膜蛋白在细胞膜上的时空分布形式决定了其活性状态及功能，在调控细胞生命活动过程中起着重要作用。单分子定位超分辨成像（SMLM）技术为在纳米尺度解析膜蛋白的空间分布提供了可能，但分辨率的极大提升对图像准确聚类分割提出了更高要求。基于密度的空间聚类算法（DBSCAN）是常用的聚类方法之一，但其对于膜蛋白分布不均匀的SMLM超分辨图像的分割效果往往不太理想。本文提出了一种结合多次DBSCAN和层次聚类的混合聚类算法，该算法以DBSCAN方法为分割基础，通过进一步的面积阈值分析和层次聚类，在保持超分辨点簇图像精确聚类识别的前提下，仍能保留每个点簇内的多次定位信号。将该算法应用于模拟数据集和实验数据分割得到的轮廓系数等性能普遍优于传统DBSCAN算法。这种混合聚类方法为膜蛋白SMLM超分辨图像的聚类分割提供了新思路和新方法，有助于更精准地分析膜蛋白在纳米尺度上的空间分布信息。

针对目前图像超分辨率重建方法中未能充分利用图像全局信息和局部信息, 导致重构结果缺失源图像部分关键信息的问题, 提出了一种多尺度密集残差网络来实现图像的超分辨率重建。网络以密集残差为基础, 融合了图像的多尺度特征信息, 保证了网络在深度上不损失特征信息的同时,获得更多不同感受野下的特征信息, 避免源图像关键信息的过度丢失。此外, 为从具有低频冗余信息的低分辨率图像中恢复包含足够高频信息的高分辨率图像, 网络还结合空间注意力与通道注意力机制, 以不平等的方式处理不同尺度下的低分辨率特征。通过与密集残差网络等超分辨率方法在Set5数据集上的对比实验, 可有效突出特征图中的高频分量, 使网络更好地学习并拟合标签图像的特征信息, 提升图像超分辨率重建性能。

SRGAN是基于深度学习的图像超分辨率的典型方法, 重建效果较好, 但该算法还存在一些缺陷, 在提高图像质量和运行速度上仍然有较大提升空间。本文在SRGAN网络模型的基础上提出了一个优化模型。因为批量归一化(BN)层在超分辨图像重建中常常会忽略一些图像的细节, 同时增加网络的复杂度, 所以在SRGAN的生成器中去除了BN层, 并引入ECA通道注意力, 使每个残差块生成特征图获得相应的权重, 以便处理更多的图像细节。经过公开数据集的训练和对比实验, 结果表明提出的改进模型相比于对比模型, 重建图像的细节恢复更丰富, 视觉效果更好, 峰值信噪比和结构相似性表现更佳, 模型**数量更少。

Structured illumination microscopy (SIM) is an essential super-resolution microscopy technique that enhances resolution. Several images are required to reconstruct a super-resolution image. However, linear SIM resolution enhancement can only increase the spatial resolution of microscopy by a factor of two at most because the frequency of the structured illumination pattern is limited by the cutoff frequency of the excitation point spread function. The frequency of the pattern generated by the nonlinear response in samples is not limited; therefore, nonlinear SIM (NL-SIM), in theory, has no inherent limit to the resolution. In the present study, we describe a two-photon nonlinear SIM (2P-SIM) technique using a multiple harmonics scanning pattern that employs a composite structured illumination pattern, which can produce a higher order harmonic pattern based on the fluorescence nonlinear response in a 2P process. The theoretical models of super-resolution imaging were established through our simulation, which describes the working mechanism of the multi-frequency structure of the nonsinusoidal function to improve the resolution. The simulation results predict that a 5-fold improvement in resolution in the 2P-SIM is possible.

提出了一种基于生成式对抗网络的细小桥梁裂缝分割方法。该方法在判别器结构中引入分割分支,将生成式对抗网络与语义分割网络合二为一,兼具超分辨率图像重建功能与分割功能。在处理细小桥梁裂缝分割问题时,该方法先将低分辨率的细小桥梁裂缝图像转换为超分辨率的粗大型桥梁裂缝图像,再对转换后的超分辨率图像进行分割。实验结果表明,该方法更容易识别出细小桥梁裂缝并实现准确分割,与传统的分割方法相比,该方法的分割召回率提高了6%,平均交并比提高了10%。

为提高圆孔的光学显微测量准确性,研究了基于超分辨图像复原的显微圆孔孔径测量方法。该方法通过超分辨图像复原处理圆孔显微图像,提高了传统光学显微系统对圆孔成像的分辨率,确定了以超分辨复原图像灰度值为0.399作为圆孔物理边缘判据,实现对圆孔边缘的准确探测。理论分析表明该方法可准确测量微米级及以上直径圆孔。核孔膜孔径测量实验中,由二值化图像得到孔径测量结果为6.35 μm(测量不确定度为0.08 μm),与扫描电镜测量结果6.268 μm(测量不确定度为0.083 μm)相符,测量误差仅0.08 μm。该技术有助于实现对圆孔形状的快速、准确在线测量。

针对现有超分辨率算法重建后的红外图像存在对比度差、信噪比低、视觉效果模糊的缺点, 提出一种基于视觉对比度特性的红外图像超分辨率重建算法。该算法首先利用人眼在不同灰度级的分辨能力不同, 通过引入红外图像对比度这一先验信息重建红外图像, 其次构建一噪声度量因子以区分图像目标与噪声, 然后对目标边缘进行增强, 噪声进行滤除。实验结果表明:经过改进算法重建的超分辨率红外图像对比度提高了 2倍, 噪声得到了有效抑制, 视觉效果明显改善。

旋转倾斜光学平板是一种光学微扫描方法, 为了解决其对光学平板尺寸要求苛刻的问题, 采用一种大步长扫描法, 理论分析了该方法对频谱混叠和探测器调制传递函数的影响, 并结合实验仿真对超分辨重建图像的质量评价参量进行了实验验证。结果表明, 该方法不但降低了平行平板加工难度, 而且依然能抑制图像频谱混叠并保持探测器调制传递函数。