[发明专利]深度学习全在焦显微图像获取方法

说明书

一种深度学习全在焦显微图像获取方法，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。在完成网络训练后，通过采集一张明场图像可以快速准确地获取全在焦图像。通过在深度学习模型训练过程中加入物理反馈，增加了深度学习模型的准确性和泛化性。

技术领域

本发明涉及显微图像处理技术，特别是涉及深度学习全在焦显微图像获取方法。

背景技术

在现有的显微镜系统中，为了获取高分辨率的显微图像，会使用高数值孔径的物镜，就会导致系统的景深很小，无法对厚样本进行全在焦成像。传统的全在焦图像获取是通过在一个视场内采集z堆栈，然后进行多焦点融合。这种方法需要耗费大量的时间获取z堆栈，并且对于欠采样的图像堆栈，融合方法无法消除对焦位置在相邻两个堆栈之间的区域的模糊。因此，传统的采集图像堆栈的方式速度较慢，并且对于欠采样的图像堆栈，无法通过融合方法得到全在焦图像。基于物理模型的方式也需要通过三张以上的图像才可以计算出全在焦图像，因此速度较慢。

需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的主要目的在于克服上述背景技术存在的问题，提供一种深度学习全在焦显微图像快速获取方法。

为实现上述目的，本发明采用以下技术方案：

一种深度学习全在焦显微图像获取方法，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。

进一步地：

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小于该系统的景深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。

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。

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。

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。