CN107329401A - 一种显微镜实验室*** - Google Patents
一种显微镜实验室*** Download PDFInfo
- Publication number
- CN107329401A CN107329401A CN201710495710.XA CN201710495710A CN107329401A CN 107329401 A CN107329401 A CN 107329401A CN 201710495710 A CN201710495710 A CN 201710495710A CN 107329401 A CN107329401 A CN 107329401A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- signal
- frequency
- node
- 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.)
- Pending
Links
- 238000000386 microscopy Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000004148 unit process Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000003993 interaction Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000002156 mixing Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000004451 qualitative analysis Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000004335 scaling law Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 238000009415 formwork Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 210000004027 cell Anatomy 0.000 abstract description 9
- 206010068052 Mosaicism Diseases 0.000 abstract description 3
- 238000013480 data collection Methods 0.000 abstract description 3
- 210000003765 sex chromosome Anatomy 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 208000015979 hopping Diseases 0.000 description 38
- 238000007689 inspection Methods 0.000 description 8
- 230000001575 pathological effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 2
- 241000478345 Afer Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/21—Pc I-O input output
- G05B2219/21137—Analog to digital conversion, ADC, DAC
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于检测设备技术领域,公开了一种显微镜实验室***,包括:光线经由镜片到达的影像感测单元;A/D转换单元用于对影像感测单元传输的电信号进行转换为数字信号,DSP处理单元,用于将A/D转换单元传输的数字信号转换成数码图像,并传输给存储单元;存储单元用于存储DSP处理单元处理后的数码图像;控制器,用于执行在影像感测单元测量时,对镜片焦距的调节;传感器,用于在影像感测单元在测量时,获取图像的信息。本发明自动采集的图像可实时显示在专用显示器上,改善了直观性问题;存储单元图像识别解决了现有技术存在的图像混淆的问题,将不能是别的杂信号进行滤除,保证了图像的纯真。
Description
技术领域
本发明属于检测设备技术领域,尤其涉及一种显微镜实验室***。
背景技术
作为与包含显微镜的测量器件有关的相关***,提供了PTL1和PTL2中讨论的那些***。在PTL1中,在执行用于可视地观察晶片表面的微伤(scratch)和变形(strain)的宏检查之后,执行微检查以便利用显微镜精密地检查进行特征的确认的位置。在用于执行这样的检查的结构中,能够使晶片旋转/倾斜的宏检查单元被设置在承载件和微检查单元之间。尽管常常使用分离的器件(即,宏检查器件和微检查器件)来检查晶片,但是用于执行这样的检查的这样的结构使得能够简化检查过程。
在PTL2中,一种结构包括在同一光轴上的物镜和焦点设定物镜,并且对象被设置在它们之间。这里,在使用焦点设定物镜执行初步测量之后,使用该物镜执行实际测量。因此,即使对象的玻璃层的厚度改变,仍可以高的精度来设定物镜的焦点。因此,在这样的包含显微镜的测量器件中,常常使用如下这样的***配置,在该***配置中,通过作为预先测量对象的各种特性的结果确定观察条件来执行实际测量。这是因为当从初步测量的结果预先确定观察条件时,可使得除实际测量期间执行的观察之外的操作最少。
但是,近年来,当将使用显微镜测量大量的对象时,已经存在对于花费比如PTL1和PTL2中的依次执行每个对象的初步测量和实际测量(成像)的方法更短的时间的方法的需求。
在当前的病理检查中,通过使用光学显微镜由人眼直接观察病理标本。近年来,开发了将病理标本取得为用于在显示器上观察的图像数据的显微镜。通过这样的显微镜,由于在显示器上观察病理标本的图像数据,因此,多个观察者可同时看到所述图像数据。这种类型的显微镜使得共享图像数据的远程病理医生能够进行诊断。但是,现有技术的显微镜获得病理标本的图像并将其呈现为图像数据花费很长的时间。
