- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
深度学习实现荧光显微镜的跨模态超分辨率成像
摘要： 我们展示了跨不同荧光显微镜模态的深度学习超分辨率技术。这种数据驱动的方法无需对成像过程进行数值建?；蚬兰频憷┥⒑浜诵氖峭ü盗飞啥钥雇纾℅AN）将衍射极限输入图像转换为超分辨率图像?；诟每蚣?，我们提升了低数值孔径物镜采集的宽场图像分辨率，使其达到高数值孔径物镜的成像水平。我们还实现了跨模态超分辨率转换，将共聚焦显微镜图像提升至受激发射损耗（STED）显微镜的分辨率。进一步研究表明，细胞及组织内亚细胞结构的总内反射荧光（TIRF）显微镜图像可被转换为基于TIRF的结构光照明显微镜效果。该深度网络能快速输出这些超分辨率图像，无需任何迭代或参数搜索，有望推动超分辨率成像技术的普及应用。
关键词： 生成对抗网络、跨模态、超分辨率、荧光显微镜、深度学习
更新于2025-11-21 11:24:58
-
基于深度卷积网络的遥感图像超分辨率重建
摘要： 遥感图像数据已广泛应用于农业、军事和土地利用等诸多领域。由于图像采集设备的限制及能量守恒定律的制约，同时获取高空间分辨率与高光谱分辨率的遥感图像存在困难。超分辨率(SR)技术能将低分辨率(LR)图像提升至高分辨率(HR)。本文提出一种新型深度卷积网络(DCN)超分辨率方法(SRDCN)，该网络基于分层架构学习端到端的映射函数，实现从低分辨率图像重建高分辨率图像；进一步研究了基于残差学习和多尺度版本的SRDCN扩展方法（即改进型SRDCN[DSRDCN]和扩展型SRDCN[ESRDCN]）。使用不同类型遥感数据（如多光谱与高光谱）的实验结果表明，所提方法优于传统基于稀疏表示的方法。
关键词： 卷积神经网络，遥感影像，超分辨率
更新于2025-09-23 15:23:52
-
结构光照明显微镜中重建参数优化的成功实践——实用指南
摘要： 仔细分析了超分辨率结构光照明显微镜（SIM）中不同重建参数对图像伪影的影响。这些参数包括维纳滤波参数、切趾函数、零频抑制以及光学传递函数的修改。研究得出结论：对重建图像频谱的详细分析适用于识别伪影。为此，采用人工测试玻片和更接近真实的生物系统两类样本，来表征伪影类别及其与图像频谱及重建参数的关联。此外，还提出了高效参数优化的指导原则，并展示了所选最新处理软件包（商业版和开源版）中的参数实现方式。
关键词： 超分辨率、荧光显微镜、结构光照明显微镜、参数估计、图像重建
更新于2025-09-23 15:23:52
-
瑞利判据的现代描述
摘要： 瑞利判据指出，当两个非相干光学点光源的间距小于点扩散函数（PSF）宽度（即处于亚衍射极限条件下）时，本质上难以分辨。近期研究者已实现等强度双非相干点源的超分辨率成像，突破了瑞利判据限制。但对于需分辨多于两个点源的情况尚未充分研究。本文证明：对于任意强度的非相干光源，在亚衍射极限下可精确解析其一维或二维图像至二阶矩（即费希尔信息量非零）。但针对任意类型非自适应测量，更高阶矩的费希尔信息量总会随图像尺寸减小呈多项式趋零。我们将此现象称为瑞利判据的现代表述。在特定约束条件下，构建了适用于一维弱光源成像、能估计亚衍射极限下所有最优矩的测量基。该基同样为二维或强光源成像生成了关于图像尺寸的最优标度费希尔信息量，相比直接成像实现了整体二次方提升。
关键词： 费希尔信息、光学成像、瑞利判据、超分辨率、非相干光源、亚衍射极限
更新于2025-09-23 15:23:52
-
[2018年IEEE第三届图像、视觉与计算国际会议(ICIVC) - 中国重庆(2018.6.27-2018.6.29)] 2018年IEEE第三届图像、视觉与计算国际会议(ICIVC) - 基于卷积神经网络的低分辨率细胞图像单帧超分辨率重建算法研究
摘要： 针对无透镜细胞成像系统采集的细胞图像存在分辨率低和对比度低的问题，提出了一种基于卷积神经网络的新型细胞超分辨率重建网络（CSRN）。首先通过无透镜细胞成像系统采集细胞图像，再经双三次插值下采样获得低分辨率细胞图像；随后将该低分辨率图像输入CSRN网络进行超分辨率重建。实验结果表明，所提出的CSRN网络能有效提升细胞图像的分辨率与对比度，其重建效果优于传统双三次插值和SRCNN网络。
关键词： 卷积神经网络、细胞图像、超分辨率、无透镜成像
更新于2025-09-23 15:23:52
-
一个强大且多功能的图像扫描显微镜平台，可实现超分辨率荧光寿命成像（FLIM）
