[发明专利]一种基于深度学习的相位显微成像方法

权利要求书

1.一种基于深度学习的相位显微成像方法，其特征在于：包含训练和恢复两个阶段，分为如下步骤：

a.训练阶段的步骤为：

S1.使用显微成像系统采集训练样本的过焦图、在焦图和欠焦图，记作和其中n＝1,2,3,4…k；

S2.使用基于强度传输方程的相位恢复算法，从和算得训练样本的相位T_n，其中n＝1,2,3,4…k；

S3.建立神经网络模型，确定网络模型参数，将训练样本的在焦图作为神经网络的输入，相应的相位T_n作为神经网络的黄金标准，对其进行训练，获得训练好的神经网络；

b.恢复阶段的步骤为：

S4.采集待测样本的在焦图I⁰；

S5.将待测样本的在焦图I⁰输入训练好的神经网络，即可得到待测样本的相位T。

2.根据权利要求1所述的一种基于深度学习的相位显微成像方法，其特征在于：所述步骤S1中的显微成像系统为光学显微镜。

3.根据权利要求1所述的一种基于深度学习的相位显微成像方法，其特征在于：所述步骤S1中显微成像系统的光源可以是相干光源或部分相干光源，且部分相干光源可以通过在普通光源加入滤色片和光阑的方式得到。

4.根据权利要求1所述的一种基于深度学习的相位显微成像方法，其特征在于：所述步骤S1中的训练样本可以是任何可用于成像的样本，原则上尽可能增加待测样本的种类和数量。

5.根据权利要求1所述的一种基于深度学习的相位显微成像方法，其特征在于：所述步骤S2中的强度传输方程相位恢复算法，主要是基于如下强度传输方程

式中为微分算符，I为强度分布，z表示轴向，φ为相位分布，k为波数，r为样本所在平面横向坐标，I(r)为光强分布，为作用于r平面的哈密顿算符。

6.根据权利要求1所述的一种基于深度学习的相位显微成像方法，其特征在于：所述步骤S3中的神经网络模型可以是任何用于图像转换的神经网络模型，网络只需训练一次，之后便可使用训练好的网络对未知样本进行无限次的相位成像。