基于多尺度特征融合网络的傅里叶叠层成像

宋东翰; 王斌; 朱友强; 刘鑫

doi:10.37188/CJLCD.2022-0094

您当前的位置：

首页 >

文章列表页 >

基于多尺度特征融合网络的傅里叶叠层成像

图像处理 | 更新时间：2022-10-28

- 基于多尺度特征融合网络的傅里叶叠层成像
- Fourier ptychography based on multi-scale feature fusion network
- 液晶与显示 2022年37卷第11期页码：1476-1487
- 作者机构：
  
  1.中国科学院长春光学精密机械与物理研究所，吉林长春 130033
  2.中国科学院大学，北京 100049
  3.拉彭兰塔-拉赫蒂理工大学工程科学学院计算机视觉与模式识别实验室，芬兰拉赫蒂15210
- 作者简介：
  
  [ "宋东翰（1995—），男，河南洛阳人，硕士研究生，2018年于华中科技大学获得学士学位，主要从事深度学习、计算机视觉等方面的研究。E-mail：songdonghan@qq.com" ]
  [ "王斌（1980—），男，吉林省吉林市人，博士，研究员，2018年于东北师范大学获得博士学位，主要从事工程光学、计算光学等方面的研究。E-mail：175969722@qq.com" ]
- 基金信息：
  
  国家重点研发计划(2020YFA0714102)
- DOI：10.37188/CJLCD.2022-0094
  中图分类号：
扫描看全文
宋东翰, 王斌, 朱友强, 等. 基于多尺度特征融合网络的傅里叶叠层成像[J]. 液晶与显示, 2022,37(11):1476-1487.

SONG Dong-han, WANG Bin, ZHU You-qiang, et al. Fourier ptychography based on multi-scale feature fusion network[J]. Chinese Journal of Liquid Crystals and Displays, 2022,37(11):1476-1487.
宋东翰, 王斌, 朱友强, 等. 基于多尺度特征融合网络的傅里叶叠层成像[J]. 液晶与显示, 2022,37(11):1476-1487. DOI： 10.37188/CJLCD.2022-0094.

SONG Dong-han, WANG Bin, ZHU You-qiang, et al. Fourier ptychography based on multi-scale feature fusion network[J]. Chinese Journal of Liquid Crystals and Displays, 2022,37(11):1476-1487. DOI： 10.37188/CJLCD.2022-0094.

摘要

傅里叶叠层成像是一种实现光学系统高分辨率、大视场成像的技术。传统FP方法的高分辨率重建过程需要较高的孔径重叠率，导致采集图像数量较多，采样效率低。此外，FP重建算法的复杂度高，重建时间长。针对以上问题，本文结合深度学习，提出一种基于多尺度特征融合网络的傅里叶叠层成像算法，通过改进的特征金字塔卷积神经网络，能够从稀疏采样的低分辨振幅图像中提取特征信息并进行融合，实现超分辨的复图像重建。实验结果表明，在相同采样条件下，与传统方法相比，本文提出的深度学习算法提高了图像重建的质量，减少了90%以上的重建时间，并且对高斯噪声的鲁棒性较高。所提出的方法能够将相邻频域子孔径间的重叠率从50%降低至25%，减少50%的采集图像数量，大幅提高采样效率。

Abstract

Fourier Ptychography （FP） is a technology of achieving high-resolution， large field-of-view imaging of optical system. However， the high-resolution reconstruction based on traditional FP methods requires a high aperture overlap ratio， resulting in a large number of captured images and low sampling efficiency. In addition， the FP reconstruction algorithm has high complexity and long reconstruction time. Aiming at solving these problems of the FP， this paper proposes a deep learning algorithm based on multi-scale feature fusion network. Through the improved feature pyramid module， the feature information can be extracted from multiple low-resolution images captured by the FP imaging system， and the information is fused to achieve super-resolution reconstruction. Experimental results show that compared with traditional methods， the deep learning algorithm proposed in this paper improves the quality of image reconstruction， reduces the reconstruction time by 90%， and is more robust to Gaussian noise. In addition， the proposed method can reduce the overlap ratio between sub-apertures from 50% to 25% in frequency domain， and reduce the number of captured images by 50%， greatly improving the sampling efficiency.

