一种基于参考引导学习的少样本显微图像数字重聚焦方法

本发明公开了一种基于参考引导学习的少样本显微图像数字重聚焦方法，涉及光学显微成像和图像处理领域，其技术特征在于：针对光学显微成像系统离焦成像的数字重聚焦需求，通过z轴扫描拍摄薄样本B的z轴图像堆栈；通过同一光学显微成像系统拍摄薄样本A的离焦图像；根据模糊度判据从样本B的z轴图像堆栈中选择模糊度最接近的离焦图像；构建神经网络模型；将薄样本A和B的离焦图像共同输入网络，构建损失函数推动网络优化；优化后可得薄样本A的重聚焦图像和神经网络的固化模型。类似薄样本在相同离焦距离下的离焦图像可利用该固化模型实现快速重聚焦，而在不同离焦距离下的离焦图像可通过重复前述过程的再优化实现重聚焦功能。该方法的优势在于，只需利用少量样本即可完成网络优化，数据获取成本和网络优化成本低，无需测量或估计系统的点扩散函数即可实现图像解卷积，具备良好的重聚焦效果和鲁棒的泛化性能，能够适用于光学显微成像系统的任意图像重聚焦场景。