CN117970595B - 一种基于深度学习和图像处理的显微镜自动对焦方法 - Google Patents
一种基于深度学习和图像处理的显微镜自动对焦方法 Download PDFInfo
- Publication number
- CN117970595B CN117970595B CN202410354290.3A CN202410354290A CN117970595B CN 117970595 B CN117970595 B CN 117970595B CN 202410354290 A CN202410354290 A CN 202410354290A CN 117970595 B CN117970595 B CN 117970595B
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- gray
- microscope
- digital
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000013136 deep learning model Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 239000012535 impurity Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001000 micrograph Methods 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Landscapes
- Microscoopes, Condenser (AREA)
Abstract
本发明公开了一种基于深度学习和图像处理的显微镜自动对焦方法，利用深度学习技术，通过训练神经网络模型辅助显微镜图像的自动对焦。首先，采集大量显微镜图像，并标注其对应的清晰度信息。然后，利用这些数据对深度学习算法模型进行训练，以建立图像清晰度与焦距之间的映射关系。在实际应用中，通过实时采集显微镜图像并输入经过训练的神经网络模型，可以快速准确地实现自动对焦，有效提高显微镜成像质量和工作效率。本发明在各种显微镜应用场景中具有广泛的应用前景，为显微镜自动对焦技术的发展提供了新的思路和方法。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于深度学习和图像处理的显微镜自动对焦方法。
背景技术
显微镜、尤其是低倍显微镜，其自动对焦是一项关键的功能，尤其在需要进行高精度的显微成像和图像采集时。
低倍显微镜自动对焦的一般步骤是在采集样本图像后，先通过手动调节显微镜垂直的Z轴高度，以达到显微镜粗调的对焦效果；其次计算机对采集的样本图像进行包括清晰度、对比度等对焦度量计算，获取图像清晰度和对焦程度的度量值；然后将计算得到的对焦度量反馈给显微镜***。这个反馈通常用于控制显微镜的焦距或镜头位置，以实现自动对焦的调整；经过以上的低倍显微镜自动对焦算法的迭代过程调整，最终实现显微镜的自动对焦功能。
上述方式的缺点有：
对复杂场景和变化不敏感：传统低倍显微镜自动对焦方法通常基于手工设计的特征提取和传统图像处理技术，对于复杂的场景和样本变化的适应性较差。当样本中存在复杂结构、噪声或照明变化时，传统自动对焦方法可能无法有效地捕捉到关键特征。
通用性有限：传统自动对焦方法可能依赖于特定的场景或样本，因此缺乏通用性。在面对不同种类的样本或不同成像条件下，传统方法可能需要进行调整或重新设计，导致应用的局限性。
需要手动调整参数：传统显微镜自动对焦方法通常需要手动调整参数和仪器，每张玻片实验前，显微镜Z轴都需要耗费时间来人工校准相机的焦点，算法参数的阈值等。这使得这些方法在应用到不同的显微成像场景时需要人工干预和调整，降低了自动化程度。
性能受限：传统的低倍显微镜自动对焦方法在性能上可能受到一些限制，导致图像清晰度算法计算得到的最清晰图像与实际的最清晰图像并不一致。
图像识别能力差：传统的低倍显微镜自动对焦方法并不能识别样本中的非对焦目标物体如杂质、灰尘、背景纹路等，因此经常会发生误判对焦目标等问题。
发明内容
本发明的目的在于提供一种解决或部分解决上述技术问题的基于深度学习和图像处理的显微镜自动对焦方法。
