CN111062916A - 显微图像的清晰度评价方法及装置 - Google Patents
显微图像的清晰度评价方法及装置 Download PDFInfo
- Publication number
- CN111062916A CN111062916A CN201911232590.XA CN201911232590A CN111062916A CN 111062916 A CN111062916 A CN 111062916A CN 201911232590 A CN201911232590 A CN 201911232590A CN 111062916 A CN111062916 A CN 111062916A
- Authority
- CN
- China
- Prior art keywords
- image
- definition
- evaluation
- model
- functions
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 137
- 238000013210 evaluation model Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 27
- 101100517192 Arabidopsis thaliana NRPD1 gene Proteins 0.000 claims description 9
- 101150094905 SMD2 gene Proteins 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000001000 micrograph Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 241001156002 Anthonomus pomorum Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Microscoopes, Condenser (AREA)
Abstract
本申请涉及一种显微图像的清晰度评价方法及装置，属于计算机技术领域，该方法包括：获取图像序列，图像序列包括显微镜在不同物镜高度下采集到的一系列显微图像；获取图像评价模型，该图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算图像序列的清晰度时得到的清晰度结果呈高斯分布；基于图像评价模型对图像序列的清晰度进行评价，得到清晰度最高的目标显微图像；可以解决通过现有的清晰度评价函数确定清晰度最高的显微图像的效率仍然较低的问题；由于可以基于现有的至少两个清晰度评价函数的乘积创建图像评价模型，得到数据分布更集中的图像评价模型，使得高斯分布曲线更陡峭，提高确定清晰度最高的显微图像的效率。
Description
技术领域
本申请涉及一种显微图像的清晰度评价方法及装置，属于计算机技术领域。
背景技术
显微图像是指通过显微镜观察到的图像。随着计算机图像处理技术和模式识别的发展，对显微图像进行分析处理已经逐渐在科学研究中得到应用。
在通过显微镜采集显微图像时需要通过物镜对显微对象进行自动对焦。自动对焦过程包括：通过物镜在不同的高度采集一系列显微图像；使用图像清晰度评价函数对该系列显微图像进行清晰度评价；将物镜对焦至清晰度最高的显微图像对应的高度。
其中，现有的清晰度评价函数对一系列显微图像进行清晰度评价时得到的清晰度结果呈高斯分布(钟形曲线)。高斯分布越平滑，确定清晰度最高的显微图像的效率越低，如何降低高斯分布的平滑性是亟待解决的问题。
发明内容
本申请提供了一种显微图像的清晰度评价方法及装置，可以解决通过现有的清晰度评价函数确定清晰度最高的显微图像的效率仍然较低的问题。本申请提供如下技术方案：
第一方面，提供了一种显微图像的清晰度评价方法，所述方法包括：
获取图像序列，所述图像序列包括显微镜在不同物镜高度下采集到的一系列显微图像；
获取图像评价模型，所述图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算所述图像序列的清晰度时得到的清晰度结果呈高斯分布；
基于所述图像评价模型对所述图像序列的清晰度进行评价，得到清晰度最高的目标显微图像。
可选地，所述获取图像评价模型，包括：
读取本地存储的图像评价模型。
可选地，所述获取图像评价模型，包括：
获取当前支持的图像清晰度评价函数；
从所述当前支持的图像清晰度评价函数中确定n个图像清晰度评价函数，所述n为大于1的整数；
计算n个图像清晰度评价函数的乘积，得到所述图像评价模型。
可选地，所述从所述当前支持的图像清晰度评价函数中确定n个图像清晰度评价函数，包括：
获取所述当前支持的图像清晰度评价函数的优先级排序；
确定优先级排序在前n位的图像清晰度评价函数。
可选地，所述至少两种图像清晰度评价函数包括SMD2评价函数和rft_generic评价函数。
第二方面，提供了一种显微图像的清晰度评价装置，所述装置包括：
图像获取模块，用于获取图像序列，所述图像序列包括显微镜在不同物镜高度下采集到的一系列显微图像；
模型获取模块，用于获取图像评价模型，所述图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算所述图像序列的清晰度时得到的清晰度结果呈高斯分布；
