专利交易市场

本发明公开了一种荧光显微图像超分辨率成像方法。本发明步骤如下：1：整理图像数据集，并将数据集按要求划分出训练集、测试集和验证集；2：输入训练集、测试集用基于深度学习的超分辨率神经网络训练出所需要参数的模型；3：用荧光显微镜发射特定波长紫外线，照射室用量子点变过的样本上，并使用CCD对样本成像，得到一系列的图像序列；4：使用SOFI算法，基于记录时间序列的图像，对荧光波动进行统计分析，通过计算整个时间序列内所有帧的各水平方向的累积量，得到荧光显微图像；5：使用FSRCNN读取模型中的参数，对荧光显微图像进行超分辨率处理，得到高质量图像。本发明达到快速生成噪声少、细节清晰、高质量的荧光显微图像。

本发明公开了一种基于自注意力的红外图像超分辨率方法、装置及可读介质，涉及图像处理领域，包括：构建基于自注意力的轻量级红外图像超分辨率模型并训练，得到经训练的轻量级红外图像超分辨率模型；将待重建的低分辨率红外图像输入经训练的轻量级红外图像超分辨率模型，该模型包括3×3卷积层、轻量级Transformer与CNN骨干、高效细节自注意力模块和图像重建模块，待重建的低分辨率红外图像输入3×3卷积层，得到第一特征，再依次经过轻量级Transformer与CNN骨干和高效细节自注意力模块，且高效细节自注意力模块以共享参数的方式循环n次，得到第二特征，将第一特征和第二特征进行残差连接后输入图像重建模块，输出高分辨率红外图像，解决参数量冗余、性能差等问题。

本发明公开了一种面向局部运动模糊的图像超分辨率方法及装置，涉及图像处理领域，包括：获取待重建的低分辨率图像并输入到经训练的图像超分辨率模型，低分辨率图像输入到图像选择模块，得到图像分组标签，图像分组标签包括正标签和负标签，正标签与模糊图像块相对应，负标签与其他图像块相对应；根据图像分组标签分别将正标签相对应的模糊图像块以及负标签相对应的其他图像块输入到正标签特征提取分支和负标签特征提取分支，得到正标签特征和负标签特征，正标签特征和负标签特征经过拼接层进行拼接，得到图像特征；图像特征经过图像重建模块，重建得到对应的高分辨率图像。本发明解决了局部运动模糊图像在超分辨率重建中性能差和效率低的问题。

本发明公开了一种基于生成对抗网络和混合Transformer的太赫兹图像超分辨方法及系统，方法包括：步骤S1、使用太赫兹成像设备对待检测人员拍摄太赫兹图像，构建太赫兹图数据集；步骤S2、基于生成对抗网络和缓和Transfor mer构建太赫兹图像超分辨模型；步骤S3、使用所述太赫兹图数据集对所述太赫兹图像超分辨模型进行训练，得到训练好的太赫兹图像超分辨模型；步骤S4、使用训练好的网络对待检测的太赫兹图像进行图像超分辨。本发明通过设计残差空间和通道重建卷积增强密集模块，有效地对太赫兹图像中的噪声进行了去除并且对特征信息进行了提取，从而为后续的细节特征增强和图像重建提供了鲁棒性更好的特征图信息。