获得图像花费很长的时间的原因之一是,需要使用具有窄的图像拾取范围的物镜将具有大的图像拾取区域的病理标本取得为图像数据。如果物镜的图像拾取范围窄,那么需要执行多个图像拾取事件,或者,在扫描的同时拾取图像并然后连接各条扫描数据以获取单个图像数据。为了减少图像拾取事件的数量并缩短用于取得图像数据的时间,需要具有大的图像拾取范围的物镜。
日本专利公开No.2009-063655公开了通过使用具有大的图像拾取范围的物镜和其中布置了多个图像拾取元件的图像拾取单元、通过连接由多个图像拾取事件获得的多条图像数据而获取单个图像数据。
在如日本专利公开No.2009-063655的显微镜那样的使用具有大的图像拾取范围的物镜的显微镜中,与具有窄的图像拾取范围的显微镜相比,可望缩短图像拾取时间(即,从电气化存储的开始到结束),并且可在较短的时间内获取诸如整个图像的较大区域的图像数据。
但是,拾取图像并获得图像数据需要诸如聚焦位置和曝光量的信息。因此,用于获取这种信息的方法对于在短时间内获取图像数据也是重要的。例如,如果对于多个图像拾取事件中的各图像拾取事件获取这种信息,那么信息的获取花费长的时间,因此,以这种方式不一定在短时间内获取图像数据。
综上所述,现有技术存在的问题是:现有显微镜***测量数据的吞吐量小,不能满足测量的需要;在短时间内不能获取准确的图像数据;现有技术的图像纯真度低。
发明内容
为解决现有技术存在的问题,本发明的目的在于提供一种显微镜实验室***。
本发明是这样实现的,一种显微镜实验室***,所述显微镜实验室***包括:
光线经由镜片到达的影像感测单元,影像感测单元用于将光信号转为电信号,并将电信号传输给A/D转换单元;
A/D转换单元用于对影像感测单元传输的电信号进行转换为数字信号,并将数字信号传输给DSP处理单元;
DSP处理单元,用于将A/D转换单元传输的数字信号转换成数码图像,并传输给存储单元;
存储单元用于存储DSP处理单元处理后的数码图像;
控制器,用于执行在影像感测单元测量时,对镜片焦距的调节;
传感器,用于在影像感测单元在测量时,获取图像的信息。2、如权利要求1所述的显微镜实验室***,其特征在于,所述影像感测单元包括影像采集器、显示屏、模糊度评价模块、模糊度调整模块;所述模糊度调整模块与显示屏通过板线连接;所述影像采集器用于获取地图像;
所述模糊度评价模块用于获取影像采集器传输的图像,并计算滤波前后图像统计信息比值;
所述模糊度调整模块与模糊度评价模块相连,用于调整原图像模糊度得出最终图像和图像模糊度评价指标。
进一步,影像采集器利用模糊度评价模块、模糊度调整模块对图像模糊度评价方法为:
步骤一,图像获取,通过地质影像采集器获取待评价的图像;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3;
步骤六,图像模糊度指标计算,将步骤五得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间;
步骤七,根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],具体为:
得出模糊度调整范围,利用上述步骤中的模糊度评价方法评价LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS范围得出对应的一个模糊评价值范围[min,max];
步骤八,图像模糊度调整,若图像模糊度指标小于min,根据步骤六,判定图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;若大于max,判定图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
步骤九,得出最终图像和该图像模糊度评价指标,并显示在显示屏上。
进一步,DSP处理单元设置有同步正交跳频信号盲源分离模块,所述步正交跳频信号盲源分离的信号处理方法包括:
步骤一,利用含有M个阵元的阵列天线接收来自多个同步正交跳频传感器的跳频信号,对每一路接收信号进行采样,得到采样后的M路离散时域混合信号采集阵列天线节点间不同时间片的交互次数,根据得到的数据建立时间序列,通过三次指数平滑法来预测节点间下一个时间片的交互次数,将交互次数预测值与实际值的相对误差作为节点的直接信任值;直接信任值的具体计算步骤为:采集网络观测节点i与节点j之间的n个时间片的交互次数:选取一定时间间隔t作为一个观测时间片,以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标,真实交互次数,记作yt,依次记录n个时间片的yn,并将其保存在节点i的通信记录表中;预测第n+1个时间片的交互次数:根据采集到的n个时间片的交互次数建立时间序列,采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数,预测交互次数,记作计算公式如下:
预测系数an、bn、cn的取值可由如下公式计算得到:
其中:分别是一次、二次、三次指数平滑数,由如下公式计算得到:
是三次指数平滑法的初始值,其取值为
α是平滑系数(0<α<1),体现信任的时间衰减特性,即离预测值越近的时间片的yt权重越大,离预测值越远的时间片的yt权重越小;如果数据波动较大,且长期趋势变化幅度较大,呈现明显迅速的上升或下降趋势时α应取较大值(0.6~0.8),增加近期数据对预测结果的影响;当数据有波动,但长期趋势变化不大时,α可在0.1~0.4之间取值;如果数据波动平稳,α应取较小值(0.05~0.20);
计算直接信任值:
节点j的直接信任值TDij为预测交互次数和真实交互次数yn+1的相对误差,
采用多路径信任推荐方式而得到的计算式计算间接信任值;收集可信节点对节点j的直接信任值:节点i向所有满足TDik≤φ的可信关联节点询问其对节点j的直接信任值,其中φ为推荐节点的可信度阈值,根据可信度的要求精度,φ的取值范围为0~0.4;计算间接信任值:综合计算所收集到的信任值,得到节点j的间接信任值TRij,其中,Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TDik≤φ的节点集合;
