一种基于深度学习的无光晕效应白光相位成像方法及系统与流程

本发明涉及相位成像技术领域，尤其是基于深度学习的无光晕效应白光相位成像技术。

背景技术：

白光衍射相位显微术在材料和生物细胞科学领域具有广阔的应用前景，然而，白光衍射相位显微术采用扩展的白光光源照明，照明光波不可能是完全的平面光波，它的空间相干面积一般远小于测量视场，从而使得相位像中出现与物体结构相依赖的光晕效应。事实上，采用白光的相位成像技术都存在光晕效应影响。

目前解决光晕效应影响的方法主要有两大类。一类是提高照明光源的空间相干性，一般通过减小照明数值孔径，提高照明光源的空间相干面积，但是，这种方法会造成光通量降低，从而导致曝光时间增加，不利于实现动态测量。另一类方法是通过结合成像系统硬件参数的数值迭代计算，这种方法能准确地修正相位像的光晕效应，但是通过迭代运算的方法比较费时，并且依赖于系统硬件参数。另外一种是直接的数字图像处理方法，通过三方向希尔伯特变换滤波方法，能够比较好的消除边缘的光晕效应，但是不能修正光晕效应引起的其余部分相位值与准确值的偏差。

因此，如何提供一种实时准确的无光晕效应白光相位成像方法成为了本领域技术人员亟需解决的问题。

技术实现要素：

本发明所要解决的技术问题就是提供一种基于深度学习的无光晕效应白光相位成像系统，实现对构建的白光衍射相位成像系统获取的微球、血红细胞等相位像实时光晕效应消除。

为解决上述技术问题，本发明采用如下技术方案：一种基于深度学习的无光晕效应白光相位成像系统，包括：

白光衍射相位成像模块，用于采集生物活细胞的标准聚苯乙烯微球相位像；数据处理模块，通过白光衍射相位成像模块获取1000张以上的1024×1024pixels的2μm标准聚苯乙烯微球相位像，作为输入数据；对输入数据进行正则迭代计算，得到相应的无光晕效应相位像图像，作为目标数据；将图像进行数据增广操作，从而将数据集扩大，并以7：2：1分为训练集、验证集和测试集；

深度神经网络模型搭建模块，根据训练集搭建深度神经网络模型，在训练模型过程中调整模型的层数和参数，保存多种模型，用未经过训练的测试集相位像数据进行光晕效应消除实验，选择时间短、结构相似性指数高的模型导出，作为最佳模型；

无光晕效应白光相位成像模块，通过白光衍射相位成像模块获取不同尺寸的标准聚苯乙烯微球相位像，经过导出的最佳模型计算，实现无光晕效应白光相位成像。

可选的，所述输入数据的正则迭代计算方法为：

由白光衍射相位成像原理推导得到测量相位和真实相位的关系为

式中φm(r)为测量相位；φ(r)为样品的真实相位；是样品透射率函数被平滑后的相位值，其中是系统照明光源的互相干函数，h0(r)是0级滤波孔径透过率函数的傅里叶变换，因此h(r)是成像系统的硬件参数决定的；

为计算得到真实相位，采用总变分最小约束的landweber正则迭代计算方法

式中，为总变分项，为测量数据，即输入数据，为上一次估算值，当n＝0时，初始为零矩阵，λ为正则参数，取值为0.03，τ为松弛因子，取值为0.5。

可选的，所述数据增广操作为将图像经过顺时针旋转90°、逆时针旋转90°、垂直翻转和水平翻转，从而将数据集扩大四倍。

可选的，深度神经网络模型中深度神经网络模型激活函数使用线性整流函数。

可选的，深度神经网络模型中梯度下降采用adam优化方法。

可选的，损失函数采用加入正则项的自定义损失函数，表达式为

loss＝argmin||ypred-ytrue||²+α||ypred||1

式中ypred表示经过模型计算得到的重建数据，ytrue表示目标数据，α表示正则项系数，取值为0.5，||·||1表示1-范数，||·||2表示2-范数。

可选的，模型训练使用一个批次8个样本图像的训练集训练网络200个周期，在训练过程中，设置最优模型参数保存，以验证集数据的损失函数值作为指标，保存损失函数值最小的模型权重。

可选的，时间是使用保存的模型权重对一张未经训练的相位像光晕消除处理所需的计算运行时间，结构相似性指数计算公式为

式中μ是图像的平均值，σ是图像的标准偏差，下标0和1表示目标和经过模型计算得到的重建数据，σ0,1是两个图像数据的协方差，c1和c2是正则化常数，c1取值为6.5，c2取值为58.5。

