CN108520507A - 一种改进去卷积效率的多视角光片显微镜图像融合方法 - Google Patents
一种改进去卷积效率的多视角光片显微镜图像融合方法 Download PDFInfo
- Publication number
- CN108520507A CN108520507A CN201810186208.5A CN201810186208A CN108520507A CN 108520507 A CN108520507 A CN 108520507A CN 201810186208 A CN201810186208 A CN 201810186208A CN 108520507 A CN108520507 A CN 108520507A
- Authority
- CN
- China
- Prior art keywords
- visual angles
- mating plate
- image
- visual angle
- visual
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 92
- 230000013011 mating Effects 0.000 title claims abstract description 43
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 230000006872 improvement Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 17
- 239000012472 biological sample Substances 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 16
- 238000012804 iterative process Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000002073 fluorescence micrograph Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000007499 fusion processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 238000002156 mixing Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 4
- 241000244203 Caenorhabditis elegans Species 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012984 biological imaging Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 210000001161 mammalian embryo Anatomy 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108010077544 Chromatin Proteins 0.000 description 1
- 208000003164 Diplopia Diseases 0.000 description 1
- 206010034972 Photosensitivity reaction Diseases 0.000 description 1
- 238000004061 bleaching Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000029444 double vision Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 208000007578 phototoxic dermatitis Diseases 0.000 description 1
- 231100000018 phototoxicity Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Microscoopes, Condenser (AREA)
Abstract
本发明公开了一种改进去卷积效率的多视角光片显微镜图像融合方法,该方法通过引入虚拟视角的概念和相关的卷积代数近似来帮助多视角光片荧光显微镜图像融合,通过计算相应的虚拟视角并将其加入到传统图像融合去卷积算法中,使每次去卷积迭代过程包含更多信息,并通过卷积简化,不增加每次迭代的计算量,在每次迭代计算时间几乎不变的情况下,减少所需的去卷积迭代次数。故本发明有效利用多视角光片荧光显微镜中每个视角的相互信息,改善了计算机在进行多视角光片荧光显微镜图像融合过程中计算时间长、计算代价大的问题。
Description
技术领域
本发明属于荧光显微成像技术领域,具体涉及一种改进去卷积效率的多视角光片显微镜图像融合方法。
背景技术
光片荧光显微镜(Light-sheet fluorescence microscopy,LSFM)是在生物领域中强有力的成像技术,它的应用范围从单细胞成像延伸至大组织成像。光片荧光显微镜包含了宽场显微镜和光学切割显微镜的优点,具有快速三维成像、高信噪比、低光毒性、低光漂白等优点。光片荧光显微镜主要由两支光路组成:一支用于产生很薄的一层光片,另一支用来进行数据采集。光片荧光显微镜通过生成光片,对荧光标记的生物体进行荧光激发,每次只对光片激发范围内的数据进行采集,通过移动光片,使整个生物样本均被光片遍历,最终将每次得到的二维切片数据进行堆叠,得到三维的体积数据;通过控制光片的厚薄,光片荧光显微镜可以得到相对好的轴向分辨率。然而,由于每次数据采集过程中只有部分荧光被采集,导致光片荧光显微镜得到的数据的横向分辨率总是优于轴向分辨率,导致了分辨率的各向异性。为了缓解这种分辨率各向异性,通常采集多个视角的图像,最后通过图像融合算法,来恢复得到相对较好的分辨率同性。
