CN112288633B - 一种新型亚像素分辨率衍射成像方法 - Google Patents
一种新型亚像素分辨率衍射成像方法 Download PDFInfo
- Publication number
- CN112288633B CN112288633B CN202011181332.6A CN202011181332A CN112288633B CN 112288633 B CN112288633 B CN 112288633B CN 202011181332 A CN202011181332 A CN 202011181332A CN 112288633 B CN112288633 B CN 112288633B
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- diffraction
- pixel
- sub
- 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
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000001427 coherent effect Effects 0.000 claims abstract description 10
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 230000003287 optical effect Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005554 pickling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 2
- 238000002360 preparation method Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 241001394244 Planea Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
- G06T3/4069—Super resolution, i.e. output image resolution higher than sensor resolution by subpixel displacement
-
- G06T5/70—
Abstract
本发明涉及一种新型亚像素分辨率衍射成像方法，属于成像技术领域，具体步骤包括光路布置、单次照明、数据采集、测量数据传至终端并构建优化模型、利用衍射强度图样重建图像、高斯噪声滤波和判断是否可以终止算法。本发明依据相干光照明成像的原理，设计了基于高分辨率空间光调制器的数据采集系统，与现有光学系统相比，本发明材料及制备工艺简单，能够利用较低分辨率相机重建出比相机分辨率明显高的物体图像，成本低，效果好。
Description
技术领域
本发明涉及一种新型亚像素分辨率衍射成像方法，属于成像技术领域。
背景技术
衍射成像是指利用包含高度不完备信息的衍射强度图样重建原始图像，它以无透镜、简便、有效的优点成为了高精确测量、记录和重建二维和三维物体的关键技术。传统衍射成像方法的成像分辨率通常是像素级的，即重建图像的像素大小Δo等于衍射强度图样像素大小Δs。衍射强度图样的分辨率受衍射极限限制，故传统方法的成像分辨率难以超越衍射极限分辨率。衍射强度图样的像素大小是固定的，但Δo是可计算的，可达到Δo＜Δs。亚像素分辨率(sub-pixel resolution)又称像素超分辨率(pixel super-resolution)衍射成像是指通过观测到的低分辨率衍射强度图样重建高分辨率图像，亚像素分辨率衍射成像技术是突破衍射极限分辨率的重要手段。
现有亚像素分辨率衍射成像方法可分为以下几大类：传统像素分辨率衍射成像方法、基于亚像素间距(sub-pixel-pitch)平移的方法、基于多波长的波长扫描方法、基于多距离衍射成像的方法、基于稀疏性的方法和基于深度神经网络的方法。理论上，传统像素分辨率衍射成像算法可通过调整非线性采样算子或建立合适的优化模型用于亚像素分辨率衍射成像。基于亚像素间距平移、多波长、多距离的方法大都通过构建光学系统记录多幅衍射强度图样以进行亚像素分辨率衍射成像，但并未考虑图像的先验知识，成像质量和成像分辨率较低。基于稀疏性的方法利用稀疏先验进行亚像素分辨率衍射成像。基于稀疏性的成像方法改善了成像质量，但现有基于稀疏性的方法大都利用图像在空域、梯度域下的稀疏性进行图像重建，成像质量、成像时间仍有提升空间。在单次观测情况下，对噪声敏感、分辨率低是限制现有衍射成像算法应用于实际高分辨率成像系统的技术瓶颈。
发明内容
本发明的目的是提供一种新型亚像素分辨率衍射成像方法，是一种基于高分辨率空间光调制器及高斯噪声滤波器的亚像素分辨率衍射成像方法，主要用于解决传统衍射成像方法设备复杂、分辨率低的问题。
为了实现上述目的，本发明采用的技术方案是：
一种新型亚像素分辨率衍射成像方法，包括以下步骤：
A、光路布置：将相干光源、物体、高分辨率空间光调制器和相机由前到后依次放置进行光路布置，所述高分辨率空间光调制器放置于物体后1-2mm处，所述相机放置于远场区域；
B、单次照明：采用相干光源作为成像光源，对物体进行单次照明；
C、数据采集：携带物体的光波通过高分辨率空间光调制器进行调制，在远场区域内通过相机采集光波信息，获得低分辨率衍射强度图样；
D、测量数据传至终端并构建优化模型：将步骤C获得的低分辨率衍射强度图样传送至主控计算机以图像形式保存，并利用该低分辨率衍射强度图样构建亚像素分辨率衍射成像优化模型；
