傅里叶叠层显微代码，左超老师相关研究。

摘 要 傅里叶叠层显微成像技术通过拓展频谱的方法合成细节信息更为丰富的单帧图像，实现在大视场下重建高分辨率图像。然而，成像系统中普遍存在的各种像差往往导致成像模糊，重建图像分辨率下降。针对上述问题，本文提出一种基于叠层衍射成像的像差校正方法，在更新频谱和光瞳函数时，通过自适应选取频谱和光瞳函数当前值与最大值的最佳比例，提高了迭代重建的质量。利用上述方法，本文首先重建加载混合像差的仿真图像，并选用峰值信噪比(PSNR)和结构相似性(SSIM)为评价指标。仿真结果表明，相比于传统的嵌入式光瞳恢复算法，本文方法可以大幅提升重建光瞳函数的PSNR和SSIM，分别增长14.9%和 1.4%。为进一步验证算法在真实图像上的有效性，本文采集了人体血细胞样本图像并进行重建，结果表明，重建图像清晰，能够准确分辨细胞轮廓。

傅里叶叠层显微成像(FPM)是一种能够重建宽视场和高分辨率图像的新型成像技术。传统的FPM重建算法计算成本高,重建高质量的图像需要较大的图像采集量,这些缺点使得传统重建算法的成像性能和效率较低。因此,提出一种基于深度学习的傅里叶叠层显微成像的神经网络模型,对图像进行低分辨率到高分辨率的端到端映射,有效提高成像性能和效率。首先,借助菱形采样方法进行图像采集,加速低分辨图片采集过程。其次,结合残差结构、密集连接以及通道注意力机制等模块,拓展网络深度、挖掘有用特征,增强网络模型的表达能力和泛化能力。然后,使用子像素卷积进行高效地上采样,恢复高清图像。最后,采用主观和客观的评价方法对重建结果进行评估。结果显示,本文提出的网络模型对比传统重建算法重构效果更优,且降低了计算复杂度,平均重建时间更短。同时,在保证图像重建效果不变的情况下,低分辨率图像的采集数量比传统算法减少了约一半。

傅里叶叠层显微成像(FPM)利用LED阵列角度变化的光照来克服低数值孔径物镜的分辨率限制。在传统的FPM系统中,LED阵列的位置误差将会给图像重建过程带来严重影响。因此准确校正LED阵列的位置对于提高重建图像质量至关重要。为了解决这一问题,提出一种基于遗传退火优化算法的位置校正方法。首先分析LED阵列、样品及物镜数值孔径的相对位置给入射波矢量带来的影响;接着采用遗传退火优化算法对LED阵列的误差位置估计全局误差参数;最后在重建过程中利用全局误差参数快速、准确地对LED阵列位置进行校正。仿真结果和实验结果表明,所提方法能显著提高重建图像的质量。

详细描述了傅里叶叠层显微技术的过程方法及思路

fourier pythchography 算法，用于傅里叶叠层显微图像恢复