传统的多视角光片荧光显微镜图像融合算法是基于露西-理查德森去卷积的联合去卷积算法,主要有加法联合去卷积(每个视角去卷积结果的算术平均)、乘法联合去卷积(每个视角去卷积结果的几何平均)、交替联合去卷积(利用某一视角的去卷积估计去计算另一视角的去卷积估计并进行交替),通过这些算法可以得到相对好的分辨率各向同性结果。但这些方法一般需要很多次迭代才能得到想要的效果,往往需要很长计算时间。而一般活体生物成像时间长,采集数据量大(可达到Tb量级),过长的计算时间限制了光片荧光显微镜在活体成像中的应用。如何在确保理想图像融合效果的情况下,提高数据处理速度,并尽可能实现数据的实时处理是本领域研究的热点。
发明内容
鉴于上述,本发明提供了一种改进去卷积效率的多视角光片显微镜图像融合方法,能够减少所需要的去卷积迭代次数,从而减少整体图像融合时间。
一种改进去卷积效率的多视角光片显微镜图像融合方法,包括如下步骤:
(1)利用多视角光片荧光显微镜中照明物镜形成的光片对荧光标记的生物样本进行荧光激发,并通过探测物镜进行数据采集,得到对应不同视角的多个生物样本图像数据;
(2)选择一个参考视角,将其余视角的生物样本图像数据通过旋转和线性插值变换到参考视角下,即使所有生物样本图像数据在相同坐标系下;
(3)根据变换后的生物样本图像数据通过基于强度的配准方式计算得到其余视角与参考视角的之间的配准矩阵;对于除参考视角外的任一视角,将对应该视角变换后的生物样本图像数据与该视角对应的配准矩阵相乘,即得到该视角配准后的图像数据矩阵;
(4)通过测量或者模拟得到每个视角对应的点扩展函数,根据荧光显微镜成像方程计算每个视角对应的虚拟视角数据;
(5)根据虚拟视角数据利用露西-理查德森算法相关的联合去卷积算法进行去卷积图像融合。
进一步地,所述步骤(1)中采集得到的生物样本图像数据为体积图像,由多张二维切片图像堆叠得到。
进一步地,所述步骤(4)中的点扩展函数具有三维矩阵结构以及高斯分布特征。
进一步地,所述步骤(4)中对于任一视角,若该视角对应的点扩展函数矩阵为h,该视角配准后的图像数据矩阵为i,则该视角对应的虚拟视角数据v=i*h,*表示卷积运算。
进一步地,所述步骤(5)中对于双视角图像数据,则根据以下迭代卷积算法对双视角图像数据进行去卷积图像融合:
e0=(iA+iB)/2
其中:e0为初始图像融合结果,iA和iB分别为A视角和B视角配准后的图像数据矩阵,为从A视角恢复得到第k+1次迭代估计的图像融合结果,和分别为从B视角恢复得到第k次迭代和第k+1次迭代估计的图像融合结果,hA和hB分别为A视角和B视角对应的点扩展函数矩阵,*表示卷积运算,T表示矩阵转置,k为大于0的自然数。
进一步地,所述荧光显微镜成像方程为i=o*h+noise,其中o为真实物体,h为点扩展函数,i为采集到的图像数据,noise测量过程中的噪声且在去卷积过程中忽略;由于没有真实物体的先验知识,使用采集到的图像数据进行替代,即假设在采集过程中点扩展函数对物体没有模糊效应,通过采集到的图像数据利用成像方程进行虚拟视角的计算。
本发明通过引入虚拟视角的概念和相关的卷积代数近似来帮助多视角光片荧光显微镜图像融合,通过计算相应的虚拟视角并将其加入到传统图像融合去卷积算法中,使每次去卷积迭代过程包含更多信息,并通过卷积简化,不增加每次迭代的计算量,在每次迭代计算时间几乎不变的情况下,减少所需的去卷积迭代次数。故本发明有效利用多视角光片荧光显微镜中每个视角的相互信息,改善了计算机在进行多视角光片荧光显微镜图像融合过程中计算时间长、计算代价大的问题。
附图说明
图1为本发明多视角光片显微镜图像融合方法的流程示意图。
图2(a)为采用传统交替联合去卷积(记为OJD)进行5次迭代的融合结果图。
图2(b)为采用改进交替联合去卷积(记为IJD)进行5次迭代的融合结果图。
图2(c)为采用传统交替联合去卷积进行15次迭代的融合结果图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示,本发明为改进去卷积效率的多视角光片显微镜图像融合方法,包括如下步骤。本实施方式中光片荧光显微镜的一支光路生成光片,照射被荧光标记物标记的生物样本使其激发发出荧光,被另一支光路中的照相机采集,记录数据。移动光片,使其遍历整个生物样本,将每次采集到的图像堆叠,形成三维的体积图像。调整光片激发方向或者旋转样本,采集其他角度的体积数据,得到多视角生物样本数据。通过模拟或者采集得到每个光片的点扩展函数,以三维矩阵形式保存,以备后续数据处理。
S1.由于采集得到的图像所参考的坐标系不一致,首先要进行预处理。选择一个视角作为参考视角,对其他视角进行线性插值并进行一定角度的旋转,使它们具有相应的坐标系,此时得到的是粗配准的图像,为了更准确的图像融合,采用基于强度的配准方法生成配准矩阵,每个视角乘以相应的配准矩阵,得到配准好的多视角图像数据。
S2.根据每个视角的点扩展函数,依据成像方程生成相应的虚拟视角。为了利用多视角数据间的相互信息,采用交替引用模式,即如果有四个视角A、B、C、D,则A视角利用自己的点扩展函数和D视角图像信息生成虚拟的A视角vA,B视角利用A视角的信息生成vB,C视角利用B视角的信息生成vC,D视角利用C视角信息生成vD。
S3.将每个视角对应的虚拟视角信息,通过乘法方式加入到该视角对应的去卷积迭代过程中,通过一些卷积代数近似,得到加入了虚拟视角信息的迭代模式。
S4.在联合去卷积迭代过程中,利用步骤S3得到的每个视角的迭代模式进行迭代计算,在每次迭代中得到相应的图像融合估计结果。
S5.判断是否满足迭代停止条件,即是否达到了预计的迭代次数,不满足该条件则执行步骤S4,满足则迭代停止,将最后一次迭代得到的图像融合估计结果作为最后的融合好的图像。
