基于深度学习模型的脉冲式强度关联三维成像系统原理图；
图3传统脉冲式强度关联切片与基于深度学习模型的脉冲式强度关联切片仿真重建图对比图；(a)传统脉冲式强度关联切片重建图，(b)基于深度学习模型的脉冲式强度关联切片仿真重建图，(c)真实物体切片图。
其中，1-信号发生器，2-脉冲激光器，3-旋转毛玻璃，4-分光镜，5-目标，6-会聚透镜，7-点探测器，8-二维光强分布探测器，9-相关运算器。
具体实施方式
以下结合附图对本发明的具体实施方式进行说明。
实施实例1
一种基于深度学习模型的脉冲式强度关联三维成像方法，如图1所示，所应用系统如图2所示，具体步骤如下：
步骤S1、控制信号发生器1输出脉冲波形驱动脉冲激光器2发出高斯脉冲激光。高斯脉冲激光经过旋转毛玻璃3后照射到分光镜4上，经分光镜4分光的高斯脉冲透射光照射至目标5后，经目标5反射后的全部反射光经会聚透镜6会聚后被点探测器7光电转换为反射光总光强波形电信号，反射光总光强波形电信号传输至相关运算器9，在相关运算器9上记录，记为单次目标5表面反射的总光强回波波形信息。同时，经分光镜4分光的高斯脉冲反射光被二维光强分布探测器8(如：CCD或CMOS图像传感器)光电转换为二维光强分布电信号，二维光强分布电信号传输至相关运算器9，在相关运算器9上记录对应的单次光源的二维光强分布信息。循环进行该步骤1000组，每组200次，在相关运算器9完成每次采集信息的记录。
步骤S2、在相关运算器9内，以次为单位，对步骤S1得到的单次目标5表面反射的总光强回波波形进行时间切片，根据需要，选取其中一个时刻，截取该波形对应时刻的强度值，并结合步骤S1得到的对应的单次光源的二维光强分布信息，利用互相关算法，重建出1000组含有大量噪声的目标5的设定时间切片位置下的表面反射率分布图像。
步骤S3、将步骤S2中重建出的1000组图像构建原始重建图像的训练样本张量和原始重建图像的测试样本张量；并构建与原始重建图像的训练样本张量对应的时间切片位置下目标5表面反射率分布真值图像(使用高精度仪器提前测量的测量值视为真值)的训练张量。
在步骤S2中重建出的1000组图像中，随机抽取80％作为原始重建图像的训练样本张量，余下的20％作为原始重建图像的测试样本张量。每幅图像按照像素排列顺序压成一维信号，其中，重建图像为灰度图，通道数为1，尺寸为40×40，共有1000样本，因此构建的原始重建图像的训练样本张量为[800,40×40，1]，原始重建图像的测试样本张量为[200,40×40，1]。
再构建与原始重建图像的训练样本张量[800,40×40，1]对应的目标真值图像训练张量[800,40×40，1]。其中，目标真值图像训练张量与原始重建图像的训练样本张量一一对应，即目标真值图像训练张量与原始重建图像的训练样本张量在张量的第一个维度样本数量中保持序号一致。
步骤S4、搭建深度学习模型中的深度自编码网络结构，并初始化网络结构的参数。
网络结构包含编码结构和解码结构，其中编码结构与解码结构呈对偶形式。编码结构先将800维输入数据升维至2000维，随后随着深度的增加对升维后数据进行维度梯度逐步压缩，1500维、1000维、800维、500维直至300维，达到去除噪声的目的。解码结构与编码结构对称，将压缩后的信号逆向梯度升维，500维、800维、1000维直至2000维，然后降维至输入信号维度800维，实现解码复原，达到输出原图像的目的。网络结构使用全连接的方式构建，使用均值为0、方差为1的均匀分布初始化网络参数，使用ReLU作为网络的激活函数。