为实现上述目的，本发明提供如下技术方案：
一种基于深度学习和图像处理的显微镜自动对焦方法，其使用的显微镜包括物镜、调整所述物镜的Z轴位置的驱动装置、以及用于从所述显微镜获取数字图像的数字相机，包括用以控制所述驱动装置和数字相机、以获取所述物镜位于不同Z轴高度时样本的数字图像及相应所述物镜的Z轴位置信息的采样模块；还包括用于输出最佳焦距的最佳焦距评价模块；
所述显微镜自动对焦方法包括以下步骤：
S1.设定n个行程范围R(n)、n个步长ΔX(n)以及第一个初始位置O1，其中n为大于1的自然数，且满足R(k)> R(k+1)、Δx(k)>Δx(k+1)，其中,k>1且k<n；
S2.令i=1；
S3.将初始位置Oi、所述行程范围R(i)以及步长Δx(i)输入到所述采样模块，获得数字图像及其对应的Z轴位置信息；
S4.将S3中获得的数字图像及其对应的Z轴位置信息输入到所述最佳焦距评价模块，获得最佳焦距；
S5.令i=i+1，并以步骤S4中获得的最佳焦距作为初始位置Oi ,重复步骤S3至S5,直至i=n；
S6.以步骤S4获得的最佳焦距作为最终焦距，所述驱动装置驱动所述物镜移动至所述最终焦距以完成自动对焦；
其中，所述采样模块的工作流程包括以下步骤：
S1-1.控制所述物镜移动至输入的初始位置，从所述初始位置开始在输入的行程范围内按输入的步长驱动所述物镜沿Z轴单向移动；并在每次所述物镜移动到位后，通过所述数字相机获取样本的数字图像；
S1-2.输出步骤S1-1中采集的全部的数字图像以及每张数字图像对应的Z轴位置信息；
所述最佳焦距评价模块的工作流程包括以下步骤：
S2-1.将输入的每张数字图像依次通过传统图像清晰度评价算法计算，以得到每张数字图像对应的传统图像清晰度评分；
S2-2.将输入的每张数字图像依次通过深度学习模型以得到每张数字图像的深度学习清晰度的置信分数；
S2-3.将每张数字图像的传统图像清晰度评分根据当前所有数字图像的评分范围进行归一化处理，然后与其深度学习清晰度的置信分数进行加权：
其中，AEG是平均能量梯度，Q为最终图像清晰度评分，q为加权系数，是模型对图像清晰度的预测概率；
S2-4.将每张数字图像的最终图像清晰度评分与其对应的Z轴位置信息拟合为二次曲线，计算该二次曲线的顶点，得到最终图像清晰度评分最高时Z轴位置信息，以此作为最佳焦距，并输出。
优选的，所述传统图像清晰度评价算法包括以下步骤：
S2-1-1.将数字图像转为灰度图像；
S2-1-2.将步骤S2-1-1得到的灰度图像进行去除噪声和杂质处理；
S2-1-3.将步骤S2-1-2得到的灰度图像作为输入图像，求解所述灰度图像的图像清晰度评价指标。
优选的，所述步骤S2-1-3包括以下步骤：
S2-1-3a-1.使用Sobel算子计算输入的灰度图像在水平和垂直方向上的梯度；
Sobel算子如下：
纵向：
横向：
其中，和 />分别表示纵向Sobel算子和横向Sobel算子， />和/>分别表示为像素点（x，y）处的Sobel水平和垂直方向边缘检测算子的卷积，x、y是像素点（x，y）的横坐标和纵坐标，/>为输入的灰度图像；
S2-1-3a-2.用特南梯度函数求解图像清晰度，以作为输入的灰度图像的图像清晰度评价指标：
其中，是给定的边缘检测阈值。
优选的，所述步骤S2-1-3包括以下步骤：
S2-1-3b-1.计算输入的灰度图像在像素点（x，y）处的水平和垂直方向上的灰度值之差 和 />：
表示灰度图像的灰度值，/>和/>分别为灰度图像的像素坐标；
S2-1-3b-2.计算能量梯度；
其中，能量梯度表示输入的灰度图像在每个像素位置的梯度值；
S2-1-3b-3.对步骤S2-1-3b-2得到的整个图像的能量梯度进行累加和平均，计算平均能量梯度AEG以作为输入的灰度图像的图像清晰度评价指标；
其中，和/>分别表示输入的灰度图像的高度和宽度。
优选的，对所述深度学习模型进行训练包括以下步骤：
S2-2-1.以数字相机拍摄的样品的数字图像、并进行人工标记后作为训练集，输入到所述深度学习模型以进行训练；针对输入的数字图像，由所述深度学习模型计算其图像清晰度的预测概率/>：
，
其中，是所述深度学习模型的参数，/>是所述深度学习模型的映射函数；
S2-2-2.使用二分类交叉熵函数作为所述深度学习模型的损失函数，以计算的预测概率/>与实际标签/>之间的差异；