图像评价模块，用于基于所述图像评价模型对所述图像序列的清晰度进行评价，得到清晰度最高的目标显微图像。
可选地，所述模型获取模块，用于：
读取本地存储的图像评价模型。
可选地，所述模型获取模块，用于：
获取当前支持的图像清晰度评价函数；
从所述当前支持的图像清晰度评价函数中确定n个图像清晰度评价函数，所述n为大于1的整数；
计算n个图像清晰度评价函数的乘积，得到所述图像评价模型。
可选地，所述模型获取模块，用于：
获取所述当前支持的图像清晰度评价函数的优先级排序；
确定优先级排序在前n位的图像清晰度评价函数。
可选地，所述至少两种图像清晰度评价函数包括SMD2评价函数和rft_generic评价函数。
本申请的有益效果在于：通过获取图像序列，图像序列包括显微镜在不同物镜高度下采集到的一系列显微图像；获取图像评价模型，图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算图像序列的清晰度时得到的清晰度结果呈高斯分布；基于图像评价模型对图像序列的清晰度进行评价，得到清晰度最高的目标显微图像；可以解决通过现有的清晰度评价函数确定清晰度最高的显微图像的效率仍然较低的问题；由于可以基于现有的至少两个清晰度评价函数的乘积创建图像评价模型，得到的图像评价模型数据分布更集中，因此，可以使得高斯分布曲线更陡峭，提高确定清晰度最高的显微图像的效率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的显微图像的清晰度评价方法的流程图；
图2是本申请一个实施例提供的显微图像的清晰度评价装置的框图。
具体实施方式
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
首先，对本申请涉及的若干名词进行介绍：
Tenengrad评价函数：是一种基于梯度的函数。在图像处理中，一般认为对焦好的图像具有更尖锐的边缘，故具有更大的梯度函数值。Tenengrad函数使用Sobel算子提取水平和垂直方向的梯度值。经过Sobel算子处理后的图像的平均灰度值，值越大，代表图像越清晰。
Brenner评价函数：是一种最简单的梯度评价函数。该函数运行的原理是计算相邻两个像素灰度差的平方。
方差评价函数：基于聚焦清晰的图像比模糊图像之间的灰度差异进行清晰度评价的函数。
Laplace评价函数：与Tenengrad评价函数基本一致，只是使用Laplace算子替代Sobel算子。
能量评价函数：是一种用于实时评价图像清晰度的函数。
灰度差分绝对值之和(Sum of Modulus of gray Difference，SMD)评价函数：是一种通过差分绝对值代替乘方和开方，即对点(x,y)及其邻近点的灰度作差分运算，提取该点灰度值的变化大小，得出图像灰度差分绝对值之和算子的函数。
SMD2(灰度方差乘积)评价函数：是一种对每一个像素领域两个灰度差相乘后再逐个像素累加的函数。
rft_generic评价函数：用于计算图像的真值快速傅里叶变换。
可选地，本申请以各个实施例的执行主体为显微镜为例进行说明；在其它实施例中，各个实施例的执行主体也可以是用于控制显微镜运行的装置。
图1是本申请一个实施例提供的显微图像的清晰度评价方法的流程图。该方法至少包括以下几个步骤：
步骤101，获取图像序列，该图像序列包括显微镜在不同物镜高度下采集到的一系列显微图像。
图像序列可以是显微镜的物镜从第一高度运行至第二高度的过程中采集到的一系列显微图像；或者是从第二高度运行至第一高度的过程中采集到的一系列图像。其中，第一高度大于第二高度。
步骤102，获取图像评价模型，图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算图像序列的清晰度时得到的清晰度结果呈高斯分布。
本申请中，通过将至少两种图像清晰度评价函数相乘得到图像评价模型(也即一个图像清晰度评价函数在另一个图像清晰度评价函数的基础上进行加权叠加)，这样，相对于原有的该至少两种图像清晰度评价函数来说，方差值减小、图像评价模型输出的数据分布更加集中、高斯分布更加陡峭和尖锐、图像清晰度评价函数的平滑性降低，从而可以提高确定清晰度最高的显微图像的效率。
以高斯函数f(x)和g(x)分别为两种图像清晰度评价函数为例进行说明，f(x)和g(x)的表达式如下：
其中，σf表示f(x)的标准差、μf表示f(x)的峰值位置、σg表示g(x)的标准差、μg表示g(x)的峰值位置。
f(x)和g(x)的乘积h(x)为：
其中，Sh为常数。由上述过程可知，两个任意的高斯函数f(x)和g(x)相乘的结果h(x)仍为高斯函数。
另外，根据下式可知，h(x)的标准差小于相乘前两个高斯函数f(x)和g(x)的标准差。标准差越小，数据分布越集中、高斯分布曲线越尖锐。
同理可得
对于峰值位置可得下式：
若μf＜μg，则μh-μf＞0，μh-μg＜0，也即，μf＜μh＜μg；若μf＞μg，则μh-μf＜0，μh-μg＞0，也即，μg＜μh＜μf；若μf＝μg，则μf＝μh＝μg。h(x)的峰值位置始终位于未乘积之前的两个高斯函数f(x)和g(x)的峰值位置之间。这样，若至少两种图像清晰度评价函数的峰值位置相同，则相乘得到的图像评价模型的峰值位置也相同，精度偏差为0；若至少两种图像清晰度评价函数的峰值位置不同，则相乘得到的图像评价模型的峰值位于至少两种图像清晰度评价函数的峰值位置之间，精度偏差位于至少两种图像清晰度评价函数的峰值位置之间，在至少两种图像清晰度评价函数的精度偏差较小时，图像评价模型的精度偏差也较小。
