基于随机采样的超高分辨率成像中快速压缩感知分析

随着近年来超分辨成像技术的发展,基于单分子拟合的超分辨成像方法能够实现纳米尺度的空间分辨率,但这种方法的耗时较长,时间分辨率较差。成像重构时间较长主要受制于成像过程中每帧图像较低的荧光分子密度,所以需要足够多的采样帧数来重构一张图像。文中提出一种利用随机采样的快速压缩感知算法,结合分块压缩感知重构算法,最终能够在高分子密度的条件下获得较快的重构速度及较高的定位精度。     

压缩感知实现快速超分辨荧光显微成像

为了发展能够同时兼顾超分辨、快速成像和视场的荧光显微镜, 以促进其在活细胞或微观动态过程成像的应用, 将压缩感知应用到超分辨荧光显微镜中, 利用投影梯度稀疏重构算法对单帧荧光宽场图像重构, 并进行了理论分析、仿真和实验验证。结果表明, 该方法能够突破光学衍射极限, 成像分辨率达到180nm, 相比衍射极限提高1.8倍。此结果说明压缩感知能够实现单帧宽场超分辨荧光显微成像, 相比现有的方法在成像速度上有巨大的提升。     

基于结构照明的超分辨荧光显微成像重建算法

由于具有低光毒性、高速宽视场以及多通道三维超分辨成像能力,超分辨结构照明显微术(SR-SIM)特别适合用于活细胞中动态精细结构的实时检测研究。超分辨结构照明显微图像重建算法(SIM-RA)对SR-SIM的成像质量具有决定性影响。本文首先简要介绍了超分辨显微术的发展现状,阐述了研究SR-SIM图像重建算法的必要性;然后介绍了SR-SIM的成像原理,并重点介绍了SR-SIM图像重建算法,包括SR-SIM中频繁使用的去卷积重建算法、SR-SIM校准与重建过程中参数值获取的算法,以及目前发展的超分辨结构照明显微图像重建算法,并介绍了SR-SIM工具箱;最后总结了当前发展超分辨结构照明显微图像重建算法需解决的5个问题。     

基于荧光随机涨落的超分辨显微成像

基于荧光随机涨落的超分辨显微成像技术具有成像速度快、空间分辨率高、系统成本低和光毒性小的成像优势,在对生物亚细胞结构及其动态运动过程的成像和监测中具有广阔的应用前景。近年来,基于荧光发射的间歇性,发展出多种图像重建算法实现荧光涨落超分辨成像,在无须对传统的荧光显微镜做任何硬件改造的情况下,显著提升了光学成像的空间分辨率,实现了突破光学衍射极限的超分辨成像。从重建算法、成像速度、分辨率提升和图像重建质量等方面,对比分析不同类型荧光涨落超分辨方法的差异和适用范围,为生命科学研究人员针对特定的生物学问题选择最佳的超分辨方法提供参考依据。     

基于噪声校正主成分分析的压缩感知STORM超分辨图像重构

随机光学重构显微(STORM)的时间和空间分辨率相互制约,难以实现活细胞的超分辨成像,且超分辨图像的后处理分析与重构算法对图像质量也有非常重要的影响。基于此,针对高密度标记与高采样率所导致的单帧图像中光斑重叠及过多的背景噪声,提出一种用于单分子定位显微成像的新型噪声校正主成分分析(NC-PCA)方法,对单分子定位显微成像采集的图像进行预处理后再进行定位重构,提高了现有定位方法的定位精度,同时还实现了重叠分子的区分定位,从而提高了生物样品的标记密度,改善了超分辨成像的时间分辨率,可为活细胞单分子定位成像提供技术支持。     

超分辨成像方法研究现状与进展

光电成像系统受到衍射极限和像元分辨率的制约,但研究者们从未停止过脚步来突破这一限制。本文介绍了近年来开展的各种超分辨成像方法和技术,包括应用于荧光显微成像的受激发射损耗技术、结构光照明技术、光激活定位技术与随机光学重构超分辨成像技术;可应用于显微系统、光存储与眼底成像的光瞳滤波技术与径向偏振光超分辨聚焦技术;应用于空间探测的合成孔径技术、光子筛成像技术、超振荡透镜技术、亚像元技术与焦平面编码技术。主要讨论了以上超分辨方法的原理、实现手段与目前发展水平。     

基于压缩感知的高密度分子定位算法比较

为了提高荧光超分辨显微技术的时间分辨率,提出了各种高密度荧光分子定位算法。对基于压缩感知模型的凸优化(CVX)工具箱的内点算法、同伦算法以及正交匹配追踪(OMP)算法的重构密度、定位精度、定位时间进行比较。模拟结果表明,CVX方法和同伦算法能够在高密度情况下实现精确定位,OMP算法与同伦算法运行时间比CVX算法短,但OMP算法在高密度的情况下定位精度相对其他2种算法明显下降。实验结果表明,3种算法都能实现高密度的荧光分子定位,CVX方法和同伦算法具有较好的重构效果;在500幅图像重构中,同伦算法与OMP算法的速度相比于CVX算法分别提高了14.9倍和21.2倍,大幅度缩短了重构时间。     

超分辨显微技术在活细胞中的应用与发展

细胞是生命体的基本单位和功能单位,对活细胞内部结构及其功能的研究是了解掌握生命本质的基础之一,因此活细胞的实时观测对生命科学的发展具有重要意义。传统的光学显微技术受衍射极限的限制,无法观测200 nm以下的生物结构细节。近20年来,随着超衍射极限光学理论、技术、器件和荧光探针等方面的快速发展,超分辨显微成像技术已成为应用于生命科学研究的重要手段。然而,大多数超分辨显微方法或测量耗时长,或易引起荧光蛋白漂白/细胞损伤,在活细胞研究中受到极大限制,已成为超分辨显微领域重点攻关的方向之一。为此,文中结合作者在快速超分辨显微技术研究的基础上,介绍了基于单分子成像的光激活定位显微技术和随机光学重构显微技术、基于荧光非线性可饱和光转换的受激发射显微技术以及基于结构光照明的超分辨显微技术,并探讨了在活细胞成像中的发展应用。最后,文中展望了超分辨显微成像技术在活细胞成像中的未来发展趋势。     

单分子三维取向超分辨成像技术进展（特邀）

超分辨显微成像技术自诞生以来,凭借其优异的纳米级空间分辨率,已成为生命科学研究中精准揭示复杂生命现象的重要成像技术。其中,基于单分子定位的超分辨成像策略,使得定位、观察、研究单个探针分子独特的理、化、光学性能成为可能。偏振作为荧光信号的一个重要特性,近年来伴随着单分子三维取向成像技术的发展,逐步在单分子成像和超分辨领域中展示出诸多新颖且重要的应用特性。本文总结了单分子三维取向超分辨成像技术的最新进展,介绍并分析了两类主要的单分子三维取向荧光显微技术——基于荧光吸收与辐射偏振调制的单分子三维取向成像方法以及利用点扩散函数工程将单个荧光分子的三维取向信息编码到荧光图像上的成像策略。此外,还探讨了应用于活细胞或单颗粒的其他类型的超分辨取向成像技术。最后,针对单分子三维取向超分辨成像技术发展与应用前景面临的挑战,进行了总结与展望。     

基于DH-PSF与DG结合三维荧光动态成像重构方法研究及处理结果

针对超分辨成像方法景深不够的局限性,发展了具有超大景深的三维超分辨成像系统,通过点扩展函数的改造,形成携带有三维信息的双螺旋点形式,同时结合变形光栅能够在12μm轴向范围内实现荧光分子的实时位置信息获取,为了精确地获得荧光分子的定位,利用模式识别方法实现图像重构,通过系统标定获取匹配图像,利用相关性计算以及拟合算法获取分子的三维位置信息。实验验证,该方法可以高效实现图像信息获取,为DH-PSF与DG结合方法实现三维成像奠定了基础。     

基于深度学习的单像素相机超分辨率成像优化

基于压缩感知和单像素成像的基本原理,设计了一种用于图像超分辨率重建的新型深度卷积神经网络架构.这种单像素超分辨率成像算法成功地将深度学习图像超分辨率重建技术与压缩感知单像素成像技术相结合,从而发展出一种全新的深度学习单像素成像优化方法.与传统的常规压缩感知图像重构算法相比,该算法有效提升了图像超分辨率重建精度和单像素成像质量.通过图像重建的仿真实验和单像素相机的成像实验验证,结果表明这种基于深度学习的新型单像素相机成像方式具有良好的性能表现.     

利用多尺度卷积神经网络的图像超分辨率算法

单幅图像超分辨率问题是典型的图像反问题。近年来深度学习广泛应用于图像超分辨率重建。为提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,提出一种利用多尺度卷积神经网络的图像超分辨率算法。该算法采用多尺度的卷积核及收缩--扩展的网络结构来提取图像多尺度的信息,并在网络结构中使用跳跃连接,以便更好的传递信息并弥补由于使用下采样和上采样而造成的图像细节信息的损失,来提高图像的重建质量。通过与其它算法的对比实验表明了本文算法不仅可以取得更好的性能,并且训练的收敛速度较快。      

多孔径压缩编码超分辨率大视场成像方法

多孔径成像是一种融合了仿生复眼视觉的新型成像方法,具有小型化、大视场、高分辨率等多种优势,但由于每个子孔径对应的单元图像分辨率过低,导致其成像质量和视场角的提升十分有限。为了进一步提高成像分辨率和探测视场,基于压缩感知理论设计随机编码模板,并紧贴子孔径放置对入射光场进行调制,通过单次曝光记录编码后的低分辨率单元图像阵列,利用稀疏优化算法,重构所有低分辨率单元图像获得超分辨率大视场图像。理论分析和仿真实验证明了该方法的有效性。该方法不仅能兼顾大视场高分辨率成像,而且大大缩小系统等效焦距,具有薄层结构,体积小而重量轻,可为微光机电一体化系统的研制设计提供借鉴。     

连续波太赫兹成像系统的单幅图像超分辨重建

针对现有的太赫兹成像系统所需硬件设备复杂且昂贵的问题,设计了基于单幅图像超分辨重建的连续波太赫兹成像系统,降低设备复杂度和硬件成本。通过对该成像系统生成的太赫兹图像进行双维度预处理,降低图像处理的占用内存,提高后续处理速度。引入限制对比度自适应直方图均衡方法对太赫兹图像进行分区域对比度提升,有效解决太赫兹图像对比度低的问题。利用稀疏表示和字典学习实现太赫兹图像的超分辨重建,提出了反余割拟牛顿平滑零范数的算法解决零范数优化问题,提高了重建精度。通过对该成像系统采集的单幅太赫兹图像进行超分辨重建,在边缘强度上提高了3.232,在平均梯度对比中提高了0.300,验证了对单幅太赫兹图像超分辨重建的有效性与优越性。     

Eigenface-domain super-resolution for face recognition

Face images that are captured by surveillance cameras usually have a very low resolution, which significantly limits the performance of face recognition systems. In the past, super-resolution techniques have been proposed to increase the resolution by combining information from multiple images. These techniques use super-resolution as a preprocessing step to obtain a high-resolution image that is later passed to a face recognition system. Considering that most state-of-the-art face recognition systems use an initial dimensionality reduction method, we propose to transfer the super-resolution reconstruction from pixel domain to a lower dimensional face space. Such an approach has the advantage of a significant decrease in the computational complexity of the super-resolution reconstruction. The reconstruction algorithm no longer tries to obtain a visually improved high-quality image, but instead constructs the information required by the recognition system directly in the low dimensional domain without any unnecessary overhead. In addition, we show that face-space super-resolution is more robust to registration errors and noise than pixel-domain super-resolution because of the addition of model-based constraints.     

基于高斯平滑压缩感知分数阶全变分算法的图像重构

In view of the gradient effect caused by the gradient effect of the Total Variation (TV) algorithm and the environmental noise in the single pixel imaging system, an image reconstruction based on the Gaussian Smooth compressed sensing Fractional Order Total Variation algorithm (FOTVGS) is proposed. Fractional differential loss of low-frequency components of the image increases the high-frequency components of the image to achieve the purpose of enhancing image details. The Gaussian smoothing filter operator updates the Lagrangian gradient operator to filter out the additive white Gaussian noise caused by the differential operator. Simulation results show that, compared with other four similar algorithms, the algorithm can achieve the maximum Peak Signal-to-Noise Ratio (PSNR) and Structural SIMilarity(SSIM) at the same sampling rate and noise level. When the sampling rate is 0.2, compared with the Fractional Order Total Variation (FOTV) algorithm, the maximum PSNR and SSIM increase by 1.39 dB (0.035) and 3.91 dB (0.098) respectively. It can be proved that this algorithm can improve the reconstruction quality of the image in the absence of noise and noise, especially in the case of noise, the quality of image reconstruction is greatly improved. The proposed algorithm provides a feasible solution for image reconstruction of noise caused by environment in single-pixel imaging and other computing imaging system.