摘要： 图像扫描显微技术（ISM）可将共聚焦显微镜的有效空间分辨率提升至理论极限。然而现有实现方案存在鲁棒性差、功能单一且与荧光寿命成像（FLIM）不兼容等问题。我们报道了一种基于单光子探测器阵列的ISM实现方案，该方案能实现超分辨FLIM，并提升多色成像、活细胞成像及深度成像性能，从而为从共聚焦显微镜向ISM的大规模技术迁移铺平道路。
关键词： 超分辨率、单光子雪崩二极管阵列、荧光寿命成像、共聚焦显微镜、图像扫描显微镜
更新于2025-09-23 15:23:52
-
用于高光谱图像超分辨率的可分离谱卷积与初始网络
摘要： 由于成像系统的限制，很难获取具有极高空间分辨率的高光谱图像（HSI）。超分辨率（SR）技术能够从低分辨率图像中恢复高频信息，是处理数据缺失问题的有效手段，可用于解决这一难题。近年来，深度学习（DL）在计算机视觉领域（包括SR）取得了卓越成效。然而，大多数基于DL的HSI SR方法忽略了常规二维卷积导致的光谱失序问题。本文提出了一种名为可分离光谱与初始网络（SSIN）的新型端到端深度学习网络用于HSI SR。该网络中，特征提取?？槎懒⑻崛「鞑ǘ瓮枷裉卣?，随后通过特征融合?？榻庑┨卣魅诤弦越徊酵诰虿胁钔枷裥畔?；重建?？樵蚬菇ǘ嗦肪读永椿袢〔煌愦翁卣?，以由粗到精的方式恢复高空间分辨率图像。研究在包含室内和航空HSI的两个数据集上开展实验，并评估SSIN在不同条件下的性能。实验结果表明，在深度网络中加入多个可分离光谱卷积和多路径连接能显著提升SR性能，相较于其他方法，SSIN实现了更高的精度和更优的可视化效果。
关键词： 高光谱图像，可分离光谱卷积，深度学习，超分辨率，多路径重建
更新于2025-09-23 15:22:29
-
基于多尺度显著性与深度小波残差的红外线超分辨率成像
摘要： 低密度焦平面阵列的红外（IR）成像系统会产生空间分辨率较差的图像。为解决这一限制，可在红外低分辨率（LR）图像上应用超分辨率（SR）算法。本文提出一种基于多尺度显著性检测与小波域深度卷积神经网络（DWCNN）学习残差的新SR技术。输入LR图像通过二维离散小波变换在转换域进行处理，将图像分解为低频和高频子带。多尺度显著性检测用于从双三次上采样LR图像中提取小尺度与大尺度显著特征图，这些特征图被整合至LR图像的高频子带中。此外，利用训练阶段DWCNN学习的残差对低频与高频子带进行优化。该算法与传统及前沿SR方法进行对比，结果表明：本方法重建质量优异，具有高峰值信噪比、高结构相似性及低模糊指数，且计算耗时更少。
关键词： 红外成像、卷积神经网络、离散小波变换、多尺度显著性、超分辨率
更新于2025-09-23 15:22:29
-
基于随机森林的低剂量计算机断层扫描图像超分辨率重建
摘要： 针对在保证CT图像质量的同时降低计算机断层扫描（CT）辐射剂量，提出一种基于随机森林与耦合字典学习相结合的新型低剂量CT超分辨率重建方法。该方法通过随机森林分类器寻找低剂量CT（LDCT）图像与高剂量CT（HDCT）图像间映射关系的最优解，再利用耦合字典学习完成CT图像重建。研究开发了迭代方法以提升鲁棒性，探讨了树结构的重要系数并给出了最优解。将所提方法与传统插值法进行对比，结果表明该算法能获得更高的峰值信噪比（PSNR）和结构相似性指数测量值（SSIM），具有更优的降噪与伪影抑制能力。该方法未来可应用于多种医学影像领域，结合计算机多线程计算还能进一步降低耗时。
关键词： 超分辨率、耦合字典学习、随机森林、低剂量CT
更新于2025-09-23 15:22:29
-
学习用于高光谱图像超分辨率的低张量列秩表示
摘要： 高光谱图像（HSI）虽然具有高光谱分辨率，但空间分辨率较低。相反，多光谱图像（MSI）的光谱分辨率虽低得多，却能获得更高的空间分辨率。因此，将同一场景的高空间分辨率多光谱图像（HR-MSI）与低空间分辨率高光谱图像进行融合，已成为当前主流的高光谱超分辨率方案。本文提出一种基于低张量列（LTTR）秩的新型高光谱超分辨率方法，通过设计LTTR先验来学习非局部相似高空间分辨率高光谱图像（HR-HSI）立方体在空间、光谱及非局部模式间的相关性。首先根据相似性将HR-MSI立方体聚类为若干组，HR-HSI立方体也依据HR-MSI立方体的聚类结构进行分组。每组内的HR-HSI立方体高度相似，可构成四维张量——其四个模式间存在高度相关性。我们对此类四维张量施加LTTR约束，由于张量列秩的均衡矩阵化方案，能有效学习空间、光谱与非局部模式间的关联。将超分辨率问题构建为张量列秩正则化的优化问题，并通过交替方向乘子法求解。高光谱数据集实验验证了该LTTR方法的有效性。
关键词： 低张量列（TT）秩（LTTR）学习、图像融合、高光谱成像、超分辨率
更新于2025-09-23 15:22:29