基于多尺度特征融合网络的傅里叶叠层成像

傅里叶叠层成像是一种实现光学系统高分辨率、大视场成像的技术。传统FP方法的高分辨率重建过程需要较高的孔径重叠率,导致采集图像数量较多,采样效率低。此外,FP重建算法的复杂度高,重建时间长。针对以上问题,本文结合深度学习,提出一种基于多尺度特征融合网络的傅里叶叠层成像算法,通过改进的特征金字塔卷积神经网络,能够从稀疏采样的低分辨振幅图像中提取特征信息并进行融合,实现超分辨的复图像重建。实验结果表明,在相同采样条件下,与传统方法相比,本文提出的深度学习算法提高了图像重建的质量,减少了90%以上的重建时间,并且对高斯噪声的鲁棒性较高。所提出的方法能够将相邻频域子孔径间的重叠率从50%降低至25%,减少50%的采集图像数量,大幅提高采样效率。