步骤S5、将步骤S3的原始重建图像的训练样本张量以及目标真值图像训练张量进行归一化，然后输入至步骤S4搭建的深度自编码网络结构，自编码网络的输出层使用Sigmoid函数对输出值归一化，使其与输入值对应。对深度自编码网络结构进行循环训练，直至网络输出损失函数低于设定阈值0.05时停止训练。
将步骤S3的原始重建图像的训练样本张量，作为输入信号，输入至步骤S4中的深度自编码网络结构中；同时，将步骤S3中的目标真值图像训练张量，作为参考信号，输入至步骤S4中的深度自编码网络结构中。随后，开始对深度自编码网络结构进行训练。具体训练过程为，以深度自编码网络结构为训练对象，最小化原始重建图像的训练样本张量输入至深度自编码网络后的网络输出与目标真值图像训练张量之间的损失。网络输出的损失函数以原始重建图像的训练样本张量与目标真值图像训练张量的均方根误差表达，其具体损失函数计算公式为：
其中，i为样本序号，N为样本数量，为原始重建图像的训练样本张量，f(·)为网络输出，w为网络参数，yi为目标真值图像训练张量。深度自编码网络使用SGD算法优化参数w，当网络输出的损失低于设定阈值0.05时，则完成当前网络结构训练，停止循环训练过程。
步骤S6、将步骤S3中的原始重建图像的测试样本张量输入至步骤S5中经过训练的深度自编码网络，输出经过网络重构后的一维信号，将输出的网络重构后的一维信号逆向还原即得到高质量低噪声三维切片图像。
其中，图3(a)为传统脉冲式强度关联仿真三维切片图像，图3(b)为基于深度学习模型的脉冲式强度关联仿真三维切片图像，图3(c)为真实物体切片图。通过对比可以发现，图3中传统脉冲式强度关联三维切片图像噪点较多且图像质量低，而深度学习模型的脉冲式强度关联仿真三维切片图像噪点较少且图像质量高，明显优于传统脉冲式强度关联三维切片图像。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于深度学习模型的脉冲式强度关联三维成像方法，其特征在于：具体步骤如下：
步骤一、在探测臂上获取经目标表面反射或透射调制的总光强信息，在参考臂上获取系统所用同一光源的二维光强分布信息，进行M组N次数据信息记录；
步骤二、利用脉冲式强度关联算法，对步骤一采集到的M组N次的总光强信息和光源的二维光强分布信息进行运算，经过M*N次关联迭代运算后，重建出含有大量噪声以及目标表面反射率分布或透射率分布信息的M组图像；
步骤三、对步骤二中重建的M组图像构建原始重建图像的训练样本张量和原始重建图像的测试样本张量；并构建与原始重建图像的训练样本张量对应的目标真值图像训练张量；其中，目标真值图像训练张量与原始重建图像的训练样本张量一一对应；
在步骤二重建的M组图像中，随机抽取p％的样本作为原始重建图像的训练样本，余下的(1-p)％样本作为原始重建图像的测试样本；每幅图像按照像素排列顺序压成一维信号，分别构建原始重建图像的训练样本张量和原始重建图像的测试样本张量；
原始重建图像的训练样本张量、原始重建图像的测试样本张量和目标真值图像训练张量的张量形式为[样本数量，一维信号，通道数]，其中样本数量表示图像数量；一维信号表示每幅图像按照像素排列顺序构成的一维信号；通道数表示图像通道的数量；