其中，每个数字图像对应的实际标签是人工标记的实际清晰度标记，清晰图像为1，模糊图像为0；
S2-2-3. 求解所述深度学习模型的最小化损失函数，并通过随机梯度下降优化器多次调整所述深度学习模型的参数/>，以优化所述深度学习模型的参数/>：
其中，表示训练样本数量，/>表示第/>个训练样本，/>是其对应的标签。
优选的，n=3，且R(1)为、ΔX(1)为/>，R(2)为/>、ΔX(2)为，R(3)为/>、ΔX(3)为/>。
优选的，所述步骤S2-1-2包括以下步骤：
S2-1-2-1.将步骤S2-1-1得到的灰度图像通过导向滤波处理；
S2-1-2-2.将处理后的灰度图像每个像素的灰度值根据灰度图像的灰度值区间归一化到[60,255]区间内，以与灰度图像的背景灰度一致，从而去除部分噪声和杂质。
本发明利用深度学习技术，通过训练深度学习算法模型辅助显微镜图像的自动对焦。首先，采集大量显微镜图像，并标注其对应的清晰度信息。然后，利用这些数据对深度学习算法模型进行训练，以建立图像清晰度与焦距之间的映射关系。在实际应用中，通过实时采集显微镜图像并输入经过训练的深度学习算法模型，可以快速准确地实现自动对焦，有效提高显微镜成像质量和工作效率。本发明在各种显微镜应用场景中具有广泛的应用前景，为显微镜自动对焦技术的发展提供了新的思路和方法。
附图说明
图1是显微镜自动对焦过程中，图形由模糊到清晰，然后到模糊的实际数字图像；
图2是图1中最清晰的数字图像。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
在本发明的描述中，需要说明的是，术语“内”、“外”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1和图2所示，本发明的一种基于深度学习和图像处理的显微镜自动对焦方法，其使用的显微镜包括物镜、调整物镜的Z轴位置的驱动装置、以及用于从显微镜获取数字图像的数字相机，包括用以控制驱动装置和数字相机、以获取物镜位于不同Z轴高度时样本的数字图像及相应物镜的Z轴位置信息的采样模块；还包括用于输出最佳焦距的最佳焦距评价模块。
显微镜自动对焦方法包括以下步骤：
S1.设定n个行程范围R(n)、n个步长ΔX(n)以及第一个初始位置O1，其中n为大于1的自然数，且满足R(k)> R(k+1)、Δx(k)>Δx(k+1)，其中,k>1且k<n；
S2.令i=1；
S3.将初始位置Oi、行程范围R(i)以及步长Δx(i)输入到采样模块，获得数字图像及其对应的Z轴位置信息；
S4.将步骤S3中获得的数字图像及其对应的Z轴位置信息输入到最佳焦距评价模块，获得最佳焦距；
S5.令i=i+1，并以步骤S4中获得的最佳焦距作为初始位置Oi ,重复步骤S3至S5,直至i=n；
S6.以S4获得的最佳焦距作为最终焦距，驱动装置驱动物镜移动至最终焦距以完成自动对焦。
本发明最佳实施例中，取n=3，且R(1)为、ΔX(1)为/>，R(2)为、ΔX(2)为/>，R(3)为/>、ΔX(3)为/>。采用上述参数，效果佳，且耗时少，效率高。
其中，采样模块的工作流程包括以下步骤：
S1-1.控制物镜移动至输入的初始位置，从初始位置开始在输入的行程范围内按输入的步长驱动物镜沿Z轴单向移动；并在每次物镜移动到位后，通过数字相机获取样本的数字图像；
S1-2.输出步骤S1-1中采集的全部的数字图像以及每张数字图像对应的Z轴位置信息。
最佳焦距评价模块的工作流程包括以下步骤：
S2-1.将输入的每张数字图像依次通过传统图像清晰度评价算法计算，以得到每张数字图像对应的传统图像清晰度评分；
S2-2.将输入的每张数字图像依次通过深度学习模型以得到每张数字图像的深度学习清晰度的置信分数；
S2-3.将每张数字图像的传统图像清晰度评分根据当前所有数字图像的评分范围进行归一化处理，然后与其深度学习清晰度的置信分数进行加权：
其中，AEG是平均能量梯度，Q为最终图像清晰度评分，q为加权系数，是模型对图像清晰度的预测概率；
S2-4.将每张数字图像的最终图像清晰度评分与其对应的Z轴位置信息拟合为二次曲线，计算该二次曲线的顶点，得到最终图像清晰度评分最高时Z轴位置信息，以此作为最佳焦距，并输出。
而其中，传统图像清晰度评价算法包括以下步骤：
S2-1-1.将数字图像转为灰度图像；
S2-1-2.将步骤S2-1-1得到的灰度图像进行去除噪声和杂质处理；