以下以双视角的交替联合去卷积为例,对虚拟视角的计算、联合去卷积算法的改进进行具体介绍;传统的双视角交替联合去卷积具有以下迭代结构:
fork=0,1,...N(i.e.,iteration number)
end
由于多个视角对同一样本进行成像,因此各个视角间存在互补信息,并且每个视角单独去卷积得到的估计结果可以近似相同,记这个共同的相似结果为e,那么根据荧光显微镜的成像方程,可以得到两个虚拟视角:
vA=e*hA
vB=e*hB
由于没有关于e的先验信息,而所采集到的数据包含有关于e的信息,本发明利用采集到的图像数据iA和iB来代替e,这就假设在数据采集过程中点扩展函数对物体没有模糊效应。同时为了利用两视角间的互补信息,采用iB计算vA以及iA计算vB,得到虚拟视角图像:
vA=iB*hA
vB=iA*hB
利用乘法联合去卷积原理将虚拟视角信息引入交替联合去卷积迭代过程中,迭代模式如下:
直接使用这个迭代模式会使每次迭代的计算量增大很多,因此需要进行进一步简化,首先再次假设点扩展函数对物体没有模糊效应,以emk+1公式为例:
此外,采用卷积代数的近似公式:
(f*h)×(f*g)≈f*(h×g)
对上式进行进一步进行化简,可以得到:
此时,可以发现改进后的emk+1与传统交替联合去卷积的emk+1相比,差别在于混合点扩展函数此混合点扩展函数包含了采集数据iA和虚拟数据vB的信息。同样可以得到改进ek+1的混合点扩展函数为此时采用本发明改进方法,可以得到改进的交替联合去卷积如下:
fork=0,1,...N(i.e.,iteration number)
end
将本发明改进方法应用到加法联合去卷积中,得到改进的加法联合去卷积如下:
e0=(iA+iB)/2
for k=0,1,...N(i.e.,iteration number)
ek+1=(eA+eB)/2
end
其中:eA和eB分别为迭代过程中从A、B两视角恢复的图像估计,通过求算术平均数得到融合的图像。
同理,可以得到改进的乘法联合去卷积算法为:
e0=(iA+iB)/2
for k=0,1,...N(i.e.,iteration number)
end
为了显示本发明改进方法同样可以应用到更多视角中,通过改进的四视角加法联合去卷积算法如下:
e0=(iA+iB+iC+iD)/4
for k=0,1,...N(i.e.,iteration number)
ek+1=(eA+eB+eC+eD)/4
end
其中:eA、eB、eC和eD分别是四个视角单独去卷积得到的估计,hA、hB、hC和hD分别为各个视角对应的点扩展函数。
以下我们采用秀丽隐杆线虫胚胎实验数据来验证本发明的有效性,秀丽隐杆线虫胚胎是活体生物成像中常用的生物样本,数据通过双视角倒置光片荧光显微镜(diSPIM)采集得到,采用交替联合去卷积方法进行图像融合,实验运行环境为:8G内存,3.40GHz,64位操作系统,CPU为intel i7,GPU为Nvidia Quadro K6000,12GB memory。
将使用本发明改进去卷积效率的多视角光片显微镜图像融合方法改进的交替联合去卷积和传统的交替联合去卷积图像融合结果做比较,二者对相同数据进行处理,并在处理结果的轴向11.5μm处选取切片进行展示。
从图2(a)~图2(c)可以直观地看出基于本发明改进后的图像融合算法与传统联合去卷积算法的结果相比,同样采用5次迭代,本发明改进方法可以得到更清晰的染色质结构,而传统交替联合去卷积算法的图像融合结果是模糊不清的。此外,采用本发明改进方法,使用5次迭代的融合效果在轴向上已经与15次迭代的传统算法的融合效果相似。使用GPU进行图像融合中,5次IJD花费时间为240毫秒,15次OJD花费时间为700毫秒,这说明本发明算法可以减少2/3的迭代次数,在每次迭代花费时间几乎不变的情况下,整体的图像融合效率提高了3倍。秀丽隐杆线虫活体成像得到的数据量可以达到1012字节,要处理完全部数据往往需要很长时间(几小时至几十小时),图像融合效率提高三倍具有很好的提速效果。
此外,本发明改进方法同样可以应用在其他联合去卷积算法中,在加法联合去卷积与乘法联合去卷积中也可以得到至少三倍的效率提高,由于混合点扩展函数具有简单的结构,我们的改进方法可以很好的移植到更多视角的图像融合中。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (5)
1.一种改进去卷积效率的多视角光片显微镜图像融合方法,包括如下步骤:
(1)利用多视角光片荧光显微镜中照明物镜形成的光片对荧光标记的生物样本进行荧光激发,并通过探测物镜进行数据采集,得到对应不同视角的多个生物样本图像数据;
(2)选择一个参考视角,将其余视角的生物样本图像数据通过旋转和线性插值变换到参考视角下,即使所有生物样本图像数据在相同坐标系下;
(3)根据变换后的生物样本图像数据通过基于强度的配准方式计算得到其余视角与参考视角的之间的配准矩阵;对于除参考视角外的任一视角,将对应该视角变换后的生物样本图像数据与该视角对应的配准矩阵相乘,即得到该视角配准后的图像数据矩阵;
(4)通过测量或者模拟得到每个视角对应的点扩展函数,根据荧光显微镜成像方程计算每个视角对应的虚拟视角数据;
(5)根据虚拟视角数据利用露西-理查德森算法相关的联合去卷积算法进行去卷积图像融合。
2.根据权利要求1所述的多视角光片显微镜图像融合方法,其特征在于:所述步骤(1)中采集得到的生物样本图像数据为体积图像,由多张二维切片图像堆叠得到。
3.根据权利要求1所述的多视角光片显微镜图像融合方法,其特征在于:所述步骤(4)中的点扩展函数具有三维矩阵结构以及高斯分布特征。
4.根据权利要求1所述的多视角光片显微镜图像融合方法,其特征在于:所述步骤(4)中对于任一视角,若该视角对应的点扩展函数矩阵为h,该视角配准后的图像数据矩阵为i,则该视角对应的虚拟视角数据v=i*h,*表示卷积运算。
