一种应用于显微图像的基于少标签训练的虚拟重聚焦方法

本发明公开了一种应用于显微图像的基于少标签训练的虚拟重聚焦算法，属于信息领域中的计算机视觉技术，对于使用固定离焦距离下的数据对(模糊图像‑标签图像)进行模型的训练，当输入的图像模糊程度超出网络训练时训练数据的模糊范围时，其重聚焦效果会随着模糊程度的增加而逐渐减弱。这一结论可以从上文4.2.2节中图4‑5所展示的SSIM和PSNR数值变化中得出。为了改善这一状况，增量学习虽然是一种可行的方法，但它通常需要额外的数据进行网络训练，这在实际应用中可能并不总是可行的。为了克服这一限制，本文提出了一种基于少量标签训练的虚拟重聚焦技术。该技术使得已经训练好的模型仅通过单张图像及其标签进行迭代优化，就能快速适应并处理与该图像模糊程度相似的所有图像，实现虚拟重聚焦。而且本发明对硬件环境条件没有特别要求，需预先对部分数据集获取和处理。并且使用较小样品数据预训练两个子网络，使网络模型可以实现少标签训练的虚拟重聚焦。