步骤四、搭建深度学习模型中的深度自编码网络结构，并初始化网络结构的参数；
深度自编码网络结构，包含编码结构和解码结构，其中编码结构与解码结构呈对偶形式；编码结构首先将输入数据升维，然后随着深度的增加对升维后的数据进行维度压缩，以达到去除噪声的目的，得到压缩后的数据；解码结构与编码结构对称，将压缩后的数据升维，然后降维，实现解码重建，达到输出原图像的目的；深度自编码网络结构使用全连接的方式构建，使用均值为m、方差为n的均匀分布初始化网络参数；
步骤五、将步骤三的原始重建图像的训练样本张量，以及目标真值图像训练张量输入至步骤四搭建的深度自编码网络结构中，对深度自编码网络结构进行循环训练，直至网络输出的损失函数(loss function)低于设定阈值时停止训练；
将步骤三中的原始重建图像的训练样本张量，作为输入信号，输入至步骤四中的深度自编码网络结构中；同时，将步骤三中的目标真值图像训练张量，作为参考信号，输入至步骤四中的深度自编码网络结构中；随后，对深度自编码网络结构进行训练；
训练过程为：以深度自编码网络结构为训练对象，最小化原始重建图像的训练样本张量输入至深度自编码网络后的网络输出与目标真值图像训练张量之间的损失；网络输出的损失函数以原始重建图像的训练样本张量与目标真值图像训练张量的均方根误差表达，损失函数计算公式为：
其中，i为样本序号，N为样本数量，为原始重建图像的训练样本张量，f(·)为网络输出，w为网络参数，yi为目标真值图像训练张量；深度自编码网络使用典型算法训练参数w，当网络输出的损失函数低于设定阈值H时，则完成当前网络结构训练，停止循环训练过程；
步骤六、将步骤三中的原始重建图像的测试样本张量输入至步骤五中经过优化的深度自编码网络，输出经过网络重构后的一维信号，将输出的网络重构后的一维信号逆向还原即得到高质量低噪声三维切片图像。
2.实现如权利要求1所述方法的装置，其特征在于：控制信号发生器输出脉冲波形驱动脉冲激光器发出高斯脉冲激光；高斯脉冲激光经过旋转毛玻璃后照射到分光镜上，经分光镜分光的高斯脉冲透射光照射至目标后，经目标反射后的全部反射光经会聚透镜会聚后被点探测器光电转换为反射光总光强波形电信号，反射光总光强波形电信号传输至相关运算器，在相关运算器上记录，记为单次目标表面反射的总光强回波波形信息；同时，经分光镜分光的高斯脉冲反射光被二维光强分布探测器光电转换为二维光强分布电信号，二维光强分布电信号传输至相关运算器，在相关运算器上记录对应的单次光源的二维光强分布信息；在相关运算器完成每次采集信息的记录。
CN201810240295.8A 2018-03-22 2018-03-22 一种基于深度学习模型的脉冲式强度关联三维成像方法 Active CN108447113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810240295.8A CN108447113B (zh) 2018-03-22 2018-03-22 一种基于深度学习模型的脉冲式强度关联三维成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810240295.8A CN108447113B (zh) 2018-03-22 2018-03-22 一种基于深度学习模型的脉冲式强度关联三维成像方法

