反卷积算法工科.docVIP

在过去的十年当中，人们尝试了各种算法来消除数字图片的模糊问题。在光学显微术中，应用最为广泛的算法可分为两类，去模糊（deblurring）及图像还原（image restoration）。deblurring算法适用于二维去模糊，这种算法采取逐层计算的方式还原三维图像。相对的，image restoration则是三维意义上的算法，这种算法以每一个体素为目标同时进行去模糊计算。 ??????? 在介绍详细的内容之前，我们先来书记几个术语。object指显微镜视野下被激发的三维荧光。raw image指显微镜下获得的未经处理的数字图片或图片层。features指图片中某一感兴趣的特定区域。 deburring算法??????? 二维算法比如nearest-neighbor，multi-neighbor，no-neighbor，及unsharp masking在这里，我们都将其归为deblurring算法中。在三维图片层中，这种算法通过逐层计算来去除每一层的模糊。Figure 1显示，为三维图片中的某一光切层面，样品为Xenopus细胞的微管结构。a为处理前图片，b为经nearest-neighbor算法处理后的图片。??????? 这种单层计算的方式相对来说很经济有效。但deblurring算法也有一些较大的缺点。首先，几个层面中的噪音重叠在了一起；另外，deblurring算法去除了干扰信号的同时降低了信号的总强度；第三，features中的信号在z轴方向上的扩散，在每一个层面中都会计算一次，但实际上某些层面，这些信号是假的，于是features的位置会发生偏移。这种情况在二维图片的去模糊中尤为严重，这些二维图片上，其他层面的干涉环或光经过计算后会被认为是这一层的信号而留在二维图像上。总的来讲，deblurring算法改进的图像对比度，但牺牲了信噪比，并且还有可能引入假信号。??????? 当需要快速去模糊或计算机性能有限的时候，二维deblurring算法是很有用的。它尤其适用于荧光结构分散的样品，但考虑到这种算法会降低信号强度，最好不要用于形态学计算、荧光定量及比率计算实验。 image restoration算法??????? image restoration算法的基本功能是消除三维图像的模糊，效果很理想。这种算法并不是去掉模糊，而是通过运算，逆转图像固有的卷积效应，将模糊的光线算回到焦点位置。假设图像中的object遵循点扩散方程（psf，point spread function）变得模糊，那么通过翻卷积运算，即可将object复原。但是由于成像系统固有的限制以及图像的组成，object无法被完美的还原；只能通过已知的限制因素，估算object。restoration算法通过计算psf还原object。??????? 这种算法的优势在于，三维图像的翻卷积运算可以遵循傅里叶变换（fourier transformation）通过数学的方法计算出来。 inverse filter算法??????? inverse filter是第一个图像翻卷积算法。inverse filter以及与其类似的regularized inverse filters在20世纪60年代被用于电信号的处理，在20世纪70年代晚期被用于图像分析。在图像分析软件中，这些算法通常被称作Wiener deconvolution, Regularized Least Squares, Linear Least Squares, 及Tikhonov-Miller regularization。??????? inverse filter也采用傅里叶变换的方法进行翻卷积。这是最简单的翻卷积算法，计算迅速，和前面提到的二维去模糊速度相当。但这种方法是应用受限于噪音放大。在进行傅里叶变换的过程中小的噪音信号会被放大。这样模糊虽然被消除，但引入了更多的噪音，例如所谓的ringing。??????? 通过估算object的结构可以降低噪音放大以及ringing。例如，如果object相对平滑，那么由于噪音引起的粗糙边缘可以被矫正。这一方法叫做regularization。regularization可以应用于inversefilter计算中的某一步，或反复应用，以得出平滑的结果。然而，由于这种算法可能导致细节的丢失，采用inverse filters算法的应用软件都会提供某一可控参数给用户来控制平滑度与噪音放大之间的偏重。 Constrained Iterative 算法??????? 为了改进inverse filter算法，人们添加了许多其他的三维算法到图像处理过程中。这些算法被称作constrained iterative algorithm