5.根据权利要求1所述的多视角光片显微镜图像融合方法,其特征在于:所述步骤(5)中对于双视角图像数据,则根据以下迭代卷积算法对双视角图像数据进行去卷积图像融合:
e0=(iA+iB)/2
其中:e0为初始图像融合结果,iA和iB分别为A视角和B视角配准后的图像数据矩阵,为从A视角恢复得到第k+1次迭代估计的图像融合结果,和分别为从B视角恢复得到第k次迭代和第k+1次迭代估计的图像融合结果,hA和hB分别为A视角和B视角对应的点扩展函数矩阵,*表示卷积运算,T表示矩阵转置,k为大于0的自然数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810186208.5A CN108520507B (zh) | 2018-03-07 | 2018-03-07 | 一种改进去卷积效率的多视角光片显微镜图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810186208.5A CN108520507B (zh) | 2018-03-07 | 2018-03-07 | 一种改进去卷积效率的多视角光片显微镜图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520507A true CN108520507A (zh) | 2018-09-11 |
CN108520507B CN108520507B (zh) | 2020-07-17 |
Family
ID=63433526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810186208.5A Active CN108520507B (zh) | 2018-03-07 | 2018-03-07 | 一种改进去卷积效率的多视角光片显微镜图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520507B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675354A (zh) * | 2019-09-11 | 2020-01-10 | 北京大学 | 发育生物学的图像处理方法、系统及存储介质 |
CN111476733A (zh) * | 2020-04-07 | 2020-07-31 | 浙江大学 | 一种基于不匹配算子的显微镜图像去卷积加速算法 |
CN111524078A (zh) * | 2020-04-20 | 2020-08-11 | 浙江大学 | 一种基于稠密网络的显微镜图像去模糊方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100177190A1 (en) * | 2008-12-16 | 2010-07-15 | Ann-Shyn Chiang | Microscopy system with revolvable stage |
CN103075960A (zh) * | 2012-12-30 | 2013-05-01 | 北京工业大学 | 多视角大深度显微立体视觉特征融合测量方法 |
CN106530381A (zh) * | 2016-10-19 | 2017-03-22 | 浙江大学 | 一种基于gpu加速的三维荧光显微图像的去卷积算法 |
-
2018
- 2018-03-07 CN CN201810186208.5A patent/CN108520507B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100177190A1 (en) * | 2008-12-16 | 2010-07-15 | Ann-Shyn Chiang | Microscopy system with revolvable stage |
CN103075960A (zh) * | 2012-12-30 | 2013-05-01 | 北京工业大学 | 多视角大深度显微立体视觉特征融合测量方法 |
CN106530381A (zh) * | 2016-10-19 | 2017-03-22 | 浙江大学 | 一种基于gpu加速的三维荧光显微图像的去卷积算法 |
Non-Patent Citations (3)
Title |
---|
MAJA TEMERINAC-OTT ET AL.: "Spatially-variant Lucy-Richardson deconvolution for multiview fusion of microscopical 3D images", 《2011 IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING: FROM NANO TO MACRO》 * |
YICONG WU ET AL.: "Simultaneous multiview capture and fusion improves spatial resolution in wide-field and light-sheet microscopy", 《RESEARCH ARTICLE》 * |
杨帆: "生物医学图像自动拼接关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675354A (zh) * | 2019-09-11 | 2020-01-10 | 北京大学 | 发育生物学的图像处理方法、系统及存储介质 |
CN110675354B (zh) * | 2019-09-11 | 2022-03-22 | 北京大学 | 发育生物学的图像处理方法、系统及存储介质 |
CN111476733A (zh) * | 2020-04-07 | 2020-07-31 | 浙江大学 | 一种基于不匹配算子的显微镜图像去卷积加速算法 |