关键词

计算成像傅里叶叠层成像特征金字塔稠密连接通道注意力

Keywords

computational imagingfourier ptychographyfeature pyramiddense connectivitychannel attention

references

LOHMANN A W， DORSCH R G， MENDLOVIC D， et al. Space-bandwidth product of optical signals and systems ［J］. JOSA A， 1996， 13（3）： 470-473. doi: 10.1364/josaa.13.000470http://dx.doi.org/10.1364/josaa.13.000470

孙佳嵩，张玉珍，陈钱，等.傅里叶叠层显微成像技术：理论、发展和应用［J］.光学学报，2016，36（10）：1011005． doi: 10.3788/aos201636.1011005http://dx.doi.org/10.3788/aos201636.1011005

SUN J S， ZHANG Y Z， CHEN Q， et al. Fourier ptychographic microscopy： theory， advances， and applications ［J］. Acta Optica Sinica， 2016， 36（10）： 1011005. （in Chinese）. doi: 10.3788/aos201636.1011005http://dx.doi.org/10.3788/aos201636.1011005

张韶辉，周国城，崔柏岐，等.傅里叶叠层显微成像模型、算法及系统研究综述［J］.激光与光电子学进展，2021，58（14）：1400001．

ZHANG S H， ZHOU G C， CUI B Q， et al. Review of Fourier ptychographic microscopy： models， algorithms， and systems ［J］. Laser & Optoelectronics Progress， 2021， 58（14）： 1400001. （in Chinese）

ZHENG G A， HORSTMEYER R， YANG C. Wide-field， high-resolution Fourier ptychographic microscopy ［J］. Nature Photonics， 2013， 7（9）： 739-745. doi: 10.1038/nphoton.2013.187http://dx.doi.org/10.1038/nphoton.2013.187

ZHENG G A. Fourier Ptychographic Imaging： A MATLAB Tutorial ［M］. San Rafael： Morgan & Claypool Publishers， 2016： 10-22. doi: 10.1088/978-1-6817-4273-1http://dx.doi.org/10.1088/978-1-6817-4273-1

CHUNG J， OU X Z， KULKARNI R P， et al. Counting white blood cells from a blood smear using Fourier ptychographic microscopy ［J］. PLoS One， 2015， 10（7）： e0133489. doi: 10.1371/journal.pone.0133489http://dx.doi.org/10.1371/journal.pone.0133489

WILLIAMS A J， CHUNG J， OU X Z， et al. Fourier ptychographic microscopy for filtration-based circulating tumor cell enumeration and analysis ［J］. Journal of Biomedical Optics， 2014， 19（6）： 066007. doi: 10.1117/1.jbo.19.6.066007http://dx.doi.org/10.1117/1.jbo.19.6.066007

HORSTMEYER R， OU X Z， ZHENG G A， et al. Digital pathology with Fourier ptychography ［J］. Computerized Medical Imaging and Graphics， 2015， 42： 38-43. doi: 10.1016/j.compmedimag.2014.11.005http://dx.doi.org/10.1016/j.compmedimag.2014.11.005

ZHENG G A， SHEN C， JIANG S W， et al. Concept， implementations and applications of Fourier ptychography ［J］. Nature Reviews Physics， 2021， 3（3）： 207-223. doi: 10.1038/s42254-021-00280-yhttp://dx.doi.org/10.1038/s42254-021-00280-y

HOLLOWAY J， ASIF M S， SHARMA M K， et al. Toward long-distance subdiffraction imaging using coherent camera arrays ［J］. IEEE Transactions on Computational Imaging， 2016， 2（3）： 251-265. doi: 10.1109/tci.2016.2557067http://dx.doi.org/10.1109/tci.2016.2557067

TIAN L， LI X， RAMCHANDRAN K， et al. Multiplexed coded illumination for Fourier ptychography with an LED array microscope ［J］. Biomedical Optics Express， 2014， 5（7）： 2376-2389. doi: 10.1364/boe.5.002376http://dx.doi.org/10.1364/boe.5.002376

KAPPELER A， GHOSH S， HOLLOWAY J， et al. Ptychnet： CNN based Fourier ptychography ［C］//2017 IEEE International Conference on Image Processing （ICIP）. Beijing， China： IEEE， 2017： 1712-1716. doi: 10.1109/icip.2017.8296574http://dx.doi.org/10.1109/icip.2017.8296574

BIAN L H， SUO J L， ZHENG G A， et al. Fourier ptychographic reconstruction using Wirtinger flow optimization ［J］. Optics Express， 2015， 23（4）： 4856-4866. doi: 10.1364/oe.23.004856http://dx.doi.org/10.1364/oe.23.004856

ZHANG J Z， XU T F， SHEN Z Y， et al. Fourier ptychographic microscopy reconstruction with multiscale deep residual network ［J］. Optics Express， 2019， 27（6）： 8612-8625. doi: 10.1364/oe.27.008612http://dx.doi.org/10.1364/oe.27.008612

