CN111462026B - 基于编码曝光的合成图像相位恢复方法及装置 - Google Patents

基于编码曝光的合成图像相位恢复方法及装置 Download PDF

Info

Publication number
CN111462026B
CN111462026B CN202010137673.7A CN202010137673A CN111462026B CN 111462026 B CN111462026 B CN 111462026B CN 202010137673 A CN202010137673 A CN 202010137673A CN 111462026 B CN111462026 B CN 111462026B
Authority
CN
China
Prior art keywords
phase
image
coded
exposure
sample
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.)
Active
Application number
CN202010137673.7A
Other languages
English (en)
Other versions
CN111462026A (zh
Inventor
索津莉
公瑾
张伟航
戴琼海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010137673.7A priority Critical patent/CN111462026B/zh
Publication of CN111462026A publication Critical patent/CN111462026A/zh
Application granted granted Critical
Publication of CN111462026B publication Critical patent/CN111462026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Microscoopes, Condenser (AREA)

Abstract

本发明公开了一种基于编码曝光的合成图像相位恢复方法及装置，其中，方法包括：在EMCCD时序电路中预设编码序列控制曝光方式，控制显微镜载物台沿z轴方向做周期正弦运动，采集图像并基于编码进行合成；使用显微成像***采集训练样本的离焦图和在焦图，使用基于强度传输方程的相位重建算法得到训练样本的相位图；将训练样本的合成图像和相应的相位图做训练集对神经网络进行训练。网络训练后，采集编码曝光的合成图像输入网络即可恢复相位图。该方法编码合成图像所含信息量大，重建的相位图准确度高；计算速度快，无需受限于边界条件；可用于快速动态样本的相位恢复；可以直接与现有的显微成像***结合，在显微成像的同时获得编码合成图像。