CN111476733B (zh) * | 2020-04-07 | 2022-04-29 | 浙江大学 | 一种基于不匹配算子的显微镜图像去卷积加速算法 |
CN111524078A (zh) * | 2020-04-20 | 2020-08-11 | 浙江大学 | 一种基于稠密网络的显微镜图像去模糊方法 |
CN111524078B (zh) * | 2020-04-20 | 2023-04-18 | 浙江大学 | 一种基于稠密网络的显微镜图像去模糊方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108520507B (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Harkiolaki et al. | Cryo-soft X-ray tomography: using soft X-rays to explore the ultrastructure of whole cells | |
Honauer et al. | A dataset and evaluation methodology for depth estimation on 4D light fields | |
CN108520507A (zh) | 一种改进去卷积效率的多视角光片显微镜图像融合方法 | |
Parkinson et al. | Quantitative 3-D imaging of eukaryotic cells using soft X-ray tomography | |
Liu et al. | Recent advances in synchrotron-based hard x-ray phase contrast imaging | |
CN104111242B (zh) | 一种三维像素超分辨显微成像方法 | |
CN106530381B (zh) | 一种基于gpu加速的三维荧光显微图像的去卷积算法 | |
JP2013515958A (ja) | 高密度の確率的サンプリング撮像のシステムおよび方法 | |
Do et al. | Imaging and characterizing cells using tomography | |
Olendrowitz et al. | Phase-contrast x-ray imaging and tomography of the nematode Caenorhabditis elegans | |
Nicastro | Cryo-electron microscope tomography to study axonemal organization | |
CN113256772B (zh) | 一种基于视角转换的双角度光场高分辨重构系统及方法 | |
US11353320B2 (en) | Imaging apparatuses, systems and methods | |
Nickel et al. | Functional morphology of Tethya species (Porifera): 1. Quantitative 3D-analysis of Tethya wilhelma by synchrotron radiation based X-ray microtomography | |
CN111524078B (zh) | 一种基于稠密网络的显微镜图像去模糊方法 | |
CN111476733B (zh) | 一种基于不匹配算子的显微镜图像去卷积加速算法 | |
Rinsa et al. | Simultaneous multiple-level magnification selective plane illumination microscopy (sMx-SPIM) imaging system | |
Glasbey et al. | Multimodal microscopy by digital image processing | |
Koljonen et al. | A mathematical model and iterative inversion for fluorescent optical projection tomography | |
Xiong et al. | Snapshot partially coherent diffraction tomography | |
Danan et al. | Reduction in irradiation dose in aperture coded enhanced computed tomography imager using super-resolution techniques | |
Geier et al. | Correlative 3D anatomy and spatial chemistry in animal-microbe symbioses: developing sample preparation for phase-contrast synchrotron radiation based micro-computed tomography and mass spectrometry imaging | |
Tadrous | A method of PSF generation for 3D brightfield deconvolution | |
CN106952233A (zh) | 荧光多分子定位方法、装置以及超分辨成像方法、系统 | |
Guo et al. | Silhouette-based 3D model for zebrafish High-throughput imaging |
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 |