Publications (2)

Publication Number Publication Date
CN108447113A true CN108447113A (zh) 2018-08-24
CN108447113B CN108447113B (zh) 2021-06-08

Family

ID=63196115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810240295.8A Active CN108447113B (zh) 2018-03-22 2018-03-22 一种基于深度学习模型的脉冲式强度关联三维成像方法

Country Status (1)

Country Link
CN (1) CN108447113B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109901190A (zh) * 2019-03-07 2019-06-18 南京邮电大学 基于线性回归的关联成像方法
CN110458778A (zh) * 2019-08-08 2019-11-15 深圳市灵明光子科技有限公司 一种深度图像去噪方法、装置及存储介质
CN111398318A (zh) * 2018-12-14 2020-07-10 中国科学院物理研究所 基于x射线计算关联成像的x射线单像素相机
WO2021081759A1 (zh) * 2019-10-29 2021-05-06 中国科学院深圳先进技术研究院 一种协同成像方法、装置、存储介质和协同成像设备
CN116016952A (zh) * 2022-12-20 2023-04-25 维悟光子(北京)科技有限公司 用于光学成像系统的图像编解码模型的训练方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646512A (zh) * 2016-12-29 2017-05-10 北京理工大学 一种基于仿生视觉机理的鬼成像方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646512A (zh) * 2016-12-29 2017-05-10 北京理工大学 一种基于仿生视觉机理的鬼成像方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MENG LYU 等: "Deep-learning-based ghost imaging", 《SCIENTIFIC REPORTS》 *
MING-JIE SUN 等: "Single-pixel three-dimensional imaging with time-based depth resolution", 《NATURE COMMUNICATIONS》 *
胡昭华 等: "基于一种连续自编码网络的图像降维和重构", 《数据采集与处理》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111398318A (zh) * 2018-12-14 2020-07-10 中国科学院物理研究所 基于x射线计算关联成像的x射线单像素相机
US11255800B1 (en) 2018-12-14 2022-02-22 Institute Of Physics, Chinese Academy Of Sciences X-ray single-pixel camera based on x-ray computational correlated imaging
CN109901190A (zh) * 2019-03-07 2019-06-18 南京邮电大学 基于线性回归的关联成像方法
CN109901190B (zh) * 2019-03-07 2021-07-30 南京邮电大学 基于线性回归的关联成像方法
CN110458778A (zh) * 2019-08-08 2019-11-15 深圳市灵明光子科技有限公司 一种深度图像去噪方法、装置及存储介质
WO2021081759A1 (zh) * 2019-10-29 2021-05-06 中国科学院深圳先进技术研究院 一种协同成像方法、装置、存储介质和协同成像设备
CN116016952A (zh) * 2022-12-20 2023-04-25 维悟光子(北京)科技有限公司 用于光学成像系统的图像编解码模型的训练方法
CN116016952B (zh) * 2022-12-20 2024-05-14 维悟光子(北京)科技有限公司 用于光学成像系统的图像编解码模型的训练方法

Also Published As

Publication number Publication date
CN108447113B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN108447113A (zh) 一种基于深度学习模型的脉冲式强度关联三维成像方法
CN101513366B (zh) 基于ps-oct的三维可视化成像方法
EP1844438B1 (fr) Procede et systeme de simulation ou de synthese numerique d'images echographiques
US6978039B2 (en) Method and system for segmentation of medical images
CN106772430A (zh) 基于多分辨率小波逼近的单像素光子计数三维成像系统及方法
CN110051387B (zh) 一种基于射线理论的超声ct图像重建方法及系统
CN102906783B (zh) 用于处理图像的图像处理装置
CN104266587A (zh) 一种三维测量系统及获得真实3d纹理点云数据方法
CN107525588A (zh) 一种基于gpu的双相机光谱成像系统的快速重构方法
CN101673413A (zh) 基于表面数据的植物枝体三维形态建模系统及方法
CN103300881A (zh) 对象信息获得装置和对象信息获得方法
CN114898037B (zh) 激光三维动态场景建模系统及建模方法
CN109613556A (zh) 基于稀疏表征的光子计数激光三维探测成像方法
CN105865613A (zh) 海洋立体监测中的水下光学检测与成像传感方法及系统
CN111043988A (zh) 一种基于图形学和深度学习的单张条纹投影测量方法
CN105411624A (zh) 一种超声三维流体成像与测速方法
CN107560547A (zh) 一种扫描系统及扫描方法
CN106510644A (zh) 基于光纤束的医用光学相干层析成像二维前向扫描探头
CN206192879U (zh) 一种基于双波长激光的血氧饱和度检测装置
CN114972284A (zh) 基于自监督深度学习的无透镜显微成像系统及方法
CN104545872A (zh) 基于线性相关系数来重构三维微血流分布的方法及装置
JP2013005871A (ja) 被検体情報取得装置、表示制御方法およびプログラム
CN109557070A (zh) 一种基于空间编码光的拉曼成像系统
CN202776268U (zh) 一种扫频光源oct实时图像显示系统
FR2983999A1 (fr) Procede de reconstruction d'un signal en imagerie medicale a partir de mesures experimentales perturbees, et dispositif d'imagerie medicale mettant en oeuvre ce procede

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