[发明专利]显微图像的深度学习超分辨率重建方法、介质及电子设备

权利要求书

1.一种显微图像的深度学习超分辨率重建方法，其特征在于，包括以下步骤：

对低分辨率图像进行小波分解，获得第一系数子图；

将所述第一系数子图输入变分自编码器，获得高分辨率的第二系数子图；

基于所述第二系数子图进行小波反变换重构得到高分辨率图像；

将所述低分辨率图像输入到训练好的卷积神经网络中，并将重构的所述高分辨率图像以残差的方式加入到该卷积神经网络，通过上采样得到与高分辨率图像尺寸相同的超分辨率图像。

2.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，将低分辨率图像进行最近邻插值得到与高分辨率图像尺寸相同的图像LR_inter后，将LR_inter进行小波分解得到多个所述第一系数子图。

3.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，采用快速小波变换算法进行小波分解。

4.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述变分自编码器包括一个编码器和一个解码器，解码器的隐向量z与编码器输出的均值μ和方差δ间的关系为z＝μ+δ☉ε，ε～N(0,I)。

5.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述卷积神经网络训练时，采用相同视野中不同分辨率的高低分辨率图像对作为训练数据集。

6.根据权利要求5所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述训练数据集的获取方式如下：

使用高通量共聚焦显微镜设备根据实际场景调节设备参数后，通过改变不同的分辨率参数得到批量采集的相同视野、不同分辨率的高低分辨率显微图像对，形成所述训练数据集。

7.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述卷积神经网络包括卷积部分和反卷积部分，卷积部分的输出与输入的低分辨率图像叠加后作为所述反卷积部分的输入，所述高分辨率图像与反卷积部分输出的上采样特征图叠加后获得所述超分辨率图像。

8.根据权利要求7所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述卷积部分包括1个卷积层和多个残差模块，每个残差模块包括多个卷积层，且每层卷积层后都设置有Relu激活函数。

9.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述显微图像的深度学习超分辨率重建方法的指令。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器；和

被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述显微图像的深度学习超分辨率重建方法的指令。