由直接信任值和间接信任值整合计算得出综合信任值;综合信任值(Tij)的计算公式如下:Tij=βTDij+(1-β)TRij,其中β(0≤β≤1)表示直接信任值的权重,当β=0时,节点i和节点j没有直接交互关系,综合信任值的计算直接来自于间接信任值,判断较客观;当β=1时,节点i对节点j的综合信任值全部来自于直接信任值,在这种情况下,判断较为主观,实际计算根据需要确定β的取值;
步骤二,对M路离散时域混合信号进行重叠加窗短时傅里叶变换,得到M个混合信号的时频域矩阵p=0,1,…,P-1,q=0,1,…,Nfft-1,其中P表示总的窗数,Nfft表示FFT变换长度;p,q)表示时频索引,具体的时频值为(pCTs,),这里Nfft表示FFT变换的长度,p表示加窗次数,Ts表示采样间隔,fs表示采样频率,C为整数,表示短时傅里叶变换加窗间隔的采样点数,C<Nfft,且Kc=Nfft/C为整数,也就是说采用的是重叠加窗的短时傅里叶变换;
步骤三,对步骤二中得到的跳频混合信号时频域矩进行预处理;
步骤四,利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率;在p(p=0,1,2,…P-1)时刻,对表示的频率值进行聚类,得到的聚类中心个数表示p时刻存在的载频个数,个聚类中心则表示载频的大小,分别用表示;对每一采样时刻p(p=0,1,2,…P-1),利用聚类算法对进行聚类,同样可得到个聚类中心,用表示;对所有求均值并取整,得到源信号个数的估计即:
找出的时刻,用ph表示,对每一段连续取值的ph求中值,用表示第l段相连ph的中值,则表示第l个频率跳变时刻的估计;根据估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为:
这里表示第l跳对应的个混合矩阵列向量估计值;估计每一跳对应的载频频率,用表示第l跳对应的个频率估计值,计算公式如下:
步骤五,根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号;
步骤六,对不同跳频点之间的时频域跳频源信号进行拼接;
步骤七,根据源信号时频域估计值,恢复时域跳频源信号;对每一采样时刻p(p=0,1,2,…)的频域数据Yn(p,q),q=0,1,2,…,Nfft-1做Nfft点的IFFT变换,得到p采样时刻对应的时域跳频源信号,用yn(p,qt)(qt=0,1,2,…,Nfft-1)表示;对上述所有时刻得到的时域跳频源信号yn(p,qt)进行合并处理,得到最终的时域跳频源信号估计,具体公式如下:
这里Kc=Nfft/C,C为短时傅里叶变换加窗间隔的采样点数,Nfft为FFT变换的长度。
进一步,所述模糊度评价模块采用定量化与定性分析相结合,结合实际建立评价集,建立综合评价判断矩阵,根据每一失效因素对影像采集器传输的图像的影响度及其对影像采集器传输的图像安全影响的权重计算总的影响度,摒弃采用单一角度评定、过分依赖或现场数据的方式,综合考虑影响影像采集器传输图像的所有主要因素,并明确各影响的相互联系,作出综合性评价。
进一步,所述建立综合评价判断矩阵包括:
构造两两比较判断矩阵:
根据1~9标度法逐层对各个要素两两之间进行重要性程度赋值,构造判断矩阵U=(uij)n×n,其中uij表示因素ui和uj相对于准则层的重要值,矩阵U具有性质:uii=1,uij=1/uji,i,j=1,2,…,n,得出判断矩阵:将矩阵X1~X5按列归一化,即:
计算出矩阵Y为:
(3)单一准则下元素相对权重的计算:
将Y矩阵按行相加,由公式得出:
W1=(2.652 0.686 0.253 0.409)T
W2=(1 1)T
W3=(1.273 0.371 0.221 2.135)T
W4=(1.9 0.319 0.781)T
W5=(2.121 0.604 0.275)T
将得到的和向量进行归一化处理,由公式可得权向量:
进一步,所述建立综合评价判断矩阵还包括:
构造模糊评判矩阵:
由各指标的权向量和矩阵R可构造模糊评判矩阵B,
计算综合评判结果:
由模糊评判矩阵B和评价集的参数列向量,可求得综合评判结果Z;
Z=B·V
由上式可得到模糊综合评价的结果,再根据评价等级规定,可以评定影像采集器传输的图像多因素失效性大小。
进一步,所述控制器由模糊控制器和智能PID控制组成,设E0为控制阈值,当|e|>E0时,采用模糊控制器,当偏差比较大时,采用模糊控制器有利于加快调节速度,***响应快,当0<|e|<E0时,采用模糊智能自整定PID控制,PID算法选择位置式不完全微分形式:
在控制过程中,PID控制器的参数需根据当前的状态进行调整:
式中αP,αI和αD分别为通过模糊推理计算出的修正系数,KP,KI和KD分别为基本的比例、积分和微分系数。
进一步,所述传感器的数字调制信号x(t)的分数低阶模糊函数表示为:
其中,τ为时延偏移,f为多普勒频移,0<a,b<α/2,x*(t)表示x(t)的共轭,当x(t)为实信号时,x(t)<p>=|x(t)|<p>sgn(x(t));当x(t)为复信号时,[x(t)]<p>=|x(t)|p-1x*(t)。
进一步,所述存储单元存储DSP处理单元处理后的数码图像前,需预先通过存储单元内置的图像识别模块进行识别,对不能识别的图像信息进行摒弃;图像识别模块识别时的传递函数为:
其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变。
在频率域构造滤波器,对应的极坐标表达方式为:
G(r,θ)=G(r,r)·G(θ,θ)
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;
r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf英语确定带宽;
Bf=2(2/ln2)1/2|lnσf|,σθ确定角度带宽,Bθ=2(2/ln2)1/2σθ。
本发明自动采集的图像可实时显示在专用显示器上,改善了直观性问题;本发明的图像评价不同于传统的评价,本发明建立在待评价图像自身结构特点基础上,从相对评价的角度出发,利用滤波器构造待评价图像的参考图像,计算变化前后图像边缘统计信息的比值作为评价指标;本发明的原理简单,实现了图像模糊度评价的内容无关性和实时性,可以快速准确评价比较任何图像之间的模糊度。
本发明在不知道任何信道信息的条件下,仅根据接收到的多个跳频信号的混合信号,估计出跳频源信号,能在接收天线个数小于源信号个数的条件下,对多个跳频信号进行盲估计,仅仅利用了短时傅里叶变换,计算量小,容易实现,该方法在对跳频信号进行盲分离的同时,还能对部分参数进行估计,实用性强,具有较强的推广与应用价值。