Description

基于编码曝光的合成图像相位恢复方法及装置
技术领域
本发明涉及计算成像技术领域，特别涉及一种基于编码曝光的合成图像相位恢复方法及装置。
背景技术
光波照射在物体上时，物体将对波的三种性质产生影响：振幅、波长和相位。由于光的频率较高，现有的图像采集设备只能记录光的强度信息而无法直接获得相位信息，因此需借助强度信息来恢复相位信息。传统的相位恢复技术很大程度上依赖于相干光的叠加，干涉装置复杂、对环境稳定性有严格要求，会有一系列分辨率、稳定性敏感性等问题。而传统的强度传输方程相位恢复方法需要严格的边界条件，计算量大，实时性差。
在焦图中只包含位于焦平面时的样本信息，所含信息量少，通过强度传输方程得到的相位图和在焦图训练的神经网络的相位恢复效果一般，且只能应用于静态样本的相位恢复。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于编码曝光的合成图像相位恢复方法，该方法编码合成图像所含信息量大，重建的相位图准确度高；计算速度快，无需受限于边界条件；可用于快速动态样本的相位恢复；可以直接与现有的显微成像***结合，在显微成像的同时获得编码合成图像。
本发明的另一个目的在于提出一种基于编码曝光的合成图像相位恢复装置。
为达到上述目的，本发明一方面实施例提出了一种基于编码曝光的合成图像相位恢复方法，包括以下步骤：在EMCCD时序电路中预设编码序列控制曝光方式，控制显微镜载物台沿z轴方向做周期正弦运动，采集编码曝光下的多幅图像；求解每个曝光拍摄点时载物台移动的速度，以速度作为权值将采集的多幅图像合成为一幅；使用显微成像***采集样本的在焦图和对称位置的离焦图，使用基于强度传输方程的相位重建算法，计算得训练样本的相位；建立神经网络模型，将样本的编码合成图作为网络的输入，对应的TIE计算相位图作为网络真值，对网络进行训练，获得训练好的神经网络；获取待恢复样本的编码合成图像；将待恢复样本的编码合成图像输入训练好的神经网络，可得恢复的相位图像。
本发明实施例的基于编码曝光的合成图像相位恢复方法，通过编码曝光的方式获取信息量大的合成图像，训练出相位恢复准确度更高的神经网络；可使用部分相干光源，无需复杂的干涉装置，不需考虑边界条件，计算速度快；在网络训练好后，可应用于动态样本，只需获取编码合成图像即可实现相位恢复。
另外，根据本发明上述实施例的基于编码曝光的合成图像相位恢复方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述EMCCD时序电路中预设的编码曝光序列为连续曝光序列。
进一步地，在本发明的一个实施例中，所述权值为速度标量值，所述载物台周期运动直至采集完一段完整的编码序列。
进一步地，在本发明的一个实施例中，所述训练样本为任何用于显微成像的样本，其包括静态样本和动态样本。
进一步地，在本发明的一个实施例中，基于强度传输方程的相位重建算法，基于强度传输方程为：
Figure BDA0002397359340000021
式中，k为波数，I为光强分布，
Figure BDA0002397359340000022
为相位分布，z为纵向坐标，r为横向坐标。
为达到上述目的，本发明另一方面实施例提出了一种基于编码曝光的合成图像相位恢复装置，包括：控制模块，用于在EMCCD时序电路中预设编码序列控制曝光方式，控制显微镜载物台沿z轴方向做周期正弦运动，采集编码曝光下的多幅图像；求解模块，用于求解每个曝光拍摄点时载物台移动的速度，以速度作为权值将采集的多幅图像合成为一幅；采集模块，用于使用显微成像***采集样本的在焦图和对称位置的离焦图，使用基于强度传输方程的相位重建算法，计算得训练样本的相位；训练模块，用于建立神经网络模型，将样本的编码合成图作为网络的输入，对应的TIE计算相位图作为网络真值，对网络进行训练，获得训练好的神经网络；获取模块，用于获取待恢复样本的编码合成图像；输入模块，用于将待恢复样本的编码合成图像输入训练好的神经网络，可得恢复的相位图像。
本发明实施例的基于编码曝光的合成图像相位恢复装置，通过编码曝光的方式获取信息量大的合成图像，训练出相位恢复准确度更高的神经网络；可使用部分相干光源，无需复杂的干涉装置，不需考虑边界条件，计算速度快；在网络训练好后，可应用于动态样本，只需获取编码合成图像即可实现相位恢复。
另外，根据本发明上述实施例的基于编码曝光的合成图像相位恢复装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述EMCCD时序电路中预设的编码曝光序列为连续曝光序列。
进一步地，在本发明的一个实施例中，所述权值为速度标量值，所述载物台周期运动直至采集完一段完整的编码序列。
进一步地，在本发明的一个实施例中，所述训练样本为任何用于显微成像的样本，其包括静态样本和动态样本。
进一步地，在本发明的一个实施例中，基于强度传输方程的相位重建算法，基于强度传输方程为：
Figure BDA0002397359340000031
式中，k为波数，I为光强分布，
Figure BDA0002397359340000032
为相位分布，z为纵向坐标，r为横向坐标。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于编码曝光的合成图像相位恢复方法的流程图；
图2为根据本发明实施例的EMCCD与显微成像***组合光路图；
图3为根据本发明一个实施例的基于编码曝光的合成图像相位恢复方法的流程图；
图4为根据本发明实施例的EMCCD时序电路中的预设编码图；
图5为根据本发明实施例的基于编码曝光的合成图像相位恢复装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于编码曝光的合成图像相位恢复方法及装置，首先将参照附图描述根据本发明实施例提出的基于编码曝光的合成图像相位恢复方法。
