TW201619652A - 自動聚焦系統與方法 - Google Patents
自動聚焦系統與方法 Download PDFInfo
- Publication number
- TW201619652A TW201619652A TW103141335A TW103141335A TW201619652A TW 201619652 A TW201619652 A TW 201619652A TW 103141335 A TW103141335 A TW 103141335A TW 103141335 A TW103141335 A TW 103141335A TW 201619652 A TW201619652 A TW 201619652A
- Authority
- TW
- Taiwan
- Prior art keywords
- edge detection
- stage
- reconstructed image
- standard deviation
- obtaining
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003708 edge detection Methods 0.000 claims abstract description 83
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 230000000630 rising effect Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/08—Synthesising holograms, i.e. holograms synthesized from objects or objects from holograms
- G03H1/0866—Digital holographic imaging, i.e. synthesizing holobjects from holograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
- G03H2001/0447—In-line recording arrangement
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/08—Synthesising holograms, i.e. holograms synthesized from objects or objects from holograms
- G03H1/0866—Digital holographic imaging, i.e. synthesizing holobjects from holograms
- G03H2001/0883—Reconstruction aspect, e.g. numerical focusing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Studio Devices (AREA)
- Automatic Focus Adjustment (AREA)
- Holo Graphy (AREA)
- Focusing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本發明係揭示判定最佳聚焦平面的自動聚焦方法。該方法係包括重建全像影像、辨識該全像影像中的物件、基於該重建影像的實數部分,進行物件於一深度的第一邊緣偵測、基於該重建影像的虛數部分,進行該物件於該深度的第二邊緣偵測、基於關於該第一邊緣偵測的第一標準差,得到該物件於該深度的第一清晰程度,以及基於關於該第二邊緣偵測的第二標準差,評估該物件於該深度的第二清晰程度。
Description
本發明係關於影像處理,更特別地,係關於聚焦系統以及影像處理方法。
無透鏡全像成像提供低成本的小物件成像解決方法,且不需要使用昂貴或是複雜的光學元件,因而已吸引許多注意。在許多自動檢測例子中,不會預先知道物件與成像器之間的距離。不正確的聚焦可能造成模糊不清的影像,並且在例如細胞行為分析的應用中造成困難。因此,希望能有自動找到最佳聚焦平面的自動聚焦系統與方法。
為了判定感興趣之物件的最理想聚焦平面,先前技術已經使用以振幅為基礎(amplitude-based)的方法。例如,在Onur Mudanyali等人所發表的論文「使用可攜式與具成本效率之無透鏡顯微鏡偵測水生寄生蟲」中,基於Soble梯度強度而判定振幅影像。再者,例如,在Mario A.Bueno-Ibarra等人所發表的論文「自動顯微鏡之快速自動聚焦演算法」中,藉由Sobel-Tenengrad梯度強度變化(SOB VAR)或是藉由Laplacian梯度強度變化(LAP VAR),而判定振幅影像。雖然已廣泛使用以振幅為基礎的方法,但還是要在整個深度範圍中進行全域搜尋以找出理想的聚焦平面。如果搜尋範圍縮小,則搜尋速度便可改善。
本發明係關於自動聚焦系統與方法。由於該方法不需要機械聚焦,因而使用者可在相對短的影像獲取時間中進行離線計算的影像聚焦。再者,在全自動光學檢測中,該方法有助於縮小搜尋範圍。
本申請案揭示內容的實施例係提供判定最佳聚焦平面的自動聚焦方法。該方法係包括重建全像影像、辨識該重建影像中的物件、基於該重建影像的實數部分,進行物件於一深度的第一邊緣偵測、基於該重建影像的虛數部分,進行該物件於該深度的第二邊緣偵測、基於相對於該第一邊緣偵測的第一標準差,獲得該物件於該深度的第一清晰程度,以及基於相對於該第二邊緣偵測的第二標準差,獲得該物件於該深度的第二清晰程度。
在一實施例中,辨識該重建影像中的物件係包括將該重建影像數位化、辨識具有相同數位化值的連接區域,以及分割各個該連接區域。
在另一實施例中,獲得第一清晰程度係包括獲得該第一邊緣偵測的結果之第一梯度,以及獲得該第一梯度的第一標準差值。
在另一實施例中,獲得第二清晰程度係包括獲得該第二偵測邊緣的結果之第二梯度,以及獲得該第一梯度的第二標準差值。
在另一實施例中,該方法進一步包括基於該第一標準差值與該第二標準差值,判定該物件於該深度的清晰程度。
本申請案揭示內容的一些實施例亦提供判定最佳聚焦平面的自動聚焦方法。該方法係包括重建一全像影像、辨識該重建影像中的物件、基於該重建影像的實數部分,進行物件於第一範圍內的一組預定深度的第一階段邊緣偵測、基於該重建影像的虛數部分,進行該物件於該第一範圍內的該組預定深度的第一階段邊緣偵測、基於該第一階段邊緣偵測所偵測的該物件之邊緣的該實數部分與該虛數部分各自的
該標準差,評估該物件於該組預定深度的第一階段清晰程度,以及基於該第一階段清晰程度,在該第一範圍內辨識與該最佳聚焦平面相關的第二範圍。
在一實施例中,該組預定深度係包含均勻分布在該第一範圍中的一些深度。
在另一實施例中,該組預定深度係包含第一該第一範圍中的第一個四等分點、第二個四等分點以及第三個四等分點。
