[发明专利]一种基于深度学习的低对比度条纹SIM重建方法和系统

权利要求书

1.一种基于深度学习的低对比度条纹SIM重建方法，其特征在于，包括以下步骤：

S1：制作低对比度条纹SIM图像训练数据集；首先，通过仿真获取不同等级的低对比度条纹图案；然后，将真值图像与条纹图案相乘后再与点扩散函数卷积，得到不同等级的低对比度SIM图像；最后，在图像中添加噪声；

S2：构建并训练低对比度SIM超分辨神经网络；首先，构建网络的编码器逐层提取图像特征；然后，构建网络的解码器逐层恢复图像信息；最后，训练超分辨神经网络；

S3：超分辨重建低对比度条纹SIM实验数据；首先，输入在低对比度照明条纹成像条件下得到的九张SIM实验数据；然后，加载网络训练中保存的最优权重；最后，输出低对比度条纹SIM实验数据的超分辨重建结果。

2.根据权利要求1所述的一种基于深度学习的低对比度条纹SIM重建方法，其特征在于：所述步骤S1包括以下子步骤：

S1.1：仿真照明条纹图案；根据SIM原理，仿真三个方向、以及每个方向的三个相位的照明条纹图案；

S1.2：调整条纹对比度；其特征在于：通过控制下式中的参数m来调整对比度得到不同等级对比度的条纹图案；

其中I(r)代表照明条纹图案，I₀代表照明条纹的平均强度，m是条纹调制对比度，k₀代表条纹空间频率矢量，代表条纹初始相位；

S1.3：将真值图像与照明条纹相乘后再与点扩散函数卷积，得到仿真SIM图像；进一步地，向图像中加入噪声，以模拟更加真实的SIM成像结果。

3.根据权利要求1所述的一种基于深度学习的低对比度条纹SIM重建方法，其特征在于：所述步骤S2包括以下子步骤：

S2.1：构建低对比度SIM超分辨神经网络；构建网络的编码器，逐层提取图像特征；然后构建网络的解码器，逐层恢复图像信息；

S2.2：训练低对比度SIM超分辨神经网络；输入低对比度SIM图像，经过低对比度SIM超分辨神经网络，输出网络的预测图像；为了让预测图像与真值SIM图像之间的误差最小，通过损失函数计算图像差距，然后在网络训练过程中不断地更新神经网络的参数，使得损失函数最小化；经迭代优化缩小输出与真值间差距，将损失函数的取值降低至网络收敛，保存权值参数。

4.根据权利要求1所述的一种基于深度学习的低对比度条纹SIM重建方法，其特征在于：所述步骤S3包括以下子步骤：

S3.1：将低对比度条纹SIM实验数据输入神经网络；

S3.2：加载网络训练中保存的最优权重；

S3.3：输出超分辨重建结果图像。

5.实施权利要求1所述的一种基于深度学习的低对比度条纹SIM重建方法的系统，其特征在于：包括：

低对比度条纹SIM图像训练数据集制作模块，用于制作低对比度条纹SIM图像训练数据集；首先，通过仿真获取不同等级的低对比度条纹图案；然后，将真值图像与条纹图案相乘后再与点扩散函数卷积，得到不同等级的低对比度SIM图像；最后，在图像中添加噪声；

低对比度SIM超分辨神经网络构建并训练模块，首先，构建网络的编码器逐层提取图像特征；然后，构建网络的解码器逐层恢复图像信息；最后，训练超分辨神经网络；

低对比度条纹SIM实验数据的超分辨重建模块，首先，输入在低对比度照明条纹成像条件下得到的九张SIM实验数据；然后，加载网络训练中保存的最优权重；最后，输出低对比度条纹SIM实验数据的超分辨重建结果。

6.一种基于深度学习的低对比度条纹SIM重建方法的装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-4中任一项所述的一种基于深度学习的低对比度条纹SIM重建方法的方法。

7.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-4中任一项所述的一种基于深度学习的低对比度条纹SIM重建方法的方法。

8.一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-4中任一项所述的方法。