[发明专利]深度学习全在焦显微图像获取方法

权利要求书

1.一种深度学习全在焦显微图像获取方法，其特征在于，包括如下步骤：

1)在显微切片的每个视场位置通过调节物镜轴向位置，采集明场图像堆栈；

2)根据所述明场图像堆栈获取对应视场的全在焦图像，以及所述明场图像堆栈中每张图像对应的深度矩阵；

3)使用获取的训练数据进行深度学习网络模型训练，在训练过程的每个epoch，计算损失函数时，添加基于物理模型反馈部分；

步骤1)中，所述明场图像堆栈中每两张图像z轴向的间距△z小于系统的景深d；

步骤2)中，针对要获取的全切片真值每个像素点位置，从所述明场图像堆栈的对应位置找一个临近像素对比度最高的点，该点的像素值即为要获取的全在焦图像对应像素点的值。

2.如权利要求1所述的深度学习全在焦显微图像获取方法，其特征在于，步骤2)中，用横向和纵向索贝尔算子与每个图像做卷积，卷积结果对应像素点求平方和之后开根，所得即为明场图像的清晰度图，所述全在焦图像的每个像素点位置的取值为所述清晰度图中该像素点位置数值最大的明场图像该点所对应的像素值。

3.如权利要求2所述的深度学习全在焦显微图像获取方法，其特征在于，步骤2)中，获取对应视场的全在焦图像具体包括：

对于每个视场，明场图像堆栈采样的轴向间距为△z，每张明场图像的大小为W*H,该视场的明场图像堆栈中包含N张图像，该图像堆栈总像素数为W*H*N；

对于每张明场图像，分别与横向索贝尔算子和纵向索贝尔算子做卷积，将卷积结果平方和后开根得到该明场图像的所述清晰度图；

该视场当中，像素点(x0,y0)位置对应的全在焦图像真值为N张明场图中对应(x0,y0)点的数值最大的图像的(x0,y0)点的值。

4.如权利要求1至3任一项所述的深度学习全在焦显微图像获取方法，其特征在于，步骤2)中，获取所述明场图像堆栈中每张图像对应的深度矩阵即深度图具体包括：

在获取全在焦图像的过程中已经获得每个像素点(x0,y0)准焦点所在图像层；

将每个像素点(x0,y0)点在每个明场图像的深度值改成为到准焦层的距离。

5.如权利要求1至3任一项所述的深度学习全在焦显微图像获取方法，其特征在于，步骤3)中，使得网络拟合得到的全在焦图像能够通过物理模型传播为网络输入的明场图像，其中，训练过程的损失函数使网络的输入接近全在焦图像，而网络的输出能够通过物理模型传播为网络输入。

6.如权利要求5所述的深度学习全在焦显微图像获取方法，其特征在于，所述损失函数包括如下的两部分：

其中，f(C)为当前网络将输入的明场图像转为的全在焦图像，C为输入的明场图像，G为全在焦图像，prop_z[f(C)]为物理反馈的过程；

其中，第一部分为深度学习拟合全在焦图像的损失函数，使网络输出接近于全在焦图像的全切片真值；第二部分为基于物理模型反馈的损失函数，使获得的全在焦图像能够使用角谱理论传播为在当次循环中使用的明场图像。

7.如权利要求1至3任一项所述的深度学习全在焦显微图像获取方法，还包括如下步骤：

4)使用训练完成的深度学习网络模型，通过拍摄的一张明场图像，获取当前视场的全在焦图像。

8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机由处理器执行时，实现如权利要求1至7任一项所述的深度学习全在焦显微图像获取方法。