在另一實施例中,該方法進一步包括基於該重建影像的振幅,進行該物件於該第二範圍中的第二階段邊緣偵測,以及基於該第二階段邊緣偵測的結果,評估該物件的第二階段清晰程度。
在另一實施例中,評估該第一階段清晰程度係包括獲得於與該實數部分相關之各個該預定深度的該第一階段邊緣偵測的結果的第一梯度,以及獲得該第一梯度的第一標準差值。
在另一實施例中,評估該第一階段清晰程度係包括獲得於與該虛數部分相關之各個該預定深度的該第一階段邊緣偵測的結果的第二梯度,以及獲得該第二梯度的第二標準差值。
在另一實施例中,該方法進一步包括基於該第一標準差值與該第二標準差值,判定該物件於各個該預定深度的清晰程度。
本申請案揭示內容的實施例係提供自動聚焦系統中的計算裝置,用於判定最佳聚焦平面。該計算裝置係包括記憶體、一或多個處理器,以及儲存於該記憶體中並且由該一或多個處理器執行的一或多個程式。該一或多個程式係包含指令用於重建全像影像、辨識該重建影像中的物件、基於該重建影像的實數部分,進行物件於一深度的第一邊緣偵測、基於該重建影像的虛數部分,進行該物件於該深度的第二邊緣偵測、基於相對於該第一邊緣偵測的第一標準差,獲得該物件於該深度的第一清晰程度,以及基於相對於該第二邊緣偵測的第二標
準差,獲得該物件於該深度的第二清晰程度。
本申請案揭示內容的一些實施例亦提供自動聚焦系統中的計算裝置,用於判定最佳聚焦平面。該計算裝置係包括記憶體、一或多個處理器,以及儲存於該記憶體中並且由該一或多個處理器執行的一或多個程式。該一或多個程式係包含指令用於重建一全像影像、辨識該重建影像中的物件、基於該重建影像的實數部分,進行物件於第一範圍內的一組預定深度的第一階段邊緣偵測、基於該重建影像的虛數部分,進行該物件於該第一範圍內的該組預定深度的第一階段邊緣偵測、基於該第一階段邊緣偵測所偵測的該物件之邊緣的該實數部分與該虛數部分各自的該標準差,評估該物件於該組預定深度的第一階段清晰程度,以及基於該第一階段清晰程度,在該第一範圍內辨識與該最佳聚焦平面相關的第二範圍。
前述說明已經概述本發明之特徵與技術優點,因而可更加理解以下本發明之詳細說明。以下描述本發明之其他特徵與優點,並且說明本發明之申請專利範圍的標的。熟知此技藝之人士應理解本申請案所揭示的概念與特定實施例可作為修飾或設計其他結構或製程的基礎,用以實施與本發明相同之目的。熟知此技藝之人士亦應理解此均等架構不脫離申請專利範圍所主張之本發明的精神與範圍。
100‧‧‧自動聚焦系統
10‧‧‧成像系統
11‧‧‧光源
12‧‧‧樣品
14‧‧‧成像器
15‧‧‧影像
16‧‧‧影像
20‧‧‧計算裝置
21‧‧‧處理器
22‧‧‧記憶體
50‧‧‧物件地圖
52‧‧‧邊界
55‧‧‧EC曲線
1、2、3、4‧‧‧物件
在閱讀以下說明與參閱附隨圖示之後,可清楚得知本發明的目的與優點。
圖1係根據本發明的實施例說明自動聚焦系統的概示圖。
圖2係根據本發明的實施例說明判定物件之最佳聚焦平面的方法之流程圖。
圖2A與圖2B係說明不同深度之清晰程度的圖式。
圖3係根據本發明的另一實施例說明判定物件之最佳聚焦平面的方法。
圖4係根據本發明的實施例說明物件切割的方法之流程圖。
圖5係根據本發明的實施例說明邊緣偵測與邊緣清晰度評估的方法之流程圖。
圖6係根據本發明的實施例說明判定清晰程度的方法之流程圖。
圖7係根據本發明的實施例說明判定一或多個物件之最佳聚焦平面的方法之流程圖。
圖8係根據本發明的另一實施例說明判定一或多個物件之最佳聚焦平面的方法之流程圖。
圖9A-1至圖9E係根據本發明的另一實施例說明判定最佳聚焦平面的方法之概示圖。
圖1係根據本發明的實施例說明自動聚焦系統100的概示圖。自動聚焦系統100輔助自動觀察功能,例如細胞追蹤,並且產生清晰的重建影像。參閱圖1,自動聚焦系統100係包含成像系統10以及計算裝置20。在一些實施例中,成像系統10係包括全像系統,其提供一或多個樣品全像圖,以及計算裝置20係包括但不限於電腦,其係用以處理來自該成像系統10的全像圖。
成像系統10係包含光源11與成像器14。光源11發射光線至測試的樣品12。樣品12的光學性質係指當光通過樣品12時的光之傳輸、散射與繞射特性。影像器14記錄光學資訊,該光學資訊係例如在該樣品12中的物件之複合形式中的波前。成像系統10係產生影像15,例如包含光學資訊的全像圖或是全像影像。影像15係包含一組原始資料,在其重建之前,無法用於視覺檢測。再者,成像系統10提供影像15至計算
裝置20用於後續處理,進一步說明如後。
在一些實施例中,光源11包含雷射光源或是發光二極體(LED)光源。再者,樣品12包含一或多個微生物細胞或是一或多個半導體元件特徵。這些細胞或是特徵在以下的揭示內容中係稱為物件,其係在不同深度或是不同聚焦平面中聚焦。
計算裝置20包含處理器21與記憶體22。在一些實施例中,處理器21係中央處理單元(CPU)或是計算模組的一部分。處理器21係用以執行儲存在記憶體22中的一或多個程式,以進行特定操作,用以判定樣品12中該物件的最佳聚焦平面。據此,響應來自成像系統10的影像15,計算裝置20產生影像16,該影像16包含在樣品12中的一或多個物件之最佳深度或是最佳聚焦平面的資訊。圖2至圖9及其說明係詳細討論計算裝置20的操作或功能。
雖然在一些實施例中計算裝置20係使用軟體,然而在其他實施例中可使用硬體。相較於軟體實施方式,硬體實施方式可達到較高的效能,但是設計成本較高。關於即時應用,由於速度需求,通常係選擇硬體實施方式。值得注意的是可於硬體、軟體、韌體或是其任何組合中,至少部分實施本申請案所描述之操作、功能與技術。例如,可於一或多個處理單元內實施本申請案揭示內容之實施例的各種態樣,該一或多個處理單元包含一或多個微處理單元、數位信號處理單元(DSP)、特定應用積體電路(ASIC)、現場可程式化邏輯閘陣列(FPGA)、或是任何其他均等的積體電路或是分離的邏輯電路,以及此元件之任何組合。「處理器」、「處理單元」或是「處理電路」一詞通常係指任何前述的邏輯電路,其係單獨的或是與其他邏輯電路的組合,或是任何其他的均等電路。包含硬體的控制單元亦可進行本申請案揭示內容的一或多個技術。
在本申請案揭示內容的一些實施例中,記憶體22係包含任何電
腦可讀取媒體,其包含但不限於隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可程式化唯讀記憶體(PROM)、可抹拭可程式化唯讀記憶體(EPROM)、電氣可抹拭可程式化唯讀記憶體(EEPROM)、快閃記憶體、硬碟、固態驅動器(SSD)、光碟ROM(CD-ROM)、軟碟、卡匣、磁性媒體、光學媒體、或是其他電腦可讀取媒體。在一些實施例中,記憶體22係併入處理器21中。
圖2係根據本發明的實施例說明判定物件之最佳聚焦平面的方法之流程圖。參閱圖2,在操作201中,重建包含樣品之光學資訊的全像影像。可由成像系統提供該全像影像,該成像系統例如圖1及其所說明所述之成像系統10。再者,該樣品包含於不同深度或是不同聚焦平面中聚焦的一或多個物件。