E、利用优化模型重建图像：利用步骤D得到的优化模型，结合非凸优化的内点邻近算法框架中的梯度下降方法获得估计图像；
F、高斯噪声滤波：利用高斯噪声滤波器对步骤E得到的估计图像进行滤波处理；
G、判断是否可以终止算法：满足终止条件时终止算法，输出最终重建的高分辨率图像；不满足终止条件返回步骤E继续迭代。
本发明技术方案的进一步改进在于：所述步骤C的高分辨率空间光调制器对物体的原始图像进行编码，假设原始图像为
则调制以后的图像为m⊙x，其中⊙为逐元素点乘操作，m∈CN为一个随机腌膜，其元素等概率地从集合{±1,±i}中选取；利用随机腌膜m对图像进行点乘；
假设待重建图像的像素大小为Δo，则使用的高分辨率空间光调制器的分辨率其分辨大小为Δo，相机记录的衍射强度图样的像素大小记为Δs，通过高分辨率空间光调制器的调制实现Δo＜Δs的亚像素分辨率成像。
本发明技术方案的进一步改进在于：所述步骤C中相机采集到衍射图样的强度值，丢失了相位信息，该过程可建模为：
y＝|SHF(m⊙x)|2+n <1>
其中，|·|2表示逐元素平方，矩阵F∈CN×N为傅里叶变换矩阵，对光波在空间中的传播进行建模，矩阵H∈CN×N为模糊矩阵，
为下采样算子，并把κ＝M/N定义为超分辨率因子，SH表示高分辨率衍射图样被采样成低分辨率衍射图样的采样算子，
为通过感知设备获得的低分辨率衍射强度图样，
表示高斯噪声向量。
本发明技术方案的进一步改进在于：所述步骤D中利用低分辨率衍射强度图样构建亚像素分辨率衍射成像优化模型，具体优化模型为：
其中
表示l2范数，上式通过最大似然准则构建。
本发明技术方案的进一步改进在于：所述步骤F中的高斯噪声滤波器选用块匹配三维滤波器、深度卷积网络去噪器或非局部均值滤波器其中的一种。
本发明技术方案的进一步改进在于：所述相机为低分辨率工业相机。
由于采用了上述技术方案，本发明取得的技术效果有：
本发明依据相干光照明成像的原理，设计了基于高分辨率空间光调制器的数据采集系统，与现有光学系统相比，本发明的材料及制备工艺简单，能够利用较低分辨率的相机重建出比相机分辨率明显高的物体图像，成本低，效果好。
本发明通过非凸优化算法的结构、利用高斯噪声滤波器隐式地利用图像先验知识进行亚像素分辨率衍射成像。与传统衍射成像方法相比，能够重建出图像的细节，提高了成像分辨率，能够实现亚像素分辨率衍射成像，可用于超分辨率成像领域。
附图说明
图1是本发明的总体流程图；
图2A是本发明的测量数据采集装置示意图；
图2B是本发明的测量数据采集装置获得低分辨率衍射强度图样像素值的示意图；
图3是本发明中亚像素分辨率衍射成像算法的流程图；
图4A是本发明获得的低分辨率衍射强度图样；
图4B是本发明的图4A的高分辨率成像算法获得的仿真实验结果图；
其中，1、相干光源，2、物体，3、高分辨率空间光调制器，4、相机。
具体实施方式
下面将结合附图，清楚、完整地描述本发明的成像设置以及成像算法的实现步骤，并通过实验仿真图说明本发明方法的有效性。
一种新型亚像素分辨率衍射成像方法，参见图1，本发明于高分辨率空间光调制器及高斯噪声滤波器的亚像素分辨率衍射成像方法的具体步骤为：
A、搭建光路用以获得测量数据。本发明的光路图如图2A所示，主要组成有相干光源1、物体2、高分辨率空间光调制器3及相机4。高分辨率空间光调制器3需放置在物体之后1-2mm的距离上，相机4需放置在远场区域内，记录低分辨率的衍射强度图样。
B、利用相干光源2进行单次照明。按照图2A搭建的光路，利用相干光照明物体，本发明只需要照明一次获得单幅衍射强度图样。理论上，到达相机4之前(观测平面)的光波为高分辨率的衍射图样，可建模为：F(m⊙x)。需要指出的是，空间光调制器选择的不同，m可以是二元、四元或八元腌膜。
C、相机4例如CCD相机或工业相机对高分辨率衍射强度图样进行数据采样得到低分辨率衍射强度图样。光波到达观测平面的衍射图样是高分辨率的复数衍射图样。由于现代CCD相机的局限性，只能够记录衍射图样的强度值，即衍射强度图样。本发明利用的CCD相机相对于空间光调制器分辨率较低，因此，制作工艺简单、成本低。较低分辨率的CCD相机在观测平面的数据采集过程可看成对高分辨率衍射强度图样的采样过程。图2B展示了利用低分辨率的CCD相机获得的低分辨率衍射强度图样的像素值和到达观测平面的高分辨率衍射强度图样的像素值之间的关系，图中左边表示理论上的高分辨率衍射强度图样，右边表示实际观测的低分辨率衍射强度图样。从图中可以看出，低分辨率的强度值为一定区域内的高分辨率强度值的求和，这是因为CCD相机通过感知到达观测平面的光子数记录衍射图样，而光子数和像素值大小呈正相关的关系。该数据采集过程可通过y＝|SHF(m⊙x)|2+n建模，其中H矩阵可通过元素全1的卷积核对向量做卷积实现，S为对角线上为1或0的矩阵，1表示对应索引值上的像素被采集，0代表对应索引值上的像素未被采集。在通电过程中，由于电阻性元器件中电子的无规则运动，观测设备获得的测量数据不可避免地受高斯噪声污染，因此，采样模型引入了高斯噪声向量n。
D、将观测的低分辨率衍射强度图样传送至主控计算机以图像形式保存，并利用该低分辨率衍射强度图样构建亚像素分辨率衍射成像优化模型。CCD相机记录的低分辨率衍射强度图样以图像形式展现出来，图片格式需能够被Matlab或者Python语言读写。图片格式可以是jpg、tif或png等。
E、利用非凸优化的内点邻近算法(Inertial Proximal Algorithm for Non-convex Optimization，IPiano)框架中的梯度下降方法进行图像更新。在第一次迭代时，估计图像采用随机生成的一幅图像，该图像的大小同待重建的高分辨率图像大小一致，后期估计图像直接采用上次迭代更新以后的图像。根据估计图像计算代价函数的次梯度
