【技術實現步驟摘要】
本專利技術屬于圖像增強領域，特別涉及一種電子顯微鏡成像圖像增強方法。
技術介紹
1、在微生物研究中，電子顯微鏡（em）是一種關鍵工具，能夠提供微生物結構的高分辨率圖像；然而，em成像過程中常遇到諸如圖像噪聲、低對比度和細節丟失等問題，這些問題可能由于樣品制備不當、儀器局限和成像條件不穩定所致；對于微生物的識別和研究，準確、清晰的圖像至關重要，因為微生物結構復雜且尺寸微小，任何細節的丟失都會影響對其形態和功能的理解；數據增強技術通過提高圖像的清晰度和對比度，能夠更好地展現微生物的細微結構，增強其特征的辨識度，從而提高微生物識別的準確性和可靠性；這對于科學研究人員進行微生物分類、功能分析和病原體檢測等具有重要意義，因此，進行數據增強對于改善電子顯微鏡微生物成像質量和研究效率至關重要。
2、當前，圖像增強技術已在多個領域取得顯著進展；傳統的方法包括直方圖均衡、頻域濾波、邊緣增強等，這些方法通常基于圖像的基本統計特性，能夠在一定程度上提升圖像質量；然而，這些方法在處理復雜噪聲和細微結構時存在局限性；近年來，深度學習技術的興起為圖像增強帶來了新的契機；基于卷積神經網絡（cnn）的算法，如生成對抗網絡（gan）和自編碼器（auto?encoder），能夠通過學習大量訓練數據中的特征，生成更加清晰和細節豐富的圖像；這些方法在降噪、超分辨率、去模糊等方面表現出色；盡管如此，深度學習模型對數據量和計算資源的需求較高，且在特定應用領域還需要針對性優化；因此，結合傳統方法與現代深度學習技術的混合增強策略成為當前研究的熱點，旨在充分利用各類
技術實現思路
1、本專利技術提供一種電子顯微鏡成像圖像增強方法，旨在通過高效、精準的圖像處理技術，提升電子顯微鏡圖像的清晰度、細節表現和整體質量，從而更好地支持微生物樣品的分析和研究；方法通過多個模塊的協同工作，包括深度特征提取、特征處理、自適應特征增強、自適應注意力特征融合及最終圖像生成，有效地增強了圖像的分辨率和細節，使得科學研究和應用更加準確和可靠。
2、本專利技術旨在提出一種電子顯微鏡成像圖像增強模型，提供一種電子顯微鏡成像圖像增強方法，包括以下步驟。
3、s1、微生物電子顯微鏡圖像數據集制作，對微生物樣品使用電子顯微鏡成像設備，得到高分辨率圖像，將五類微生物進行標注，所述五類微生物為大腸桿菌、葡萄球菌、幽門螺桿菌、酵母菌和枯草芽孢桿菌，標注后的圖像構成微生物電子顯微鏡圖像數據集。
4、s2、構建深度特征提取模塊dfem，包括特征提取模塊和上采樣模塊。
5、s3、構建特征處理模塊fpm，包括3×3卷積和relu激活函數。
6、s4、構建自適應特征增強模塊afe，包括初始潛在編碼?latent?code?的計算。
7、s5、構建自適應注意力特征融合模塊aaff，包括使用自注意力加強特征融合。
8、s6、構建最終圖像生成模塊，包括反卷積、3×3卷積和relu激活函數。
9、s7、構建微生物電子顯微鏡圖像高分辨率模型，依次由輸入、深度特征提取模塊dfem、特征處理模塊fpm、自適應特征增強模塊afe、自適應注意力特征融合模塊aaff、最終圖像生成模塊、全連接層和輸出組成。
