[发明专利]基于深度学习算法的光场显微三维重建方法及装置在审
| 申请号： | 201910602894.4 | 申请日： | 2019-07-05 |
| 公开（公告）号： | CN110443882A | 公开（公告）日： | 2019-11-12 |
| 发明（设计）人： | 戴琼海;乔晖;李晓煦 | 申请（专利权）人： | 清华大学 |
| 主分类号： | G06T17/00 | 分类号： | G06T17/00;G06N3/04;G06N3/08;G06N3/063 |
| 代理公司： | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人： | 张润 |
| 地址： | 10008*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习算法的光场显微三维重建方法及装置，其中，方法包括：搭建光场显微成像系统；通过对光场显微成像系统进行仿真得到成像系统的点扩散函数；生成仿真样本体分布数据集；通过点扩散函数与对应的样本数据生成仿真光场数据集，并对可能产生的噪声及背景模型进行校正；搭建深度卷积神经网络，以仿真光场数据作为网络的输入，并以仿真样本体分布数据作为网络的输出，根据显微样本设计损失函数对网络进行训练；在完成模型的训练后，将待重建的光场显微数据输入模型进行测试，获取对应样本体分布数据的预测值。该方法可以在保持光场快速采集三维信息优势的同时，实现快速的、高分辨的、少伪影的光场数据三维重建。 | ||
| 搜索关键词： | 光场 显微 光场数据 三维重建 显微成像系统 仿真样本 分布数据 学习算法 卷积神经网络 点扩散函数 分布数据集 背景模型 成像系统 快速采集 三维信息 损失函数 样本设计 样本数据 网络 高分辨 通过点 伪影 校正 噪声 样本 测试 扩散 输出 重建 预测 | ||
【主权项】：
1.一种基于深度学习算法的光场显微三维重建方法，其特征在于，包括以下步骤：搭建光场显微成像系统，以采集空间与角度四维光场数据；根据光场传播原理对所述光场显微成像系统进行仿真，以得到成像系统的点扩散函数；获取三维样本体分布数据集的参数及分布特性，生成仿真样本体分布数据集；通过所述点扩散函数与对应的样本数据生成仿真光场数据集，并对实际成像过程中可能产生的噪声及背景模型进行校正；搭建以生成对抗网络为基础的深度卷积神经网络，以所述仿真光场数据作为网络的输入，并以所述仿真样本体分布数据作为所述网络的输出，根据显微样本设计损失函数对所述网络进行训练；以及在完成所述模型的训练后，将待重建的光场显微数据输入所述模型进行测试，获取对应样本体分布数据的预测值。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学，未经清华大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910602894.4/，转载请声明来源钻瓜专利网。