本发明采用模糊综合评价,定量化与定性分析相结合,结合实际建立评价集,建立综合评价判断矩阵,根据每一失效因素图像的失真影响度及其对影响的权重计算总的影响率,摒弃采用单一角度评定、过分依赖或现场数据的方式,综合考虑影响图像失真的所有主要因素,并明确各影响的相互联系,在此基础上作出综合性评价;能正确得出是否能安全工作的结论,还能解决图像清晰的问题;本发明的可靠性高、可操作性好,使评估结果能更客观真实地图像的实际。
本发明采用模糊智能PID调节算法,使得具有调节范围宽,提高了调节精度。
本发明传感器的信号处理模型克服了现有技术接收信号差的缺点。本发明的存储单元图像识别解决了现有技术存在的图像混淆的问题,将不能是别的杂信号进行滤除,保证了图像的纯真。
附图说明
图1是本发明实施例提供的显微镜实验室***示意图。
图中:1、影像感测单元;2、A/D转换单元;3、DSP处理单元;4、存储单元;5、控制器;6、传感器。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细描述。
如图1所示,本发明实施例提供的显微镜实验室***,包括:
光线经由镜片到达的影像感测单元1,影像感测单元用于将光信号转为电信号,并将电信号传输给A/D转换单元;
A/D转换单元2用于对影像感测单元传输的电信号进行转换为数字信号,并将数字信号传输给DSP处理单元;
DSP处理单元3,用于将A/D转换单元传输的数字信号转换成数码图像,并传输给存储单元;
存储单元4用于存储DSP处理单元处理后的数码图像;
控制器5,用于执行在影像感测单元测量时,对镜片焦距的调节;
传感器6,用于在影像感测单元在测量时,获取图像的信息
所述影像感测单元包括影像采集器、显示屏、模糊度评价模块、模糊度调整模块;所述模糊度调整模块与显示屏通过板线连接;所述影像采集器用于获取地图像;
所述模糊度评价模块用于获取影像采集器传输的图像,并计算滤波前后图像统计信息比值;
所述模糊度调整模块与模糊度评价模块相连,用于调整原图像模糊度得出最终图像和图像模糊度评价指标。
进一步,影像采集器利用模糊度评价模块、模糊度调整模块对图像模糊度评价方法为:
步骤一,图像获取,通过地质影像采集器获取待评价的图像;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3;
步骤六,图像模糊度指标计算,将步骤五得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间;
步骤七,根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],具体为:
得出模糊度调整范围,利用上述步骤中的模糊度评价方法评价LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS范围得出对应的一个模糊评价值范围[min,max];
步骤八,图像模糊度调整,若图像模糊度指标小于min,根据步骤六,判定图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;若大于max,判定图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
步骤九,得出最终图像和该图像模糊度评价指标,并显示在显示屏上。
进一步,DSP处理单元设置有同步正交跳频信号盲源分离模块,所述步正交跳频信号盲源分离的信号处理方法包括:
步骤一,利用含有M个阵元的阵列天线接收来自多个同步正交跳频传感器的跳频信号,对每一路接收信号进行采样,得到采样后的M路离散时域混合信号采集阵列天线节点间不同时间片的交互次数,根据得到的数据建立时间序列,通过三次指数平滑法来预测节点间下一个时间片的交互次数,将交互次数预测值与实际值的相对误差作为节点的直接信任值;直接信任值的具体计算步骤为:采集网络观测节点i与节点j之间的n个时间片的交互次数:选取一定时间间隔t作为一个观测时间片,以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标,真实交互次数,记作yt,依次记录n个时间片的yn,并将其保存在节点i的通信记录表中;预测第n+1个时间片的交互次数:根据采集到的n个时间片的交互次数建立时间序列,采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数,预测交互次数,记作计算公式如下:
预测系数an、bn、cn的取值可由如下公式计算得到:
其中:分别是一次、二次、三次指数平滑数,由如下公式计算得到:
是三次指数平滑法的初始值,其取值为
α是平滑系数(0<α<1),体现信任的时间衰减特性,即离预测值越近的时间片的yt权重越大,离预测值越远的时间片的yt权重越小;如果数据波动较大,且长期趋势变化幅度较大,呈现明显迅速的上升或下降趋势时α应取较大值(0.6~0.8),增加近期数据对预测结果的影响;当数据有波动,但长期趋势变化不大时,α可在0.1~0.4之间取值;如果数据波动平稳,α应取较小值(0.05~0.20);
计算直接信任值:
节点j的直接信任值TDij为预测交互次数和真实交互次数yn+1的相对误差,
采用多路径信任推荐方式而得到的计算式计算间接信任值;收集可信节点对节点j的直接信任值:节点i向所有满足TDik≤φ的可信关联节点询问其对节点j的直接信任值,其中φ为推荐节点的可信度阈值,根据可信度的要求精度,φ的取值范围为0~0.4;计算间接信任值:综合计算所收集到的信任值,得到节点j的间接信任值TRij,其中,Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TDik≤φ的节点集合;
由直接信任值和间接信任值整合计算得出综合信任值;综合信任值(Tij)的计算公式如下:Tij=βTDij+(1-β)TRij,其中β(0≤β≤1)表示直接信任值的权重,当β=0时,节点i和节点j没有直接交互关系,综合信任值的计算直接来自于间接信任值,判断较客观;当β=1时,节点i对节点j的综合信任值全部来自于直接信任值,在这种情况下,判断较为主观,实际计算根据需要确定β的取值;