10、優選的，在步驟s2中，對于深度特征提取模塊，輸入低分辨率微生物電子顯微鏡圖像，，h、w和3分別表示微生物圖像的高、寬和通道數；首先通過一個3×3標準卷積進行初步的特征提取得到，，為一個3×3卷積；將初始特征經過n個殘差塊得到圖像特征，，；殘差塊包括以下三個步驟：首先進行多尺度特征提取，，表示1×1卷積，表示3×3卷積，表示5×5卷積，表示連接操作；然后提取其通道特征，，為sigmod激活函數，為全連接層，為激活函數，為全局平均池化；然后提取其空間特征，，為最大池化，為平均池化；然后對經過n個殘差塊得到的圖像特征進行上采樣，得到，，，為深度卷積，為pixelshuffle操作，得到的為深度特征提取模塊的輸出。
11、優選地，在步驟s2中，對于深度特征提取模塊，通過多尺度卷積、通道注意力機制和空間注意力機制對輸入圖像進行高效特征提取和增強；每個殘差塊內集成多尺度特征提取，使用不同大小的卷積核捕捉圖像的多尺度信息，并通過通道注意力機制和空間注意力機制選擇性地強調重要特征；最后通過上采樣操作，將處理后的特征圖處理為高分辨率圖像；該模塊在提高計算效率的同時，顯著增強了圖像細節和質量，實現更高效的高分辨率重建。
12、優選地，在步驟s3中，對于特征處理模塊，通過深度特征提取模塊處理后的得到微生物的高分辨率特征，，、和分別表示的高、寬和通道數；特征處理模塊包括三個卷積層，每個卷積層之后有relu激活函數對輸出進行非線性變換，增強表達能力，，，，為3×3卷積，為激活函數，，為特征處理模塊的輸出。
13、優選地，在步驟s3中，對于特征處理模塊，特征處理模塊的作用是從輸入的高分辨率圖像中提取特征，并將其表示為特征圖，這個過程通過卷積神經網絡實現，卷積層和激活函數的堆疊能夠提取并表示圖像中的重要特征，特征圖將用于后續的特征聚合和增強步驟，從而生成最終的高分辨率圖像。
14、優選地，在步驟s4中，對于自適應特征增強模塊，通過特征處理模塊得到預處理的微生物圖像特征，，、和分別表示的高、寬和通道數；使用雙線性插值方法計算中個位置的初始潛在編碼?latent?code，對應中個特征點的坐標，，，是特征圖中的第k個最近鄰點的特征值，k取值最大為4，4個臨近點坐標可表示為，表示第k個臨近點的權重，此處，初始潛在編碼為自適應特征增強模塊的輸出。
15、優選地，在步驟s4中，對于自適應特征增強模塊，通過雙線性插值從高分辨率特征圖中高效獲取目標位置的初始潛在代碼，為后續的細化和增強提供基礎；雙線性插值利用四個最近鄰點的加權平均，實現了空間上的平滑過渡和細節保留，確保高分辨率圖像在生成初期具有較好的連續性和一致性；這一過程簡單高效，為后續使用注意力機制進行更復雜的特征聚合和增強奠定了堅實的基礎，使最終生成的高分辨率圖像更加細膩和逼真。
16、優選地，在步驟s5中，對于自適應注意力特征融合模塊，通過自適應特征增強模塊得到微生物的初始潛在編碼?latent?code?，通過特征處理模塊得到微生物的預處理圖像特征，，，、和分別表示和的高、寬和通道數，對應中個特征點的坐標，；首先選取目標位置周圍的8個最近鄰特征值，周圍的8個臨近點坐標可表示為、、、、、、、，表示特征圖中位置的第k個最近鄰點的特征值，k取值最大為8；首先計算初始潛在編碼?latent?code?與每個鄰近特征之間的相似性，相似性得分用來表示，，和是線性變換，用于將特征映射到query和key空間；然后計算注意力權重，注意力權重為每個鄰近特征在生成的最終潛在編碼中的重要性，注意力權重用來表示，，為激活函數，使得權重的總和為1；然后計算最終的潛在編碼，為經過注意力機制增強的特征表示，，是線性變本文檔來自技高網...