可选地，至少两种图像清晰度评价函数包括但不限于：Tenengrad评价函数、Brenner评价函数、方差评价函数、Laplace评价函数、能量评价函数、SMD评价函数、SMD2评价函数和rft_generic评价函数中的至少两种。示意性地，至少两种图像清晰度评价函数为SMD2评价函数和rft_generic评价函数。
在一种实现方式中，获取图像评价模型包括：读取本地存储的图像评价模型。
在另一种实现方式中，获取图像评价模型包括：获取当前支持的图像清晰度评价函数；从当前支持的图像清晰度评价函数中确定n个图像清晰度评价函数；计算n个图像清晰度评价函数的乘积，得到图像评价模型。n为大于1的整数。
可选地，获取当前支持的图像清晰度评价函数的优先级排序；确定优先级排序在前n位的图像清晰度评价函数。或者，获取随机选取n个图像清晰度评价函数。
其中，优先级排序预存在显微镜中；或者，优先级排序是其它设备发送的；或者，优先级排序是用户输入的，本实施例不对优先级排序的获取方式作限定。
可选地，当前支持的图像清晰度评价函数预存在显微镜中，当前支持的图像清晰度评价函数可以是现有的图像清晰度评价函数，当然，还可以是后续开发出的具有高斯分布特性的图像清晰度评价函数，本实施例不对当前支持的图像清晰度评价函数包括的类型作限定。
步骤103，基于图像评价模型对图像序列的清晰度进行评价，得到清晰度最高的目标显微图像。
参考表一所示的现有的清晰度评价函数得到的评价结果与本申请提供的图像评价模型得到的评价结果的对比表。根据表一可知，使用本申请提供的图像评价模型(SMD2评价函数与rft_generic评价函数的乘积)评价显微图像时，陡峭度、清晰度比率、灵敏度均高于现有的清晰度评价函数；同时，半峰值宽度和精度偏差均低于现有的清晰度评价函数；另外，图像评价模型的抗噪指数也比较高。
表一：
综上所述，本实施例提供的显微图像的清晰度评价方法，通过获取图像序列；获取图像评价模型，该图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算图像序列的清晰度时得到的清晰度结果呈高斯分布；基于图像评价模型对图像序列的清晰度进行评价，得到清晰度最高的目标显微图像；可以解决通过现有的清晰度评价函数确定清晰度最高的显微图像的效率仍然较低的问题；由于可以基于现有的至少两个清晰度评价函数的乘积创建图像评价模型，得到的图像评价模型数据分布更集中，因此，可以使得高斯分布曲线更陡峭，提高确定清晰度最高的显微图像的效率。
图2是本申请一个实施例提供的显微图像的清晰度评价装置的框图。该装置至少包括以下几个模块：图像获取模块210、模型获取模块220、图像评价模块230。
图像获取模块210，用于获取图像序列，所述图像序列包括显微镜在不同物镜高度下采集到的一系列显微图像；
模型获取模块220，用于获取图像评价模型，所述图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算所述图像序列的清晰度时得到的清晰度结果呈高斯分布；
图像评价模块230，用于基于所述图像评价模型对所述图像序列的清晰度进行评价，得到清晰度最高的目标显微图像。
可选地，所述模型获取模块220，用于：
读取本地存储的图像评价模型。
可选地，所述模型获取模块，用于：
获取当前支持的图像清晰度评价函数；
从所述当前支持的图像清晰度评价函数中确定n个图像清晰度评价函数，所述n为大于1的整数；
计算n个图像清晰度评价函数的乘积，得到所述图像评价模型。
可选地，所述模型获取模块220，用于：
获取所述当前支持的图像清晰度评价函数的优先级排序；
确定优先级排序在前n位的图像清晰度评价函数。
可选地，所述至少两种图像清晰度评价函数包括SMD2评价函数和rft_generic评价函数。
相关细节参考上述方法实施例。
需要说明的是：上述实施例中提供的显微图像的清晰度评价装置在进行显微图像的清晰度评价时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将显微图像的清晰度评价装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的显微图像的清晰度评价装置与显微图像的清晰度评价方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的显微图像的清晰度评价方法。
可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的显微图像的清晰度评价方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种显微图像的清晰度评价方法，其特征在于，所述方法包括：
获取图像序列，所述图像序列包括显微镜在不同物镜高度下采集到的一系列显微图像；
获取图像评价模型，所述图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算所述图像序列的清晰度时得到的清晰度结果呈高斯分布；