(对于第t次迭代)：
其中Φxt-1＝F(m⊙xt-1)，其共轭转置定义为
为随机腌膜m的对偶滤波器，real{·}表示取实部算子。
通过下式更新图像：
其中τ为步长，参数β控制动量项的比重。
IPiano算法在上式更新的基础上，利用邻近算子处理更新以后的图像xt/2。本发明利用高斯噪声滤波器替换该邻近算子。
F、利用高斯噪声滤波器对估计图像进行滤波处理。在本发明中，将能够去除高斯噪声的图像去噪算法作为高斯噪声滤波器。不同高斯噪声滤波器对应不同先验知识，例如块匹配三维滤波器利用了非局部相似性，基于深度卷积神经网络的去噪算法利用了图像的深度先验，基于全变差的去噪算法利用了梯度稀疏性。本发明可单独采用上述高斯噪声滤波器或联合应用多个高斯噪声滤波器。输入到高斯噪声滤波器的噪声标准差σ对于最终成像质量具有重要影响，本发明采用稳健中值算子直接利用估计图像对噪声标准差σ进行估计。将高斯噪声滤波器记为De(·,σ)，则滤波以后的图像为xt＝De(xt/2,σ)。
G、通过终止条件判断是否可以终止算法，如果终止算法则输出最终重建的高分辨率图像。终止条件采用
其中ε为较小的正数。如果满足该终止条件或达到最大迭代次数，则终止算法迭代，输出最终重建的高分辨率图像。如果不满足终止条件，则返回步骤E继续迭代。图3给出了本发明提出的亚像素分辨率衍射成像算法的流程图。
下面从仿真实验的结果说明本发明基于高分辨率空间光调制器及高斯噪声滤波器的亚像素分辨率衍射成像方法的效果。
首先对采集低分辨率衍射强度图样进行说明：在本发明的具体实施例中，设定的实验条件为：信噪比25dB，腌膜为四元腌膜，对红细胞进行观测，超分辨率因子为2。图4A给出了获得的低分辨率衍射强度图样。图4B给出了利用该低分辨率衍射强度图样重建的高分辨图像。上述仿真实验结果充分说明了本发明提供的亚像素分辨率方法能够在单次观测下实现亚像素分辨率成像。
以上描述仅是本发明的一个具体实例，并不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (5)
1.一种新型亚像素分辨率衍射成像方法，其特征在于包括以下步骤：
A、光路布置：将相干光源、物体、高分辨率空间光调制器和相机由前到后依次放置进行光路布置，所述高分辨率空间光调制器放置于物体后1-2mm处，所述相机放置于远场区域；
B、单次照明：采用相干光源作为成像光源，对物体进行单次照明；
C、数据采集：携带物体的光波通过高分辨率空间光调制器进行调制，在远场区域内通过相机采集光波信息，获得低分辨率衍射强度图样；
D、测量数据传至终端并构建优化模型：将步骤C获得的低分辨率衍射强度图样传送至主控计算机以图像形式保存，并利用该低分辨率衍射强度图样构建亚像素分辨率衍射成像优化模型；
E、利用衍射强度图样重建图像：利用步骤D得到的优化模型，结合非凸优化的内点邻近算法框架中的梯度下降方法获得估计图像；在第一次迭代时，估计图像采用随机生成的一幅图像，该图像的大小同待重建的高分辨率图像大小一致，后期估计图像直接采用上次迭代更新以后的图像，对于第t次迭代，根据估计图像计算代价函数的次梯度▽f(xt-1)：
其中，Φxt-1＝F(m⊙xt-1)，其共轭转置定义为
矩阵F∈CN×N为傅里叶变换矩阵，
为随机腌膜m的对偶滤波器，H∈CN×N为模糊矩阵，
为下采样算子,SH表示高分辨率衍射图样被采样成低分辨率衍射图样的采样算子，
为通过感知设备获得的低分辨率衍射强度图样，|·|2表示逐元素平方，⊙表示逐元素点乘，real{·}表示取实部算子；
通过下式更新图像：
其中，τ为步长，参数β控制动量项的比重；
F、高斯噪声滤波：利用高斯噪声滤波器对步骤E得到的估计图像进行滤波处理；所述高斯噪声滤波器为单独的高斯噪声滤波器或联合应用多个高斯噪声滤波器；采用稳健中值算子直接利用估计图像对输入到高斯噪声滤波器的噪声标准差σ进行估计，将高斯噪声滤波器记为De(·,σ)，则滤波以后的图像为xt＝De(xt/2,σ)；
G、判断是否终止算法：满足终止条件时终止算法，输出最终重建的高分辨率图像；不满足终止条件返回步骤E继续迭代。
2.根据权利要求1所述的一种新型亚像素分辨率衍射成像方法，其特征在于：所述步骤C的高分辨率空间光调制器对物体的原始图像进行编码，假设原始图像为
则调制以后的图像为m⊙x，其中⊙为逐元素点乘操作，m∈CN为一个随机腌膜，其元素等概率地从集合{±1,±i}中选取；利用随机腌膜m对图像进行点乘；
假设待重建图像的像素大小为Δo，则使用的高分辨率空间光调制器的分辨率其分辨大小为Δo，相机记录的衍射强度图样的像素大小记为Δs，通过高分辨率空间光调制器的调制实现Δo＜Δs的亚像素分辨率成像。
3.根据权利要求1所述的一种新型亚像素分辨率衍射成像方法，其特征在于：所述步骤C中相机采集到衍射图样的强度值，丢失了相位信息，该过程建模为：
y＝|SHF(m⊙x)|2+n <1>
其中，|·|2表示逐元素平方，矩阵F∈CN×N为傅里叶变换矩阵，对光波在空间中的传播进行建模，矩阵H∈CN×N为模糊矩阵，
为下采样算子，M＜N，并把κ＝M/N定义为超分辨率因子，SH表示高分辨率衍射图样被采样成低分辨率衍射图样的采样算子，
为通过感知设备获得的低分辨率衍射强度图样，
表示高斯噪声向量。
4.根据权利要求1所述的一种新型亚像素分辨率衍射成像方法，其特征在于：所述步骤D中利用低分辨率衍射强度图样构建亚像素分辨率衍射成像优化模型，具体优化模型为：
其中
表示l2范数，上式通过最大似然准则构建。
