基于RBF神经网络的COSM图像复原算法

在计算光学切片显微技术成像中,每幅切片图像都要受到其他离焦层信息的干扰,引起图像模糊。针对此问题提出了一种基于RBF神经网络的复原算法,利用神经网络的学习和泛化能力,用一组样本图像对网络进行训练,建立含有离焦模糊信息的模糊三维图像与其对应清晰图像间的非线性映射关系,然后用训练好的网络进行图像复原。实验证明该算法的复原速度快,且复原的三维图像在主观视觉和定量分析上都获得了较好的效果。

调整EM算法结合加权小波在COSM中的应用

用基于深度变化成像模型的调整EM算法进行三维显微图像复原,不能更好地复原图像细节,而且耗时长。为提高图像的复原质量,缩短时间,提出把调整EM算法与加权小波相结合的算法。该算法先对加权小波系数进行调整,再用调整EM算法进行迭代复原。实验表明复原效果得到改善,并减少了迭代次数,效率明显提高。

维纳滤波和调整EM算法在COSM中的应用

用基于深度变化成像模型的调整EM算法进行三维显微图像复原,不能更好地复原图像细节,而且耗时长。为提高图像的复原质量,缩短时间,提出把维纳滤波和调整EM算法相结合的算法。该算法首先利用加权小波去除图像的部分离焦模糊,再用维纳滤波算法进行滤波复原,最后用基于深度变化成像模型的调整EM算法对序列图进行复原。实验表明复原效果得到了明显改善,并减少了迭代次数,效率明显提高。

基于Markov随机场的自适应正则化三维显微图像复原

提出了基于马尔可夫随机场模型的正则化因子自适应调整三维显微图像复原算法,并用模拟序列样本和真实生物样本进行了实验.为了保持复原图像的边缘等细节信息,以Markov随机场模型作为图像的先验概率模型,对代价函数添加边缘约束惩罚项.其中,正则化因子在迭代过程中自适应地进行更新.实验结果表明此算法在对原始图像进行估计的同时,能够有效地保留图像的边缘等细节信息.而EM算法虽然能够有效地去除层间干扰,却丢失了大量的细节信息.

基于小波变换的深度预测复原算法研究

提出了一种基于小波变换的深度预测算法,并将此算法应用于计算光学切片的图像复原.对序列图进行一层小波分解,然后确定阈值和预测规则,对序列图进行预测.根据预测结果进行小波反变换,将图像复原.实验表明:小波系数应取三个高频分量的绝对值及部分低频信息之和;阈值Г随添加低频分量值的比例的增大而增大;采用微分算子规则具有较好的预测和复原效果.该方法计算量小、不需要迭代、不需要点扩展函数,针对没有交叠的序列图有较好的复原效果.

基于最小二乘准则的模糊估计和图像复原

在计算光学显微成像技术中,点扩展函数往往是未知的,且不易获取,从而给图像复原带来很大困难。基于最小二乘准则和最优化理论,提出了利用变尺度法的三维点扩展函数参数估计算法;针对传统EM算法存在复原效果细节丢失严重等问题,提出最小二乘共轭梯度三维图像复原算法。算法在点扩展函数参数估计和求解真实图像之间进行交替迭代,从而得到图像的最优估计。实验表明,新算法在较短时间内,能够较准确地估计出点扩展函数参数,并得到较好的复原结果。

小波变换在三维EM图像复原中的应用

提出了一种新的基于小波变换的三维EM(Expectation Maximum)图像复原算法,并将该算法用于显微光学切片的图像复原中。该算法分别在傅里叶域和小波域内交替进行,在傅里叶域进行解卷积,在小波域进行去噪。实验表明,通过对参数的合理选取,可很好地对三维图像进行复原。同时和已有的调整EM图像复原算法相比,迭代的次数少,效率明显提高。

生物医学图像信息分析的相关研究

生物医学图像信息分析,是当今的前沿研究课题。文章介绍了在生物医学图像信息分析方面开展的相关研究及其方法,主要包括生物医学显微三维成像技术、心室压力-容积关系的超声图像分析与辅助诊断研究、基于光栅投影三维成像与三维重建的美容整容的设计技术。

基于改进NAS-RIF的三维显微图像盲复原

对二维NAS-RIF算法进行了改进,并将它用于三维显微图像复原,分别用模拟样本和真实生物样本进行了实验。针对原算法对噪声有放大作用,提出了基于中值滤波去噪的改进。在支持域的确定、最小点的搜索上进行改进,提高复原质量。改进了原算法仅适用于均匀背景的不足,扩大了应用范围。实验结果表明,该算法在三维显微图像盲复原中具有较好的效果。

基于三维高斯模型的参数盲解卷积算法

提出了一种新的基于三维高斯点扩展函数(PSF)模型的参数盲解卷积(PBD)算法,并将此算法用于显微光学切片的图像复原。由于PBD算法需要在估计样本函数的同时估计PSF的参数,一般采用的PSF的模型较为复杂,计算量大,收敛慢;而基于三维高斯PSF模型的算法只需要估计2个参数,因此计算量大大降低了。经过实验验证,该算法能够较好地复原光学切片的图像,并且估计出PSF的参数。