一种傅里叶叠层显微成像重建方法、装置及设备

1.本发明涉及显微成像技术领域，尤其涉及一种傅里叶叠层显微成像重建方法、装置及设备。


背景技术：

2.傅里叶叠层成像技术(fourierptychographicmicroscopy，fpm)是一种新兴的计算成像技术，该技术可有效地解决传统显微成像领域中高分辨率和大视场不可兼得的问题。它是基于显微镜平台采集不同角度led光照下样品的低分辨率图像，不同角度光照下所得到的低分辨率图像对应频域的不同频谱信息，然后利用相位恢复和合成孔径的思想将这一系列低分辨率图像在频域里迭代，扩展了频域带宽并最终恢复出样品的高分辨、大视场图像。它既不需要精密的干涉装置也不用精确的机械扫描驱动，装置简单、操作方便。这使得它在三维成像、量化相位成像、自适应成像、高分辨率宏观成像、彩色成像等领域得到了广泛的潜在应用。
3.大视场、高分辨率以及相位成像是一直以来追求的成像目标，然而在传统成像系统中，高分辨率和大视场之间存在难以突破的限制，傅里叶叠层显微成像技术的提出将大视场和高分辨率的成像挑战从物理限制领域转移到了计算领域，因其兼顾大视场、高分辨率和定量相位成像的优势而成为计算成像领域重要的研究课题。fpm需要采集具有一定冗余量的低分辨率图像，对于传统的重建方法数据计算量大，迭代重建时间较长。同时采集过程对系统环境要求较高，图像极易受到噪声污染，现有技术中基于深度学习的重建方法简单地忽略了噪声的存在并整合了来自测量的所有特征进行预测，降低了重建图像的质量。
4.因此，亟需提供一种更为可靠的傅里叶叠层显微成像重建方案。


技术实现要素：

5.本发明的目的在于提供一种傅里叶叠层显微成像重建方法、装置及设备，用于解决现有技术中重建方法数据计算量大，迭代重建时间较长、重建图像质量低的问题。
6.为了实现上述目的，本发明提供如下技术方案：
7.第一方面，本发明提供一种傅里叶叠层显微成像重建方法，方法包括：
8.获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声；
9.基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络；
10.采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；
11.采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络；
12.将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图
像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。
13.与现有技术相比，本发明提供的一种傅里叶叠层显微成像重建方法，通过获取包括傅里叶叠层显微成像仿真图像数据以及真实数据集，且添加有高斯噪声的图像数据集；基于注意力机制构建得到包括生成网络和判别网络的注意力生成对抗网络；采用傅里叶叠层显微成像仿真图像数据对注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；采用真实数据集对初始注意力生成对抗网络参数进行调整，得到目标注意力生成对抗网络；将待处理图像数据输入目标注意力生成对抗网络中，得到重建后的分辨率、振幅以及相位满足预设要求的目标图像。注意力生成对抗网络能更好的解决成像系统噪声对傅里叶叠成显微重建图像纹理造成的干扰问题，生成真实的纹理，提高重建图像的整体视觉质量。
14.第二方面，本发明提供一种傅里叶叠层显微成像重建装置，装置包括：
15.图像数据集获取模块，用于获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声；
16.注意力生成对抗网络构建模块，用于基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络；
17.初始注意力生成对抗网络训练模块，用于采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；
18.目标注意力生成对抗网络确定模块，用于采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络；
19.目标图像重建模块，用于将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。
20.第三方面，本发明提供一种傅里叶叠层显微成像重建设备，设备包括：
21.通信单元/通信接口，用于获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声；
22.处理单元/处理器，用于基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络；
23.采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；
24.采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络；
25.将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。