5.根据权利要求1所述的一种新型亚像素分辨率衍射成像方法，其特征在于：所述相机为低分辨率工业相机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011181332.6A CN112288633B (zh) | 2020-10-29 | 2020-10-29 | 一种新型亚像素分辨率衍射成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011181332.6A CN112288633B (zh) | 2020-10-29 | 2020-10-29 | 一种新型亚像素分辨率衍射成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112288633A CN112288633A (zh) | 2021-01-29 |
| CN112288633B true CN112288633B (zh) | 2022-07-29 |
Family
ID=74352460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011181332.6A Active CN112288633B (zh) | 2020-10-29 | 2020-10-29 | 一种新型亚像素分辨率衍射成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288633B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907481B (zh) * | 2021-03-13 | 2023-12-12 | 南京大学 | 一种对于噪声鲁棒的高质量无透镜成像方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648147A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种人眼视网膜机理的超分辨率图像获取方法及系统 |
| US20200003693A1 (en) * | 2017-02-09 | 2020-01-02 | Technion Research & Development Foundation Ltd. | Sparsity-based super-resolution correlation microscopy |
| US20200150266A1 (en) * | 2017-07-14 | 2020-05-14 | Northwestern University | Synthetic Apertures for Long-Range, Sub-Diffraction Limited Visible Imaging Using Fourier Ptychography |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102096334B (zh) * | 2010-12-22 | 2012-08-08 | 中国科学院光电技术研究所 | 一种基于移相原理提高分辨率的超衍射成像器件及其制作方法 |
| CN103941568B (zh) * | 2014-03-21 | 2016-06-22 | 北京工业大学 | 多维自动超分辨率数字全息成像装置及方法 |
| KR101613884B1 (ko) * | 2015-01-27 | 2016-04-20 | 기초과학연구원 | 위상 조절을 통한 엑스선 회절 현미경 장치 및 엑스선 회절 방법 |
-
2020
- 2020-10-29 CN CN202011181332.6A patent/CN112288633B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200003693A1 (en) * | 2017-02-09 | 2020-01-02 | Technion Research & Development Foundation Ltd. | Sparsity-based super-resolution correlation microscopy |
| US20200150266A1 (en) * | 2017-07-14 | 2020-05-14 | Northwestern University | Synthetic Apertures for Long-Range, Sub-Diffraction Limited Visible Imaging Using Fourier Ptychography |
| CN108648147A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种人眼视网膜机理的超分辨率图像获取方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| PPR: Plug-and-play regularization model for solving nonlinear imaging inverse problems;Shi Baoshun等;《Signal Processing》;20190408;第162卷;83-96页 * |
| Robust Compressive Phase Retrieval via Deep Generative Priors;Fahad Shamshad等;《arXiv》;20180817;1808.05854页 * |
| SBM3D: Sparse Regularization Model Induced by BM3D for Weighted Diffraction Imaging;Shi Baoshun等;《IEEE ACCESS》;20180817;第06卷;46266-46280页 * |