S2-1-3.将步骤S2-1-2得到的灰度图像作为输入图像，求解灰度图像的图像清晰度评价指标。
其中，针对步骤S2-1-2，包括以下步骤：
S2-1-2-1.将步骤S2-1-1得到的灰度图像通过导向滤波处理；
S2-1-2-2.将处理后的灰度图像每个像素的灰度值根据灰度图像的灰度值区间归一化到[60,255]区间内，以与灰度图像的背景灰度一致，从而去除部分噪声和杂质。
作为业界的普通技术人员，步骤S2-1-1中，将数字图像转为灰度图像是业界所熟知并惯用的技术，相关的处理方式很多，选择合适的使用即可。
作为业界的普通技术人员，步骤S2-1-2中，灰度图像进行去除噪声和杂质处理还可以采用其他业界所熟知的技术。
针对步骤S2-1-3，本发明提供两种解决方案：
方案一、包括以下步骤：
S2-1-3a-1.使用Sobel算子计算输入的灰度图像在水平和垂直方向上的梯度；
Sobel算子如下：
纵向：
横向：
其中，和 />分别表示纵向Sobel算子和横向Sobel算子， />和分别表示为像素点（x，y）处的Sobel水平和垂直方向边缘检测算子的卷积，x、y是像素点（x，y）的横坐标和纵坐标，/>为输入的灰度图像；
S2-1-3a-2.用特南梯度函数求解图像清晰度，以作为输入的灰度图像的图像清晰度评价指标：
其中，是给定的边缘检测阈值。
方案二、包括以下步骤：
S2-1-3b-1.计算输入的灰度图像在像素点（x，y）处的水平和垂直方向上的灰度值之差 和 />：
表示灰度图像的灰度值，/>和/>分别为灰度图像的像素坐标；
S2-1-3b-2.计算能量梯度；
其中，能量梯度表示输入的灰度图像在每个像素位置的梯度值；
S2-1-3b-3.对步骤S2-1-3b-2得到的整个图像的能量梯度进行累加和平均，计算平均能量梯度AEG以作为输入的灰度图像的图像清晰度评价指标；
其中，和/>分别表示输入的灰度图像的高度和宽度。
本发明对深度学习模型进行训练包括以下步骤：
S2-2-1.以数字相机拍摄的样品的数字图像、并进行人工标记后作为训练集，输入到深度学习模型以进行训练；针对输入的数字图像，由深度学习模型计算其图像清晰度的预测概率/>：
，
其中，是深度学习模型的参数，/>是深度学习模型的映射函数；
S2-2-2.使用二分类交叉熵函数作为深度学习模型的损失函数，以计算的预测概率/>与实际标签/>之间的差异；
其中，每个数字图像对应的实际标签是人工标记的实际清晰度标记，清晰图像为1，模糊图像为0；
S2-2-3. 求解深度学习模型的最小化损失函数，并通过随机梯度下降优化器多次调整深度学习模型的参数/>，以优化深度学习模型的参数/>：
其中，表示训练样本数量，/>表示第/>个训练样本，/>是其对应的标签。
以实际操作举例而言，其首先将载玻片样本置于显微镜的低倍物镜下，由于不同样本的表面平整度、高度、目标大小也不同，因此在更换载玻片后需要进行粗略对焦。首先使用载物台控制器控制样本与显微镜物镜之间的Z轴距离，来代替传统的人工手动初步粗调焦。第一次，设置Z轴的粗调焦行程在范围内单向移动，每/>进行一次拍摄，分别获取不同焦距下的低倍物镜拍摄图像。第二次，得到最佳焦距后，以最佳焦距对应的显微镜Z轴高度为初始位置0，接下来对不同拍摄位置进行初步调焦，调焦拍摄的范围为，显微镜的Z轴高度调整为单向调整，每次拍摄的间距为 />。第三次，得到最佳焦距后，以最佳焦距对应的显微镜Z轴高度为初始位置0，最后进行焦距细调，调焦拍摄的范围为/>，显微镜的Z轴高度调整为单向调整，每次拍摄的间距为。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于深度学习和图像处理的显微镜自动对焦方法，其使用的显微镜包括物镜、调整所述物镜的Z轴位置的驱动装置、以及用于从所述显微镜获取数字图像的数字相机，其特征在于，包括用以控制所述驱动装置和数字相机、以获取所述物镜位于不同Z轴高度时样本的数字图像及相应所述物镜的Z轴位置信息的采样模块；还包括用于输出最佳焦距的最佳焦距评价模块；
所述显微镜自动对焦方法包括以下步骤：
S1.设定n个行程范围R(n)、n个步长ΔX(n)以及第一个初始位置O1，其中n为大于1的自然数，且满足R(k)> R(k+1)、Δx(k)>Δx(k+1)，其中,k>1且k<n；
S2.令i=1；