可藉由角譜(angular spectrum)方法或是摺積運算(convolution)方法,達到影像重建。該技藝中已知此等方法或類似者,因而不再討論。在重建之後,得到包含實數部分數據與虛數部分數據之資訊的重建影像。不同於該全像影像,該重建影像係可目視檢查的實像,並且包含相位影像與振幅影像。然而,如同該全像影像,該重建影像中的物件之最佳深度或是最佳聚焦平面尚待判定。
在操作202中,辨識並且切割分離重建影像中的物件。物件切割便於偵測每一個物件或是感興趣之物件的最佳聚焦平面。圖4及其說明係討論物件切割的詳細內容。
預期影像的較佳聚焦會造成較清晰或是輪廓更清楚的邊緣,因而造成較大梯度與較大清晰程度。基於該假設,在操作203中,進行邊緣偵測而偵測物件的邊緣或邊界。為了進行邊緣偵測,基於該實數部分與該虛數部分,進行於Za與Zb之間預定範圍中不同深度的聚焦平面之全域搜尋(global search)。
在一些實施例中,於Za與Zb之間範圍中的深度Zj,開始該邊緣
偵測。使用者可藉由視覺檢查重建影像,判定開始深度Zj。接著,在完成於深度Zj的邊緣偵測之後,可於與該開始深度Zj具有一般間隔的下一深度,逐步進行邊緣偵測的全域搜尋。例如,開始深度可為10,000微米(μm),而下一深度為10,100或是9,900μm,其與該開始深度相距間隔為100μm。
在一些實施例中,在摺積運算操作中使用Laplacian遮罩,便於該邊緣偵測,如以下方程式1所示。
edgeimage=conv(image,edgeoperator),或是edgeimage=image * edgeoperator 方程式1
其中image係代表在給定深度之重建影像的矩陣,edgeoperator係作為摺積運算操作的遮罩或是運算子。在摺積運算之後,得到結果矩陣edgeimage,其係代表物件的邊緣。再者,關於該重建影像的實數部分與虛數部分之物件的邊緣係分別以edgeimage,real以及edgeimage,imaginary表示,並且可由上述方程式1判定如下。
edgeimage,real=conv(real_image,edgeoperator,x),以及edgeimage,imaginary=conv(imaginary_image,edgeoperator,y),其中edgeoperator,x與edgeoperator,y係分別代表x與y方向的運算子。
接著,在操作204中,判定物件於各個不同深度之邊緣的清晰程度。在一些實施例中,基於操作203中的邊緣偵測之統計結果,判定表示為edgeclearness的清晰程度,如以下方程式2所示。
edgeclearness=std(gradient(edgeimage)),或是的標準_偏差 方程式2
其中edgeimage係操作203中所得到的結果矩陣,梯度(M)係代表M的梯度(在本實施例中,M係結果矩陣edgeimage),以及Std(N)係代表N的標準差(在本實施例中,N係edgeimage的梯度)。
藉由方程式1與方程式2,得到物件於各個不同深度的邊緣之edgeclearness,其係數值。再者,關於該重建影像中物件的實數部分與虛數部分之清晰程度係分別表示為edgeclearness,real以及edgeclearness,imaginary,並且可由上述方程式2判定如下所示。
edgeclearness,real=std(|conv(edge image,real ,gradient operation,x )|),以及edgeclearness,imaginary=std(|conv(edge image,imaginary ,gradient operation,y )|)。
為了判定物件的最佳聚焦平面,在一些實施例中,在以下的方程式3中評估矩陣EC。
根據方程式3,基於方程式1判定的物件於各個深度之邊緣的實數部分的標準差以及虛數部分的標準差,計算物件於各個不同深度的清晰程度。藉由比較於不同深度的EC值,將具有最大EC值的深度辨識為在Za與Zb之間預定範圍中的物件之最佳深度或是最佳聚焦平面。接著,在操作205中,產生包含物件之最佳聚焦平面資訊的影像。
圖2A與圖2B係說明不同深度的清晰程度之圖式。參閱圖2A,y軸代表以振幅影像之標準差(std)所判定的清晰程度,其可簡要表示如下。
的標準差
參閱圖2B,y軸係代表根據方程式3所判定的清晰程度,其可簡要表示如下。
相較於圖2A中的曲線,圖2B中的曲線較為規則。該規則曲線便於判定「熱區」,其中可存在最佳聚焦平面,其詳細討論係如圖9A-1至圖9E所示。因此,可簡化搜尋過程,因而縮短搜尋時間。
圖3係根據本發明的另一實施例說明判定物件之最佳聚焦平面的方法之流程圖。雖然圖2的方法提供全域搜尋,然而圖3的方法係藉由評估一組預定深度而加速搜尋過程,該組預定深度係少於全域搜尋所需要的深度。再者,根據圖3的方法,進行粗糙與詳細搜尋,用於判定最佳聚焦平面。
參閱圖3,在操作301中重建全像影像以及在操作302中切割物件之後,在操作303中,基於該重建影像之實數部分與虛數部分,進行物件於Za與Zb之間第一範圍中預定深度組的第一階段邊緣偵測。該第一階段邊緣偵測係包含關於該實數部分的第一邊緣偵測以及關於虛數部分的第二邊緣偵測,藉由方程式1,分別導致edgeimage,real以及edgeimage,imaginary。
在一些實施例中,第一範圍中的該組預定深度係包含均勻分布在Za與Zb之間的三個深度,其進一步討論係如圖9A-1至圖9E及其說明內容所述。
在操作304中,評估物件於各個預定深度的第一階段清晰程度。該第一階段清晰程度評估係包含藉由將edgeimage,real與edgeimage,imaginary用於方程式2中而判定edgeclearness,real與edgeclearness,imaginary,而後將edgeclearness,real與edgeclearness,imaginary用於方程式3中而判定第一矩陣EC1。因此,基於物件於各個預定深度的邊緣之實數部分的標準差與虛數部分的標準差,計算該物件於各個預定深度的清晰程度。
基於該預定深度的第一矩陣EC1的位置,例如,在該第一範圍中三個均勻分布的深度,藉由連接這些EC1位置而形成EC1曲線。該EC1曲線包含圖2B所示之規則曲線的資訊。再者,EC1曲線在該第一範圍的傾斜顯示該規則曲線之峰值(最佳聚焦平面)資訊。例如,如果該EC1曲線傾向於向上,則預料該最佳聚焦平面係落在該第一範圍的後部。再者,如果該EC1曲線傾向於向下,則預料該最佳聚焦平面係
落在該第一範圍的前部。利用該傾斜,可判定Za’與Zb’之間的第二範圍,其係小於該第一範圍且落在該第一範圍內。
接著,在操作305中,進行物件於第二範圍中不同深度的第二階段邊緣偵測。在一些實施例中,重建影像的振幅係用於第二階段邊緣偵測中,如以下方程式4所示。
edgeimage,amplitude=conv(amplitude_image,edgeoperator) 方程式4
其中amplitude_image係代表在給定深度之重建影像的振幅影像之矩陣。
