科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 单位