26.第四方面，本发明提供一种计算机存储介质，所述计算机存储介质中存储有指令，
当所述指令被运行时，实现上述的傅里叶叠层显微成像重建方法。
27.第二方面提供的装置类方案、第三方面提供的设备类方案以及第四方面提供的计算机存储介质方案所实现的技术效果与第一方面提供的方法类方案相同，此处不再赘述。
附图说明
28.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
29.图1为本发明提供的一种傅里叶叠层显微成像重建方法的流程示意图；
30.图2为本发明提供的注意力生成对抗网络整体网络结构示意图；
31.图3为本发明提供的生成网络结构示意图；
32.图4为本发明提供的判别网络结构示意图；
33.图5为本发明提供的一种傅里叶叠层显微成像重建装置的结构示意图；
34.图6为本发明提供的一种傅里叶叠层显微成像重建设备的结构示意图。
具体实施方式
35.为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
36.需要说明的是，本发明中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
37.本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中a，b，c可以是单个，也可以是多个。
38.由于传统的重建方法数据计算量大，迭代重建时间较长。采集过程对系统环境要求较高，图像极易受到噪声污染，现有技术中基于深度学习的重建方法简单地忽略了噪声的存在并整合了来自测量的所有特征进行预测，降低了重建图像的质量。
39.基于此，为了进一步提高重建方法的性能，针对成像噪声及重建细节问题，结合注意力生成对抗网络，本发明提供一种傅里叶叠层显微成像重建方法。注意力生成对抗网络整体包含生成器结构和判别器结构，基于编解码的残差注意力网络作为生成器，基于卷积网络的判别器结构，通过结合像素损失和判别损失在仿真数据集和真实数据集的上进行训练，本网络能更好的解决成像系统噪声对傅里叶叠成显微重建图像纹理造成的干扰问题，
生成真实的纹理，提高重建图像的整体视觉质量。
40.接下来，结合附图对本说明书实施例提供的方案进行说明：
41.如图1所示，该流程可以包括以下步骤：
42.步骤110：获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声。
43.图像数据集可以包括大规模傅里叶叠层成像显微成像仿真低分辨率数据集和小规模真实数据集。规模的大小可以根据实际应用场景的指标要求进行设定，本方案中训练注意力生成对抗网络的基础数据覆盖范围广，采用海量的图像数据进行训练。
44.另外，用于训练的图像数据中添加有高斯噪声，以模拟实际应用场景中的噪声环境。
45.步骤120：基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络。
46.注意力生成对抗网络由生成网络和判别网络组成，其中生成网络负责去噪和重建低分辨率的输入图像，而判别网络则决定高分辨率的输入图像是生成网络的重建还是真实的图像。其中，生成网络部分将残差注意力网络设计成基于编解码结构的多尺度残差注意力网络。
47.步骤130：采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络。
48.利用仿真低分辨率数据集对傅里叶叠层重建网络进行训练；例如：可以用仿真数据集，添加均值为零，标准差为3
×
10-4
的高斯噪声来进行实验，从实验重建结果和重建结果指标验证了注意力生成对抗网络的有效重建。
49.步骤140：采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络。
50.验证注意力生成对抗网络在真实数据上的普适性，可以在真实数据上进一步测试方法的有效性和通用性。实验通过输入真实的低分辨率图片来实现快速的重建，从真实数据重建结果和重建时间上验证注意力生成对抗网络的普适性和高效性。
51.步骤150：将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。
52.将测试集中带噪的样本输入到训练好的注意力生成对抗网络模型，输出样本对应的高分辨率振幅图片和高分辨率相位图片。其中，输入的样本可以是低分辨率样本，也可以是实际应用场景中需要重建的图像样本。
53.采用图1中的方法构建完成的目标注意力生成对抗网络的整体结构可以结合图2进行说明：
54.本发明中，结合傅里叶域注意力机制的对抗网络傅里叶叠层显微重建方法，简称fpgan，如图2所示，注意力生成对抗网络由生成网络和判别网络组成，其中生成网络负责去噪和重建低分辨率的输入图像，而判别网络则决定高分辨率的输入图像是生成网络的重建还是真实的图像。引入一个跨级连接，因不同层次的特征对不同频率信息的关注度不同，跨
级连接可以使神经网络能尽可能利用完整的频率信息，将不同层级输出的特征进行融合，网络就能在保留底部特征信息的同时选择性地突出深层特征信息并抑制噪声信道，降低噪声输入对于图像重建的影响，使得模型可以处理受不同程度噪声影响的图像。判别器在卷积网络的基础上搭建，充当与生成器竞争的竞争者。以更好地收敛整个网络。