| 基于两步图像重建的鲁棒相位恢复算法;陈书贞等;《计算机学报》;20160317;第40卷(第11期);2575-2588页 * |
| 基于空间光调制器的实时成像系统与快速相位恢复;王美琴;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20200715(第07期);I135-509页 * |
| 基于自适应稀疏表示的压缩感知及相位恢复算法研究;石保顺;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20180515(第05期);I138-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112288633A (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ongie et al. | Deep learning techniques for inverse problems in imaging | |
| Khan et al. | Flatnet: Towards photorealistic scene reconstruction from lensless measurements | |
| Jiji et al. | Single‐frame image super‐resolution using learned wavelet coefficients | |
| Sun et al. | Coil: Coordinate-based internal learning for tomographic imaging | |
| CN107507135B (zh) | 基于编码光圈和靶标的图像重构方法 | |
| Belekos et al. | Maximum a posteriori video super-resolution using a new multichannel image prior | |
| Lertrattanapanich et al. | High resolution image formation from low resolution frames using Delaunay triangulation | |
| JP5984138B2 (ja) | 類縁性ネット上のスパース再構成による画像フィルタリング | |
| CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
| Narayanan et al. | A computationally efficient super-resolution algorithm for video processing using partition filters | |
| US20200150266A1 (en) | Synthetic Apertures for Long-Range, Sub-Diffraction Limited Visible Imaging Using Fourier Ptychography | |
| CN112529776B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
| CN112288633B (zh) | 一种新型亚像素分辨率衍射成像方法 | |
| CN115063595A (zh) | 一种散斑噪声图像处理装置 | |
| CN110352387B (zh) | 用于通过多深度稀疏相位恢复重建全息无透镜图像的系统和方法 | |
| CN114972033A (zh) | 一种提高光学相干层析图像纵向分辨率的自监督方法 | |
| CN113674154B (zh) | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 | |
| CN113029364B (zh) | 分布式鲁棒的像素超分辨成像方法及计算机设备 | |
| Hajmohammadi et al. | Parallel hybrid bispectrum-multi-frame blind deconvolution image reconstruction technique | |
| CN113554555B (zh) | 相位畸变补偿方法、装置、计算机设备和存储介质 | |
| Truong et al. | Depth map inpainting and super-resolution with arbitrary scale factors | |
| Zhou et al. | A deep learning approach for digital hologram speckle noise reduction | |
| CN112465703A (zh) | 一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法 | |
| Miller et al. | Membranes, mitochondria and amoebae: shape models | |
| Rabadi et al. | Iterative multiresolution algorithm for image reconstruction from the magnitude of its Fourier transform |
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 |