[发明专利]一种基于深度学习的图像跨尺度超分辨率方法

权利要求书

1.一种基于深度学习的图像跨尺度超分辨率方法，其特征在于，包括以下步骤：

步骤1：采集低分辨率原始共聚焦生物图像；

步骤2：对于获取到的原始共聚焦生物图像，通过图像处理算法去除噪声和冗杂信息，并得到对应的高分辨率清晰生物图像；

步骤3：将原始共聚焦生物图像和对应的高分辨率清晰生物图像组成图像对，构建生物图像数据集；

步骤4：使用步骤3生成的生物图像数据集对深度神经网络U-net进行训练，将低分辨率原始共聚焦生物图像作为输入，高分辨率清晰生物图像作为标签图像，使深度神经网络U-net学习到低分辨率原始共聚焦生物图像和高分辨率清晰生物图像之间的关系；

步骤5：将待检测的低分辨率原始共聚焦生物图像输入到步骤4训练完成的深度神经网络U-net中，进行超分辨率检测，得到去除噪声及冗余信息的清晰的超分辨率图像；

步骤6：使用峰值信噪比PSNR和图像截面亮度曲线对比低分辨率原始共聚焦生物图像和由深度神经网络U-net得到的对应的清晰的超分辨率图像之间的质量提升；

步骤7：将多张相邻的原始共聚焦生物图像输入步骤4训练完成的深度神经网络U-net中得到对应的清晰的超分辨率输出结果图，对这些结果图进行三维重构，得到跨尺度微纳结构的三维构象高分辨率还原。

2.根据权利要求1所述的一种基于深度学习的图像跨尺度超分辨率方法，其特征在于，所述采集低分辨率原始共聚焦生物图像的方法为共聚焦显微镜分层扫描的方法。

3.根据权利要求1所述的一种基于深度学习的图像跨尺度超分辨率方法，其特征在于，所述图像处理算法包括小波算法、Lucy-Richardson算法、裁剪和插值方法。

4.根据权利要求3所述的一种基于深度学习的图像跨尺度超分辨率方法，其特征在于，所述裁剪是将一张2048×2048尺寸大小的原始共聚焦生物图像，按照等间隔裁剪为16张512×512的图像。

5.根据权利要求1所述的一种基于深度学习的图像跨尺度超分辨率方法，其特征在于，所述步骤5中进行超分辨率检测时，进行以下处理：

步骤5-1：将原始的2048×2048尺寸大小的原始共聚焦生物图像按等间隔裁剪为16张512×512尺寸大小的子图像；

步骤5-2：将这16张子图像输入U-net深度神经网络中，得到对应的16张超分辨率子图像；

步骤5-3：将这16张超分辨率子图像组合，则得到原始共聚焦生物图像对应的2048×2048尺寸大小的超分辨率图像。

6.根据权利要求1所述的一种基于深度学习的图像跨尺度超分辨率方法，其特征在于，所述峰值信噪比PSNR的计算方法如下：

将低分辨率原始共聚焦生物图像用I表示，经过深度神经网络U-net得到的对应的清晰的超分辨率图像用J表示，则I是J的噪声近似，它们的尺寸大小是m×n，它们的均方差表示为：

图像的峰值信噪比为：

其中，MAX_K是表示图像点颜色的最大值。

7.根据权利要求1所述的一种基于深度学习的图像跨尺度超分辨率方法，其特征在于，所述图像截面亮度曲线是对低分辨率原始共聚焦生物图像和对应的清晰的超分辨率图像分别做横切面和纵切面进行获取的；对比图像截面亮度曲线，根据图像半高全宽FWHM的变化，估算图像空间分辨率的提升倍数。