[发明专利]基于照明优化的结构光成像方法及装置

权利要求书

1.一种基于照明优化的结构光成像方法，其特征在于，包括以下步骤：

设计基于深度神经网络的编码网络和解码网络；

利用所述深度神经网络训练所述编码网络和所述解码网络，得到优化的编码网络和优化的解码网络；

利用所述优化的网络编码照明样本，得到所述样本的成像；

将所述样本的成像输入到所述优化的解码网络中，输出超分辨率图像。

2.根据权利要求1所述的基于照明优化的结构光成像方法，其特征在于，所述编码网络获取优化的结构光照明编码，输入高分辨率图像，输出经优化的结构光照明的低分辨率图像。

3.根据权利要求1所述的基于照明优化的结构光成像方法，其特征在于，所述解码网络用于将所述低分辨率的图像作为输入，重建出所述超分辨率的图像。

4.根据权利要求2所述的基于照明优化的结构光成像方法，其特征在于，所述编码网络获取优化的结构光照明编码，输入高分辨率的图像，输出经优化的结构光照明的低分辨率的图像，包括：

设置更新迭代的结构光编码照明层，经过低通滤波后和所述编码网络输入的高分辨率的图像进行点乘操作，得到所述点乘操作的操作结果；

将所述操作结果再经过一次低通滤波得到所述经优化的结构光照明的低分辨率的图像。

5.根据权利要求4所述的基于照明优化的结构光成像方法，其特征在于，所述低通滤波的操作为将所述低分辨率的图像进行傅里叶变换，并对所述低分辨率的图像点乘光学传递函数，以进行逆傅里叶变换得到空域中的图像。

6.根据权利要求5所述的基于照明优化的结构光成像方法，其特征在于，所述进行逆傅里叶变换得到空域中的图像，由下面公式计算：

其中，是样本的成像，是样本出射光的强度分布函数，OTF是光学传递函数。

7.根据权利要求6所述的基于照明优化的结构光成像方法，其特征在于，所述设计基于深度神经网络的解码网络，包括：

基于U2NET的网络、基于注意力机制的网络和基于神经网络的变种或发展模型中的一种。

8.根据权利要求1所述的基于照明优化的结构光成像方法，其特征在于，所述利用所述深度神经网络训练所述编码网络和所述解码网络，包括：

使用所述高分辨率图像的数据集对所述编码网络和所述解码网络进行训练。

9.根据权利要求1所述的基于照明优化的结构光成像方法，其特征在于，所述利用所述优化的网络编码照明样本，得到所述样本的成像，包括：

经过所述优化的编码网络优化得到的编码照明结构光由空间光调制器产生，经分光镜投射在被观测样本平面，所述样本的反射光由传感器接收采集。

10.一种基于照明优化的结构光成像装置，其特征在于，包括：

设计模块，用于设计基于深度神经网络的编码网络和解码网络；

训练模块，用于利用所述深度神经网络训练所述编码网络和所述解码网络，得到优化的编码网络和优化的解码网络；

照明模块，用于利用所述优化的网络编码照明样本，得到所述样本的成像；

输出模块，用于将所述样本的成像输入到所述优化的解码网络中，输出超分辨率图像。