步骤二,对M路离散时域混合信号进行重叠加窗短时傅里叶变换,得到M个混合信号的时频域矩阵p=0,1,…,P-1,q=0,1,…,Nfft-1,其中P表示总的窗数,Nfft表示FFT变换长度;p,q)表示时频索引,具体的时频值为(pCTs,),这里Nfft表示FFT变换的长度,p表示加窗次数,Ts表示采样间隔,fs表示采样频率,C为整数,表示短时傅里叶变换加窗间隔的采样点数,C<Nfft,且Kc=Nfft/C为整数,也就是说采用的是重叠加窗的短时傅里叶变换;
步骤三,对步骤二中得到的跳频混合信号时频域矩进行预处理;
步骤四,利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率;在p(p=0,1,2,…P-1)时刻,对表示的频率值进行聚类,得到的聚类中心个数表示p时刻存在的载频个数,个聚类中心则表示载频的大小,分别用表示;对每一采样时刻p(p=0,1,2,…P-1),利用聚类算法对进行聚类,同样可得到个聚类中心,用表示;对所有求均值并取整,得到源信号个数的估计即:
找出的时刻,用ph表示,对每一段连续取值的ph求中值,用表示第l段相连ph的中值,则表示第l个频率跳变时刻的估计;根据估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为:
这里表示第l跳对应的个混合矩阵列向量估计值;估计每一跳对应的载频频率,用表示第l跳对应的个频率估计值,计算公式如下:
步骤五,根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号;
步骤六,对不同跳频点之间的时频域跳频源信号进行拼接;
步骤七,根据源信号时频域估计值,恢复时域跳频源信号;对每一采样时刻p(p=0,1,2,…)的频域数据Yn(p,q),q=0,1,2,…,Nfft-1做Nfft点的IFFT变换,得到p采样时刻对应的时域跳频源信号,用yn(p,qt)(qt=0,1,2,…,Nfft-1)表示;对上述所有时刻得到的时域跳频源信号yn(p,qt)进行合并处理,得到最终的时域跳频源信号估计,具体公式如下:
这里Kc=Nfft/C,C为短时傅里叶变换加窗间隔的采样点数,Nfft为FFT变换的长度。
进一步,所述模糊度评价模块采用定量化与定性分析相结合,结合实际建立评价集,建立综合评价判断矩阵,根据每一失效因素对影像采集器传输的图像的影响度及其对影像采集器传输的图像安全影响的权重计算总的影响度,摒弃采用单一角度评定、过分依赖或现场数据的方式,综合考虑影响影像采集器传输图像的所有主要因素,并明确各影响的相互联系,作出综合性评价。
进一步,所述建立综合评价判断矩阵包括:
构造两两比较判断矩阵:
根据1~9标度法逐层对各个要素两两之间进行重要性程度赋值,构造判断矩阵U=(uij)n×n,其中uij表示因素ui和uj相对于准则层的重要值,矩阵U具有性质:uii=1,uij=1/uji,i,j=1,2,…,n,得出判断矩阵:将矩阵X1~X5按列归一化,即:
计算出矩阵Y为:
(3)单一准则下元素相对权重的计算:
将Y矩阵按行相加,由公式得出:
W1=(2.652 0.686 0.253 0.409)T
W2=(1 1)T
W3=(1.273 0.371 0.221 2.135)T
W4=(1.9 0.319 0.781)T
W5=(2.121 0.604 0.275)T
将得到的和向量进行归一化处理,由公式可得权向量:
进一步,所述建立综合评价判断矩阵还包括:
构造模糊评判矩阵:
由各指标的权向量和矩阵R可构造模糊评判矩阵B,
计算综合评判结果:
由模糊评判矩阵B和评价集的参数列向量,可求得综合评判结果Z;
Z=B·V
由上式可得到模糊综合评价的结果,再根据评价等级规定,可以评定影像采集器传输的图像多因素失效性大小。
进一步,所述控制器由模糊控制器和智能PID控制组成,设E0为控制阈值,当|e|>E0时,采用模糊控制器,当偏差比较大时,采用模糊控制器有利于加快调节速度,***响应快,当0<|e|<E0时,采用模糊智能自整定PID控制,PID算法选择位置式不完全微分形式:
在控制过程中,PID控制器的参数需根据当前的状态进行调整:
式中αP,αI和αD分别为通过模糊推理计算出的修正系数,KP,KI和KD分别为基本的比例、积分和微分系数。
进一步,所述传感器的数字调制信号x(t)的分数低阶模糊函数表示为:
其中,τ为时延偏移,f为多普勒频移,0<a,b<α/2,x*(t)表示x(t)的共轭,当x(t)为实信号时,x(t)<p>=|x(t)|<p>sgn(x(t));当x(t)为复信号时,[x(t)]<p>=|x(t)|p-1x*(t)。
进一步,所述存储单元存储DSP处理单元处理后的数码图像前,需预先通过存储单元内置的图像识别模块进行识别,对不能识别的图像信息进行摒弃;图像识别模块识别时的传递函数为:
其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变。
在频率域构造滤波器,对应的极坐标表达方式为:
G(r,θ)=G(r,r)·G(θ,θ)
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;
r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf英语确定带宽;
Bf=2(2/ln2)1/2|lnσf|,σθ确定角度带宽,Bθ=2(2/ln2)1/2σθ。
本发明自动采集的图像可实时显示在专用显示器上,改善了直观性问题;本发明的图像评价不同于传统的评价,本发明建立在待评价图像自身结构特点基础上,从相对评价的角度出发,利用滤波器构造待评价图像的参考图像,计算变化前后图像边缘统计信息的比值作为评价指标;本发明的原理简单,实现了图像模糊度评价的内容无关性和实时性,可以快速准确评价比较任何图像之间的模糊度。
本发明在不知道任何信道信息的条件下,仅根据接收到的多个跳频信号的混合信号,估计出跳频源信号,能在接收天线个数小于源信号个数的条件下,对多个跳频信号进行盲估计,仅仅利用了短时傅里叶变换,计算量小,容易实现,该方法在对跳频信号进行盲分离的同时,还能对部分参数进行估计,实用性强,具有较强的推广与应用价值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种显微镜实验室***,其特征在于,所述显微镜实验室***包括:
