CN106157243A - 基于压缩感知的淡水藻类全息图像增强与重建方法 - Google Patents
基于压缩感知的淡水藻类全息图像增强与重建方法 Download PDFInfo
- Publication number
- CN106157243A CN106157243A CN201610394908.4A CN201610394908A CN106157243A CN 106157243 A CN106157243 A CN 106157243A CN 201610394908 A CN201610394908 A CN 201610394908A CN 106157243 A CN106157243 A CN 106157243A
- Authority
- CN
- China
- Prior art keywords
- image
- hologram
- reconstruction
- resolution
- hologram image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 18
- 239000013505 freshwater Substances 0.000 title claims abstract description 18
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 230000008030 elimination Effects 0.000 claims abstract description 4
- 238000003379 elimination reaction Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 5
- 238000004064 recycling Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001093 holography Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Holo Graphy (AREA)
Abstract
本发明公开了一种基于压缩感知的淡水藻类全息图像增强与重建方法，该方法先利用S‑G滤波器对图像进行滤波和增强对比度处理；之后利用基于压缩感知的超分辨率重建方法提高处理后图像的分辨率；再利用角谱全息再现方法结合自动对焦测距的方法对全息图进行全息再现获得包含实际物象的全息再现图；利用孪生像迭代消除方法消除再现图像中残留的孪生像形成的噪声。本发明能够良好地改善无透镜全息成像装置获得的全息图的像质，不仅去除了噪声，还提高了图像的分辨率；同时实现的复杂度较低，图像处理时间短。
Description
技术领域
本发明涉及全息图像超分辨率重建技术，特别涉及一种基于压缩感知的淡水藻类全息图像增强与重建方法。
背景技术
利用无透镜全息成像装置获得的藻类全息图像有噪声过多、对比度不高、分辨率过低和孪生像干扰等缺陷，导致不能准确地对淡水藻类细胞分类与计数，阻碍了无透镜全息成像装置应用于淡水检测的目标。因此增强和改善图像像质是全息成像、图像处理等研究领域的一项重要研究内容，其研究成果在细胞检测、全息成像等领域具有重要的应用意义。
传统的无透镜全息图像的增强与重建方法通常采用合成孔径的方法来提高图像分辨率，由于合成孔径的方法过程是控制光源孔径的位移来获得多幅亚像元位移的低分辨率全息图，经过后期的合成处理得到高分辨率图像。这样不但增加了装置，不利于实现装置结构简单、易于操作和成像效率高的目标，而且配准不精确会使重建图像质量急剧下降。
发明内容
本文发明的目的是提供基于压缩感知的改善淡水藻类全息图像像质的方法，改善无透镜全息装置获取的淡水藻类全息图像的像质，图像清晰度和对比度都得到一定的增强的同时，去除了图像包含的噪声，为淡水藻类细胞的分类与计数奠定良好的基础。
为了解决上述技术问题，本发明采用以下技术方案。一种基于压缩感知的淡水藻类全息图像增强与重建方法，包括以下步骤：
1)利用无透镜全息成像装置获取淡水藻类全息图像；
2)利用Savitzky-Golay平滑滤波器(简称S-G滤波器)和直方图均衡化去除图像噪声和增强图像对比度；
3)通过基于压缩感知(Compressive Sensing，CS)的单幅图像的超分辨率重建方法,提高全息图像的分辨率，其步骤如下：
a)根据图像建立超分辨重建问题模型：
y＝SFHGFΨx％＝SFHGFx； (1)
式中：F是傅里叶变换矩阵，起到将图像从空间域转换成频域内处理的作用；
x＝Ψx％，其中：Ψ是变换基矩阵，x％则代表的是x在稀疏域的表达式；
G是低通滤波器，S是下采样矩阵，y即是待超分辨率重建的全息图像，x是超分辨率重 建后的全息图像；
b)求解x的过程为求解无约束凸规划的过程，即求目标函数f(x)的最小值：
式中：等号右边第一项表示观测数据的拟合优度；第二项中的Φ(x)是能保持图像边缘的对比度与锐度的TV正则化算子。；λ＞0，为正则化参数；
c)利用两步迭代收缩算法求解式(2)得到x-即超分辨率重建之后的全息图像；
4)利用角谱全息再现结合自动对焦的方法将全息图像进行全息再现以还原淡水藻类细胞的实际轮廓结构；其步骤如下：
a)计算得到频域的衍射传递函数：
式中：fx和fy代表的是水平和垂直方向的空间频率，n是传输介质的折射率，z2为衍射传播距离；
b)设定z2的取值范围0.7～3mm，相同间隔取值100次；
c)每相同间隔取一次z2的值后，利用式(3)对超分辨率重建后的图像x在此位置进行全息再现；
d)利用Sobel算子计算此位置的全息再现图像梯度，并求得TEG对焦量化函数F的值，比较F值的大小，F的值最大时，得到最佳全息再现图像；
5)利用迭代消除方法去除残留在藻类细胞图像周围的孪生像形成的噪声。
本发明能够更为针对性、有效性地改善淡水藻类全息图像的像质，方法实现的复杂度较低。而且当仅能获得单幅图像的情况下，也能实现传统基于多幅图像匹配超分辨率重建的图像像质的改善效果，从而降低无透镜全息成像装置的结构复杂度和功能实现难度。
附图说明
图1是无透镜全息成像装置中的CCD记录的全息原图；
图2是经过S-G滤波处理和直方图均衡化增强之后的全息原图；
图3a1～图3b2是图2中部分区域进行超分辨率重建之后的效果对比图；
其中：图3a1、图3a2是超分辨率重建前后的全息原图；图3b1、图3b2是全息原图的超 分辨率重建前后的去除背景区域的全息再现图；
