详情

原文传递基于卷积神经网络的光场高分辨解卷积方法及系统

专利名称：	基于卷积神经网络的光场高分辨解卷积方法及系统
摘要：	本发明公开了一种基于卷积神经网络的光场高分辨解卷积方法及系统，其中，该方法包括：通过光场显微成像系统采集光场显微数据；根据预设的三维样本体分布数据集的分布特性与参数，生成仿真样本体分布数据集；根据光场成像原理对上述数据集进行实验光场系统的仿真成像，并引入实验因素得到仿真光场图像；以理查德‑露西解卷积算法为基础实现光场三维解卷积算法，并以仿真点扩散函数为先验信息，对仿真光场图像进行解卷积得到初步重建体分布数据；生成深度卷积神经网络；将初步重建的结果输入到深度卷积神经网络中，得到对应样本体分布数据的预测值。该方法克服传统光场三维重建算法中存在的一些固有问题，实现高分辨的、少伪影的光场数据三维重建。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	清华大学
发明人：	戴琼海;李晓煦;乔晖
专利状态：	有效
申请日期：	2019-07-15T00:00:00+0800
发布日期：	2019-11-12T00:00:00+0800
申请号：	CN201910637854.3
公开号：	CN110441271A
代理机构：	北京清亦华知识产权代理事务所(普通合伙)
代理人：	张润
分类号：	G01N21/64(2006.01);G;G01;G01N;G01N21
申请人地址：	100084北京市海淀区清华园
主权项：	1.一种基于卷积神经网络的光场高分辨解卷积方法，其特征在于，包括以下步骤：通过光场显微成像系统采集光场显微数据；根据预设的三维样本体分布数据集的分布特性与参数，生成仿真样本体分布数据集；根据光场成像原理对所述仿真样本体分布数据集进行实验光场系统的仿真成像，并引入预设的实验因素，得到仿真光场图像；以理查德-露西解卷积算法为基础实现光场三维解卷积算法，并以仿真点扩散函数为先验信息，对所述仿真光场图像进行解卷积，得到初步重建体分布数据；生成深度卷积神经网络，其中，以所述初步重建体分布数据作为网络模型的输入，以所述仿真样本体分布数据作为网络模型的目标值，获取显微样本的损失函数，并选取满足第一预设条件的参数对网络模型进行训练；以及对所述光场显微数据进行三维解卷积，将初步重建的结果输入到所述深度卷积神经网络中，得到对应样本体分布数据的预测值。 2.根据权利要求1所述的方法，其特征在于，所述通过光场显微成像系统采集光场显微数据，包括：通过微透镜阵列同时采集角度信息与空间信息，以在单次采集获得样本的三维信息，得到满足第二预设条件的光场显微数据。 3.根据权利要求1所述的方法，其特征在于，所述根据光场成像原理对所述仿真样本体分布数据集进行实验光场系统的仿真成像，包括：利用所述光场成像原理中对成像过程的卷积近似，通过将仿真生成的点扩散函数与仿真生成的三维样本体分布数据进行卷积加和，生成所述仿真光场图像。 4.根据权利要求1所述的方法，其特征在于，所述对所述仿真光场图像进行解卷积，包括：利用基于极大似然估计的所述理查德-露西迭代法进行三维解卷积问题的求解，计算公式如下： g(k+1)＝diag(HT1)-1diag(HTdiag(Hg(k)+b)-1f)g(k)，其中，g(k)表示第k次迭代时求取的三维解卷积结果，H为光场显微成像系统的传输矩阵，b为对背景的估计，diag(·)为对角矩阵的构成函数。 5.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络的损失函数由数据拟合项以及全微分约束项组成，以分别用于约束模型的收敛方向以及对重建结果进行校正，表示公式为：其中，pred为网络对三维样本体分布的预测，gt为真实值，N为参与损失函数计算的样本数量，ω为损失函数不同项之间的权重系数。 6.一种基于卷积神经网络的光场高分辨解卷积系统，其特征在于，包括：采集模块，用于通过光场显微成像系统采集光场显微数据；生成模块，用于根据预设的三维样本体分布数据集的分布特性与参数，生成仿真样本体分布数据集；仿真成像模块，用于根据光场成像原理对所述仿真样本体分布数据集进行实验光场系统的仿真成像，并引入预设的实验因素，得到仿真光场图像；第一解卷积模块，用于以理查德-露西解卷积算法为基础实现光场三维解卷积算法，并以仿真点扩散函数为先验信息，对所述仿真光场图像进行解卷积，得到初步重建体分布数据；训练模块，用于生成深度卷积神经网络，其中，以所述初步重建体分布数据作为网络模型的输入，以所述仿真样本体分布数据作为网络模型的目标值，获取显微样本的损失函数，并选取满足第一预设条件的参数对网络模型进行训练；以及第二解卷积模块，用于对所述光场显微数据进行三维解卷积，将初步重建的结果输入到所述深度卷积神经网络中，得到对应样本体分布数据的预测值。 7.根据权利要求6所述的系统，其特征在于，所述采集模块包括：通过微透镜阵列同时采集角度信息与空间信息，以在单次采集获得样本的三维信息，得到满足第二预设条件的光场显微数据。 8.根据权利要求6所述的系统，其特征在于，所述仿真成像模块中，根据光场成像原理对所述仿真样本体分布数据集进行实验光场系统的仿真成像，包括：利用所述光场成像原理中对成像过程的卷积近似，通过将仿真生成的点扩散函数与仿真生成的三维样本体分布数据进行卷积加和，生成所述仿真光场图像。 9.根据权利要求6所述的系统，其特征在于，所述解卷积模块中，对所述仿真光场图像进行解卷积，包括：利用基于极大似然估计的所述理查德-露西迭代法进行三维解卷积问题的求解，计算公式如下： g(k+1)＝diag(HT1)-1diag(HTdiag(Hg(k)+b)-1f)g(k)，其中，g(k)表示第k次迭代时求取的三维解卷积结果，H为光场显微成像系统的传输矩阵，b为对背景的估计，diag(·)为对角矩阵的构成函数。 10.根据权利要求6所述的系统，其特征在于，所述深度卷积神经网络的损失函数由数据拟合项以及全微分约束项组成，以分别用于约束模型的收敛方向以及对重建结果进行校正，表示公式为：其中，pred为网络对三维样本体分布的预测，gt为真实值，N为参与损失函数计算的样本数量，ω为损失函数不同项之间的权重系数。
所属类别：	发明专利