光线经由镜片到达的影像感测单元,影像感测单元用于将光信号转为电信号,并将电信号传输给A/D转换单元;所述影像感测单元包括影像采集器;
所述影像采集器利用模糊度评价模块、模糊度调整模块对图像模糊度评价方法为:
步骤一,图像获取,通过地质影像采集器获取待评价的图像;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3;
步骤六,图像模糊度指标计算,将步骤五得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间;
步骤七,根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],具体为:
得出模糊度调整范围,利用上述步骤中的模糊度评价方法评价LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS范围得出对应的一个模糊评价值范围[min,max];
步骤八,图像模糊度调整,若图像模糊度指标小于min,根据步骤六,判定图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;若大于max,判定图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
步骤九,得出最终图像和该图像模糊度评价指标,并显示在显示屏上。
A/D转换单元用于对影像感测单元传输的电信号进行转换为数字信号,并将数字信号传输给DSP处理单元;
DSP处理单元,用于将A/D转换单元传输的数字信号转换成数码图像,并传输给存储单元;DSP处理单元设置有同步正交跳频信号盲源分离模块,所述步正交跳频信号盲源分离的信号处理方法包括:
步骤一,利用含有M个阵元的阵列天线接收来自多个同步正交跳频传感器的跳频信号,对每一路接收信号进行采样,得到采样后的M路离散时域混合信号采集阵列天线节点间不同时间片的交互次数,根据得到的数据建立时间序列,通过三次指数平滑法来预测节点间下一个时间片的交互次数,将交互次数预测值与实际值的相对误差作为节点的直接信任值;直接信任值的具体计算步骤为:采集网络观测节点i与节点j之间的n个时间片的交互次数:选取一定时间间隔t作为一个观测时间片,以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标,真实交互次数,记作yt,依次记录n个时间片的yn,并将其保存在节点i的通信记录表中;预测第n+1个时间片的交互次数:根据采集到的n个时间片的交互次数建立时间序列,采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数,预测交互次数,记作计算公式如下:
预测系数an、bn、cn的取值可由如下公式计算得到:
其中:分别是一次、二次、三次指数平滑数,由如下公式计算得到:
是三次指数平滑法的初始值,其取值为:
α是平滑系数(0<α<1),体现信任的时间衰减特性,即离预测值越近的时间片的yt权重越大,离预测值越远的时间片的yt权重越小;如果数据波动较大,且长期趋势变化幅度较大,呈现明显迅速的上升或下降趋势时α应取较大值(0.6~0.8),增加近期数据对预测结果的影响;当数据有波动,但长期趋势变化不大时,α取值0.1~0.4;如果数据波动平稳,α取0.05~0.20;
计算直接信任值:
节点j的直接信任值TDij为预测交互次数和真实交互次数yn+1的相对误差,
采用多路径信任推荐方式而得到的计算式计算间接信任值;收集可信节点对节点j的直接信任值:节点i向所有满足TDik≤φ的可信关联节点询问其对节点j的直接信任值,其中φ为推荐节点的可信度阈值,根据可信度的要求精度,φ的取值范围为0~0.4;计算间接信任值:综合计算所收集到的信任值,得到节点j的间接信任值TRij,其中,Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TDik≤φ的节点集合;
由直接信任值和间接信任值整合计算得出综合信任值;综合信任值Tij的计算公式如下:Tij=βTDij+(1-β)TRij,其中0≤β≤1,β表示直接信任值的权重,当β=0时,节点i和节点j没有直接交互关系,综合信任值的计算直接来自于间接信任值,判断较客观;当β=1时,节点i对节点j的综合信任值全部来自于直接信任值,在这种情况下,判断较为主观,实际计算根据需要确定β的取值;
步骤二,对M路离散时域混合信号进行重叠加窗短时傅里叶变换,得到M个混合信号的时频域矩阵p=0,1,…,P-1,q=0,1,…,Nfft-1,其中P表示总的窗数,Nfft表示FFT变换长度;p,q)表示时频索引,具体的时频值为这里Nfft表示FFT变换的长度,p表示加窗次数,Ts表示采样间隔,fs表示采样频率,C为整数,表示短时傅里叶变换加窗间隔的采样点数,C<Nfft,且Kc=Nfft/C为整数,也就是说采用的是重叠加窗的短时傅里叶变换;
步骤三,对步骤二中得到的跳频混合信号时频域矩进行预处理;
步骤四,利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率;在p(p=0,1,2,…P-1)时刻,对表示的频率值进行聚类,得到的聚类中心个数表示p时刻存在的载频个数,个聚类中心则表示载频的大小,分别用表示;对每一采样时刻p(p=0,1,2,…P-1),利用聚类算法对进行聚类,同样可得到个聚类中心,用表示;对所有求均值并取整,得到源信号个数的估计即:
找出的时刻,用ph表示,对每一段连续取值的ph求中值,用表示第l段相连ph的中值,则表示第l个频率跳变时刻的估计;根据估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为:
这里表示第l跳对应的个混合矩阵列向量估计值;估计每一跳对应的载频频率,用表示第l跳对应的个频率估计值,计算公式如下:
步骤五,根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号;
步骤六,对不同跳频点之间的时频域跳频源信号进行拼接;