S3.将初始位置Oi、所述行程范围R(i)以及步长Δx(i)输入到所述采样模块，获得若干个数字图像及其对应的Z轴位置信息；
S4.将步骤S3中获得的全部数字图像及其对应的Z轴位置信息输入到所述最佳焦距评价模块，获得最佳焦距；
S5.令i=i+1，并以步骤S4中获得的最佳焦距作为初始位置Oi ,重复步骤S3至S5,直至i=n；
S6.以步骤S4获得的最佳焦距作为最终焦距，所述驱动装置驱动所述物镜移动至所述最终焦距以完成自动对焦；
其中，所述采样模块的工作流程包括以下步骤：
S1-1.控制所述物镜移动至输入的初始位置，从所述初始位置开始在输入的行程范围内按输入的步长驱动所述物镜沿Z轴单向移动；并在每次所述物镜移动到位后，通过所述数字相机获取样本的数字图像；
S1-2.输出步骤S1-1中采集的全部的数字图像以及每张数字图像对应的Z轴位置信息；
所述最佳焦距评价模块的工作流程包括以下步骤：
S2-1.将输入的每张数字图像依次通过传统图像清晰度评价算法计算，以得到每张数字图像对应的传统图像清晰度评分；
S2-2.将输入的每张数字图像依次通过深度学习模型以得到每张数字图像的深度学习清晰度的置信分数；
S2-3.将每张数字图像的传统图像清晰度评分根据当前所有数字图像的评分范围进行归一化处理，然后与其深度学习清晰度的置信分数进行加权：
其中，AEG是平均能量梯度，Q为最终图像清晰度评分，q为加权系数，是模型对图像清晰度的预测概率；
S2-4.将每张数字图像的最终图像清晰度评分与其对应的Z轴位置信息拟合为二次曲线，计算该二次曲线的顶点，得到最终图像清晰度评分最高时Z轴位置信息，以此作为最佳焦距，并输出。
2.根据权利要求1所述的一种基于深度学习和图像处理的显微镜自动对焦方法，其特征在于：所述传统图像清晰度评价算法包括以下步骤：
S2-1-1.将数字图像转为灰度图像；
S2-1-2.将步骤S2-1-1得到的灰度图像进行去除噪声和杂质处理；
S2-1-3.将步骤S2-1-2得到的灰度图像作为输入图像，求解所述灰度图像的图像清晰度评价指标。
3.根据权利要求2所述的一种基于深度学习和图像处理的显微镜自动对焦方法，其特征在于：所述步骤S2-1-3包括以下步骤：
S2-1-3a-1.使用Sobel算子计算输入的灰度图像在水平和垂直方向上的梯度；
Sobel算子如下：
纵向：，
横向：，
，
，
其中，和 />分别表示纵向Sobel算子和横向Sobel算子， />和/>分别表示为像素点（x，y）处的Sobel水平和垂直方向边缘检测算子的卷积，x、y是像素点（x，y）的横坐标和纵坐标，/>为输入的灰度图像；
S2-1-3a-2.用特南梯度函数求解图像清晰度，以作为输入的灰度图像的图像清晰度评价指标：
其中，是给定的边缘检测阈值。
4.根据权利要求2所述的一种基于深度学习和图像处理的显微镜自动对焦方法，其特征在于：所述步骤S2-1-3包括以下步骤：
S2-1-3b-1.计算输入的灰度图像在像素点（x，y）处的水平和垂直方向上的灰度值之差 和 />：
表示灰度图像的灰度值，/>和/>分别为灰度图像的像素坐标；
S2-1-3b-2.计算能量梯度；
其中，能量梯度表示输入的灰度图像在每个像素位置的梯度值；
S2-1-3b-3.对步骤S2-1-3b-2得到的整个图像的能量梯度进行累加和平均，计算平均能量梯度AEG以作为输入的灰度图像的图像清晰度评价指标；
其中，和/>分别表示输入的灰度图像的高度和宽度。
5.根据权利要求1所述的一种基于深度学习和图像处理的显微镜自动对焦方法，其特征在于：对所述深度学习模型进行训练包括以下步骤：
S2-2-1.以数字相机拍摄的样品的数字图像、并进行人工标记后作为训练集，输入到所述深度学习模型以进行训练；针对输入的数字图像，由所述深度学习模型计算其图像清晰度的预测概率/>：
，
其中，是所述深度学习模型的参数，/>是所述深度学习模型的映射函数；
S2-2-2.使用二分类交叉熵函数作为所述深度学习模型的损失函数，以计算的预测概率/>与实际标签/>之间的差异；
其中，每个数字图像对应的实际标签是人工标记的实际清晰度标记，清晰图像为1，模糊图像为0；
S2-2-3. 求解所述深度学习模型的最小化损失函数，并通过随机梯度下降优化器多次调整所述深度学习模型的参数/>，以优化所述深度学习模型的参数/>：
其中，表示训练样本数量，/>表示第/>个训练样本，/>是其对应的标签。