在一些實施例中,在第二範圍中,全域進行不同深度之該第二階段邊緣偵測。然而,在其他實施例中,於一組預定深度進行第二階段邊緣偵測,該組預定深度係少於在該第二範圍中進行全域搜尋所需要的深度。
在操作306中,基於該第二階段邊緣偵測的結果,進行物件之第二階段清晰程度。該第二階段清晰程度係包含將edgeimage,振幅用於以下方程式5中而判定第二矩陣EC2。
藉由比較與第二範圍中不同深度相關的EC2的值,將具有最大EC2值的深度辨識為在Za’與Zb’之間的第二範圍中該物件的最佳深度或是最佳聚焦平面。接著,在操作307中,產生包含物件之最佳聚焦平面資訊的影像。
在圖3所示的實施例中,關於物件之最佳聚焦平面,在較廣範圍下,亦即Za與Zb之間的第一範圍,所進行的操作303與304係構成該方法的粗糙搜尋,而在較窄範圍下,亦即Za’與Zb’之間的第二範圍,所進行的操作305與306係構成該方法的細微搜尋。雖然在實施例中係討論一個粗糙搜尋階段以及一個細微搜尋階段,然而多於一個粗糙搜
尋階段以及多於一個細微搜尋階段亦落入本申請案揭示內容的範圍內。
圖4係根據本發明的實施例說明物件切割方法的流程圖。參閱圖4,在操作401中,將重建影像預處理,以改良其品質。在一實施例中,進行最小過濾,以減少第二影像中的雜訊。在另一實施例中,進行適應性型態過濾,以增進第二影像的影像輪廓清晰度或對比。再者,在一些實施例中,可進行最小過濾與適應性型態過濾。然而,操作401中的影像預處理係非必須的。
在操作402中,例如,藉由分配適應值至每一畫素而將重建影像數位化,形成數位化的重建影像。在一實施例中,如果該畫素的灰階達到門檻值,則將二位元值「1」分配至畫素,以及如果該畫素的灰階落在門檻值之下,則將另一個二位元值「0」分配至畫素。因此,得到重建影像的二位元影像。
接著,在操作403中,在數位化的重建影像中,辨識標示二位元「1」之連接的或是連續的區域。將每一個該連接的區域分組與編號。每一組可視為潛在可能的物件。
在操作404中,如果連接區域組,例如,組#1的大小大於或等於門檻值,則將這組辨識為操作405中的物件。然而,如果連接區域組,例如,組#2的大小係小於門檻值,則這組可被視為不純或是雜訊,並且在操作406中移除。
在操作407中,判定是否有剩餘組用於物件偵測。若為肯定,則重複操作404至406。若否,其係指所有潛在可能的物件皆被辨識,則在操作408中產生物件地圖。
圖5係說明例示的物件地圖50。參閱圖5,物件地圖50中有編號為1至4的四個物件。以矩形盒將物件1至4的每一個框起來。矩形盒可緊密地貼合對應物件,如物件1至3的例子,或是框住對應物件且留
邊,如物件4的例子。再者,一盒可與另一盒重疊,如物件3與4的例子,或是完全包圍另一盒,如物件4與2的例子。再者,一盒可與另一盒相間,如物件1與3的例子。這些盒便於其個別物件之後續處理。如圖5所示,例如,從物件地圖50擷取物件1,沿著該盒裁切。接著,以方程式1偵測物件1的邊緣或邊界52。接著,藉由方程式2與方程式3,進行該邊緣52的清晰程度評估,得到矩陣EC。
足夠的矩陣EC數目可在搜尋範圍形成EC曲線55,如圖5所示。在EC曲線55中,矩陣EC具有鐘形分布。據此,可輕易地辨識理想的或甚至最佳的聚焦平面。在一些現存的方中,基於全域搜尋中的重建影像之振幅,亦可形成曲線。然而,此曲線可具有高峰與低凹處,因而難以辨識最佳聚焦平面。
圖6係根據本發明的實施例說明判定物件之清晰程度的方法之流程圖。參閱圖6,在操作601中,基於重建影像的實數部分,進行物件於Za與Zb之間範圍中的深度Zj的第一邊緣偵測。藉由方程式1,例如,判定物件於深度Zj的邊緣或邊界為edgeimage,real。
在操作602中,基於該重建影像的虛數部分,進行物件於深度Zj的第二邊緣偵測,得到edgeimage,imaginary。然而,可交換順序進行操作602與601。
在操作603中,基於該第一邊緣偵測的標準差,得到物件的第一清晰程度為edgeclearness,real。在一些實施例中,於方程式2中判定edgeclearness,real的值。
在操作604中,基於第二邊緣偵測的標準差,得到物件的第二清晰程度為edgeclearness,imaginary。同樣地,可交換順序進行操作603與604。
接著,在操作605中,基於該第一與第二清晰程度值edgeclearness,real與edgeclearness,imaginary,判定矩陣EC。在一些實施例中,
於方程式3中判定EC的值。
圖7係根據本發明的實施例說明判定一或多個物件之最佳聚焦平面的方法之流程圖。雖然圖2的方法可用於測試中的物件,然而圖7的方法可用於包含一或多個感興趣之物件的樣品。
參閱圖7,在操作701中接收全像影像,以及在操作702中重建。接著,在操作703中,辨識與切割該重建影像中的物件,得到物件地圖。在操作704中,從該物件地圖擷取感興趣的物件。
在操作705中,分別基於該重建影像的實數部分與虛數部分,對於在一範圍中的一深度之該擷取的物件,進行邊緣偵測。該邊緣偵測程序可包含關於該實數部分的第一邊緣偵測以及關於該虛數部分的第二邊緣偵測。再者,如前所述,可平行或是連續進行該第一邊緣偵測與該第二邊緣偵測。
在操作706中,基於該第一與第二邊緣偵測各自的標準差,評估於該深度的該物件之清晰程度。
在操作707中,判定是否評估於另一深度的該物件之清晰程度。如果是,則重複操作705至707。若否,則該物件於不同深度之清晰程度評估完成。在操作708中,將造成最佳清晰程度的深度辨識為該物件之最佳聚焦平面。
接著,在操作709中,判定該重建影像中是否有另一物件需要評估。如果是,則重複操作704至709。若否,其係表示已經評估所有感興趣的物件,則在操作710中,產生包含該物件之最佳聚焦平面資訊的影像。
圖8係根據本發明的另一實施例說明判定一或多個物件之最佳聚焦平面的方法之流程圖。雖然圖3的方法可用於測試中的物件,然而圖7的方法可用於包含一或多個感興趣之物件的樣品。
參閱圖8,在操作801中,從物件地圖擷取物件。
在操作802中,基於重建影像之實數部分與虛數部分,進行物件在Za與Zb之間的第一範圍中的預定深度其中之一的第一階段邊緣偵測。該第一階段邊緣偵測係包含與該實數部分相關的第一邊緣偵測以及與該虛數部分相關的第二邊緣偵測。
在操作803中,基於該物件於一預定深度之邊緣的實數部分與虛數部分各自的標準差,評估該物件於該預定深度的第一階段清晰程度。
接著,在操作804中,判定是否於另一深度判定該重建影像中的物件。如果是,則重複操作802至804。若否,則在操作805中,基於與該預定深度相關之第一階段清晰程度的位置,判定在Za’與Zb’之間的第二範圍,其係落在該第一範圍內。
在操作806中,基於該重建影像的振幅,進行物件於第二範圍中的不同深度之第二階段邊緣偵測。
在操作807中,基於該第二階段邊緣偵測,進行該物件之第二段清晰程度。
在操作808中,判定是否於第二範圍中的另一深度判定該物件。如果是,則重複操作806至808。若否,在操作809中,造成最大第二階段清晰程度的第二範圍中的深度係被辨識為最佳聚焦平面。
