光学 精密工程
2023, 31(21): 3167
1 河北工程大学 数理科学与工程学院,邯郸 056038
2 河北省计算光学成像与光电检测技术创新中心,邯郸 056038
为了避免传统全息重建方法步骤繁杂且重建效果易受噪声干扰等问题,采用一种改进的语义分割U型网络用于全息图超分辨重建工作。首先引入新型的端侧神经网络,用来充分获取更多的图像语义信息,增强网络学习性能; 其次加入深度神经卷积网络的高效通道注意力以提高网络关注全息图中细节信息的能力,进一步提升网络精度,同时采用带泄露修正线性单元作为激活函数,加快网络收敛; 并采用血细胞和鸡血细胞的低分辨率全息图进行训练,取得了超分辨重建强度和位相图。结果表明,改进网络能够快速重建出细节信息丰富、边缘纹理清晰、背景平坦的位相和强度图像,血细胞强度重建图的结构相似性指数和峰值信噪比分别达到0.9613和27.38,同时可对不同尺度的全息图进行重建。该研究为使用深度学习方法提高全息图质量提供了参考。
全息 超分辨重建 通道注意力机制 端侧神经网络 多尺度重建 holography super-resolution reconstruction channel attention mechanism end-side neural network multi-scale reconstruction
南京邮电大学电子与光学工程学院、柔性电子(未来技术)学院,南京 210000
在公共安全、**等领域高分辨率热红外图像能够提供更多的场景细节信息, 有着广泛的应用需求,但高昂的设备成本限制了高分辨率红外图像的获取。为此设计了一种多级跳线深层残差卷积神经网络(DR-CNN), 通过软件超分辨的方法重构出高分辨率的红外图像。采用多级跳线双通道注意力残差块增加卷积深度以解决卷积层间缺乏关联性的问题; 使用Concat模块实现局部特征信息的融合, 利用反卷积层进行特征图像的上采样, 使其直接从低分辨率图像学习到高分辨率图像以降低训练的复杂度, 加快运行速度。所提算法与SRCNN, FSRCNN和ADSR等算法进行对比测试, 使用峰值信噪比(PSNR)和结构相似度(SSIM)作为算法的评价指标。实验结果表明提出的RD-CNN算法优于其他对比算法, 生成的高分辨率图像细节丰富且清晰。
热红外图像 超分辨重建 多级跳线 双通道 注意力残差块 Concat层 thermal infrared image super-resolution reconstruction multi-level skip dual-channel attention residual block Concat layer
1 河北工业大学 人工智能与数据科学学院，天津 300401
2 河北工业大学 先进激光技术研究中心，天津 300401
3 河北省先进激光技术与装备重点实验室，天津 300401
4 河北工程大学 数理科学与工程学院，河北 邯郸 075000
5 运城学院 物理与电子工程系，山西 运城 044000
针对现有的太赫兹成像系统所需硬件设备复杂且昂贵的问题，设计了基于单幅图像超分辨重建的连续波太赫兹成像系统，降低设备复杂度和硬件成本。通过对该成像系统生成的太赫兹图像进行双维度预处理，降低图像处理的占用内存，提高后续处理速度。引入限制对比度自适应直方图均衡方法对太赫兹图像进行分区域对比度提升，有效解决太赫兹图像对比度低的问题。利用稀疏表示和字典学习实现太赫兹图像的超分辨重建，提出了反余割拟牛顿平滑零范数的算法解决零范数优化问题，提高了重建精度。通过对该成像系统采集的单幅太赫兹图像进行超分辨重建，在边缘强度上提高了3.232，在平均梯度对比中提高了0.300，验证了对单幅太赫兹图像超分辨重建的有效性与优越性。
太赫兹成像 连续太赫兹波 超分辨重建 terahertz imaging continuous terahertz waves super-resolution reconstruction 红外与激光工程
2023, 52(1): 20220292
1 陕西科技大学电子信息与人工智能学院, 陕西 西安 710021
2 日本爱知县立大学信息科学学院, 爱知 长久手 480-1198
针对现有基于深度卷积神经网络模型的图像超分辨重建技术存在图像特征提取尺度单一和中间层次特征利用不充分等问题,提出了一种多尺度残差聚合特征网络模型。首先,该模型利用不同扩展系数的扩展卷积和残差连接设计了一种混合扩展卷积残差块(HERB),有效地提取到图像多个尺度的特征信息;其次,引入了一种特征聚合机制(AM),解决了网络中间层次特征利用不充分的问题。在常用的5种数据集上进行的实验结果表明,所提网络模型在主观视觉效果和客观评价指标上都比其他模型具有更好的性能。
图像处理 超分辨重建 多尺度特征信息 扩展卷积 残差连接 聚合机制 激光与光电子学进展
2021, 58(24): 2410011
1 南京理工大学 智能弹药技术国防重点学科实验室，江苏 南京 210094
2 西南技术物理研究所，四川 成都 610041
3 北京信息科技大学 高动态导航技术北京市重点实验室，北京 100101