6.根据权利要求1所述的一种基于深度学习和图像处理的显微镜自动对焦方法，其特征在于：n=3，且R(1)为、ΔX(1)为/>，R(2)为/>、ΔX(2)为/>，R(3)为、ΔX(3)为/>。
7.根据权利要求2所述的一种基于深度学习和图像处理的显微镜自动对焦方法，其特征在于：所述步骤S2-1-2包括以下步骤：
S2-1-2-1.将步骤S2-1-1得到的灰度图像通过导向滤波处理；
S2-1-2-2.将处理后的灰度图像每个像素的灰度值根据灰度图像的灰度值区间归一化到[60,255]区间内，以与灰度图像的背景灰度一致，从而去除部分噪声和杂质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410354290.3A CN117970595B (zh) | 2024-03-27 | 2024-03-27 | 一种基于深度学习和图像处理的显微镜自动对焦方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410354290.3A CN117970595B (zh) | 2024-03-27 | 2024-03-27 | 一种基于深度学习和图像处理的显微镜自动对焦方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117970595A CN117970595A (zh) | 2024-05-03 |
| CN117970595B true CN117970595B (zh) | 2024-06-18 |
Family
ID=90862911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410354290.3A Active CN117970595B (zh) | 2024-03-27 | 2024-03-27 | 一种基于深度学习和图像处理的显微镜自动对焦方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970595B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428463A (zh) * | 2019-06-04 | 2019-11-08 | 浙江大学 | 非球面光学元件离焦模糊定中图像自动提取中心的方法 |
| CN110531484A (zh) * | 2019-07-24 | 2019-12-03 | 中国地质大学（武汉） | 一种对焦过程模型可设定的显微镜自动对焦方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3152206B2 (ja) * | 1998-06-19 | 2001-04-03 | 日本電気株式会社 | オートフォーカス装置及びオートフォーカス方法 |
| US7769219B2 (en) * | 2006-12-11 | 2010-08-03 | Cytyc Corporation | Method for assessing image focus quality |
| CN103776831B (zh) * | 2012-10-18 | 2016-12-21 | 苏州惠生电子科技有限公司 | 一种显微影像检测仪器及其自动调焦方法 |
| WO2016101092A1 (zh) * | 2014-12-22 | 2016-06-30 | 杭州唐光科技有限公司 | 一种数字显微镜及其聚焦方法 |
| CN111007661B (zh) * | 2019-12-02 | 2022-02-22 | 湖南国科智瞳科技有限公司 | 一种基于深度学习的显微图像自动聚焦方法及装置 |
| CN112433339B (zh) * | 2020-12-10 | 2022-04-15 | 济南国科医工科技发展有限公司 | 基于随机森林的显微镜精细对焦方法 |
| CN116405775A (zh) * | 2023-03-06 | 2023-07-07 | 广州市华粤行医疗科技有限公司 | 自动聚焦方法和装置、电子设备及拍摄*** |
| CN117310962A (zh) * | 2023-09-12 | 2023-12-29 | 湖南晟瞳科技有限公司 | 显微成像的对焦控制方法及装置 |
