[發明專利]基于機器學習的多像質參數自適應像差矯正方法及裝置

在審

• 申請號: 201911423325.X
• 申請日: 2019-12-31
• 公開（公告）號: CN111008945A
• 公開（公告）日: 2020-04-14
• 發明（設計）人: 王偉波;譚久彬;李曉君
• 申請（專利權）人: 哈工大機器人（中山）無人裝備與人工智能研究院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/08;G01M11/02
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;麥小嬋

1.一種基于機器學習的多像質參數自適應像差矯正方法，其特征在于，包括：

獲取圖像的相對圖像評價數據；

將所述相對圖像評價數據和所述相對圖像評價數據對應的像差澤尼克系數作為訓練集，輸入至機器學習模型中進行訓練，以構建訓練好的像差澤尼克系數的預測模型；

根據所述像差澤尼克系數的預測模型，對待檢測圖像的相對圖像評價數據進行像差澤尼克系數的預測，并根據所述像差澤尼克系數的預測的結果進行像差的矯正。

2.如權利要求1所述的基于機器學習的多像質參數自適應像差矯正方法，其特征在于，所述相對圖像評價數據包括以下至少任一：相對圖像強度評價值、相對圖像灰度方差值、相對圖像銳度值。

3.如權利要求2所述的基于機器學習的多像質參數自適應像差矯正方法，其特征在于，所述獲取圖像的相對圖像強度評價值，具體為：

獲取待調整圖像和標準圖像；

計算所述待調整圖像的圖像強度，獲得待調整圖像強度評價值；

計算所述標準圖像的圖像強度，獲得標準圖像強度評價值；

以所述待調整圖像強度評價值為被除數，以所述標準圖像強度評價值為除數，獲得的商作為所述相對圖像強度評價值。

4.如權利要求2所述的基于機器學習的多像質參數自適應像差矯正方法，其特征在于，所述獲取圖像的相對圖像灰度方差值，具體為：

獲取待調整圖像和標準圖像；

計算所述待調整圖像的灰度方差，獲得待調整圖像灰度方差值；

計算所述標準圖像像的灰度方差，獲得標準圖像灰度方差值；

以所述待調整圖像灰度方差值為被除數，以所述標準圖像灰度方差值為除數，獲得的商作為所述相對圖像灰度方差值。

5.如權利要求2所述的基于機器學習的多像質參數自適應像差矯正方法，其特征在于，所述獲取圖像的相對圖像銳度值，具體為：

獲取待調整圖像和標準圖像；

計算所述待調整圖像的圖像銳度，獲得待調整圖像銳度值；

計算所述標準圖像的圖像銳度，獲得標準圖像銳度值；

以所述待調整圖像銳度值為被除數，以所述標準圖像銳度值為除數，獲得的商作為所述相對圖像銳度值。

6.如權利要求3至5任意一項所述的基于機器學習的多像質參數自適應像差矯正方法，其特征在于，所述獲取標準圖像，具體為：

通過超分辨顯微鏡采集樣品表層圖像，并將所述樣品表層圖像標記為所述標準圖像。

7.如權利要求3至5任意一項所述的基于機器學習的多像質參數自適應像差矯正方法，其特征在于，所述獲取標準圖像，具體為：

通過超分辨顯微鏡采集樣品表面圖像，并利用模式法或隨機并行梯度下降算法進行像差校正，以像差校正后獲得的像質清晰的圖像為標準圖像。

8.如權利要求1至5任意一項所述的基于機器學習的多像質參數自適應像差矯正方法，其特征在于，所述機器學習模型是由基于誤差逆傳播算法的BP神經網絡構建的。

9.如權利要求1至5任意一項所述的基于機器學習的多像質參數自適應像差矯正方法，其特征在于，所述根據所述像差澤尼克系數的預測的結果進行像差的矯正，具體為：

根據所述像差澤尼克系數的預測的結果，獲得波前畸變相位分布數據；

根據所述波前畸變相位分布數據，通過變形鏡或空間光調制器進行像差的波前相位調制，從而實現像差的矯正。

10.一種基于機器學習的多像質參數自適應像差矯正裝置，其特征在于，包括：

數據獲取模塊，用于獲取圖像的相對圖像評價數據；

模型訓練模塊，用于將所述相對圖像評價數據和所述相對圖像評價數據對應的像差澤尼克系數作為訓練集，輸入至機器學習模型中進行訓練，以構建訓練好的像差澤尼克系數的預測模型；

矯正模塊，用于根據所述像差澤尼克系數的預測模型，對待檢測圖像的相對圖像評價數據進行像差澤尼克系數的預測，并根據所述像差澤尼克系數的預測的結果進行像差的矯正。