基于所述图像评价模型对所述图像序列的清晰度进行评价，得到清晰度最高的目标显微图像。
2.根据权利要求1所述的方法，其特征在于，所述获取图像评价模型，包括：
读取本地存储的图像评价模型。
3.根据权利要求1所述的方法，其特征在于，所述获取图像评价模型，包括：
获取当前支持的图像清晰度评价函数；
从所述当前支持的图像清晰度评价函数中确定n个图像清晰度评价函数，所述n为大于1的整数；
计算n个图像清晰度评价函数的乘积，得到所述图像评价模型。
4.根据权利要求3所述的方法，其特征在于，所述从所述当前支持的图像清晰度评价函数中确定n个图像清晰度评价函数，包括：
获取所述当前支持的图像清晰度评价函数的优先级排序；
确定优先级排序在前n位的图像清晰度评价函数。
5.根据权利要求1至4任一所述的方法，其特征在于，所述至少两种图像清晰度评价函数包括SMD2评价函数和rft_generic评价函数。
6.一种显微图像的清晰度评价装置，其特征在于，所述装置包括：
图像获取模块，用于获取图像序列，所述图像序列包括显微镜在不同物镜高度下采集到的一系列显微图像；
模型获取模块，用于获取图像评价模型，所述图像评价模型包括至少两种图像清晰度评价函数，每种图像清晰度评价函数在计算所述图像序列的清晰度时得到的清晰度结果呈高斯分布；
图像评价模块，用于基于所述图像评价模型对所述图像序列的清晰度进行评价，得到清晰度最高的目标显微图像。
7.根据权利要求1所述的装置，其特征在于，所述模型获取模块，用于：
读取本地存储的图像评价模型。
8.根据权利要求1所述的装置，其特征在于，所述模型获取模块，用于：
获取当前支持的图像清晰度评价函数；
从所述当前支持的图像清晰度评价函数中确定n个图像清晰度评价函数，所述n为大于1的整数；
计算n个图像清晰度评价函数的乘积，得到所述图像评价模型。
9.根据权利要求8所述的装置，其特征在于，所述模型获取模块，用于：
获取所述当前支持的图像清晰度评价函数的优先级排序；
确定优先级排序在前n位的图像清晰度评价函数。
10.根据权利要求6至9任一所述的装置，其特征在于，所述至少两种图像清晰度评价函数包括SMD2评价函数和rft_generic评价函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911232590.XA CN111062916B (zh) | 2019-12-05 | 2019-12-05 | 显微图像的清晰度评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911232590.XA CN111062916B (zh) | 2019-12-05 | 2019-12-05 | 显微图像的清晰度评价方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062916A true CN111062916A (zh) | 2020-04-24 |
| CN111062916B CN111062916B (zh) | 2023-12-29 |
Family
ID=70299682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911232590.XA Active CN111062916B (zh) | 2019-12-05 | 2019-12-05 | 显微图像的清晰度评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062916B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986082A (zh) * | 2020-07-22 | 2020-11-24 | 中国西安卫星测控中心 | 一种自适应图像处理分辨率评价方法 |
| CN113852761A (zh) * | 2021-09-27 | 2021-12-28 | 宁波华思图科技有限公司 | 一种智能数字显微镜自动对焦的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103776831A (zh) * | 2012-10-18 | 2014-05-07 | 苏州惠生电子科技有限公司 | 一种显微影像检测仪器及其自动调焦方法 |
| CN106548471A (zh) * | 2016-10-18 | 2017-03-29 | 安庆师范大学 | 粗精调焦的医学显微图像清晰度评价方法 |
| CN108550146A (zh) * | 2018-04-11 | 2018-09-18 | 北京印刷学院 | 一种基于roi的图像质量评价方法 |
| CN110348366A (zh) * | 2019-07-05 | 2019-10-18 | 杭州师范大学 | 一种自动化最优人脸搜索方法及装置 |
-
2019
- 2019-12-05 CN CN201911232590.XA patent/CN111062916B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103776831A (zh) * | 2012-10-18 | 2014-05-07 | 苏州惠生电子科技有限公司 | 一种显微影像检测仪器及其自动调焦方法 |