可选的，最佳模型结构和参数为：

第一层，对输入数据采用3个3×3卷积核的卷积层，并经过激活函数计算；第二层，采用8个3×3卷积核的卷积层，并经过激活函数计算；第三层为批量归一化层，将图像数据做小批量归一化处理；第四层为2×2的池化层；第五层至第十层为两次重复第二层至第四层，修改第一次重复的卷积层的卷积核数量为16，修改第二次重复的卷积核数量为32；第十一层为32个3×3卷积核的卷积层，并经过激活函数计算；第十二层为批量归一化层；第十三层为2×2的上采样层；第十四层至第十九层为两次重复第十一层至第十三层，修改第一次重复的卷积层的卷积核数量为16，修改第二次重复的卷积核数量为8；第二十层为1个3×3卷积核的卷积层，不经过激活函数计算，输出重建数据。

本发明还提供了一种基于深度学习的无光晕效应白光相位成像方法，包括如下步骤：

步骤1：数据准备和处理，通过白光衍射相位成像模块获取1000张以上的10241024pixels的2μm标准聚苯乙烯微球相位像，作为输入数据；对输入数据进行正则迭代计算，得到相应的无光晕效应相位像图像，作为目标数据；将图像进行数据增广操作，从而将数据集扩大，并以7：2：1分为训练集、验证集和测试集；

步骤2：模型训练和导出，根据训练集搭建深度神经网络模型，在训练模型过程中调整模型的层数和参数，保存多种模型，用未经过训练的测试集相位像数据进行光晕效应消除实验，选择时间短、结构相似性指数高的模型导出，作为最佳模型；

步骤3：无光晕效应白光相位成像计算，通过白光衍射相位成像模块获取不同尺寸的标准聚苯乙烯微球相位像，经过导出的最佳模型计算，实现无光晕效应白光相位成像。

本发明采用上述技术方案，针对白光相位成像中出现的负相位值以及测量值会低于真实相位值的现象，根据成像原理获取实验数据和数据处理，在搭建深度神经网络模型中采用池化层和上采样层三次对称的网络层，选择线性整流激活函数、adam梯度下降优化方法和加入正则项的自定义损失函数；能够实现对白光衍射相位成像系统获取的相位像光晕效应的消除，且具有实时性好、准确性高的优点；基于深度学习的无光晕效应白光相位成像方法，具有一定的泛化性，对于不同尺寸的微球、血红细胞等物体都可实现实时光晕消除；该方法的使用不局限于白光衍射相位成像系统采集的相位像，可用于其它白光相位成像技术。

本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附图进行详细的说明。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1为本发明一种基于深度学习的无光晕效应白光相位成像方法流程图；

图2为本发明深度神经网络模型示意图；

图3为本发明的方法实现无光晕效应白光相位成像示意图。

具体实施方式

本发明提供一种实时准确的无光晕效应白光相位成像方法及系统，实现对构建的白光衍射相位成像系统获取的微球、血红细胞等相位像实时光晕效应消除，具有实时性好、准确性高的优点。

实施例一

一种基于深度学习的无光晕效应白光相位成像方法，其步骤如图1所示：

步骤一，数据准备和处理；通过构建的白光衍射相位成像系统获取1000张1024×1024pixels的2μm标准聚苯乙烯微球相位像，作为输入数据；通过结合系统硬件参数的正则迭代计算，得到相应的无光晕效应相位像，作为目标数据；将图像经过顺时针旋转90°、逆时针旋转90°、垂直翻转和水平翻转的数据增广操作，将数据集扩大四倍，并以7：2：1分为训练集、验证集和测试集，其中训练集和验证集用于模型的训练，测试集不参与训练，用于模型的性能测试；

步骤二，模型训练和导出；基于keras框架分别搭建卷积层、激活层、池化层、批量归一化层、上采样层，根据训练集数据的复杂性搭建深度神经网络模型，在训练模型过程中调整模型的层数和参数，保存多种模型，用未经过训练的测试集相位像数据进行光晕效应消除实验，选择时间短、结构相似性指数高的模型导出，作为最佳模型；

步骤三，模型使用；通过构建的白光衍射相位成像系统获取不同尺寸的微球、血红细胞等物体的相位像，经过导出的最佳模型计算，实现无光晕效应白光相位成像。

作为一种较佳的实施例，所述步骤一中的目标数据无光晕效应相位像是通过结合成像系统硬件参数的正则迭代算法计算得到的；由白光衍射相位成像原理可推导得到测量相位和真实相位的关系为：

式中φm(r)为测量相位；φ(r)为样品的真实相位；是样品透射率函数被平滑后的相位值，其中是系统照明光源的互相干函数，h0(r)是0级滤波孔径透过率函数的傅里叶变换，因此h(r)是成像系统的硬件参数决定的；