图1是本发明一个实施例的基于编码曝光的合成图像相位恢复方法的流程图。
如图1所示，该基于编码曝光的合成图像相位恢复方法包括以下步骤：
在步骤S101中，在EMCCD时序电路中预设编码序列控制曝光方式，控制显微镜载物台沿z轴方向做周期正弦运动，采集编码曝光下的多幅图像。
其中，在本发明的一个实施例中，EMCCD相机具有高分辨率、高帧频的特点，可直接与显微成像***相接。EMCCD时序电路中预设的编码曝光序列为连续曝光序列。
在步骤S102中，求解每个曝光拍摄点时载物台移动的速度，以速度作为权值将采集的多幅图像合成为一幅。
其中，在本发明的一个实施例中，权值为速度标量值，载物台周期运动直至采集完一段完整的编码序列。
在步骤S103中，使用显微成像***采集样本的在焦图和对称位置的离焦图，使用基于强度传输方程的相位重建算法，计算得训练样本的相位。
其中，在本发明的一个实施例中，显微成像***为光学显微镜等，光源可以为相干光源或部分非相干光源。训练样本可以是任何用于显微成像的样本，包括静态样本和动态样本，原则上尽可能增加训练样本的种类和数量。
进一步地，在本发明的一个实施例中，基于强度传输方程的相位重建算法，主要是基于如下强度传输方程(TIE):
Figure BDA0002397359340000041
式中，k为波数，I为光强分布，
Figure BDA0002397359340000042
为相位分布，z为纵向坐标，r为横向坐标。
在步骤S104中，建立神经网络模型，将样本的编码合成图作为网络的输入，对应的TIE计算相位图作为网络真值，对网络进行训练，获得训练好的神经网络。
其中，在本发明的一个实施例中，神经网络模型可以是任意用于图像转换的神经网络模型，且网络只需训练一次，训练好后的网络可应用于无限次的静态或动态样本相位恢复。
在步骤S105中，获取待恢复样本的编码合成图像。
在步骤S106中，将待恢复样本的编码合成图像输入训练好的神经网络，可得恢复的相位图像。
综上，本发明实施例的方法首先在EMCCD时序电路中预设编码序列控制曝光方式，控制显微镜载物台沿z轴方向做周期正弦运动，采集图像并基于编码进行合成；其次使用显微成像***采集训练样本的离焦图和在焦图，使用基于强度传输方程的相位重建算法得到训练样本的相位图；而后将训练样本的合成图像和相应的相位图做训练集对神经网络进行训练。网络训练后，采集编码曝光的合成图像输入网络即可恢复相位图。
下面将通过一个具体实施例对基于编码曝光的合成图像相位恢复方法进行进一步阐述。
一种实现本发明实施例方法的EMCCD与显微成像***组合光路如图2所示，包括：光源模块1，聚光镜2，可变光阑3，样本4，位移台5，物镜6，反射镜7，会聚透镜8，EMCCD相机9。其中，光源模块可采用相干光或部分相干光，可由光阑调整光源的相干度。含有物体信息的光束经反射镜后被会聚透镜准直，由EMCCD记录编码曝光强度图。如图3所示，基于编码曝光的合成图像相位恢复方法工作流程如下：
图像采集阶段：设定显微镜载物台沿z轴方向做周期正弦运动，位移中心为焦平面，采集在焦图及焦平面对称位置的离焦图；在EMCCD时序电路中预设如图4所示编码序列控制曝光方式，载物台周期运动直至采集完一段完整的编码序列，获得编码曝光下的多幅图像。
图像合成阶段：计算每个曝光拍摄点时载物台移动的速度，对速度标量值进行标准化处理，并作为权值将采集的多幅图像合成为一幅，合成图像中包含样本的离焦和在焦信息，且可以反映动态样本的运动情况。
执行训练阶段：采集大量(3000个)细胞样本(海拉细胞)的离焦图、在焦图以及编码合成图，使用强度传输方程相位恢复法得到相应细胞的相位图作为神经网络的真值，将其和编码合成图做训练集训练神经网络，其中神经网络的参数如下：learning rate＝0.01，batch size＝32，decay rate＝0.995，max epoch＝10000，Shuffle frequency＝0.01。网络训练所用的GPU为GTX 1080TI,训练时长为4小时。
执行恢复阶段：神经网络训练完成后，只需输入编码合成图即可进行相位恢复。恢复一张256×256个像素的相位图只需0.012秒左右。
通过基于编码曝光的合成图像相位恢复方法得到的相位恢复结果与强度传输方程恢复结果对比，提高了相位恢复的准确度，加快了计算速度，且神经网路的恢复结果不受边缘限制。
进一步而言，本发明实施例的有益效果是：在完成神经网络训练后，只需利用EMCCD与显微成像***组合获取编码曝光合成图像，输入训练好的网络中即可恢复样本的相位图。相比于传统的强度传输方程相位恢复法，该方法计算速度快，只需训练一次，且不受边界条件限制；相比于使用在焦图作为神经网络训练样本，该方法准确度高，实时性好，可用于动态样本的相位恢复。
根据本发明实施例提出的基于编码曝光的合成图像相位恢复方法，通过编码曝光的方式获取信息量大的合成图像，训练出相位恢复准确度更高的神经网络；可使用部分相干光源，无需复杂的干涉装置，不需考虑边界条件，计算速度快；在网络训练好后，可应用于动态样本，只需获取编码合成图像即可实现相位恢复。
其次参照附图描述根据本发明实施例提出的基于编码曝光的合成图像相位恢复装置。
图5是本发明一个实施例的基于编码曝光的合成图像相位恢复装置的结构示意图。
如图5所示，该基于编码曝光的合成图像相位恢复装置100包括：控制模块110、求解模块120、采集模块130、训练模块140、获取模块150和输入模块160。