接著,在操作810中,判定該重建影像中是否有另一物件需要評估。如果是,則重複操作801至810。若否,在操作811中,產生包含該物件之最佳聚焦平面資訊的影像。
圖9A-1至圖9E係根據本發明的另一實施例說明判定最佳聚焦平面的方法之概示圖。不同於全域搜尋的方法,圖9A-1至圖9E的方法係使用較少的深度,進行搜尋最佳聚焦平面。據此,該方法加速判定最佳聚焦平面的程序。所使用的深度數目可能不足以形成EC曲線,然而藉由在搜尋範圍適當佈署這些深度,展現EC曲線的傾斜,因而
可推測最佳深度可能落在的較窄範圍。在一實施例中,可使用N個深度,將搜尋範圍分割為N+1個區域,各自具有實質相同的間隔,N為自然數。在圖9A-1至圖9E所示的實施例中,其係使用在Za與Zb之間的第一範圍中的三個預定檢查點,即深度Z1、Z2與Z3。
如前所述,藉由根據方程式3的物件之邊緣的實數部分與虛數部分各自的標準差,得到如圖2B所示之規則曲線。該曲線的規則性便於縮小搜尋範圍。
參閱圖9A-1,在Za與Zb之間,可由規則的間隔分隔檢查點Z1、Z2與Z3。據此,在Za與Zb之間,檢查點Z1、Z2與Z3分別為第一個四等分點(quartile)、第二個四等分點(中點)以及第三個四等分點。與該檢查點Z1、Z2與Z3相關的第一矩陣係分別表示為ECZ1、ECZ2以及ECZ3,其係方程式1至3的作用結果。基於在最佳聚焦平面的一側之第一量值係嚴格上升而在另一側係嚴格下降之假設上,可藉由判斷該第一量值ECZ1、ECZ2以及ECZ3的位置,在第一範圍內,判定該最佳聚焦平面所在的第二範圍。因此,該搜尋區域從較大的第一範圍縮小至較小的第二範圍,其有助於搜尋最佳聚焦平面。
為了說明,該第一量值ECZ1、ECZ2與ECZ3中的最大第一量值係以黑圓圈表示,而其他則以白圓圈表示。參閱圖9A-1,ECZ1係最大的第一量值,而ECZ2係小於ECZ3。由於Z1與Z2之間的線的斜率係大於Z2與Z3之間的線的斜率,Z1、Z2與Z3形成的曲線係向下傾斜而非向上傾斜。依照上述假設,Z1與Z2之間嚴格下降(如實線所示)係表示Za與Z1之間為嚴格上升區域(如虛線所示)。因此,可判定最佳聚焦平面(位於最接近最佳聚焦平面)係落在Za與Z2之間的第二範圍內。
參閱圖9A-2,ECZ1係最大的第一量值,而ECZ2係大於ECZ3。同樣地,Z1與Z2之間嚴格下降區域係表示Za與Z1之間為嚴格上升區域。因此,可判定最佳聚焦平面係落在Za與Z2之間的第二範圍內。
再者,參閱圖9A-3,ECZ1係最大的,而ECZ2係等於ECZ3。同樣地,可判定最佳聚焦平面係落在Za與Z2之間的第二範圍內。
從基於圖9A-1至9A-3所示實施例的上述分析,注意到最大的第一量值係判定較小的第二範圍,或是說該第二範圍與該最大的第一量值相關。
參閱圖9B-1,ECZ2係最大的第一量值,而ECZ1係小於ECZ3。嚴格上升(如實線所示)區域係在Z1與Z2之間,而嚴格下降(如另一虛線所示)區域係在Z2與Z3之間。判定最佳聚焦平面係落在Z1與Z3之間的第二範圍內。
參閱圖9B-2,ECZ2係最大的第一量值,而ECZ1係大於ECZ3。同樣地,嚴格上升區域係位在Z1與Z2之間,而嚴格下降區域係位在Z2與Z3之間。判定最佳聚焦平面係落在Z1與Z3之間的第二範圍內。
參閱圖9B-3,ECZ2係最大的第一量值,而ECZ1係等於ECZ3。同樣地,嚴格上升區域係位在Z1與Z2之間,而嚴格下降區域係位在Z2與Z3之間。判定最佳聚焦平面係落在Z1與Z3之間的第二範圍內。
參閱圖9C-1,ECZ3係最大的第一量值,而ECZ1係小於ECZ2。Z2與Z3之間嚴格上升(如實線所示)區域係表示Z3與Zb之間為嚴格下降(如虛線所示)區域。判定最佳聚焦平面係落在Z2與Zb之間的第二範圍內。
參閱圖9C-2,ECZ3係最大的第一量值,而ECZ1係大於ECZ2。由於Z2與Z3之間的線的斜率係大於Z1與Z2之間的線的斜率,Z1、Z2與Z3所形成的曲線係向上傾斜而非向下傾斜。同樣地,Z2與Z3之間嚴格上升區域係表示Z3與Zb之間為嚴格下降區域。判定最佳聚焦平面係落在Z2與Zb之間的第二範圍內。
參閱圖9C-3,ECZ3係最大的第一矩陣,而ECZ1係等於ECZ2。同樣地,Z2與Z3之間嚴格上升區域係表示Z3與Zb之間為嚴格下降區
域。判定最佳聚焦平面係落在Z2與Zb之間的第二範圍內。
參閱圖9D,彼此相等的ECZ1與ECZ2係大於ECZ3。Z2與Z3之間嚴格下降(如實線所示)區域係表示嚴格上升(如虛線所示)區域以及嚴格下降(如另一虛線所示)區域係位在Z1與Z2之間。判定最佳聚焦平面係落在Z1與Z2之間的第二範圍內。
參閱圖9E,彼此相等的ECZ2與ECZ3係大於ECZ1。Z1與Z2之間嚴格上升(如實線所示)區域係表示嚴格上升(如虛線所示)區域以及嚴格下降(如另一虛線所示)區域係位在Z2與Z3之間。判定最佳聚焦平面係落在Z2與Z3之間的第二範圍內。
參閱圖1,在自動聚焦系統100中,在一些實施例中的計算裝置20係包括一或多個處理器21,以及儲存在記憶體22中並且由該一或多個處理器21執行的一或多個程式。該一或多個程式係包含指令用於重建全像影像、辨識該重建影像中的物件、基於該重建影像的實數部分,進行物件於一深度的第一邊緣偵測、基於該重建影像的虛數部分,進行該物件於該深度的第二邊緣偵測、基於該第一邊緣偵測的結果,評估該物件於該深度的第一清晰程度,以及基於該第二邊緣偵測的結果,評估該物件於該深度的第二清晰程度。
再者,在其他實施例中,該一或多個程式係包含指令用於重建全像影像、辨識該重建影像中的物件、基於該重建影像的實數部分,進行物件於第一範圍中的一組預定深度的第一階段邊緣偵測、基於該重建影像的虛數部分,進行該物件於該第一範圍中的該組預定深度的第一階段緣偵測、基於與該實數部分與虛數部分相關的該第一階段邊緣偵測之各自的結果,評估該物件於該組預定深度的第一階段清晰程度,以及基於該第一階段清晰程度,在該第一範圍內,辨識與該最佳聚焦平面相關的第二範圍。
雖然已經詳細描述本發明及其優點,然而應理解可有各種變
化、取代與改變而不脫離申請專利範圍所主張之本發明的精神與範圍。例如,可用不同的方法實施上述的許多程序並且用其他程序或其組合取代上述的許多程序。
再者,本申請案的範圍並不受限於本申請案說明書所描述之製程、機器、製造、物質組合物、手段、方法以及步驟之特定實施例。該技藝中具有通常技術者由本發明的揭示內容可理解可根據本發明,使用與本申請案所述之對應實施例進行實質相同功能或是達到實質相同結果之目前現存的或是未來發展的製程、機器、製造、物質組合物、手段、方法或是步驟。據此,本申請案之申請專利範圍係將此製程、機器、製造、物質組合物、手段、方法或是步驟包含於其範圍內。
100‧‧‧自動聚焦系統
10‧‧‧成像系統
11‧‧‧光源
12‧‧‧樣品
14‧‧‧成像器
15‧‧‧影像
16‧‧‧影像
20‧‧‧計算裝置
21‧‧‧處理器
22‧‧‧記憶體
Claims (24)