步骤七,根据源信号时频域估计值,恢复时域跳频源信号;对每一采样时刻p(p=0,1,2,…)的频域数据Yn(p,q),q=0,1,2,…,Nfft-1做Nfft点的IFFT变换,得到p采样时刻对应的时域跳频源信号,用yn(p,qt)(qt=0,1,2,…,Nfft-1)表示;对上述所有时刻得到的时域跳频源信号yn(p,qt)进行合并处理,得到最终的时域跳频源信号估计,具体公式如下:
这里Kc=Nfft/C,C为短时傅里叶变换加窗间隔的采样点数,Nfft为FFT变换的长度;
存储单元用于存储DSP处理单元处理后的数码图像;
控制器,用于执行在影像感测单元测量时,对镜片焦距的调节;
传感器,用于在影像感测单元在测量时,获取图像的信息。
2.如权利要求1所述的显微镜实验室***,其特征在于,所述影像感测单元包括显示屏、模糊度评价模块、模糊度调整模块;所述模糊度调整模块与显示屏通过板线连接;所述影像采集器用于获取地图像;
所述模糊度评价模块用于获取影像采集器传输的图像,并计算滤波前后图像统计信息比值;
所述模糊度调整模块与模糊度评价模块相连,用于调整原图像模糊度得出最终图像和图像模糊度评价指标。
3.如权利要求1所述的显微镜实验室***,其特征在于,所述模糊度评价模块采用定量化与定性分析相结合,结合实际建立评价集,建立综合评价判断矩阵,根据每一失效因素对影像采集器传输的图像的影响度及其对影像采集器传输的图像安全影响的权重计算总的影响度,摒弃采用单一角度评定、过分依赖或现场数据的方式,综合考虑影响影像采集器传输图像的所有主要因素,并明确各影响的相互联系,作出综合性评价。
4.如权利要求3所述的显微镜实验室***,其特征在于,所述建立综合评价判断矩阵包括:
构造两两比较判断矩阵:
根据1~9标度法逐层对各个要素两两之间进行重要性程度赋值,构造判断矩阵U=(uij)n×n,其中uij表示因素ui和uj相对于准则层的重要值,矩阵U具有性质:uii=1,uij=1/uji,i,j=1,2,…,n,得出判断矩阵:将矩阵X1~X5按列归一化,即:
计算出矩阵Y为:
(3)单一准则下元素相对权重的计算:
将Y矩阵按行相加,由公式得出:
W1=(2.652 0.686 0.253 0.409)T
W2=(1 1)T
W3=(1.273 0.371 0.221 2.135)T
W4=(1.9 0.319 0.781)T
W5=(2.121 0.604 0.275)T
将得到的和向量进行归一化处理,由公式可得权向量:
5.如权利要求3所述的显微镜实验室***,其特征在于,所述建立综合评价判断矩阵还包括:
构造模糊评判矩阵:
由各指标的权向量和矩阵R可构造模糊评判矩阵B,
计算综合评判结果:
由模糊评判矩阵B和评价集的参数列向量,可求得综合评判结果Z;
Z=B·V
由上式可得到模糊综合评价的结果,再根据评价等级规定,可以评定影像采集器传输的图像多因素失效性大小。
6.如权利要求1所述的显微镜实验室***,其特征在于,所述控制器由模糊控制器和智能PID控制组成,设E0为控制阈值,当|e|>E0时,采用模糊控制器,当偏差比较大时,采用模糊控制器有利于加快调节速度,***响应快,当0<|e|<E0时,采用模糊智能自整定PID控制,PID算法选择位置式不完全微分形式:
在控制过程中,PID控制器的参数需根据当前的状态进行调整:
式中αP,αI和αD分别为通过模糊推理计算出的修正系数,KP,KI和KD分别为基本的比例、积分和微分系数。
7.如权利要求1所述的显微镜实验室***,其特征在于,所述传感器的数字调制信号x(t)的分数低阶模糊函数表示为:
其中,τ为时延偏移,f为多普勒频移,0<a,b<α/2,x*(t)表示x(t)的共轭,当x(t)为实信号时,x(t)<p>=|x(t)|<p>sgn(x(t));当x(t)为复信号时,[x(t)]<p>=|x(t)|p-1x*(t)。
8.如权利要求1所述的显微镜实验室***,其特征在于,所述存储单元存储DSP处理单元处理后的数码图像前,需预先通过存储单元内置的图像识别模块进行识别,对不能识别的图像信息进行摒弃;图像识别模块识别时的传递函数为:
其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变。
9.如权利要求8所述的显微镜实验室***,其特征在于,在频率域构造滤波器,对应的极坐标表达方式为:
G(r,θ)=G(r,r)·G(θ,θ)
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;
r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf英语确定带宽;
Bf=2(2/ln2)1/2|lnσf|,σθ确定角度带宽,Bθ=2(2/ln2)1/2σθ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710495710.XA CN107329401A (zh) | 2017-06-26 | 2017-06-26 | 一种显微镜实验室*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710495710.XA CN107329401A (zh) | 2017-06-26 | 2017-06-26 | 一种显微镜实验室*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107329401A true CN107329401A (zh) | 2017-11-07 |
Family
ID=60197090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710495710.XA Pending CN107329401A (zh) | 2017-06-26 | 2017-06-26 | 一种显微镜实验室*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107329401A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462005A (zh) * | 2020-03-30 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 处理显微图像的方法、装置、计算机设备及存储介质 |