| US20150219979A1 (en) * | 2012-10-18 | 2015-08-06 | Suzhou Hyssen Electronics Co., Ltd | Microscopic image detecting instrument and automatic focusing method therefor |
| CN106548471A (zh) * | 2016-10-18 | 2017-03-29 | 安庆师范大学 | 粗精调焦的医学显微图像清晰度评价方法 |
| CN108550146A (zh) * | 2018-04-11 | 2018-09-18 | 北京印刷学院 | 一种基于roi的图像质量评价方法 |
| CN110348366A (zh) * | 2019-07-05 | 2019-10-18 | 杭州师范大学 | 一种自动化最优人脸搜索方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986082A (zh) * | 2020-07-22 | 2020-11-24 | 中国西安卫星测控中心 | 一种自适应图像处理分辨率评价方法 |
| CN111986082B (zh) * | 2020-07-22 | 2022-06-21 | 中国西安卫星测控中心 | 一种自适应图像处理分辨率评价方法 |
| CN113852761A (zh) * | 2021-09-27 | 2021-12-28 | 宁波华思图科技有限公司 | 一种智能数字显微镜自动对焦的方法 |
| CN113852761B (zh) * | 2021-09-27 | 2023-07-04 | 宁波华思图科技有限公司 | 一种智能数字显微镜自动对焦的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062916B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| CN111950723B (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
| CN110244444B (zh) | 显微镜的对焦方法、装置、终端设备及存储介质 | |
| Kumar et al. | A dataset for quality assessment of camera captured document images | |
| CN112308095A (zh) | 图片预处理及模型训练方法、装置、服务器及存储介质 | |
| CN113837079B (zh) | 显微镜的自动对焦方法、装置、计算机设备和存储介质 | |
| JP2014021489A (ja) | 顕微鏡法における被写界深度（ｄｏｆ）を改善するための方法及び装置 | |
| CN112037185B (zh) | 染色体分裂相图像筛选方法、装置及终端设备 | |
| EP2733923A2 (en) | Multiresolution depth from defocus based autofocus | |
| US11694331B2 (en) | Capture and storage of magnified images | |
| CN111062916B (zh) | 显微图像的清晰度评价方法及装置 | |
| CN108961260B (zh) | 图像二值化方法及装置、计算机存储介质 | |
| CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
| CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| Nayef et al. | Metric-based no-reference quality assessment of heterogeneous document images | |
| CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
| CN111147737A (zh) | 一种基于rbf神经网络的自动对焦方法及装置 | |
| CN113963149A (zh) | 一种医疗票据图片的模糊判断方法、系统、设备及介质 | |
| CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
| CN115393868B (zh) | 文本检测方法、装置、电子设备和存储介质 | |
| CN110413840B (zh) | 一种构造对视频确定标签的神经网络及其训练的方法 | |
| CN116051391B (zh) | 一种图像处理方法及电子设备 | |
| CN111462005A (zh) | 处理显微图像的方法、装置、计算机设备及存储介质 | |
| CN113807407B (zh) | 目标检测模型训练方法、模型性能检测方法及装置 | |
| CN112365398B (zh) | 超分辨率网络训练方法、数字变焦方法、装置及电子设备 |
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 |