1 西安电子科技大学杭州研究院,浙江 杭州 311231
2 西安电子科技大学光电工程学院,陕西 西安 710071
3 杭州电子科技大学通信工程学院,浙江 杭州 310018
4 康涅狄格大学生物医学工程系,美国 斯托斯06269
叠层成像技术是近年来发展快速的相干衍射成像方法,目前已经成为世界上大多数X射线同步加速器和国家实验室不可或缺的成像工具。光学叠层成像是叠层成像技术在可见光波段的应用,分为基于透镜的傅里叶叠层成像与基于无透镜的编码叠层成像。编码叠层成像作为一种新型无透镜片上显微成像技术,具有大视场、高分辨率、无像差、无标记、便携式,以及缓变相位成像等诸多技术优点。本文介绍无透镜编码叠层显微成像的基本原理及最新研究进展,分析了其成像性能,重点介绍了其在生物医学方面的相关应用,并讨论了编码叠层成像技术未来的发展方向。
叠层成像 编码叠层 无透镜成像 计算成像 显微成像 激光与光电子学进展
2024, 61(6): 0618003
1 江苏科技大学理学院,江苏 镇江 212100
2 山东大学信息科学与工程学院,山东 青岛 266237
叠层成像的成像分辨率会受到数值孔径和电荷耦合器件(CCD)像素尺寸的限制。CCD靶面有限则数值孔径有限,采集大光斑图像时,易丢失CCD靶面边缘的部分高频信息。此外,像素尺寸较大会导致成像时采样率不足,也会丢失部分细节高频信息。提出了一种高分辨率叠层成像方法,可同时处理数值孔径和CCD像素尺寸的分辨率限制问题。首先,利用外推法补充因数值孔径有限丢失的高阶衍射信息,之后将外推法重建的图像代入基于多权重损失函数的生成对抗网络中,即可快速解决像素尺寸受限问题,提高成像分辨率。多权重损失函数为均方误差、特征图误差和对抗误差的加权和。通过设置合理的权重,可以实现像素和视觉层面的均衡处理。仿真及实验结果表明,该方法在提高叠层成像系统分辨率上具有显著效果,且运算效率高。
超分辨率 叠层成像 外推法 生成对抗网络 多权重损失函数 激光与光电子学进展
2024, 61(8): 0811003
光学 精密工程
2022, 30(23): 2975
1 中国科学院上海光学精密机械研究所高功率激光物理联合实验室,上海 201800
2 中国科学院中国工程物理研究院高功率激光物理联合实验室,上海 201800
3 中国科学院大学材料与光电研究中心,北京 100049
4 江南大学理学院,江苏 无锡 214122
倾斜刃边法测量光学传递函数(OTF)只能准确地获取单一方向上的调制传递函数(MTF),且无法测量Zernike像差系数。傅里叶叠层成像技术在获得超分辨图像的同时能够重建光学系统的光瞳函数,实现Zernike像差系数和二维OTF的振幅与相位的测量。以往通过相机整体平移进行孔径扫描来实现宏观傅里叶叠层成像的方法难以适用于OTF测量光路中,因此提出了电控平移台带动照明光纤运动来实现光瞳在频域的平移,具有移动间距可调、亮度高和相干性好的优点。根据OTF测量光路搭建了实验平台,利用宏观傅里叶叠层成像技术对双胶合透镜及其存在遮拦的情况进行了测量,重建其光瞳函数,计算出Zernike像差系数和OTF。通过测量高清成像镜头,分析了采集步数和重叠率对准确性的影响。实验结果表明,子午方向和弧矢方向的MTF测量结果与传函仪测量结果的均方误差在10-4量级。
测量 光学传递函数 调制传递函数 傅里叶叠层成像 光学测量 光瞳函数 光学学报
2022, 42(14): 1412003
1 江苏科技大学理学院, 江苏 镇江 212100
2 山东大学信息科学与工程学院, 山东 青岛 266237
扩展叠层成像方法(ePIE)到达收敛条件时需消耗大量迭代次数及计算时间,计算负担大。为提高ePIE的收敛速度,提出了一种基于非全局轴向多光强限制的快速收敛ePIE。该方法要求经样品调制的衍射光强由分光棱镜分束后用两个相同型号但轴向距离不同的CCD接收,在成像算法上分为2次轴向多光强限制和ePIE重建阶段。轴向多光强限制阶段在ePIE中加入了两个CCD平面之间的往返迭代及强度限制,可约束物函数和照明光场函数向有效方向更新,进而提高收敛速度;ePIE重建阶段使用常规ePIE算法,既能保持轴向多光强限制阶段带来的有效收敛速度,又能减少两个CCD多次往返的衍射计算,提高时间效率。仿真及实验结果表明,本方法在收敛速度和时间效率方面均具有优越的性能。
信息处理 相位复原 叠层成像 快速收敛 非全局轴向多光强限制 中国激光
2021, 48(21): 2109002
1 哈尔滨工业大学(深圳)计算机科学与技术学院, 广东 深圳 518055
2 清华大学深圳国际研究生院, 广东 深圳 518055
傅里叶叠层成像技术(FP)可重构出宽视场、高分辨率的物体幅值和相位分布,随着深度学习技术的不断发展,神经网络已成为求解计算成像中非线性逆问题的重要手段之一。针对FP系统数据特异性强、数据量少等特点,提出了一种结合计算成像先验知识和深度学习的算法,设计了基于物理模型的神经网络框架,并对仿真样本进行了验证。此外,还搭建了远场透射系统,对宏观物体的图像序列进行FP重建验证。实验结果表明,该系统能用有限的仿真与真实数据集重构出高分辨率样本的复振幅分布,且对光学像差与背景噪声的鲁棒性较强。
成像系统 傅里叶叠层成像技术 光学超分辨率 计算成像 深度学习 激光与光电子学进展
2021, 58(18): 1811020
1 特种显示技术国家工程实验室,合肥工业大学 光电技术研究院,安徽 合肥 230009
2 合肥工业大学 电子科学与应用物理学院,安徽 合肥 230009
3 合肥工业大学 仪器科学与光电工程学院,安徽 合肥 230009
4 合肥溪流光电科技有限公司,安徽 合肥 230009
在傅里叶叠层成像(FPM)过程中采集的低分辨率图像会对重建图像质量产生直接影响,已有的研究提出用图像超分辨率重建技术和对低分辨率图像进行传统去噪处理的方法来解决该问题,但超分辨率重建的方法需要采集大量的原始图像,会加大采集端的时间损耗,而传统去噪算法会造成原始信息丢失,严重影响重构图像质量。因此论文引入凸优化算法,噪声图像的恢复可以通过求解一个凸优化模型来实现,并用迭代收缩阈值算法来求解该模型,算法中采用Barzilai-Borwein(BB)规则在每次迭代时初始化线搜索步长,加快收敛速度,选用软阈值函数,使图像去噪时原始信息丢失减少,最终重构图像的PSNR为27.634 6 dB,SSIM为0.926 1,所需处理时间为5.850 s,因此基于凸优化的傅里叶叠层成像技术具有时间损耗不大的情况下提高重构图像质量的优点。
傅里叶叠层成像 图像去噪 凸优化 迭代阈值 Fourier ptychographic microscopy image denoising convex optimization iterative threshold