其中，控制模块110用于在EMCCD时序电路中预设编码序列控制曝光方式，控制显微镜载物台沿z轴方向做周期正弦运动，采集编码曝光下的多幅图像；求解模块120用于求解每个曝光拍摄点时载物台移动的速度，以速度作为权值将采集的多幅图像合成为一幅；采集模块130用于使用显微成像***采集样本的在焦图和对称位置的离焦图，使用基于强度传输方程的相位重建算法，计算得训练样本的相位；训练模块140用于建立神经网络模型，将样本的编码合成图作为网络的输入，对应的TIE计算相位图作为网络真值，对网络进行训练，获得训练好的神经网络；获取模块150用于获取待恢复样本的编码合成图像；输入模块160用于将待恢复样本的编码合成图像输入训练好的神经网络，可得恢复的相位图像。本发明实施例的装置100编码合成图像所含信息量大，重建的相位图准确度高；计算速度快，无需受限于边界条件；可用于快速动态样本的相位恢复；可以直接与现有的显微成像***结合，在显微成像的同时获得编码合成图像。
进一步地，在本发明的一个实施例中，EMCCD时序电路中预设的编码曝光序列为连续曝光序列。
进一步地，在本发明的一个实施例中，权值为速度标量值，载物台周期运动直至采集完一段完整的编码序列。
进一步地，在本发明的一个实施例中，训练样本为任何用于显微成像的样本，其包括静态样本和动态样本。
进一步地，在本发明的一个实施例中，基于强度传输方程的相位重建算法，基于强度传输方程为：
Figure BDA0002397359340000061
式中，k为波数，I为光强分布，
Figure BDA0002397359340000062
为相位分布，z为纵向坐标，r为横向坐标。
需要说明的是，前述对基于编码曝光的合成图像相位恢复方法实施例的解释说明也适用于该实施例的基于编码曝光的合成图像相位恢复装置，此处不再赘述。
根据本发明实施例提出的基于编码曝光的合成图像相位恢复装置，通过编码曝光的方式获取信息量大的合成图像，训练出相位恢复准确度更高的神经网络；可使用部分相干光源，无需复杂的干涉装置，不需考虑边界条件，计算速度快；在网络训练好后，可应用于动态样本，只需获取编码合成图像即可实现相位恢复。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于编码曝光的合成图像相位恢复方法，其特征在于，包括以下步骤：
在EMCCD时序电路中预设编码序列控制曝光方式，控制显微镜载物台沿z轴方向做周期正弦运动，采集编码曝光下的多幅图像，其中，所述显微镜载物台的位移中心为焦平面，所述EMCCD时序电路中预设的编码曝光序列为连续曝光序列；
求解每个曝光拍摄点时载物台移动的速度，以速度作为权值将采集的多幅图像合成为一幅，其中，所述权值为速度标量值，所述载物台周期运动直至采集完一段完整的编码序列；
使用显微成像***采集样本的在焦图和对称位置的离焦图，使用基于强度传输方程的相位重建算法，计算得训练样本的相位；
建立神经网络模型，将样本的编码合成图作为网络的输入，对应的TIE计算相位图作为网络真值，对网络进行训练，获得训练好的神经网络；
获取待恢复样本的编码合成图像；以及
将待恢复样本的编码合成图像输入训练好的神经网络，可得恢复的相位图像。
2.根据权利要求1所述的方法，其特征在于，所述训练样本为任何用于显微成像的样本，其包括静态样本和动态样本。
3.根据权利要求1所述的方法，其特征在于，
基于强度传输方程的相位重建算法，基于强度传输方程为：
Figure FDA0003942351250000011
式中，k为波数，I为光强分布，
Figure FDA0003942351250000012
为相位分布，z为纵向坐标，r为横向坐标。
4.一种基于编码曝光的合成图像相位恢复装置，其特征在于，包括：
控制模块，用于在EMCCD时序电路中预设编码序列控制曝光方式，控制显微镜载物台沿z轴方向做周期正弦运动，采集编码曝光下的多幅图像，其中，所述显微镜载物台的位移中心为焦平面，所述EMCCD时序电路中预设的编码曝光序列为连续曝光序列；
求解模块，用于求解每个曝光拍摄点时载物台移动的速度，以速度作为权值将采集的多幅图像合成为一幅，其中，所述权值为速度标量值，所述载物台周期运动直至采集完一段完整的编码序列；
采集模块，用于使用显微成像***采集样本的在焦图和对称位置的离焦图，使用基于强度传输方程的相位重建算法，计算得训练样本的相位；
训练模块，用于建立神经网络模型，将样本的编码合成图作为网络的输入，对应的TIE计算相位图作为网络真值，对网络进行训练，获得训练好的神经网络；
获取模块，用于获取待恢复样本的编码合成图像；以及
输入模块，用于将待恢复样本的编码合成图像输入训练好的神经网络，可得恢复的相位图像。
5.根据权利要求4所述的装置，其特征在于，所述训练样本为任何用于显微成像的样本，其包括静态样本和动态样本。
6.根据权利要求4所述的装置，其特征在于，
基于强度传输方程的相位重建算法，基于强度传输方程为：
Figure FDA0003942351250000021
式中，k为波数，I为光强分布，
Figure FDA0003942351250000022
为相位分布，z为纵向坐标，r为横向坐标。
CN202010137673.7A 2020-03-02 2020-03-02 基于编码曝光的合成图像相位恢复方法及装置 Active CN111462026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010137673.7A CN111462026B (zh) 2020-03-02 2020-03-02 基于编码曝光的合成图像相位恢复方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010137673.7A CN111462026B (zh) 2020-03-02 2020-03-02 基于编码曝光的合成图像相位恢复方法及装置