- 一種判定最佳聚焦平面之自動聚焦方法,該方法包括:重建全像影像;辨識該重建影像中的物件,該重建影像包含實數部分與虛數部分;基於該重建影像的該實數部分,進行物件於一深度的第一邊緣偵測;基於該重建影像的該虛數部分,進行該物件於該深度的第二邊緣偵測;基於關於該第一邊緣偵測的第一標準差,得到該物件於該深度的第一清晰程度;以及基於關於該第二邊緣偵測的第二標準差,得到該物件於該深度的第二清晰程度。
- 如請求項1所述之方法,其中辨識該重建影像中的物件係包括:將該重建影像數位化;辨識具有相同數位化值的連接區域;以及切割各個該連接區域。
- 如請求項1所述之方法,其中得到第一清晰程度係包括:得到該第一邊緣偵測的結果之第一梯度;以及得到該第一梯度的第一標準差值。
- 如請求項1所述之方法,其中得到第二清晰程度係包括:得到該第二邊緣偵測的結果之第二梯度;以及得到該第一梯度的第二標準差值。
- 如請求項1所述之方法,進一步包括基於該第一標準差與該第二標準差,判定該物件於該深度的清晰程度。
- 一種判定最佳聚焦平面之自動聚焦方法,該方法係包括:重建全像影像;辨識該重建影像中的物件,該重建影像包含實數部分與虛數部分;基於該重建影像的該實數部分,進行物件於第一範圍中的一組預定深度之第一階段邊緣偵測;基於該重建影像的該虛數部分,進行該物件於該第一範圍中的該組預定深度之第一階段邊緣偵測;基於該第一階段邊緣偵測所偵測的該物件之邊緣的該實數部分與該虛數部分之各自的標準差,評估該物件於該組預定深度的第一階段清晰程度;以及基於該第一階段清晰程度,在該第一範圍內,辨識與該最佳聚焦平面相關的第二範圍。
- 如請求項6所述之方法,其中該組預定深度係包含均勻分布在該第一範圍內的一些深度。
- 如請求項6所述之方法,其中該組預定深度係包含該第一範圍中的第一個四等分點(quartile)、第二個四等分點,以及第三個四等分點。
- 如請求項6所述之方法,進一步包括:基於該重建影樣的振幅,進行該物件於該第二範圍中的第二階段邊緣偵測;以及基於該第二階段邊緣偵測的結果,評估該物件的第二階段清晰程度。
- 如請求項9所述之方法,其中評估該第一階段清晰程度係包括:得到與該實數部分相關的各個該預定深度之該第一階段邊緣偵測的結果之第一梯度:以及 得到該第一梯度的第一標準差值。
- 如請求項10所述之方法,其中評估該第一階段清晰程度係包括:得到與該虛數部分相關的各個預定深度的該第一階段評估的結果之第二梯度;以及得到該第二梯度的第二標準差值。
- 如請求項11所述之方法,進一步包括基於該第一標準差值與該第二標準差值,判定該物件於各個該預定深度的清晰程度。
- 一種在自動聚焦系統中用於判定最佳聚焦平面的計算裝置,該計算裝置係包括:記憶體;一或多個處理器;以及一或多個程式,其係儲存於該記憶體中並且由該一或多個處理器執行,該一或多個程式包含指令用於:重建全像影像;辨識該重建影像中的物件,該重建影像包含實數部分與虛數部分;基於該重建影像的該實數部分,進行物件於一深度的第一邊緣偵測;基於該重建影像的該虛數部分,進行該物件於該深度的第二邊緣偵測;基於關於該第一邊緣偵測的第一標準差,得到該物件於該深度的第一清晰程度;以及基於關於該第二邊緣偵測的第二標準差,得到該物件於該深度的第二清晰程度。
- 如請求項13所述之計算裝置,其中辨識該重建影像中的物件係 包括:將該重建影像數位化;辨識具有相同數位化值的連接區域;以及切割各個該連接區域。
- 如請求項13所述之計算裝置,其中得到第一清晰程度係包括:得到該第一邊緣偵測的結果之第一梯度;以及得到該第一梯度的第一標準差值。
- 如請求項15所述之計算裝置,其中得到第二清晰程度係包括:得到該第二邊緣偵測的結果之第二梯度;以及得到該第一梯度的第二標準差值。
- 如請求項16所述之計算裝置,進一步包括基於該第一標準差值與該第二標準差值,判斷該物件於該深度的清晰程度。
- 一種在自動聚焦系統中用於判定最佳聚焦平面的計算裝置,該計算裝置係包括:記憶體;一或多個處理器;以及一或多個程式,其係儲存於該記憶體中並且由該一或多個處理器執行,該一或多個程式包含指令用於:重建全像影像;辨識該重建影像中的物件,該重建影像包含實數部分與虛數部分;基於該重建影像的該實數部分,進行物件於第一範圍中的一組預定深度之第一階段邊緣偵測;基於該重建影像的該虛數部分,進行該物件於該第一範圍中的該組預定深度之第一階段邊緣偵測;基於該第一階段邊緣偵測所偵測的該物件之邊緣的該實數部 分與該虛數部分之各自的標準差,評估該物件於該組預定深度的第一階段清晰程度;以及基於該第一階段清晰程度,在該第一範圍內,辨識與該最佳聚焦平面相關的第二範圍。
- 如請求項18所述之計算裝置,其中該組預定深度係包含均勻分布在該第一範圍中的一些深度。
- 如請求項18所述之計算裝置,其中該組預定深度係包含該第一範圍中的第一個四等分點(quartile)、第二個四等分點,以及第三個四等分點。
- 如請求項18所述之計算裝置,進一步包括:基於該重建影像的振幅,進行該物件於該第二範圍中的第二階段邊緣偵測;以及基於該第二階段邊緣偵測的結果,評估該物件的第二階段清晰程度。
- 如請求項21所述之計算裝置,其中評估該第一階段清晰程度係包括:得到與該實數部分相關的各個該預定深度的該第一階段邊緣偵測的結果之第一梯度;以及得到該第一梯度的第一標準差值。
- 如請求項22所述之計算裝置,其中評估該第一階段清晰程度係包括:得到與該虛數部分相關的各個該預定深度的該第一階段邊緣偵測的結果之第二梯度;以及得到該第二梯度的第二標準差值。
- 如請求項23所述之計算裝置,進一步包括基於該第一標準差值與該第二標準差值,判定該物件於各個該預定深度的清晰程 度。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103141335A TWI557462B (zh) | 2014-11-28 | 2014-11-28 | 自動聚焦系統與方法 |
PCT/EP2015/078089 WO2016083620A1 (en) | 2014-11-28 | 2015-11-30 | Autofocus system and method in digital holography |
EP15804106.1A EP3224678B1 (en) | 2014-11-28 | 2015-11-30 | Autofocus system and method in digital holography |
JP2017528223A JP6490219B2 (ja) | 2014-11-28 | 2015-11-30 | デジタルホログラフィにおけるオートフォーカスシステムおよびオートフォーカス方法 |
CA2968024A CA2968024C (en) | 2014-11-28 | 2015-11-30 | Autofocus system and method in digital holography |
CN201580065121.7A CN108377658B (zh) | 2014-11-28 | 2015-11-30 | 数字全息术中的自动聚焦***和方法 |