JIANG S W， GUO K K， LIAO J， et al. Solving Fourier ptychographic imaging problems via neural network modeling and TensorFlow ［J］. Biomedical Optics Express， 2018， 9（7）： 3306-3319. doi: 10.1364/boe.9.003306http://dx.doi.org/10.1364/boe.9.003306

陈献明，王阿川，王春艳.基于深度学习的木材表面缺陷图像检测［J］.液晶与显示，2019，34（9）：879-887． doi: 10.3788/yjyxs20193409.0879http://dx.doi.org/10.3788/yjyxs20193409.0879

CHEN X M， WANG A C， WANG C Y. Image detection of wood surface defects based on deep learning ［J］. Chinese Journal of Liquid Crystals and Displays， 2019， 34（9）： 879-887. （in Chinese）. doi: 10.3788/yjyxs20193409.0879http://dx.doi.org/10.3788/yjyxs20193409.0879

刘杨帆，曹立华，李宁，等.基于YOLOv4的空间红外弱目标检测［J］.液晶与显示，2021，36（4）：615-623． doi: 10.37188/CJLCD.2020-0227http://dx.doi.org/10.37188/CJLCD.2020-0227

LIU Y F， CAO L H， LI N， et al. Detection of space infrared weak target based on YOLOv4 ［J］. Chinese Journal of Liquid Crystals and Displays， 2021， 36（4）： 615-623. （in Chinese）. doi: 10.37188/CJLCD.2020-0227http://dx.doi.org/10.37188/CJLCD.2020-0227

LEDIG C， THEIS L， HUSZÁR F， et al. Photo-realistic single image super-resolution using a generative adversarial network ［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA： IEEE， 2017： 4681-4690. doi: 10.1109/cvpr.2017.19http://dx.doi.org/10.1109/cvpr.2017.19

LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection ［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA： IEEE， 2017： 2117-2125. doi: 10.1109/cvpr.2017.106http://dx.doi.org/10.1109/cvpr.2017.106

HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks ［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA： IEEE， 2017： 4700-4708. doi: 10.1109/cvpr.2017.243http://dx.doi.org/10.1109/cvpr.2017.243

HU J， SHEN L， SUN G. Squeeze-and-excitation networks ［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Salt Lake City， UT， USA： IEEE， 2018： 7132-7141. doi: 10.1109/cvpr.2018.00745http://dx.doi.org/10.1109/cvpr.2018.00745

SHI W Z， CABALLERO J， HUSZÁR F， et al. Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network ［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas， NV， USA： IEEE， 2016： 1874-1883. doi: 10.1109/cvpr.2016.207http://dx.doi.org/10.1109/cvpr.2016.207

BEVILACQUA M， ROUMY A， GUILLEMOT C， et al. Low-complexity single-image super-resolution based on nonnegative neighbor embedding ［C］//British Machine Vision Conference. Surrey， UK： BMVC， 2012. doi: 10.5244/c.26.135http://dx.doi.org/10.5244/c.26.135

ZEYDE R， ELAD M， PROTTER M. On single image scale-up using sparse-representations ［C］//Proceedings of the 7th International Conference on Curves and Surfaces. Avignon， France： Springer， 2010： 711-730.

MARTIN D， FOWLKES C， TAL D， et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics ［C］//Proceedings Eighth IEEE International Conference on Computer Vision. Vancouver， BC， Canada： IEEE， 2001： 416-423. doi: 10.1109/iccv.2001.937568http://dx.doi.org/10.1109/iccv.2001.937568

HUANG J B， SINGH A， AHUJA N. Single image super-resolution from transformed self-exemplars ［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston， MA， USA： IEEE， 2015： 5197-5206. doi: 10.1109/cvpr.2015.7299156http://dx.doi.org/10.1109/cvpr.2015.7299156

DONG S Y， BIAN Z C， SHIRADKAR R， et al. Sparsely sampled Fourier ptychography ［J］. Optics Express， 2014， 22（5）： 5455-5464. doi: 10.1364/oe.22.005455http://dx.doi.org/10.1364/oe.22.005455

沙浩，刘阳哲，张永兵.基于深度学习的傅里叶叠层成像技术［J］.激光与光电子学进展，2021，58（18）：1811020．

SHA H， LIU Y Z， ZHANG Y B. Fourier ptychography based on deep learning ［J］. Laser & Optoelectronics Progress， 2021， 58（18）： 1811020. （in Chinese）

浏览量

111

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

二维高通量光学显微成像技术研究进展

基于四象限液晶器件的差分相衬成像系统

基于生成对抗网络的图像超分辨率重建算法

基于注意力掩模融合的目标检测算法