为计算得到真实相位，采用总变分最小约束的landweber正则迭代计算方法：

式中，为总变分项，为测量数据，即输入数据，为上一次估算值，当n＝0时，初始为零矩阵，λ为正则参数，取值为0.03，τ为松弛因子，取值为0.5。λ、τ取值根据实验效果确定。因为测量相位和真实相位的关系所以得到了后面的正则迭代计算方法。

作为一种较佳的实施例，所述步骤二中的深度神经网络模型激活函数使用线性整流函数，由于白光衍射相位成像系统会在相位像中出现真实相位像不存在的负相位值，采用线性整流函数不仅可以避免模型训练过程中的梯度爆炸和梯度消失问题，还有助于重建无光晕相位像。

作为一种较佳的实施例，所述步骤二中的深度神经网络模型梯度下降采用adam优化方法，可以在训练过程中自适应学习率，随着无光晕相位像重建过程的模型训练适应性保留学习率。

损失函数采用加入正则项的自定义损失函数，表达式为：

loss＝argmin||ypred-ytrue||²+α||ypred||1

式中ypred表示经过模型计算得到的重建数据，ytrue表示目标数据，α表示正则项系数，取值为0.5，||·||1表示1-范数，||·||2表示2-范数。加入正则项可以对重建数据的数据变化产生约束。

所述模型训练是使用一个批次8个样本图像的训练集训练网络200个周期，在训练过程中，设置最优模型参数保存，以验证集数据的损失函数值作为指标，保存损失函数值最小的模型权重；所述的时间是使用保存的模型权重对一张未经训练的相位像光晕消除处理所需的计算运行时间；所述的结构相似性指数计算公式为：

式中μ是图像的平均值，σ是图像的标准偏差，下标0和1表示目标和经过模型计算得到的重建数据，σ0,1是两个图像数据的协方差，c1和c2是正则化常数，c1取值为6.5，c2取值为58.5。

作为一种较佳的实施例，所述步骤二中导出的最佳模型结构和参数如图2所示，具体为：

第一层，对输入数据采用3个3×3卷积核的卷积层，并经过激活函数计算；第二层，采用8个3×3卷积核的卷积层，并经过激活函数计算；第三层为批量归一化层，将图像数据做小批量归一化处理；第四层为2×2的池化层；第五层至第十层为两次重复第二层至第四层，修改第一次重复的卷积层的卷积核数量为16，修改第二次重复的卷积核数量为32；第十一层为32个3×3卷积核的卷积层，并经过激活函数计算；第十二层为批量归一化层；第十三层为2×2的上采样层；第十四层至第十九层为两次重复第十一层至第十三层，修改第一次重复的卷积层的卷积核数量为16，修改第二次重复的卷积核数量为8；第二十层为1个3×3卷积核的卷积层，不经过激活函数计算，输出重建数据。

本领域技术人员可以理解的是，所述步骤三中模型的使用不局限于白光衍射相位成像系统获取的相位像，可用于其它白光相位成像技术。

基于深度学习的无光晕效应白光相位成像方法实现效果如图3所示，图中虚线表示由白光衍射相位成像系统测量的微球相位像，实线表示利用所述深度学习方法计算得到的无光晕效应的相位像。实验效果显示，基于深度学习的无光晕效应白光相位成像方法可以实现将负的相位值消除，并且提高测量相位值。经过结构相似性指数计算，所述方法与正则迭代算法计算得到的无光晕相位像的结构相似性指数值为0.95以上，计算一张相位像所需时间小于正则迭代算法计算时间的三千分之一。

实施例二

一种基于深度学习的无光晕效应白光相位成像系统，包括：

白光衍射相位成像模块，用于采集生物活细胞的标准聚苯乙烯微球相位像；

数据处理模块，通过白光衍射相位成像模块获取1000张以上的10241024pixels的2μm标准聚苯乙烯微球相位像，作为输入数据；对输入数据进行正则迭代计算，得到相应的无光晕效应相位像图像，作为目标数据；将图像进行数据增广操作，从而将数据集扩大，并以7：2：1分为训练集、验证集和测试集；

深度神经网络模型搭建模块，根据训练集搭建深度神经网络模型，在训练模型过程中调整模型的层数和参数，保存多种模型，用未经过训练的测试集相位像数据进行光晕效应消除实验，选择时间短、结构相似性指数高的模型导出，作为最佳模型；

无光晕效应白光相位成像模块，通过白光衍射相位成像模块获取不同尺寸的标准聚苯乙烯微球相位像，经过导出的最佳模型计算，实现无光晕效应白光相位成像。

其中，白光衍射相位成像模块可以采用现有技术，例如以白光(卤素灯)作为照明光源的衍射显微相位成像系统。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。