| CN117590574A (zh) * | 2023-12-08 | 2024-02-23 | 广东粤港澳大湾区黄埔材料研究院 | 一种显微镜自动对焦方法、终端和*** |
-
2024
- 2024-03-27 CN CN202410354290.3A patent/CN117970595B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428463A (zh) * | 2019-06-04 | 2019-11-08 | 浙江大学 | 非球面光学元件离焦模糊定中图像自动提取中心的方法 |
| CN110531484A (zh) * | 2019-07-24 | 2019-12-03 | 中国地质大学（武汉） | 一种对焦过程模型可设定的显微镜自动对焦方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117970595A (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109085113B (zh) | 一种用于宫颈脱落细胞检测装置的自动对焦方法和装置 | |
| EP2102816B1 (en) | Method for assessing image focus quality | |
| EP2671113B1 (en) | Fast auto-focus in microscopic imaging | |
| CN110531484B (zh) | 一种对焦过程模型可设定的显微镜自动对焦方法 | |
| CN111062961A (zh) | 一种基于深度学习的隐形眼镜边缘缺陷检测方法 | |
| CN111462075A (zh) | 一种全切片数字病理图像模糊区域的快速重聚焦方法及*** | |
| CN114119526A (zh) | 一种基于机器视觉的钢板表面缺陷检测与识别***及方法 | |
| CN113923358A (zh) | 一种飞拍模式下的在线自动对焦方法和*** | |
| CN115330859A (zh) | 一种基于机器视觉的自动对焦、自动对中方法及*** | |
| CN113899698B (zh) | 一种面向原位测试平台的实时对焦和居中调整方法及装置 | |
| CN113253416B (zh) | 一种基于星像椭圆率模型的望远镜高效精准调焦方法 | |
| CN117970595B (zh) | 一种基于深度学习和图像处理的显微镜自动对焦方法 | |
| CN116931248A (zh) | 一种基于图像清晰度评估的显微镜自动对焦方法及*** | |
| CN109318235B (zh) | 一种机器人视觉伺服***的快速聚焦方法 | |
| CN111505816A (zh) | 高通量电子显微镜成像方法及*** | |
| CN114120318B (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
| CN116164641A (zh) | 一种基于机器视觉的探针台运动位置补偿方法 | |
| CN112839168B (zh) | 一种自动调整aoi检测***中相机成像分辨率的方法 | |
| CN114384681A (zh) | 显微镜快速精准自动对焦方法、***、计算机设备及介质 | |
| CN117850032B (zh) | 一种光学透镜的调校方法及*** | |
| CN114119555B (zh) | 一种基于物距对焦法的大口径元件边缘检测方法 | |
| CN116736511B (zh) | 一种基于深度学习的自然图像自动对焦方法 | |
| CN113869363B (zh) | 一种基于图像评价网络和图像评价函数的爬山调焦搜索方法 | |
| CN113933985B (zh) | 一种生物显微镜的光路对准方法 | |
| CN115876803A (zh) | 一种基于变倍显微的铣刀涂层后缺陷检测方法与*** |
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 |