55.图1中的方法，通过获取包括傅里叶叠层显微成像仿真图像数据以及真实数据集，且添加有高斯噪声的图像数据集；基于注意力机制构建得到包括生成网络和判别网络的注意力生成对抗网络；采用傅里叶叠层显微成像仿真图像数据对注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；采用真实数据集对初始注意力生成对抗网络参数进行调整，得到目标注意力生成对抗网络；将待处理图像数据输入目标注意力生成对抗网络中，得到重建后的分辨率、振幅以及相位满足预设要求的目标图像。注意力生成对抗网络能更好的解决成像系统噪声对傅里叶叠成显微重建图像纹理造成的干扰问题，生成真实的纹理，提高重建图像的整体视觉质量。
56.基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。
57.获取图像数据集之前，还可以包括：
58.采集傅里叶叠层显微成像仿真过程中的基础图像数据；所述基础图像数据中添加有预设均值和标准差的高斯噪声；
59.将所述基础图像数据在傅立叶域中合成，并通过傅立叶逆变换转化为双通道的图像数据；
60.多组图像数据组成图像数据集，每组图像数据中包含代表强度的双通道图像以及代表相位的双通道图像。
61.本发明中，训练完成的目标注意力生成对抗网络即是用于重建傅里叶叠层显微成像的重建网络，该重建网络采用相位和强度双通道输入，因此，将傅立叶叠层成像的低分辨率数据在傅立叶域中合成，并通过傅立叶逆变换转化为双通道的数据，然后作为网络的输入，同样网络的输出也为强度和相位双通道图像。大规模仿真数据集采用具有一定信息复杂度的模拟数据来构建，数据集可以是由25600组高分辨率图像数据组成，每组中两张图像分别代表强度和相位的双通道。25600组高分辨率图像数据中每组强度和相位的组合作为网络的输出真值，接下来，举例说明仿真过程：
62.(1)先将每组高分辨率强度和相位图像合成生成复振幅数据；
63.(2)合成后的复振幅数据通过傅里叶叠层成像模型进行仿真，在仿真成像过程中添加均值为0、标准差为3
×
10-4
的高斯噪声模拟实际成像过程中的噪声，产生一组傅里叶叠层低分辨率数据；
64.(3)傅里叶叠层低分辨率数据通过传统的傅里叶叠层重建算法合成低分辨复振幅，与传统的傅里叶叠层重建算法不同的是这里的重建过程只迭代一次；
65.(4)合成低分辨复振幅分别输出为强度和相位，最终获得25600组强度和相位的仿真输入。
66.通过上述方法，获取的图像数据集中，包含大量的仿真图像数据以及真实数据集，仿真图像数据用于训练得到注意力生成对抗网络，真实数据集用于对所述初始注意力生成对抗网络参数进行调整，以适应真实的图像数据。且图像数据集中图像数据中添加有高斯
噪声，可以模拟真实场景。
67.可选的，基于注意力机制构建得到注意力生成对抗网络，具体可以包括：
68.基于生成网络以及判别网络基于注意力机制构建得到注意力生成对抗网络；所述生成网络中包括编码模块、跨级连接模块和解码模块；
69.所述编码模块使用嵌套式残差网络堆积残差组；
70.所述解码模块通过子像素卷积逐步放大特征，其中网络在每个编码模块和解码模块的尾部引入傅里叶域注意力机制，利用不同特征图在傅里叶域的频谱特征，使网络能够根据其频谱中包含的所有频率分量的综合贡献自适应的重新调整每个特征图；
71.所述跨级连接模块用于高低层语义特征的融合，在编解码模块之间引入同尺度的跨级连接进行特征融合。
72.进一步地，将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像，具体可以包括：
73.所述生成网络通过跨级连接对傅里叶叠层显微成像仿真图像数据中的特征进行提取与融合；所述生成网络通过逐步执行编码、跨级连接和解码过程输出重建目标图像；
74.所述跨级连接模块用于高低层语义特征的融合，在编解码模块之间引入同尺度的跨级连接方式进行特征融合；
75.所述解码模块对分层特征图进行上采样，所述解码模块由拼接层、上采样层和注意力层组成；所述上采样层选用亚像素卷积操作对编码后的特征进行放大，亚像素卷积层通过合并通道中的信息进行上采样；
76.所述解码模块经过卷积扩大特征通道数或者按特征通道维度拼接融合自编码部分的底层特征图；
77.通过预设上采样操作将融合后的底层特征图的空间分辨率加倍，通道数减半，并通过傅里叶域注意力机制自适应的突出深层特征信息；
78.基于拼接融合后的深层特征信息，通过卷积处理，得到目标图像。
79.其中，所述编码模块由残差注意力组和卷积层组成；所述生成网络的第一层使用卷积层接收输入的傅里叶叠层显微成像仿真图像数据初步提取，得到浅层特征信息；
80.通过所述编码模块中从输入中提取分层特征图；每个编码模块包括一个用于下采样的线性整流函数激活的卷积层和一个用于特征提取的残差注意力组；所述残差注意力组使用嵌套式残差结构进行连接，每个残差注意力组包含多个残差块，每个残差块由预设内核的卷积和校正线性单元组成。
81.生成网络部分将残差注意力网络设计成编解码结构的多尺度残差注意力网络，通过逐步执行编码、跨级连接和解码过程输出重建的强度和相位图像。编码模块使用嵌套式残差网络堆积残差组，解码模块通过子像素卷积逐步放大特征，其中网络在每个编码和解码模块的尾部引入傅里叶域注意力机制，利用不同特征图在傅里叶域的频谱特征，使网络能够根据其频谱中包含的所有频率分量的综合贡献自适应的重新调整每个特征图，帮助网络专注于更有用的通道信息。基于卷积网络的判别器在训练过程中充当与生成器竞争的竞争者，使用二元交叉熵作为计算判别损失的方法，输出预测的概率。
