[发明专利]基于深度学习算法的光场显微三维重建方法及装置

权利要求书

1.一种基于深度学习算法的光场显微三维重建方法，其特征在于，包括以下步骤：

搭建光场显微成像系统，以采集空间与角度四维光场数据；

根据光场传播原理对所述光场显微成像系统进行仿真，以得到成像系统的点扩散函数；

获取三维样本体分布数据集的参数及分布特性，生成仿真样本体分布数据集；

通过所述点扩散函数与对应的样本数据生成仿真光场数据集，并对实际成像过程中可能产生的噪声及背景模型进行校正；

搭建以生成对抗网络为基础的深度卷积神经网络，以所述仿真光场数据作为网络的输入，并以所述仿真样本体分布数据作为所述网络的输出，根据显微样本设计损失函数对所述网络进行训练；以及

在完成所述模型的训练后，将待重建的光场显微数据输入所述模型进行测试，获取对应样本体分布数据的预测值。

2.根据权利要求1所述的方法，其特征在于，所述通过所述点扩散函数与对应的样本数据生成仿真光场数据集，包括：

利用基本成像原理中对成像过程的卷积近似，并通过将仿真生成的所述点扩散函数与仿真生成的三维样本体分布数据进行卷积加和，生成仿真光场图像。

3.根据权利要求1所述的方法，其特征在于，所述损失函数为：

loss_G＝loss_mse+ω₁·loss_{D_G}+ω₂·loss_tv，

其中，ω₁和ω₂分别代表损失函数各项之间的权重。

4.根据权利要求3所述的方法，其特征在于，其中，

其中，pred为网络对三维样本体分布的预测，gt为其真实值，N为参与损失函数计算的样本数量，D(pred)为鉴别网络对预测结果的分类值。

5.根据权利要求1所述的方法，其特征在于，所述将待重建的光场显微数据输入所述模型进行测试，获取对应样本体分布数据的预测值，包括：

对所述待重建的光场显微数据进行预处理，以使所述待重建的光场显微数据的强度范围与训练数据的强度范围相匹配，进一步得到对三维样本体分布数据的预测值。

6.一种基于深度学习算法的光场显微三维重建装置，其特征在于，包括：

成像系统模块，用于搭建光场显微成像系统，以采集空间与角度四维光场数据；

系统仿真模块，用于根据光场传播原理对所述光场显微成像系统进行仿真，以得到成像系统的点扩散函数；

样本生成模块，用于获取三维样本体分布数据集的参数及分布特性，生成仿真样本体分布数据集；

仿真成像模块，用于通过所述点扩散函数与对应的样本数据生成仿真光场数据集，并对实际成像过程中可能产生的噪声及背景模型进行校正；

网络训练模块，用于搭建以生成对抗网络为基础的深度卷积神经网络，以所述仿真光场数据作为网络的输入，并以所述仿真样本体分布数据作为所述网络的输出，根据显微样本设计损失函数对所述网络进行训练；以及

实验测试模块，用于在完成所述模型的训练后，将待重建的光场显微数据输入所述模型进行测试，获取对应样本体分布数据的预测值。

7.根据权利要求6所述的装置，其特征在于，所述仿真成像模块进一步用于利用基本成像原理中对成像过程的卷积近似，并通过将仿真生成的所述点扩散函数与仿真生成的三维样本体分布数据进行卷积加和，生成仿真光场图像。

8.根据权利要求6所述的装置，其特征在于，所述损失函数为：

loss_c＝loss_mse+ω₁·loss_{D_G}+ω₂·loss_tv，

其中，ω₁和ω₂分别代表损失函数各项之间的权重。