US15/528,202 US10241471B2 (en) | 2014-11-28 | 2015-11-30 | Autofocus system and method in digital holography |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103141335A TWI557462B (zh) | 2014-11-28 | 2014-11-28 | 自動聚焦系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201619652A true TW201619652A (zh) | 2016-06-01 |
TWI557462B TWI557462B (zh) | 2016-11-11 |
Family
ID=54771100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103141335A TWI557462B (zh) | 2014-11-28 | 2014-11-28 | 自動聚焦系統與方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US10241471B2 (zh) |
EP (1) | EP3224678B1 (zh) |
JP (1) | JP6490219B2 (zh) |
CN (1) | CN108377658B (zh) |
CA (1) | CA2968024C (zh) |
TW (1) | TWI557462B (zh) |
WO (1) | WO2016083620A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3260841B1 (en) * | 2016-06-22 | 2024-03-13 | Uponor Oyj | Detecting microscopic objects in fluids |
US11373278B2 (en) * | 2016-09-30 | 2022-06-28 | University Of Utah Research Foundation | Lensless imaging device |
EP3339963B1 (en) * | 2016-12-21 | 2020-08-12 | IMEC vzw | An apparatus and a method for in-line holographic imaging |
JP6969164B2 (ja) * | 2017-05-31 | 2021-11-24 | 株式会社リコー | 評価装置、評価プログラム及び評価方法 |
US11269172B2 (en) * | 2017-11-24 | 2022-03-08 | Sigtuple Technologies Private Limited | Method and system for reconstructing a field of view |
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 |
US10699875B2 (en) * | 2018-11-13 | 2020-06-30 | Fei Company | Confocal imaging technique in a charged particle microscope |
EP3839636B1 (en) * | 2019-12-20 | 2024-03-13 | Imec VZW | A device for detecting particles in air |
CN112098997B (zh) * | 2020-09-18 | 2021-10-15 | 欧必翼太赫兹科技(北京)有限公司 | 三维全息成像安检雷达图像异物检测方法 |
CN112529791B (zh) * | 2020-11-16 | 2023-05-26 | 中国海洋大学 | 基于浮游生物数字全息图像的自适应性多焦点复原方法 |
CN112969026A (zh) * | 2021-03-18 | 2021-06-15 | 德州尧鼎光电科技有限公司 | 一种成像椭圆偏振仪的焦平面自动聚焦方法 |
CN113286079B (zh) * | 2021-05-10 | 2023-04-28 | 迈克医疗电子有限公司 | 图像对焦方法、装置、电子设备及可读存储介质 |
CN113359403B (zh) * | 2021-05-21 | 2022-08-12 | 大连海事大学 | 一种用于无透镜数字全息成像的自动聚焦方法 |
CN114548884B (zh) * | 2022-04-27 | 2022-07-12 | 中国科学院微电子研究所 | 一种基于剪枝轻量化模型的包裹识别方法和*** |
CN116642895B (zh) * | 2023-07-27 | 2023-09-29 | 宏椿智能科技(苏州)有限公司 | 一种焦平面扫掠的五面成像3d重构方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7700903B2 (en) * | 2006-06-09 | 2010-04-20 | Wdi Wise Device Inc. | Method and apparatus for the auto-focussing infinity corrected microscopes |
WO2011160064A1 (en) * | 2010-06-17 | 2011-12-22 | Purdue Research Foundation | Digital holographic method of measuring cellular activity and of using results to screen compounds |
JP5467321B2 (ja) * | 2011-01-21 | 2014-04-09 | 公立大学法人兵庫県立大学 | 3次元形状計測方法および3次元形状計測装置 |
KR102068744B1 (ko) * | 2012-05-04 | 2020-01-21 | 삼성전자주식회사 | 초점 검출장치 |
KR102248266B1 (ko) * | 2013-06-06 | 2021-05-04 | 시리얼 테크놀로지즈 에스.에이. | 홀로그램 데이터를 계산하기 위한 장치 및 방법 |
KR101820563B1 (ko) * | 2014-12-31 | 2018-01-19 | 한국전자통신연구원 | 홀로그램 데이터 포맷과 홀로그래픽 비디오 시스템 장치 및 방법 |
-
2014
- 2014-11-28 TW TW103141335A patent/TWI557462B/zh not_active IP Right Cessation