82.如图3所示，生成网络结构中，包括卷积层、下采样模块、残差注意力组、傅里叶通道注意力、拼接层以及上采样模块，主要部分是残差注意力组和卷积层。接下来，结合图3以
举例形式说明生成网络的网络结构：
83.网络的第一层可以使用3
×
3卷积层接收输入的低分辨率图像初步提取浅层特征，之后通过k＝4个连续相同的模块从输入中提取分层特征图。每个模块包括一个用于下采样的线性整流函数激活的卷积层和一个用于特征提取的残差注意力组。使用步长为2，核为3的卷积层的代替池化层对特征进行压缩去除冗余信息。残差组使用嵌套式的残差结构进行连接，每个残差组包含4个残差块，傅里叶注意力机制和一个长跳连接，每个残差块由3
×
3卷积和校正线性单元(relu)组成。借助这种结构，神经网络中的特征信息和梯度信息在卷积层之间可以更加有效地传递。
84.跨级连接用于高低层语义特征的融合，在编解码模块之间引入同尺度的跨级连接以类似特征金字塔的方式进行特征融合，通过这种方式，可以融合更多的特征而不需要大量的额外成本。
85.解码网络对特征图进行上采样，由拼接层，上采样层和注意力层组成，其中上采样层选用亚像素卷积操作对编码后的特征进行放大，亚像素卷积层通过合并通道中的信息进行上采样。每个模块首先经过卷积扩大特征通道数或者按特征通道维度拼接融合来自编码部分的底层特征图，接着通过一个两倍的上采样操作将输入特征图的空间分辨率加倍，通道数减半，然后通过一个傅里叶域注意力机制自适应的突出深层特征信息，最后将拼接融合后的深层特征信息通过relu激活的3
×
3卷积和sigmoid激活的3
×
3卷积来输出双通道复场。
86.上述生成网络部分将残差注意力网络设计成编解码结构的多尺度残差注意力网络，通过跨级连接对低分辨率图像中的信息进行更好的提取与融合。
87.可选的，所述判别网络用于识别输入图像是否为真实图像或识别输入图像是否为生成网络输出的图像；
88.所述判别网络采用高分辨图像作为输入，经过多个级联的conv-lrelu模块；
89.将lrelu激活函数的输出信息输入至全局池化层、全连接层、relu层以及sigmoid型激活函数，输出预测概率，基于预测概率识别输入图像是否为真实图像或识别输入图像是否为生成网络输出的图像。
90.判别网络用于识别输入是由生成网络输出还是真正的高分辨率图像。由于生成网络和判别网络是一种博弈关系，所以判别模型的性能也会影响生成模型的性能表型。如果判别网络没有得到很好的训练，模型不能准确地识别数据，那么生成模型得出的“假”样本也会被判别网络认为是真的，从而使生成网络的训练变得困难。只有当判别性网络被正确训练后，它才能为训练生成网络提供有效的梯度，迭代训练后最终使两个模型都得到优化。判别网络的结构可以结合图4举例进行说明：
91.在训练过程中，判别网络作为一个竞争对手与生成器竞争，可以采用一个高分辨的图像作为输入，从5个级联的conv-lrelu模块开始，每个模块中的卷积滤波器数分别为32、32、64、128和256。最后一个lrelu激活函数的输出被顺序输入一个全局池化层，一个完全连接的层，一个relu层，另一个完全连接的层，和一个sigmoid型激活函数，然后输出预测的概率。
92.在上述方案实现过程中，在训练注意力生成对抗网络时，可以设置损失函数以及训练时所用的参数。更为具体地，生成网络g和判别网络d的目标函数是单独定义的。生成网
络的目标函数定义为mse损耗和ssim损耗的组合。mse损耗确保像素精度并均衡预测的动态范围，ssim损耗增强输出的结构相似性。判别网络d目标函数定义为二元交叉。
93.更进一步地，损失函数在设计时，可以基于以下方式实现：
94.生成网络的目标函数定义为mse损耗和ssim损耗的组合。mse损耗确保像素精度并均衡预测的动态范围，ssim损耗增强输出的结构相似性。如果将定义为生成器的输出，y定义为相应的gt，(w，h)定义为输出图像的像素大小，那么目标函数计算可以公式(1)表示为公式(1)：
[0095][0096]
其中，公式(1)中，λ是用于平衡ssim和mse的相对贡献的标量权重，在大多数情况下其设置为0.1。
[0097]
目标函数：生成网络g和判别网络d的目标函数是单独定义的。判别网络d目标函数定义为二元交叉熵。生成网络g目标函数是两项的总和：sr
[0098]
误差(生成网络g输出和真实图像之间的差异)和判别误差ld，g目标函数可以用公式(2)表示：
[0099][0100]
其中，x是输入的低分辨率图像，y是sr目标图像。β、γ和λ是平衡相应项的标量加权因子，根据经验将其设置为β＝0.1，γ＝1，λ＝0.1。
[0101]
生成网络g和判别网络d的训练过程就像一场双人游戏。从和ld可以看出，生成网络g的目标是愚弄判别网络d，将其输出作为基本真理，相反，判别网络d的目标是确定输入图像是来自生成网络g还是来自基本真理。生成网络g和判别网络d在交错方案中训练，因此它们相互竞争，最终达到平衡状态。
[0102]
在训练过程中，使用adam优化器，并根据网络规模使用16个批量。对于基于gan的fpgan方法，随机初始化了网络，并以2
×
10-5
的典型起始学习率训练了生成模型和判别模型。最终模型经过大约50000次小批量迭代的训练，耗时70小时。在每次迭代中，生成器g和判别器d分别更新三次和两次，通过小批次训练方法精准控制训练过程，混合精度训练缩短训练时间。