图4a是图3a2进行孪生像去除之后获得的全息相位图；
图4b是图4a进行全息再现获得的全息再现图；
图5是图2进行超分辨率重建、孪生像去除和全息再现后获得的图像。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。参见图1至图5,一种基于压缩感知的改善淡水藻类全息图像像质方法，下面对方法的具体流程进行说明：
1)利用无透镜全息成像装置获得淡水藻类全息原图，如图1所示。
2)利用S-G平滑滤波器和直方图均衡化对图1进行滤波和增强对比度的处理，处理效果如图2所示。
3)截取图2中的局部区域获得图3a1,然后根据基于压缩感知的单幅图像超分辨率重建方法编制程序并对图3a1进行超分辨率重建得到分辨率得到提高的图3a2，由于图像的本身的特殊性，只凭肉眼并不能看出提高分辨率前后图像的区别，为了论证算法的有效性，利用角谱全息再现结合对焦精确测距的方法对图3a1和图3a2中同一区域的细胞进行全息再现并去除图像背景区域得到图3b1和图3b2，从两幅图像发现，利用基于压缩感知的单幅图像超分辨率重建的方法提高分辨率的全息图像的全息再现图像的图像质量得到明显提高，细胞边缘锯齿现象减少，清晰度提升。
4)对图3a2利用迭代消除方法进行处理后得到一幅无孪生像干扰的全息图像，效果如图4a所示，之后利用角谱全息再现结合对焦精确测距的方法对图4a进行全息再现得到图4b，可以看出，孪生像的干扰明显减少，细胞结构轮廓清晰可见。
对图2重复步骤4得到图5，对图5中三个细胞区域进行放大，从放大区域可以看到，细胞细节信息依然得到很好地保留，这为后期淡水藻类细胞奠定了良好的基础。
Claims (1)
1.基于压缩感知的淡水藻类全息图像增强与重建方法，其特征在于，包括如下步骤：
1)利用无透镜全息成像装置获取淡水藻类全息图像；
2)利用Savitzky-Golay平滑滤波器和直方图均衡化去除图像噪声和增强图像对比度；
3)通过基于压缩感知的单幅图像的超分辨率重建方法,提高全息图像的分辨率；其步骤如下：
a)根据图像建立超分辨重建问题模型：
y＝SFHGFΨx％＝SFHGFx； (1)
式中：F是傅里叶变换矩阵，起到将图像从空间域转换成频域内处理的作用；
x＝Ψx％，其中：Ψ是变换基矩阵，x％则代表的是x在稀疏域的表达式；
G是低通滤波器，S是下采样矩阵，y即是待超分辨率重建的全息图像，x是超分辨率重建后的全息图像；
b)求解x的过程为求解无约束凸规划的过程，即求目标函数f(x)的最小值：
式中：等号右边第一项表示观测数据的拟合优度；第二项中的Φ(x)是能保持图像边缘的对比度与锐度的TV正则化算子；λ＞0，为正则化参数；
c)利用两步迭代收缩算法求解式(2)，得到x-即超分辨率重建之后的全息图像；
4)利用角谱全息再现结合自动对焦精确测距的方法，将全息图像进行全息再现，以还原淡水藻类细胞的实际轮廓结构；其步骤如下：
a)计算得到频域的衍射传递函数：
式中：fx和fy代表的是水平和垂直方向的空间频率，n是传输介质的折射率，z2为衍射传播距离；
b)设定z2的取值范围为0.7～3mm，相同间隔取值100次；
c)每相同间隔取一次z2的值后，利用式(3)对超分辨率重建后的图像x在此z2位置进行全息再现；
d)利用Sobel算子计算此位置的全息再现图像梯度，并求得TEG对焦量化函数F的值，比较F值的大小，F的值最大时，得到全息再现图像；
5)利用的迭代消除方法，去除残留在藻类细胞图像周围的孪生像形成的噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610394908.4A CN106157243B (zh) | 2016-06-06 | 2016-06-06 | 基于压缩感知的淡水藻类全息图像增强与重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610394908.4A CN106157243B (zh) | 2016-06-06 | 2016-06-06 | 基于压缩感知的淡水藻类全息图像增强与重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106157243A true CN106157243A (zh) | 2016-11-23 |
| CN106157243B CN106157243B (zh) | 2019-01-15 |
Family
ID=57352852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610394908.4A Expired - Fee Related CN106157243B (zh) | 2016-06-06 | 2016-06-06 | 基于压缩感知的淡水藻类全息图像增强与重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106157243B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364296A (zh) * | 2018-02-09 | 2018-08-03 | 重庆东渝中能实业有限公司 | 基于多层全息重建与聚焦策略的细胞群空间分布构建方法 |
| CN109063730A (zh) * | 2018-06-22 | 2018-12-21 | 杭州电子科技大学 | 一种凸规划聚类水污染溯源方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070027656A1 (en) * | 2005-05-10 | 2007-02-01 | Baraniuk Richard G | Method and Apparatus for Distributed Compressed Sensing |
| CN102171619A (zh) * | 2008-07-16 | 2011-08-31 | 蓝光光学有限公司 | 全息图像显示*** |
| CN103154662A (zh) * | 2010-10-26 | 2013-06-12 | 加州理工学院 | 扫描投影无透镜显微镜*** |
-
2016