【技術保護點】
1.一種電子顯微鏡成像圖像增強方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種電子顯微鏡成像圖像增強方法，其特征在于，在S2步驟中，對于深度特征提取模塊，輸入低分辨率微生物電子顯微鏡圖像，，H、W和3分別表示微生物圖像的高、寬和通道數；首先通過一個3×3標準卷積進行初步的特征提取得到，，為一個3×3卷積；將初始特征經過N個殘差塊得到圖像特征，，；殘差塊包括以下三個步驟：首先進行多尺度特征提取，，表示1×1卷積，表示3×3卷積，表示5×5卷積，表示連接操作；然后提取其通道特征，，為Sigmod激活函數，為全連接層，為激活函數，為全局平均池化；然后提取其空間特征，，為最大池化，為平均池化；然后對經過N個殘差塊得到的圖像特征進行上采樣，得到，，，為深度卷積，為PixelShuffle操作，得到的為深度特征提取模塊的輸出。
3.根據權利要求1所述的一種電子顯微鏡成像圖像增強方法，其特征在于，在S3步驟中，對于特征處理模塊，通過深度特征提取模塊處理后的得到微生物的高分辨率特征，，、和分別表示的高、寬和通道數；特征處理模塊包括三個卷積層，每個卷積層之后使
4.根據權利要求1所述的一種電子顯微鏡成像圖像增強方法，其特征在于，在步驟S4中，對于自適應特征增強模塊，通過特征處理模塊得到微生物圖像特征，，、和分別表示的高、寬和通道數；使用雙線性插值方法計算中個特征位置的初始潛在編碼?latent?code?，對應中個特征點的坐標，，，是特征圖中的第k個最近鄰點的特征值，k取值最大為4，表示第k個臨近點的權重，初始潛在編碼為自適應特征增強模塊的輸出。
5.根據權利要求1所述的一種電子顯微鏡成像圖像增強方法，其特征在于，在步驟S5中，對于自適應注意力特征融合模塊，通過自適應特征增強模塊得到微生物的初始潛在編碼?latent?code?，通過特征處理模塊得到微生物的預處理圖像特征，，，、和分別表示和的高、寬和通道數，對應中個特征點的坐標，；選取目標位置周圍的8個最近鄰特征值，表示特征圖中位置的第k個最近鄰點的特征值，k取值最大為8；首先計算初始潛在編碼?latent?code?與每個鄰近特征之間的相似性，相似性得分用來表示，，和是線性變換，用于將特征映射到Query和Key空間；然后計算注意力權重，注意力權重為每個鄰近特征在生成的最終潛在編碼中的重要性，注意力權重用來表示，，為激活函數，使得權重的總和為1；然后計算最終的潛在編碼，為經過注意力機制增強的特征表示，，是線性變換，用于將特征映射到Value空間，為自適應注意力特征融合模塊的輸出。
6.根據權利要求1所述的一種電子顯微鏡成像圖像增強方法，其特征在于，在步驟S6中，對于最終圖像生成模塊，輸入特征為，，首先通過一層反卷積層和ReLU激活函數，，為反卷積，為激活函數；然后使用一個卷積層將處理后的特征圖轉換為最終的高分辨率圖像，，為一個3×3卷積，為最終圖像生成模塊的輸出。
...【技術特征摘要】
1.一種電子顯微鏡成像圖像增強方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種電子顯微鏡成像圖像增強方法，其特征在于，在s2步驟中，對于深度特征提取模塊，輸入低分辨率微生物電子顯微鏡圖像，，h、w和3分別表示微生物圖像的高、寬和通道數；首先通過一個3×3標準卷積進行初步的特征提取得到，，為一個3×3卷積；將初始特征經過n個殘差塊得到圖像特征，，；殘差塊包括以下三個步驟：首先進行多尺度特征提取，，表示1×1卷積，表示3×3卷積，表示5×5卷積，表示連接操作；然后提取其通道特征，，為sigmod激活函數，為全連接層，為激活函數，為全局平均池化；然后提取其空間特征，，為最大池化，為平均池化；然后對經過n個殘差塊得到的圖像特征進行上采樣，得到，，，為深度卷積，為pixelshuffle操作，得到的為深度特征提取模塊的輸出。
3.根據權利要求1所述的一種電子顯微鏡成像圖像增強方法，其特征在于，在s3步驟中，對于特征處理模塊，通過深度特征提取模塊處理后的得到微生物的高分辨率特征，，、和分別表示的高、寬和通道數；特征處理模塊包括三個卷積層，每個卷積層之后使用relu激活函數，，，，為3×3卷積，為激活函數，為特征處理模塊的輸出。
4.根據權利要求1所述的一種電子顯微鏡成像圖像增強方法，其特征在于，在步驟s4中，對于自適應特征增強模塊，通過特征處理模塊得到微生物圖像特征，，、和分別表示的高、寬和通道數；使用雙線性插值方法計算中個特征位置的初始...
【專利技術屬性】
技術研發人員：王建軍，王德才，曾新桃，羅惠文，史瑞籽，
申請(專利權)人：山東黃海智能裝備有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。