Publications (2)

Publication Number Publication Date
CN111462026A CN111462026A (zh) 2020-07-28
CN111462026B true CN111462026B (zh) 2023-04-07

Family

ID=71678187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010137673.7A Active CN111462026B (zh) 2020-03-02 2020-03-02 基于编码曝光的合成图像相位恢复方法及装置

Country Status (1)

Country Link
CN (1) CN111462026B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112367447B (zh) * 2020-11-04 2022-03-08 清华大学深圳国际研究生院 编码光照实时对焦扫描成像装置和方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5831676A (en) * 1992-08-19 1998-11-03 Canon Kabushiki Kaisha Image pickup device using plural control parameters for exposure control

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796609B (zh) * 2015-04-17 2018-01-05 南京理工大学 基于最优哈达玛编码的大视场高分辨率显微成像方法
TWI748035B (zh) * 2017-01-20 2021-12-01 日商半導體能源硏究所股份有限公司 顯示系統及電子裝置
CN109685745B (zh) * 2019-01-02 2022-07-15 西北工业大学 一种基于深度学习的相位显微成像方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5831676A (en) * 1992-08-19 1998-11-03 Canon Kabushiki Kaisha Image pickup device using plural control parameters for exposure control

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Transparent Object Reconstruction via Coded Transport of Intensity;Ma Chenguang 等;《 2014 IEEE Conference on Computer Vision and Pattern Recognition》;IEEE;20140925;全文 *
单像素成像中的光信息编码与解码;邓超 等;《红外与激光工程》;20190625;全文 *

Also Published As

Publication number Publication date
CN111462026A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111288925B (zh) 一种基于数字对焦结构照明光场的三维重建方法和装置
CN106371201A (zh) 基于计算鬼成像的傅里叶重叠关联成像***及方法
CN113572962B (zh) 室外自然场景光照估计方法及装置
CN109873948A (zh) 一种光学显微镜智能自动聚焦方法、设备及存储设备
CN107093194B (zh) 一种子孔径图像采集方法及***
CN112697751B (zh) 多角度照明无透镜成像方法、***及装置
CN103472256A (zh) 基于面阵ccd空间滤波器的流动二维速度场测量方法及装置
CN107845145B (zh) 一种电子显微场景下的三维重构***及方法
CN111462026B (zh) 基于编码曝光的合成图像相位恢复方法及装置
CN111523618A (zh) 一种基于深度学习的相位展开方法
CN116958419A (zh) 一种基于波前编码的双目立体视觉三维重建***和方法
US11967096B2 (en) Methods and apparatuses of depth estimation from focus information
CN101605269B (zh) 一种密集深度图像跟踪的方法和装置
CN113298700A (zh) 一种在散射场景中的高分辨图像重构方法
Saha et al. Turbulence strength C n2 estimation from video using physics-based deep learning
CN111080533A (zh) 一种基于自监督残差感知网络的数码变焦方法
CN116128743A (zh) 基于深度卷积混合神经网络计算关联成像重建算法
CN115631253A (zh) 基于物理驱动深度学习的光纤无透镜泛化成像方法
CN113223106A (zh) 一种基于深度学习的少角度数字全息层析重建算法
CN111601096B (zh) 具有单光子雪崩二极管的合成图像方法
CN117970660B (zh) 一种时域压缩超分辨高速成像装置
Liang et al. Wavefront coded-aperture pixel super-resolution imaging based on circular patterns
KR102584209B1 (ko) 오목 렌즈 배열을 이용한 집적 영상의 3차원 재구성 방법
JP2022160861A (ja) ディジタルホログラム信号処理装置およびディジタルホログラム撮像再生装置
Park et al. Complex Motion-aware Splatting for Video Frame Interpolation

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
GR01 Patent grant
GR01 Patent grant