[0103]
本发明在具体实现时，具有良好的技术效果，接下来，以实际的实验实现数据说明本发明的技术效果：
[0104]
(1)实验数据
[0105]
本发明为了提高注意力生成对抗网络重建模型对于真实系统数据的处理效果，除了仿真数据集之外，还构建了一个由实验系统采集的小规模真实数据集。
[0106]
真实数据集采集中先对实验成像系统参数进行设置，物镜的数值孔径na设置为0.13，照明波长设置为0.505μm，样品与13
×
13可编程控制光源元件led矩阵之间的距离为
98mm，相邻led之间的间隙为8mm，系统放大倍数设置为4倍。
[0107]
成像系统参数设置完成后可以开始采像。首先将合适薄样本放置到载物台并给予足够照明，之后依靠相机成像对显微镜进行调焦，最后通过串口控制led灯板的亮灭实现傅里叶叠层数据的采集与存储。真实数据样本经成像系统采集后包含50组原始的傅里叶叠层数据，使用传统迭代重建算法的结果作为真值。然后这些数据被随机裁剪，得到450组输入数据和真实值，其中400组为训练集，50组为测试集。为了防止真实数据过少导致训练结果过拟合，在模拟数据中随机选择了400组数据，加入到真实的训练数据集中组成一个小规模真实数据集。
[0108]
(2)参数设置
[0109]
实验训练在配备一个teslav100图形处理卡(nvidia)的计算机电脑上进行。在训练过程中，使用adam优化器，并根据网络规模使用16个批量。对于基于gan的fpgan方法，随机初始化了网络，并以2
×
10-5
的典型起始学习率训练了生成模型和判别模型。最终模型经过大约50000次小批量迭代的训练，耗时70小时。在每次迭代中，生成器g和判别器d分别更新三次和两次，通过小批次训练方法精准控制训练过程，混合精度训练缩短训练时间。一旦对网络进行训练，模型通常需要不到1秒的时间来重建192
×
192像素的图像。为验证注意力生成对抗网络在真实数据上的普适性，在真实数据上进一步测试了方法的有效性和通用性。实验通过输入真实的低分辨率图片来实现快速的重建，从真实数据重建结果和重建时间上验证了注意力生成对抗网络的普适性和高效性。
[0110]
(3)真实数据重建结果
[0111]
实验条件下无法获取真实数据对应的强度和相位图像真值进行定量评估，故实验通过对比不同重建方法重建结果进行定性评价，fpgan产生的重建相位结果质量更高，具有更突出的细节和更清晰的细胞轮廓。特别是利用fpgan重建的相位图像具有较大的对比度，背景平滑，验证了其在消除真实噪声方面的优越性。
[0112]
(4)重建时间对比实验
[0113]
在重建时间上，本发明提出的fpgan重建方法的结果如表1所示。
[0114]
表1方法的重建时间
[0115][0116]
本发明采用的fpgan网络重建是基于深度学习构建重建网络模型，一旦完成训练，无需迭代次数，仅需不到0.1秒即可一步重建图像，因此都具有最少的重建时间。
[0117]
(5)对抗网络消融实验
[0118]
验证加入判别网络后采用生成对抗策略对网络重建的影响，设计了对抗网络的消融实验。保证其他变量相同，将残差注意力改进的生成网络追加判别网络前后的训练验证指标进行比较。在相位归一化均方根误差曲线中初始收敛基本一致，随着训练的进行误差不断下降，经过一定训练周期后注意力生成对抗网络的归一化均方根最终保持一个较低的误差值，注意力生成对抗网络较改进的生成网络有更高的峰值信噪值，说明注意力生成对
抗网络在训练验证结果上有更好的表现。
[0119]
(6)噪声鲁棒性实验
[0120]
为了测试方法在不同噪声下的鲁棒性，进行了一个消融研究，将不同级别的噪声添加到输入图像中进行重建，具体来说在成像仿真过程中加入了零均值和标准差为1
×
10-4
、2
×
10-4
、3
×
10-4
的高斯噪声，表2为重建方法的定量结果。
[0121]
表2不同噪声条件下重建结果的量化指标
[0122][0123]
由表中的数据，随着噪声强度的增加，重建图像的均方误差(mse)没有出现明显的下降，峰值信噪比(psnr)有轻微下降，但波动较小，仍具有一个较稳定值，说明两种方法能够在不同噪声条件下稳定的重建图像，具有一定的鲁棒性；在相同噪声条件下，注意力生成对抗网络较残差注意力网络有更高的峰值信噪比，更小的均方误差值，特别是对于相位图像。这表明，注意力生成对抗网络重建方法可以有效地抑制输入噪声，从而提高重构质量。
[0124]
需要注意的是，本发明中，生成网络在每个编码和解码模块的尾部引入傅里叶域注意力机制，利用不同特征图在傅里叶域的频谱特征，使网络能够根据其频谱中包含的所有频率分量的综合贡献自适应的重新调整每个特征图，帮助网络专注于更有用的通道信息；生成网络中跨级连接用于高低层语义特征的融合，在编解码模块之间引入同尺度的跨级连接以类似特征金字塔的方式进行特征融合。提高不同层次语义特征的的利用率；注意力生成对抗网络采用相位和强度双通道输入。将傅立叶叠层成像的低分辨率数据在傅立叶域中合成，并通过傅立叶逆变换转化为双通道的数据，然后作为网络的输入，同样网络的输出也为强度和相位双通道图像。仿真和真实数据的实验结果表明，注意力生成对抗网络能更好的解决成像系统噪声对傅里叶叠成显微重建图像纹理造成的干扰问题，生成真实的纹理，提高重建图像的整体视觉质量。
[0125]
基于同样的思路，本发明还提供一种傅里叶叠层显微成像重建装置，如图5所示，所述装置可以包括：
[0126]
图像数据集获取模块510，用于获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声；
[0127]
注意力生成对抗网络构建模块520，用于基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络；
[0128]
初始注意力生成对抗网络训练模块530，用于采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；
[0129]
目标注意力生成对抗网络确定模块540，用于采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络；
[0130]
目标图像重建模块550，用于将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。
[0131]
基于图5中的装置，还可以包括一些具体的实施单元：
[0132]
可选的，注意力生成对抗网络构建模块520，具体可以用于：
[0133]
基于生成网络以及判别网络基于注意力机制构建得到注意力生成对抗网络；所述生成网络中包括编码模块、跨级连接模块和解码模块；
[0134]
所述编码模块使用嵌套式残差网络堆积残差组；
[0135]
所述解码模块通过子像素卷积逐步放大特征，其中网络在每个编码模块和解码模块的尾部引入傅里叶域注意力机制，利用不同特征图在傅里叶域的频谱特征，使网络能够根据其频谱中包含的所有频率分量的综合贡献自适应的重新调整每个特征图；
[0136]
所述跨级连接模块用于高低层语义特征的融合，在编解码模块之间引入同尺度的跨级连接进行特征融合；
[0137]
所述判别网络使用二元交叉熵计算判别损失，输出预测概率。
[0138]
可选的，装置还可以包括：
[0139]
基础图像数据采集模块，用于采集傅里叶叠层显微成像仿真过程中的基础图像数据；所述基础图像数据中添加有预设均值和标准差的高斯噪声；
[0140]
合成模块，用于将所述基础图像数据在傅立叶域中合成，并通过傅立叶逆变换转化为双通道的图像数据；
[0141]
图像数据集确定模块，用于多组图像数据组成图像数据集，每组图像数据中包含代表强度的双通道图像以及代表相位的双通道图像。
[0142]
可选的，装置还包括：
[0143]
损失函数设定模块，用于设定网络学习训练时的损失函数；所述判别网络目标函数定义为二元交叉熵；所述生成网络的目标函数为mse损耗和ssim损耗的组合；
[0144]
参数设置模块，用于设定网络学习训练时的参数设置；所述参数至少包括训练过程中的优化器类型、网络初始化方法、迭代训练次数以及训练时间。
[0145]
可选的，目标图像重建模块550，具体可以用于：
[0146]
所述生成网络通过跨级连接对傅里叶叠层显微成像仿真图像数据中的特征进行提取与融合；所述生成网络通过逐步执行编码、跨级连接和解码过程输出重建目标图像；
[0147]
所述跨级连接模块用于高低层语义特征的融合，在编解码模块之间引入同尺度的跨级连接方式进行特征融合；
[0148]
所述解码模块对分层特征图进行上采样，所述解码模块由拼接层、上采样层和注意力层组成；所述上采样层选用亚像素卷积操作对编码后的特征进行放大，亚像素卷积层通过合并通道中的信息进行上采样；
[0149]
所述解码模块经过卷积扩大特征通道数或者按特征通道维度拼接融合自编码部分的底层特征图；
[0150]
通过预设上采样操作将融合后的底层特征图的空间分辨率加倍，通道数减半，并
通过傅里叶域注意力机制自适应的突出深层特征信息；
[0151]
基于拼接融合后的深层特征信息，通过卷积处理，得到目标图像。
[0152]
可选的，所述编码模块由残差注意力组和卷积层组成；所述生成网络的第一层使用卷积层接收输入的傅里叶叠层显微成像仿真图像数据初步提取，得到浅层特征信息；
[0153]
通过所述编码模块中从输入中提取分层特征图；每个编码模块包括一个用于下采样的线性整流函数激活的卷积层和一个用于特征提取的残差注意力组；所述残差注意力组使用嵌套式残差结构进行连接，每个残差注意力组包含多个残差块，每个残差块由预设内核的卷积和校正线性单元组成。
[0154]
可选的，所述判别网络用于识别输入图像是否为真实图像或识别输入图像是否为生成网络输出的图像；
[0155]
所述判别网络采用高分辨图像作为输入，经过多个级联的conv-lrelu模块；
[0156]
将lrelu激活函数的输出信息输入至全局池化层、全连接层、relu层以及sigmoid型激活函数，输出预测概率，基于预测概率识别输入图像是否为真实图像或识别输入图像是否为生成网络输出的图像。
[0157]
基于同样的思路，本说明书实施例还提供了一种傅里叶叠层显微成像重建设备。如图6所示，可以包括：
[0158]
通信单元/通信接口，用于获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声；
[0159]
处理单元/处理器，用于基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络；
[0160]
采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；
[0161]
采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络；
[0162]
将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。
[0163]
如图6所示，上述终端设备还可以包括通信线路。通信线路可包括一通路，在上述组件之间传送信息。
[0164]
可选的，如图6所示，该终端设备还可以包括存储器。存储器用于存储执行本发明方案的计算机执行指令，并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令，从而实现本发明实施例提供的方法。
[0165]
在具体实现中，作为一种实施例，如图6所示，处理器可以包括一个或多个cpu，如图6中的cpu0和cpu1。
[0166]
在具体实现中，作为一种实施例，如图6所示，终端设备可以包括多个处理器，如图6中的处理器。这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。
[0167]
上述主要从各个模块之间交互的角度对本发明实施例提供的方案进行了介绍。可
以理解的是，各个模块为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件单元。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0168]
本发明实施例可以根据上述方法示例进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0169]
本说明书中的处理器还可以具有存储器的功能。存储器用于存储执行本发明方案的计算机执行指令，并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令，从而实现本发明实施例提供的方法。
[0170]
存储器可以是只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信线路与处理器相连接。存储器也可以和处理器集成在一起。
[0171]
可选的，本发明实施例中的计算机执行指令也可以称之为应用程序代码，本发明实施例对此不作具体限定。
[0172]
上述本发明实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing，dsp)、asic、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0173]
一种可能的实现方式中，提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令被运行时，用于实现上述实施例中的方法。
[0174]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实
现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘(digital video disc，dvd)；还可以是半导体介质，例如，固态硬盘(solid state drive，ssd)。
[0175]
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0176]
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

技术特征：
1.一种傅里叶叠层显微成像重建方法，其特征在于，方法包括：获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声；基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络；采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络；将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。2.根据权利要求1所述的傅里叶叠层显微成像重建方法，其特征在于，基于注意力机制构建得到注意力生成对抗网络，具体包括：基于生成网络以及判别网络基于注意力机制构建得到注意力生成对抗网络；所述生成网络中包括编码模块、跨级连接模块和解码模块；所述编码模块使用嵌套式残差网络堆积残差组；所述解码模块通过子像素卷积逐步放大特征，其中网络在每个编码模块和解码模块的尾部引入傅里叶域注意力机制，利用不同特征图在傅里叶域的频谱特征，使网络能够根据其频谱中包含的所有频率分量的综合贡献自适应的重新调整每个特征图；所述跨级连接模块用于高低层语义特征的融合，在编解码模块之间引入同尺度的跨级连接进行特征融合；所述判别网络使用二元交叉熵计算判别损失，输出预测概率。3.根据权利要求1所述的傅里叶叠层显微成像重建方法，其特征在于，获取图像数据集之前，还包括：采集傅里叶叠层显微成像仿真过程中的基础图像数据；所述基础图像数据中添加有预设均值和标准差的高斯噪声；将所述基础图像数据在傅立叶域中合成，并通过傅立叶逆变换转化为双通道的图像数据；多组图像数据组成图像数据集，每组图像数据中包含代表强度的双通道图像以及代表相位的双通道图像。4.根据权利要求1所述的傅里叶叠层显微成像重建方法，其特征在于，基于注意力机制构建得到注意力生成对抗网络之前，还包括：设定网络学习训练时的损失函数；所述判别网络目标函数定义为二元交叉熵；所述生成网络的目标函数为mse损耗和ssim损耗的组合；设定网络学习训练时的参数设置；所述参数至少包括训练过程中的优化器类型、网络初始化方法、迭代训练次数以及训练时间。5.根据权利要求2所述的傅里叶叠层显微成像重建方法，其特征在于，将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像，具体包括：
所述生成网络通过跨级连接对傅里叶叠层显微成像仿真图像数据中的特征进行提取与融合；所述生成网络通过逐步执行编码、跨级连接和解码过程输出重建目标图像；所述跨级连接模块用于高低层语义特征的融合，在编解码模块之间引入同尺度的跨级连接方式进行特征融合；所述解码模块对分层特征图进行上采样，所述解码模块由拼接层、上采样层和注意力层组成；所述上采样层选用亚像素卷积操作对编码后的特征进行放大，亚像素卷积层通过合并通道中的信息进行上采样；所述解码模块经过卷积扩大特征通道数或者按特征通道维度拼接融合自编码部分的底层特征图；通过预设上采样操作将融合后的底层特征图的空间分辨率加倍，通道数减半，并通过傅里叶域注意力机制自适应的突出深层特征信息；基于拼接融合后的深层特征信息，通过卷积处理，得到目标图像。6.根据权利要求5所述的傅里叶叠层显微成像重建方法，其特征在于，所述编码模块由残差注意力组和卷积层组成；所述生成网络的第一层使用卷积层接收输入的傅里叶叠层显微成像仿真图像数据初步提取，得到浅层特征信息；通过所述编码模块中从输入中提取分层特征图；每个编码模块包括一个用于下采样的线性整流函数激活的卷积层和一个用于特征提取的残差注意力组；所述残差注意力组使用嵌套式残差结构进行连接，每个残差注意力组包含多个残差块，每个残差块由预设内核的卷积和校正线性单元组成。7.根据权利要求2所述的傅里叶叠层显微成像重建方法，其特征在于，所述判别网络用于识别输入图像是否为真实图像或识别输入图像是否为生成网络输出的图像；所述判别网络采用高分辨图像作为输入，经过多个级联的conv-lrelu模块；将lrelu激活函数的输出信息输入至全局池化层、全连接层、relu层以及sigmoid型激活函数，输出预测概率，基于预测概率识别输入图像是否为真实图像或识别输入图像是否为生成网络输出的图像。8.一种傅里叶叠层显微成像重建装置，其特征在于，所述装置应用于权利要求1-7任一项所述的傅里叶叠层显微成像重建方法，装置包括：图像数据集获取模块，用于获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声；注意力生成对抗网络构建模块，用于基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络；初始注意力生成对抗网络训练模块，用于采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；目标注意力生成对抗网络确定模块，用于采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络；目标图像重建模块，用于将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。
9.一种傅里叶叠层显微成像重建设备，其特征在于，所述设备应用于权利要求1-7任一项所述的傅里叶叠层显微成像重建方法，设备包括：通信单元/通信接口，用于获取图像数据集；所述图像数据集中包括傅里叶叠层显微成像的仿真图像数据以及真实数据集，且所述图像数据集中图像数据中添加有图像噪声；处理单元/处理器，用于基于注意力机制构建得到注意力生成对抗网络；所述注意力生成对抗网络中至少包括生成网络和判别网络；所述生成网络为基于编解码结构的多尺度残差注意力网络；采用所述仿真图像数据对所述注意力生成对抗网络进行训练，得到初始注意力生成对抗网络；采用所述真实数据集对所述初始注意力生成对抗网络的参数进行调整，得到目标注意力生成对抗网络；将待处理图像数据输入所述目标注意力生成对抗网络中，得到重建后的目标图像；所述目标图像为分辨率、振幅以及相位满足预设要求的图像；所述待处理图像数据中包含图像噪声。10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，当所述指令被运行时，实现权利要求1～7任一项所述的傅里叶叠层显微成像重建方法。

技术总结
本发明公开一种傅里叶叠层显微成像重建方法、装置及设备，本发明涉及显微成像技术领域，用于解决现有技术中重建方法数据计算量大，重建图像质量低的问题。包括：通过获取包括傅里叶叠层显微成像仿真图像数据以及真实数据集且添加有高斯噪声的图像数据集；基于注意力机制构建得到包括生成网络和判别网络的注意力生成对抗网络；采用仿真图像数据对注意力生成对抗网络进行训练，采用真实数据集对初始注意力生成对抗网络参数进行调整，得到目标注意力生成对抗网络；将待处理图像数据输入目标注意力生成对抗网络中，得到重建后的目标图像。能解决成像系统噪声对傅里叶叠成显微重建图像纹理造成的干扰问题，提高重建图像的整体视觉质量。视觉质量。视觉质量。


技术研发人员：李杰 王岩 王晓丽 刘丽敏 王昊 王新博
受保护的技术使用者：长春大学
技术研发日：2023.05.16
技术公布日：2023/8/14