CN116506719A (zh) * | 2023-06-21 | 2023-07-28 | 深圳华强电子网集团股份有限公司 | 一种基于光电二极管cmos图像传感器的传输管理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200997014Y (zh) * | 2006-09-22 | 2007-12-26 | 南宁松景天伦生物科技有限公司 | 动静态双模式数码显微摄像装置 |
CN103605963A (zh) * | 2013-03-01 | 2014-02-26 | 新乡学院 | 一种指纹识别方法 |
CN103607820A (zh) * | 2013-11-18 | 2014-02-26 | 江苏新可耐光电科技股份有限公司 | 一种智能照明的恒光控制*** |
CN103868985A (zh) * | 2014-03-20 | 2014-06-18 | 西南石油大学 | 一种在役压力容器缺陷量化综合安全评判方法 |
CN106371627A (zh) * | 2016-08-26 | 2017-02-01 | 郭曼 | 一种测量绘画板位置信息的控制*** |
CN106646661A (zh) * | 2016-09-22 | 2017-05-10 | 张春志 | 一种矿床水文地质综合勘查*** |
-
2017
- 2017-06-26 CN CN201710495710.XA patent/CN107329401A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200997014Y (zh) * | 2006-09-22 | 2007-12-26 | 南宁松景天伦生物科技有限公司 | 动静态双模式数码显微摄像装置 |
CN103605963A (zh) * | 2013-03-01 | 2014-02-26 | 新乡学院 | 一种指纹识别方法 |
CN103607820A (zh) * | 2013-11-18 | 2014-02-26 | 江苏新可耐光电科技股份有限公司 | 一种智能照明的恒光控制*** |
CN103868985A (zh) * | 2014-03-20 | 2014-06-18 | 西南石油大学 | 一种在役压力容器缺陷量化综合安全评判方法 |
CN106371627A (zh) * | 2016-08-26 | 2017-02-01 | 郭曼 | 一种测量绘画板位置信息的控制*** |
CN106646661A (zh) * | 2016-09-22 | 2017-05-10 | 张春志 | 一种矿床水文地质综合勘查*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462005A (zh) * | 2020-03-30 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 处理显微图像的方法、装置、计算机设备及存储介质 |
CN116506719A (zh) * | 2023-06-21 | 2023-07-28 | 深圳华强电子网集团股份有限公司 | 一种基于光电二极管cmos图像传感器的传输管理方法 |
CN116506719B (zh) * | 2023-06-21 | 2023-09-15 | 深圳华强电子网集团股份有限公司 | 一种基于光电二极管cmos图像传感器的传输管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101655614B (zh) | 液晶显示面板云纹缺陷的检测方法和检测装置 | |
EP3223249B1 (en) | Paper currency fold recognition apparatus and method | |
WO2021036565A1 (zh) | 基于ccd相机不同曝光时间交替的空间碎片观测方法 | |
JP2001502414A (ja) | スライド及び試料の調製品質を評価するための方法及び装置 | |
CN106210520A (zh) | 一种自动调焦电子目镜及*** | |
WO2023087636A1 (zh) | 异常检测方法及装置、电子设备、存储介质和计算机程序产品 | |
CN111239999B (zh) | 一种基于显微镜的光学数据处理方法、装置及存储介质 | |
CN109669264A (zh) | 基于灰度梯度值的自适应自动聚焦方法 | |
CN111462027B (zh) | 基于多尺度梯度和抠图的多聚焦图像融合方法 | |
CN107329401A (zh) | 一种显微镜实验室*** | |
CN106725599A (zh) | 一种基于平面波的成像方法及装置 | |
CN102073873A (zh) | 一种基于支持向量机的sar景象匹配区选取方法 | |
CN109509163A (zh) | 一种基于fgf的多聚焦图像融合方法及*** | |
CN107992791A (zh) | 目标跟踪失效重检方法及装置、存储介质、电子设备 | |
CN110033434A (zh) | 一种基于纹理显著性的表面缺陷检测方法 | |
CN113705298A (zh) | 图像采集方法、装置、计算机设备及存储介质 | |
CN106373018A (zh) | 一种用于魔芋种植的互联网管理*** | |
CN107895503A (zh) | 一种无人值守的停车场监控*** | |
CN114973090A (zh) | 一种实验评分方法、装置、电子设备及存储介质 | |
CN106022354B (zh) | 基于svm的图像mtf测量方法 | |
CN103083089B (zh) | 数字立体显微***的虚拟标尺方法和*** | |
CN102930532A (zh) | 基于mrf迭代的sar图像非监督变化检测方法和装置 | |
CN116719002B (zh) | 定量降水估计方法、装置、电子设备及计算机存储介质 | |
CN110084423A (zh) | 一种基于局部相似性的链路预测方法 | |
CN110737497B (zh) | 一种显控界面辅助决策设计优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |