技术特征：
技术总结
基于神经网络的傅里叶叠层显微镜光瞳恢复方法，涉及计算机成像领域，解决现有傅里叶叠层成像模型在光学相差影响下导致的重建精度低，以及当前使用基于深度卷积神经网络的重建模型通用性差的问题，本发明结合FPM系统的正向成像方式并基于TensorFlow这个深度学习框架搭建了神经网络模型。引入了对于系统光瞳函数的恢复过程，可以更好的抑制系统中的光学像差对重建结果的影响从而得到更好的结果。本发明将样本的频谱和光瞳函数都设为网络中可被训练的二维网络层，通过最小化训练过程中的损失函数来同时获得样品的复振幅信息和光瞳函数，本发明具有良好的普适性并能够在系统中存在像差的情况下仍获得相较于传统算法更好的重建结果。
技术研发人员：李大禹;穆全全;宣丽;孙铭璐;陈雄;刘永刚;鲁兴海;王启东;杨程亮;张杏云
受保护的技术使用者：中国科学院长春光学精密机械与物理研究所
技术研发日：2019.07.19
技术公布日：2019.10.25