- 2016-06-06 CN CN201610394908.4A patent/CN106157243B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070027656A1 (en) * | 2005-05-10 | 2007-02-01 | Baraniuk Richard G | Method and Apparatus for Distributed Compressed Sensing |
| CN102171619A (zh) * | 2008-07-16 | 2011-08-31 | 蓝光光学有限公司 | 全息图像显示*** |
| CN103154662A (zh) * | 2010-10-26 | 2013-06-12 | 加州理工学院 | 扫描投影无透镜显微镜*** |
Non-Patent Citations (2)
| Title |
|---|
| 樊博 等: "基于压缩感知的超分辨率图像重建", 《计算机应用》 * |
| 薛亮: "光学显微成像及在生物样品显示与测量中的应用", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364296A (zh) * | 2018-02-09 | 2018-08-03 | 重庆东渝中能实业有限公司 | 基于多层全息重建与聚焦策略的细胞群空间分布构建方法 |
| CN108364296B (zh) * | 2018-02-09 | 2020-12-01 | 重庆东渝中能实业有限公司 | 基于多层全息重建与聚焦策略的细胞群空间分布构建方法 |
| CN109063730A (zh) * | 2018-06-22 | 2018-12-21 | 杭州电子科技大学 | 一种凸规划聚类水污染溯源方法 |
| CN109063730B (zh) * | 2018-06-22 | 2022-01-07 | 杭州电子科技大学 | 一种凸规划聚类水污染溯源方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106157243B (zh) | 2019-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Darbon et al. | Fast nonlocal filtering applied to electron cryomicroscopy | |
| CN101630405B (zh) | 一种利用核Fisher分类与冗余小波变换的多聚焦图像融合方法 | |
| El Helou et al. | Stochastic frequency masking to improve super-resolution and denoising networks | |
| US10152781B2 (en) | Method for image processing using local statistics convolution | |
| US10168526B2 (en) | Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program | |
| US9842382B2 (en) | Method and device for removing haze in single image | |
| WO2021097916A1 (zh) | 高保真图像重构方法、***、计算机设备和存储介质 | |
| CN105530407B (zh) | 图像处理装置、图像捕获装置和图像处理方法 | |
| CN108508588B (zh) | 一种多约束信息的无透镜全息显微相位恢复方法及其装置 | |
| CN110866874B (zh) | 基于频域的去除光场重建图像中的周期噪声的方法 | |
| Lee et al. | Three-dimensional visualization of objects in scattering medium using integral imaging and spectral analysis | |
| CN112163994B (zh) | 一种基于卷积神经网络的多尺度医学图像融合方法 | |
| CN107085838B (zh) | 全息图噪声的去除方法及装置 | |
| CN106157243B (zh) | 基于压缩感知的淡水藻类全息图像增强与重建方法 | |
| CN114627035A (zh) | 一种多聚焦图像融合方法、***、装置及存储介质 | |
| CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
| Liu et al. | Spectral bayesian uncertainty for image super-resolution | |
| CN103778615B (zh) | 基于区域相似性的多聚焦图像融合方法 | |
| CN103632354A (zh) | 基于nsct尺度积的多聚焦图像融合方法 | |
| CN110175959B (zh) | 一种台风云图增强方法 | |
| CN115760622A (zh) | 一种拼接显微图像的无监督自适应条纹校正方法 | |
| CN104809708A (zh) | 基于改进的***Bregman算法的荧光显微图像复原方法和装置 | |
| Vien et al. | Moiré artifacts removal in screen-shot images via multiple domain learning | |
| Rao et al. | An optimized morphology transform‐based diagnostic computed tomography image enhancement using edge map | |
| Tajima et al. | Chromatic interpolation based on anisotropy-scale-mixture statistics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190115 Termination date: 20200606 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |