基于改進的分裂Bregman算法的熒光顯微圖像復(fù)原方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理和計算機視覺技術(shù)領(lǐng)域，特別涉及一種基于改進的分裂 Bregman算法的熒光顯微圖像復(fù)原方法和裝置。
【背景技術(shù)】
[0002] 近年來，熒光顯微圖像復(fù)原或重建一直是圖像處理與計算機視覺領(lǐng)域具有挑戰(zhàn)性 的工作，并已證明在天文成像，電子顯微鏡，單光子發(fā)射計算機斷層成像術(shù)，正電子發(fā)射斷 層成像，生物，醫(yī)學(xué)和生命科學(xué)研宄中具有重要價值。但是，由于成像系統(tǒng)衍射和噪聲干擾 等因素，熒光顯微圖像不可避免出現(xiàn)模糊和噪聲等退化現(xiàn)象，熒光顯微圖像的質(zhì)量通常受 兩個因素影響：一是由顯微光學(xué)成像系統(tǒng)的物理限制而導(dǎo)致的模糊，用點擴散函數(shù)（Point SpreadFunction，PSF)來表征；二是測量工作大多在低光子流的情況下進行，因此會產(chǎn)生 泊松噪聲。面對這些固有的光學(xué)限制，以及對高質(zhì)量圖像的大量需求，用數(shù)字圖像處理技術(shù) 去除這些模糊和噪聲是一項很有意義的工作。
[0003]目前，分裂Bregman算法是求解范數(shù)最優(yōu)化問題及其相關(guān)優(yōu)化問題的最有效的方 法之一，該方法是Rudin等學(xué)者提出的一種基于Bregman距離的迭代正則化算法，起初是用 于圖像去噪，后來Goldstein在此基礎(chǔ)上提出了分裂Bregman迭代圖像復(fù)原模型。傳統(tǒng)全 變差分裂Bregman算法圖像去模糊是假設(shè)圖像在高斯噪聲破壞情況下進行的，熒光顯微圖 像有可能被高斯噪聲或泊松噪聲污染，該算法雖然能在一定程度上抑制階梯效應(yīng)，但是復(fù) 原效果并不理想，并且在噪聲影響過大的情況下，去模糊效果會有所下降。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。
[0005] 為此，本發(fā)明的第一個目的在于提出一種基于改進的分裂Bregman算法的熒光顯 微圖像復(fù)原方法，能夠保留圖像的邊緣信息，同時抑制平滑區(qū)域的階梯效應(yīng)，具有更好的去 豐吳糊效果。
[0006] 本發(fā)明的第二個目的在于提出一種熒光顯微圖像復(fù)原裝置。
[0007] 為達上述目的，根據(jù)本發(fā)明第一方面實施例提出了一種基于改進的分裂Bregman 算法的熒光顯微圖像復(fù)原方法，包括以下步驟：S1、獲取熒光顯微圖像，并建立所述熒光顯 微圖像的模糊退化模型；S2、對模糊退化模型進行加權(quán)全變差約束，以將所述模糊退化模型 轉(zhuǎn)化為復(fù)原圖像的無約束優(yōu)化模型；S3、使用輔助變量對所述復(fù)原圖像的無約束優(yōu)化模型 進變量替換，以得到與所述復(fù)原圖像的無約束優(yōu)化模型的等價約束優(yōu)化模型；S4、在所述等 價約束優(yōu)化模型中加入所述復(fù)原圖像和所述輔助變量的二次懲罰項，以得到所述復(fù)原圖像 和所述輔助變量的無約束優(yōu)化模型；S5、對所述復(fù)原圖像和所述輔助變量的無約束優(yōu)化模 型求解以計算所述復(fù)原圖像。
[0008] 本發(fā)明實施例的基于改進的分裂Bregman算法的熒光顯微圖像復(fù)原方法，在傳統(tǒng) 基于分裂Bregman全變差圖像去模糊算法的基礎(chǔ)上，引入全變差約束模型和權(quán)函數(shù)，將加 權(quán)全變差約束模型與分裂Bregman方法有效地結(jié)合，既可以保留圖像的邊緣信息，又可以 抑制平滑區(qū)域的階梯效應(yīng)，達到更好的去模糊效果。
[0009] 本發(fā)明第二方面實施例提出了一種基于改進的分裂Bregman算法的熒光顯微圖 像復(fù)原裝置，包括：圖像獲取模塊，用于獲取熒光顯微圖像；模型建立模塊，用于建立所述 熒光顯微圖像的模糊退化模型；模型變換模塊，用于對模糊退化模型進行加權(quán)全變差約束， 以將所述模糊退化模型轉(zhuǎn)化為復(fù)原圖像的無約束優(yōu)化模型，并使用輔助變量對所述復(fù)原圖 像的無約束優(yōu)化模型進變量替換，以得到與所述復(fù)原圖像的無約束優(yōu)化模型的等價約束優(yōu) 化模型，以及在所述等價約束優(yōu)化模型中加入所述復(fù)原圖像和所述輔助變量的二次懲罰 項，以得到所述復(fù)原圖像和所述輔助變量的無約束優(yōu)化模型；圖像復(fù)原模塊，用于對所述復(fù) 原圖像和所述輔助變量的無約束優(yōu)化模型求解以計算所述復(fù)原圖像。
[0010] 本發(fā)明實施例的基于改進的分裂Bregman算法的熒光顯微圖像復(fù)原裝置，在傳統(tǒng) 基于分裂Bregman全變差圖像去模糊算法的基礎(chǔ)上，引入全變差約束模型和權(quán)函數(shù)，將加 權(quán)全變差約束模型與分裂Bregman方法有效地結(jié)合，既可以保留圖像的邊緣信息，又可以 抑制平滑區(qū)域的階梯效應(yīng)，達到更好的去模糊效果。
[0011] 本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變 得明顯，或通過本發(fā)明的實踐了解到。
【附圖說明】
[0012] 本發(fā)明的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施例的描述中將變 得明顯和容易理解，其中：
[0013] 圖1為根據(jù)本發(fā)明一個實施例的基于改進的分裂Bregman算法的熒光顯微圖像復(fù) 原方法的流程圖；
[0014] 圖2(a)為根據(jù)本發(fā)明一個實施例中參數(shù)y與復(fù)原圖像的信噪比的關(guān)系示意圖；
[0015] 圖2(b)為根據(jù)本發(fā)明一個實施例中參數(shù)X與復(fù)原圖像的信噪比的關(guān)系示意圖；
[0016] 圖2(c)為根據(jù)本發(fā)明一個實施例中參數(shù)〇與復(fù)原圖像的信噪比的關(guān)系示意圖；
[0017] 圖2 (d)為根據(jù)本發(fā)明一個實施例方法、FTVd-FM算法以及傳統(tǒng)分裂Bregman算法 中參數(shù)k與復(fù)原圖像的信噪比的關(guān)系示意圖；
[0018] 圖3(a)為根據(jù)本發(fā)明一個實施例的模擬熒光顯微圖像；
[0019]圖3(b)為根據(jù)本發(fā)明一個實施例的對圖3(a)的模糊圖像；
[0020] 圖3 (c)為通過FTVd-FM算法對圖3 (b)進行復(fù)原得到的復(fù)原圖像；
[0021] 圖3 (d)為通過傳統(tǒng)的分裂Bregman算法對圖3 (b)進行復(fù)原得到的復(fù)原圖像；
[0022] 圖3(e)為根據(jù)本發(fā)明一個實施例對圖3(b)進行復(fù)原得到的復(fù)原圖像；
[0023]圖4(a)為根據(jù)本發(fā)明一個實施例真實熒光顯微圖像；
[0024] 圖4 (b)為通過FTVd-FM算法對圖4 (a)進行復(fù)原得到的復(fù)原圖像；
[0025] 圖4(c)為通過傳統(tǒng)的分裂Bregman算法對圖4(a)進行復(fù)原得到的復(fù)原圖像；
[0026] 圖4(d)為根據(jù)本發(fā)明一個實施例對圖4(a)進行復(fù)原得到的復(fù)原圖像；
[0027] 圖5為根據(jù)本發(fā)明一個實施例的基于改進的分裂Bregman算法的熒光顯微圖像復(fù) 原裝置的結(jié)構(gòu)框圖。
【具體實施方式】
[0028] 下面參考附圖描述根據(jù)本發(fā)明實施例的基于改進的分裂Bregman算法的熒光顯 微圖像復(fù)原方法和裝置，其中自始至終相同或類似的標號表示相同或類似的元件或具有相 同或類似功能的元件。公式中自始至終相同或類似的符號表示相同或類似的含義。下面通 過參考附圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。
[0029] 圖1為根據(jù)本發(fā)明一個實施例的基于改進的分裂Bregman算法的熒光顯微圖像復(fù) 原方法的流程圖。
[0030] 如圖1所示，根據(jù)本發(fā)明實施例的基于改進的分裂Bregman算法的熒光顯微圖像 復(fù)原方法，包括以下步驟：
[0031] S1、獲取熒光顯微圖像，并建立熒光顯微圖像的模糊退化模型。
[0032] 在本發(fā)明的一個實施例中，用f表示熒光顯微圖像，所建立的熒光顯微圖像的模 糊退化模型為：
【主權(quán)項】
1. 一種基于改進的分裂Bregman算法的熒光顯微圖像復(fù)原方法，其特征在于，包括以 下步驟： 51、 獲取熒光顯微圖像，并建立所述熒光顯微圖像的模糊退化模型； 52、 對模糊退化模型進行加權(quán)全變差約束，以將所述模糊退化模型轉(zhuǎn)化為復(fù)原圖像的 無約束優(yōu)化模型； 53、 使用輔助變量對所述復(fù)原圖像的無約束優(yōu)化模型進變量替換，以得到與所述復(fù)原 圖像的無約束優(yōu)化模型的等價約束優(yōu)化模型； 54、 在所述等價約束優(yōu)化模型中加入所述復(fù)原圖像和所述輔助變量的二次懲罰項，以 得到所述復(fù)原圖像和所述輔助變量的無約束優(yōu)化模型； 55、 對所述復(fù)原圖像和所述輔助變量的無約束優(yōu)化模型求解以計算所述復(fù)原圖像。
2. 如權(quán)利要求1所述的基于改進的分裂Bregman算法的熒光顯微圖像復(fù)原方法，其特 征在于，所述S5具體包括： 根據(jù)所述復(fù)原圖像和所述輔助變量的無約束優(yōu)化模型獲取所述復(fù)原圖像的迭代求解 公式和所