| 【中文题名】 | 基于深度变化成像模型的三维显微光学图像复原研究 |
| 【英文题名】 | Three Dimensional Microscopy Image Restoration Based on Depth Variant Imaging Model |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-1-23 |
| 【中关键词】 | 计算光学切片显微术,图像复原,点扩展函数,深度变化成像模型,最大期望,最大惩罚似然估计 |
| 【英关键词】 | computational optical sectioning microscopy,image restoration,point spread function,depth-variant imaging model,expectation-maximization algorithm,maximum penalized likelihood estimator, |
| 【分类导航】 | 工业技术>无线电电子学、电信技术>光电子技术、激光技术>显示技术>> |
| 【论文摘要】 | 在三维显微成像中，成像的每一幅二维图像都包含来自焦平面的图像和相邻离焦层面的模糊图像。为了消除离焦模糊，可以采取激光扫描共焦显微术(LSCM)或者计算光学切片显微术(COSM)两种方式。后者具有信噪比高、对样本不产生漂白现象、价格便宜等优势，但也有速度较慢的弱点。
在之前的COSM图像复原中，为了简化计算，一般都假定点扩展函数是空间不变的。但实际成像中，通常样本中物质是变化的，故样本中不同位置的折射率不一样。由于样本的折射率与物镜所浸物质的折射率不匹配，导致不同深度的点扩展函数可能不同。此时如果仍采用空间不变的模型来估计样本函数，会得到虚假的复原图像。因此本文提出基于深度变化成像模型的“最大期望(EM)复原算法”，能够提高图像清晰度，尤其是在深度方向；但它又丢失了图像的一些微弱细节，且恢复的图像往往会出现一些孤立亮点。所以又提出基于深度变化成像模型的“调整EM算法”，可以避免上述缺点，较好地恢复图像微弱细节。但是由于“EM算法”、“调整EM算法”运算速度较慢，本文还提出在深度变化成像模型中使用一种基于最大惩罚似然估计的最大期望解卷积方法，它是一个分别在傅立叶域和小波域内交替变换解卷积的过程。相... |
| 【论文题纲】 |
|
摘要 |
2-3 |
|
英文摘要 |
3-7 |
|
第一章 绪论 |
7-13 |
|
1.1 研究意义 |
7-8 |
|
1.2 COSM系统构成 |
8-9 |
|
1.3 光学切片简介 |
9-10 |
|
1.4 COSM技术发展及研究现状 |
10-12 |
|
1.4.1 三维点扩展函数的确定 |
10-11 |
|
1.4.2 三维光学切片图像复原算法 |
11 |
|
1.4.3 深度变化点扩展函数的提出 |
11-12 |
|
1.5 论文安排 |
12 |
|
1.6 总结 |
12-13 |
|
第二章 三维显微图像复原基础 |
13-22 |
|
2.1 三维显微光学切片成像原理 |
13-16 |
|
2.2 三维高斯型点扩展函数 |
16-18 |
|
2.3 深度变化点扩展函数 |
18-19 |
|
2.4 复原病态问题及其正则化 |
19-21 |
|
2.5 总结 |
21-22 |
|
第三章 三维显微图像复原常用算法 |
22-31 |
|
3.1 引言 |
22 |
|
3.2 最近邻算法 |
22-25 |
|
3.3 线性解卷积:逆滤波算法 |
25-27 |
|
3.4 非线性迭代算法 |
27-30 |
|
3.4.1 迭代盲反卷积算法 |
27-28 |
|
3.4.2 最大熵复原算法 |
28-30 |
|
3.5 总结 |
30-31 |
|
第四章 基于深度变化成像模型的EM算法和调整EM算法 |
31-45 |
|
4.1 引言 |
31 |
|
4.2 深度变化成像模型 |
31-32 |
|
4.3 显微系统统计模型 |
32-34 |
|
4.3.1 显微系统的统计成像过程 |
33 |
|
4.3.2 成像过程的概率模型 |
33-34 |
|
4.4 EM算法 |
34-35 |
|
4.5 基于深度变化成像模型的EM算法 |
35-36 |
|
4.6 基于深度变化成像模型的调整 EM算法 |
36-38 |
|
4.7 实验结果 |
38-43 |
|
4.7.1 EM算法三维图像实验 |
38-40 |
|
4.7.2 调整 EM算法样本实验 |
40-43 |
|
4.8 总结 |
43-45 |
|
第五章 基于深度变化点扩展函数的小波-傅立叶复原算法 |
45-57 |
|
5.1 序言 |
45 |
|
5.2 算法介绍 |
45-52 |
|
5.2.1 回顾基于FFT的图像恢复和 Wiener滤波器 |
46-47 |
|
5.2.2 基于小波变换的图像恢复 |
47-48 |
|
5.2.3 小波变换和傅立叶变换相结合 |
48-50 |
|
5.2.4 计算复杂度 |
50-51 |
|
5.2.5 评价 |
51 |
|
5.2.6 扩展到未知的噪声变化 |
51-52 |
|
5.3 在深度变化成像模型中运用此算法 |
52 |
|
5.4 实验结果 |
52-55 |
|
5.5 总结 |
55-57 |
|
第六章 总结与展望 |
57-59 |
|
6.1 全文总结 |
57-58 |
|
6.2 展望 |
58-59 |
|
参考文献 |
59-63 |
|
作者在读期间发表文章 |
63-66 |
|
致谢 |
66 |
|
| 【DOI】 | LunWen.ID:2.2008.341327 |