为了解决TOF(Time of Flight)相机获取的深度像分辨率较低的问题，基于导向滤波器提出了一种边缘区域约束的超分辨率重建算法。首先对低分辨深度像进行初始上采样，利用多尺度边缘检测提取深度像的边缘区域；然后根据同场景中灰度图像与深度像的边缘相似性，提取公共边缘区域；最后，根据灰度图像的边缘像素在公共边缘区域中的位置约束导向滤波器的系数生成，重新对导向滤波器的系数进行加权，从而构建出高分辨率的深度图。通过标准数据库Middlebury数据集进行验证，与3种近年来基于滤波的超分辨重建算法相比较，文中方法既能有效地保护重建深度像的边缘结构，同时具有较高的计算效率。研究结果可以为低分辨激光成像雷达的目标识别、场景重建等对实时性要求较高的工程应用提供理论依据。
超分辨重建 导向滤波 深度像 边缘区域约束 super-resolution reconstruction guided filter depth map edge area constraint 红外与激光工程
2021, 50(1): 20200081
1 弱光非线性光子学教育部重点实验室, 南开大学物理科学学院, 泰达应用物理研究院, 天津 300071
2 天津大学精密仪器与光电子工程学院, 光电信息技术教育部重点实验室, 天津 300072
3 药物化学生物学国家重点实验室, 南开大学生命科学学院, 天津 300071
4 极端光学协同创新中心, 山西大学, 山西 太原 030006
21世纪初诞生的超分辨光学成像技术在生命科学研究中发挥着巨大作用,极大地增强了人们探索微纳尺度亚细胞结构的能力,然而这些成像技术往往耗时长,成本高。如今,许多研究者致力于基于深度学习的图像超分辨重建算法的研究中。利用自主搭建的随机光学重构超分辨显微镜获得细胞微管骨架超分辨图像,然后采用双线性插值降采样法处理得到低分辨率输入图集,再分别使用传统的三次样条插值法和增强型深度超分辨率神经网络进行学习训练,实现低分辨率图像的超分辨重建。结果表明:通过深度学习所重建的各种降采样的图像效果均优于采用传统插值法得到的图像效果,尤其是二倍降采样重建图像在主观和客观评价指标上可比拟实验获得的微管骨架超分辨图像。基于增强型深度超分辨率神经网络的细胞骨架图像超分辨重建有望提供一种简捷、有效和高性价比的成像方法,可应用于对细胞骨架超微结构的快速预测。
图像处理 深度学习 图像超分辨重建 随机光学重构显微术 细胞骨架 光学学报
2020, 40(24): 2410001
1 河南工程学院计算机学院，郑州 451191
2 郑州大学信息工程学院，郑州 450052
由于大部分超分辨率图像重建方法都是建立在图像的点扩散函数为已知或假设点扩散函数为高斯模糊核的条件下, 但真实的低分辨率图像中的点扩散函数并不是高斯函数, 而是由随机的相机抖动造成的。为了提高重建的超分辨率图像质量并使其更接近真实场景, 提出了一种基于L0范数稀疏表达的图像盲超分辨率重建方法。首先利用了基于L0范数的梯度最小化方法估计出超分辨率图像中的点扩散函数, 再通过点扩散函数的估计在超分辨率重建的过程中有效地去除图片的模糊效应, 最后利用反向传播算法, 使重建的超分辨率图像更接近真实。通过实验结果表明, 提出的方法相对于双三次插值法和基于多字典学习的图像超分辨率重建算法可以得到更清晰的重建效果, 峰值信噪比和平均结构相似度均有提高, 最后在真实图片重建测试效果中也得到了更好的验证。
盲超分辨重建 图像处理 去模糊 点扩散函数估计 L0范数稀疏表达 反向传播算法 blind super-resolution reconstruction image processing deblurring point spread function L0 norm sparse representation backward propagation algorithm
1 天津大学 精密仪器与光电子工程学院, 天津 300072
2 天津三英精密仪器股份有限公司, 天津 300399
3 中国科学院高能物理研究所, 北京 100049
在不改变现有硬件条件的情况下, 开展超分辨扫描重建方法, 可以在不增加系统成本的基础上提高高分辨X射线显微镜的成像性能.设计了基于亚像素扫描的超分辨扫描模式, 按照设计的调制方式进行亚像素位移的移动, 采集多幅具有互补信息的低分辨率图像; 然后基于系统的点扩散函数, 对高分辨率图像进行复原; 最后结合POCS超分辨重建算法重建出高分辨图像.实验结果表明, 10倍光耦探测器下的衬度噪声比提高了20%左右, 空间分辨力提高了0.2 μm(约15%), 细节分辨能力超过探测器像素尺寸1.35 μm的限制, 可以看到在低分辨率图像中看不到的细节.实验说明用超分辨技术提高高分辨X射线显微镜的分辨率是有意义的.
X射线显微镜 超分辨重建 空间分辨率 亚像素移动 POCS算法 X-ray microscope Super-resolution reconstruction Spatial resolution Sub-pixel scanning POCS algorithm 光子学报
2017, 46(12): 1211001