-
2015
- 2015-11-30 JP JP2017528223A patent/JP6490219B2/ja not_active Expired - Fee Related
- 2015-11-30 CN CN201580065121.7A patent/CN108377658B/zh active Active
- 2015-11-30 US US15/528,202 patent/US10241471B2/en active Active
- 2015-11-30 WO PCT/EP2015/078089 patent/WO2016083620A1/en active Application Filing
- 2015-11-30 CA CA2968024A patent/CA2968024C/en not_active Expired - Fee Related
- 2015-11-30 EP EP15804106.1A patent/EP3224678B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP3224678B1 (en) | 2019-02-27 |
CN108377658B (zh) | 2019-10-18 |
EP3224678A1 (en) | 2017-10-04 |
US20170322516A1 (en) | 2017-11-09 |
JP2017538160A (ja) | 2017-12-21 |
CA2968024A1 (en) | 2016-06-02 |
JP6490219B2 (ja) | 2019-03-27 |
CA2968024C (en) | 2019-11-12 |
TWI557462B (zh) | 2016-11-11 |
US10241471B2 (en) | 2019-03-26 |
WO2016083620A1 (en) | 2016-06-02 |
CN108377658A (zh) | 2018-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI557462B (zh) | 自動聚焦系統與方法 | |
US11580640B2 (en) | Identifying the quality of the cell images acquired with digital holographic microscopy using convolutional neural networks | |
TWI603072B (zh) | 偵測晶圓上之缺陷 | |
EP3186778B1 (en) | System and method for calculating focus variation for a digital microscope | |
US20170219998A1 (en) | System and method for digital inline holography | |
CN112106107A (zh) | 显微镜切片图像的聚焦加权的机器学习分类器误差预测 | |
TW201830006A (zh) | 用於在具有深堆疊層之晶圓中訓練及施加缺陷分類器之系統及方法 | |
JP2017527780A5 (zh) | ||
CN106716485A (zh) | 用于产生结果图像的方法和光学器件 | |
WO2015021417A1 (en) | Adaptive local threshold and color filtering | |
JP2013134666A (ja) | 二値画像生成装置、分類装置、二値画像生成方法および分類方法 | |
JP6298049B2 (ja) | 液体媒質に浸された回折物体の光学的特性を復元する方法、及びシステム | |
KR20150145695A (ko) | 화상 처리 장치, 화상 취득 장치, 화상 처리 방법 및 화상 취득 방법 | |
Burns et al. | Robust particle outline extraction and its application to digital in-line holograms of marine organisms | |
JP7026853B2 (ja) | 画像処理装置、評価システム、画像処理プログラム及び画像処理方法 | |
EP2706505A1 (en) | A method and system for the three-dimensional reconstruction of formations dispersed in a matrix of a material, in particular of inclusions in crystalline matrices | |
FR2857484A1 (fr) | Scoring automatique en radiologie numerique, en particulier en mammographie | |
Dyomin et al. | Methods for image enhancement and accuracy increase in the digital holography of particles | |
Bankhead et al. | Detecting Ca2+ sparks on stationary and varying baselines | |
CN109075101B (zh) | 检测目标组件中的缺陷的***、方法及计算机可读媒体 | |
Dyomin et al. | Physical Principles of the Method for Determination of Geometrical Characteristics and Particle Recognition in Digital Holography. | |
KR102578312B1 (ko) | 홀로그램 기반 대상체 3차원 계측 장치 및 방법 | |
JP7147982B2 (ja) | 細胞立体形状評価方法及び細胞観察装置 | |
Yu et al. | Applying multifractal spectrum combined with fractal discrete brownian motion model to wood defects recognition for sawing | |
Caldeira | Development of bioinformatics tools to track cancer cell invasion using 3D in vitro invasion assays |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |