从单个显微图像中分离颗粒物

4584从单个显微图像中分离颗粒物Tushar Sandhan和Jin Young Choi韩国首尔国立大学，ASRI，ECE系网址：tushar@snu.ac.kr，jychoi@snu.ac.kr摘要颗粒物（PM）是悬浮在大气中的各种固体和液体颗粒的混合物.这些亚微米颗粒对于通常的手持照相机摄影来说是难以察觉的，但却成为显微成像的巨大障碍。从单个显微图像中去除PM是一个高度不适定的并且具有挑战性的图像去噪问题之一。本文深入分析了PM、显微镜的物理性质及其相互作用;并提出了一种优化方案，该方案在几秒钟内从高分辨率显微图像中去除PM。对真实世界显微图像的实验表明，该方法的去噪效果明显优于其他竞争性图像去噪方法输入显微图像 颗粒物方法.它保留了全面的微观前期细节，同时清楚地将PM与sin分开，输出清洁样本PM已删除单色或彩色图像。1. 介绍显微成像允许亚细胞结构的可视化在各种水平的分辨率与前所未有的准确性。它已成为生物学家视觉数据的重要来源，并广泛用作研究和医疗援助的主要工具它赋予我们一个新的视野，仔细审查微观细节，从而满足人类心灵的好奇心然而，大气中颗粒物（PM）的存在会对显微镜造成阻碍。PM是悬浮在大气中的各种固体和液体颗粒的混合物，直径大于10nm且小于50µm [39]。将PM的大小与可吸收的日常对象进行比较，对于一般目的的摄影，PM变得透明或轻微的散射噪声（例如，雾）也就是说，大气中的PM浓度越高，能见度越低。另一方面，PM沉降在显微镜的载玻片或物镜上，在那里它变得与样品的大小相当。因此，在显微成像中，PM不仅是散射噪声，而且是一种障碍物最终的显微图像往往图1：顶部：酵母菌落的输入图像是contam-不受欢迎的颗粒物（PM）。底部：我们的方法分离PM以产生干净的样品。具有真实对象（前景）和超精细不想要的PM（背景）的不想要的叠加在这里，我们解决了前景和背景分离的不适定问题，以产生如图1所示的干净的显微图像。显微图像数据采集具有显著的挑战，如样本的适当染色、维持一定的湿度和环境温度、保持适当的照明以降低光毒性、防止背景杂乱和分离重叠核[16，24，43，64]。因此，微观标记数据稀缺[67]。每个图像包含大量的对象，例如细胞核、细胞或神经元，因此仅数百个显微图像的可用性就产生了数千个数据点，这足以训练基于学习的算法，例如用于检测、分割或分类任务的深度神经网络（DNN）[2，23，52，61，62，63]。然而，对于图像去噪，每个图像用作单个数据，并且通常不存在地面实况，例如，一个潜在的干净形象。（下午）4585因此，有必要求助于一种基于非学习的方法来增强显微图像。晶体或组织的显微图像显示周期性或准周期性纹理，因此重要的视觉信息将集中在频域中观察到的某些点内[6]。因此，带通滤波、Gabor滤波、曲波和基于小波的多尺度分析已被证明对高分辨率透射电子显微镜中的去噪有效[14，22，27，28，60]。Un-光源聚光透镜样品组件物镜相机不溶性微粒（PM）标本玻璃盖玻璃载片像组织一样，细菌菌落并不总是均匀生长[30]，这限制了这些反式结构域过滤方法的有效性。显微镜图像通常在低光下获得以减少活细胞的光毒性[10]，这会引起额外的噪声，亚细胞成分失去其精细细节，即。决议[32]。 这些问题得到缓解在某种程度上，通过改变微观采集过程，例如长时间曝光图像捕获而没有光损伤[7，13，42，49]。对比度增强方法[9，31]对于均匀照明和均匀背景也同样有效，但在非理想情况下失败。例如，直方图均衡化方法引入颜色失真，并且在处理不均匀照明条件时不稳健[15，66]。通过对噪声进行建模，解决了显微图像的退化问题。在加性高斯白噪声的情况下，NL均值滤波器给出了有效且简单的降噪解决方案，同时保留了图像几何结构[8，32]。对于泊松噪声假设，通过基于块的表示、主成分分析、全变差去噪和字典学习方法利用图像冗余来实现去噪[12，21，37，50，51]。这些方法在颗粒尺寸相对于试样而言即PM表现为噪声而不是障碍物。集成显微镜可同时采集数据从多种光学成像模式[44，58，68]。多模态显微镜共配准多个图像，以利用多种结构和功能机制的优势[59，68]，因此可以减少背景噪声。然而，高成本和笨重限制了它们的广泛应用。螺旋解缠结网络[40，41]从临床CT扫描图像中去除金属伪影;多模态非监督图像到图像转换（MUNIT）[26]和不同图像到图像转换（DRIT）[34，35]是分解的表示框架，其学习如何根据非配对训练数据在两个图像模态之间进行转换。在我们的案例中，PM和Specimen是两种模式，但没有丰富的训练数据。我们提出了详细的研究PM的物理特性及其与显微成像系统的相互作用，这有助于将这一领域的知识转化为合适的图像先验。同时处理数据显微镜样品组装图2：左侧显示了传统的显微镜成像过程和显微镜的基本组件。在右侧，详细显示了样品组件，其中PM不必要地阻碍了显微镜中的光路稀缺性和图像去噪问题的显微镜，我们制定了一个非学习的优化方案。2. 我们的方法为了理解图像退化过程，我们首先概述了显微镜的原理，然后检查PM的特性及其与显微镜组件不可避免的相互作用2.1. 显微成像有各种各样的显微镜，但基本的显微组装和成像概念可以简单地概述如图2。它主要包括一个单色光源，用于照亮样本以获取清晰的视觉数据，一个聚光镜，用于将光聚焦到样本上，一个载玻片和盖玻片，用于保持样本，一个物镜，用于图像放大，最后是CCD或CMOS传感器，用于数字化获取视觉数据[4]。为了避免视觉数据的任何损失，这些传感器的像素间距保持小于由放大物镜决定的最小可分辨距离[11]。因此，即使在暴露于附近环境的样本附近轻微存在PM，也将在最终图像中捕获。有时在最后阶段使用目镜以进一步放大和直接观察样品。2.1.1低照度低感光度传感器（低ISO设置）用于强光摄影，这反过来有助于减少背景噪声，因为PM的阻碍效应被更高照明下真实物体提供的压倒性视觉信息所掩盖[19]。显微镜下的标本是生物活体4586入射光波夫琅和费衍射成像平面植物细胞纸反射吸收21���…折射2550藻类肿瘤细胞典型障碍物（PM）强度轮廓捕获图像图3：左侧：典型干净的显微镜图像（顶行：植物细胞，纸;最下面一行：藻类、肿瘤细胞）。右侧：梯度统计。平均统计量可以用α = 0的超拉普拉斯算子更好地近似。8，而二次或高斯近似是不合适的。或活性医药化合物。因此，为了避免活细胞损伤、光漂白或光反应[47]，照射光子预算在显微镜中受到限制，并且传感器需要以更高的灵敏度操作，这对背景噪声或PM敏感。具有这些受限资源的显微成像在存在背景PM的情况下产生噪声视觉2.1.2样品组件如图2所示的样本组件由一个物体（即，样品）放置在厚载玻片上，并从顶部用薄玻璃覆盖。它通过将样品与周围环境密封起来，保护样品免受意外接触和灰尘的影响。在标本上添加液体染色剂，以更好地突出活细胞的个体特征。盖玻片厚度约为100至200µm，它使基材保持平坦或均匀的厚度，并保护其免受氧化或蒸发[54]。2.1.3样本的梯度统计一般真实世界的图像表现出稀疏的空间梯度统计[38，53]。在图3中，我们分析了代表性显微图像的梯度分布，这些图像大多没有PM造成的背景杂波。结果表明，超拉普拉斯分布能很好地逼近干净显微图像的平均梯度统计量，而二次分布或高斯分布则与之相去甚远。所以我们将样本S的分布建模为，图4：入射光波与球形障碍物相互作用，在到达成像平面之前发生折射、反射、吸收和衍射。最终捕获的图像中的强度曲线显示出平滑的变化。卷积算子，以及属于集合J S={[1，−1]，[1，−1]T}和α = 0的导数滤波器。8.2.2. 颗粒物PM分为直径在2.5和10 µm之间的粗颗粒（PM 10）和直径高达2.5 µm的细颗粒（PM 2. [29] PM10和较大颗粒物的主要成分是有机化合物、金属氧化物、花粉粒、灰尘和海盐，而PM2. 5包括超细污染物，如碳氢化合物、氮氧化物和硫氧化物等。[1]的文件。在研究实验室或日常工作中，很难像半导体工作站那样保持清洁标准此外，显微成像也是在室外条件下进行的，因此样品组件与PM之间的相互作用是不可避免的。如果在显微镜检查前擦拭样本组件以去除PM会怎么样擦拭过程引发摩擦电效应，其中特定材料在摩擦接触时变得带电并吸引附近的颗粒。 这就是为什么液晶显示屏，窗玻璃通常覆盖着一层薄薄的灰尘。玻璃和PM10的成分在摩擦电系列中进一步分离[55]。因此，它甚至加速了粗颗粒物在试样上的沉降过程（见图2右部分）。 有必要在样本组件附近保持一定的湿度，以避免渗透压变化[16]，并且PM颗粒具有吸湿性，这可能导致能见度或噪音进一步降低[3]。2.2.1PM的半透明性Y1P（ S）=Wexp−1σΣ|（2011年12月31日）（a）|阿尔法星， （一）PM的尺寸正好在光源的波长λ的几个数量级内（图2），并且它们是i∈I11j∈JS阻碍光路（第2.2节）。当λ为compa时，随着障碍物的大小，光的衍射是promi，其中标量w1，σ1是归一化权重和扩散系数，i是像素索引∈I={1，···，N}，σ 1是像素的平均值。即使PM大得多，衍射也会从其边缘产生，如图4所4587示。因为光是不存在的--4588λβRλ在完全阻塞的情况下，从微观上得到能量最小化问题为，成像变得半透明。考虑到夫琅和费衍射的轮廓，min Σγ|α+|α+Σ ǁ∇jS− ∇jI ǁ2PM在近向前方向[56]，总强度Sj∈JS2j∈JI（θn）作为前向角θn的函数由下式给出S.T. Si 0≤Si，Bi≤ I i。（四）I（ θ）=I0αn2k2x24，J1（αsinθn），2αsin θn、（二）（4）中的成本函数是非凸的α1，因此我们使用半二次分裂技术[20，33]迭代求解（4）。它要求目标函数是可分的，其中，衍射级为n，输入照明为10，k= 1，2π是波数，PM和PM之间的距离。因此，我们引入辅助变量Y，其将（4）中的成本拆分为，成像平面是x，J1（）是第一成像平面的贝塞尔函数，α=2πr为无量纲尺寸参数。该模型不依赖于光学特性，因此，minS，YjΣΣj∈JS.|YJ|α+Σǁ∇jS−Yjǁ22+（5）是具有各种形状的不同物体的混合物γS− I2s.t. C=0≤S，B ≤I.对于图4中的球形障碍物，衍射被追踪到强度的同心环，其半径2j∈JB我我我这取决于PM的大小[45，57]。根据（2），所获取的强度与PM和成像平面之间的间隔x的平方成反比根据图2，PM距离作为样本的坐标的成像平面更远，距离为盖玻片的厚度量（秒）。2.1.2）。所以它们的强度下降得很快，在每次迭代t，正权重β增加，β→ ∞，则问题（4）和（5）变得等价。我们通过如下所述迭代地更新变量来求解（5解决Y。丢弃与Y给予，图案变得比样本更模糊。考虑到J1（）的零点，我们可以得出，Y（t+1）=argmin.¨|α + ¨ Y |α+¨Y¨2Σ- S（t）<$.（六）低强度同心环的半径R是反比，与障碍物尺寸成比例，即， R=1。因此衍射Yj2？j？对于像PM这样的较小的物体是明显的，而对于像样本这样的较大的物体则不明显。因此，由于PM边缘周围的强度的不透明性和平滑变化，我们用类高斯分布对背景PM的梯度统计进行建模对于每个像素i独立地求解（6），因此它是一个单变量优化，可借助查找表（LUT ）快速解决[33]。我们在-0范围内将10个3值从S（t）映射到Yj。五比零。5在LUT中该范围被选择为平均梯度分布，Y1P（λB）= w2exp−1σ2 Σ（图3中的值被限制在这个范围内。 失踪根据需要对来自LUT的值进行插值。求解S. 在固定Y之后，（5）在i∈I2j∈JBS. 它可以很容易地通过对S微分并等于0来解决。由于操纵涉及密集的其中σ2是标准偏差，w2是归一化权重，JB是二阶导数滤波器的集合图像梯度或滤波，我们应用2D FFTF以快速恢复S，JB={[1，−2，1]，[1，−2，1]T}。Σ（t）γF <$j<$F <$j <$F I+ βFj FYj2.3. 优化（t+1）−1j∈JBj∈JS<$ΣS=F显微图像I经由作为背景B的PM和样本S（sec.2.1）即 I =S + B。 作为一个线性算子，这种复合在梯度域中也是有效的。 我们通过最大化联合概率来分解这些层，即等价地最小化-ing − log P（S，B）。第2.1和2.2节指出，S和B是独立的，此外，它们不能比实际图像更强烈（S，B ≤ I），并且应该是非负的（0 ≤ S，B）;对−log（）函数进行轻微的代数操作并代入B=I−S，我们BJβJJ4589γFj <$Fj+βFj <$Fj+j∈JBj ∈JS（七）其中，Fj是来自集合J B或J S的第j阶导数滤波器核的光学传递函数或傅里叶变换;并且Fj是其复共轭。为了避免被0除，增加了一个小标量=10−8。在（7）中，最后的除法和乘积除法是逐元素执行的。满足约束。 我们在每次迭代t通过向S（t）中的所有像素添加归一化常数κ来施加（7）中的约束，使得0 ≤ κ + S（t）≤ I。没有4590（吨）算法1清洁样本层恢复1：输入：输入显微图像I;优化权重3：对于从1到T的迭代t，do4： 使用（6）更新Yj竞争性方法洁净显微镜检查PSNR SSIM5：使用（7）恢复S（t）Fu等人（Underwater Enh）[17]13.28分贝0.37336：使用（8）更新S（t）=κ+S（t）Ren等人（Multiscale ConvNet）[48]13.25分贝0.66007：通过β=2β来缩小（4）和（5）之间的差距Fu等人（Fusion Enh低光）[18]11.84分贝0.88028：输出：干净样本图像S=S（T）Berman等人（非局部方法）[5]14.00分贝0.6444迭代优化（Iterative Optimization）18.56 dB0.9501如果κ + S（t）落在边界内，则应该有一个惩罚，但是一旦它不遵守约束，则应该有一个固定的惩罚。因此，使用单位阶跃函数U（），我们通过用梯度下降更新最小化损失函数（8）来找到合适的κ表1：各种方法的定量比较。在每一列中，顶部三个值被颜色编码为RGBre-sample;并且满足PSNR> 10 dB以及SSIM> 0.80的行以灰色背景显示。Σminκ.Uκ+S（t）−I2.+ U −κ−S（t）102.（八）i∈I我们在A1中总结了这种迭代优化过程，其中在t = 0处，用输入显微图像S（0）=I初始化样本层。我们的实验表明，近似T = 6次迭代足以达到一个很好的解决方案。3. 实验在本节中，我们将描述实现细节和实验设置。所提出的方法的有效性进行了验证，通过一组实验和比较，与国家的最先进的图像去噪方法，使用真实世界以及合成的输入。我们所有的结果对于清洁显微镜（即，去噪样本图像），包括图1中的图像，是通过使用算法1而不需要任何进一步的图像后处理来获得的。数据集。我们已经构建了一个新的数据集，其中包含500个真实世界和合成显微图像。他们是不同的流派，包括医疗（例如，药物、带有或不带有染色剂的肿瘤细胞等），生物的（例如，细菌培养物、酿造过程中的酵母生长等）和人造物体（例如，盐晶体、碳纳米结构等）;其在具有不同厚度的盖玻片的低到高照明下被捕获（第2.1节）。考虑到活细胞的光毒性[47]，仅在非常明亮的照明下捕获人工观测。数据集-包括分辨率从300×400到高分辨率1920×1920的单色和彩色图像。为了帮助复制，这个数据集以及我们的Matlab实现将公开下载。实施. 算法1在Mat-lab中实现，没有任何GPU使用，其中根据经验，我们设置β0=20，γ=300，并且其他参数值背后的有理式已经在第2节中给出。3.1. 定量比较使用空样本组件（第2.1.2），可以在该特定时间和配置下单独获得PM的图像。由于定量比较需要地面实况（GT），我们通过将近似清晰的样本图像与PM混合来合成输入的显微图像（如图5a我们还确保合成输入的外观类似于具有来自PM的自然污染的真实世界显微图像的外观，如图6a所示。为了验证所提出的方法的有效性，我们将其与表1中所示的各种相关方法进行了广泛的比较。如第1节所述，我们选择了最近的方法进行比较分析，即基于DNN的学习方法通用去噪网络（UDNet）[36]，同态滤波以减少多跳噪声[46]，对比度限制自适应直方图均衡（CLAHE）[69]，三边加权稀疏编码（TWSC）真实世界图像去噪方案[65]，水下图像增强方法[17]，基于非局部[5]和DNN [48]的图像去雾方法以及基于融合的弱光增强技术[18]。使 用 峰 值 信 噪 比 （ PSNR ） 和 结 构 相 似 性 指 数（SSIM）[ 25 ]比较结果，因为作为全局度量，PSNR不考虑图像之间的局部变化;而SSIM是量化结构视觉质量退化的感知度量。因此，定量上更好的去噪方法是那些同时产生高PSNR和SSIM的方法。这些在表1中用灰色背景行突出显示，并在图5中进一步进行目视分析。在对比度操作方法中，我们选择CLAHE [69]进行进一步的视觉分析，因为它在现实世界的输入中显示了一些更好的结果（图6）。意大利（意大利语：Italy）[36]10.91分贝0.8658同态滤波[46]11.70分贝0.5898CLAHE（对比度操作）[69]Xu等(TW稀疏编码）[65]13.24分贝10.90分贝0.81140.8785459110.87分贝0.855910.91分贝0.865813.24分贝0.811410.90分贝0.878514.00分贝0.644418.56分贝0.9501←PSNR←SSIM(a)合成(b)UDNet [36](c)[69]第六十九话(d)TWSC [65](e)去雾[5](f)我们(g)地面实况图5：使用（a）中的合成图像进行定量比较。从（b）到（f）列显示了各种方法的结果，然后将其与地面真实值（g）进行比较，以获得相应的PSNR和SSIM值。受PM影响的图像区域使用边界框突出显示，并在每个图像的底部放大Fu等提出的水下图像增强方法。[17]在13.28 dB处实现 了 良 好 的 PSNR ， 但 完 全 未 能 实 现 任 何 合 理 的SSIM。同样，去噪方法[48]和[5]显示出高PSNR但低SSIM。水下环境与雾天由于强烈的光散射效应，具有相似因此，这些方法专门针对发现隐藏在均匀漫射和散射照明下的视觉数据然而，对于显微成像，如第2.2.1节中所讨论的，伪影主要由来自PM的光衍射产生。因此，去雾等图像增强方法共同产生低SSIM。我们只选择了非局部去雾方法[5]，这是一种性能稍好的方法，可以在图5和图6中进行更直观的比较。图5直观分析了表1中重要竞争方法的结果。使用彩色边界框突出显示包含来自PM的明显伪影的图像区域，然后在相应图像的底部放大边界UDNet [36]是一种通用的去噪方法，减少了显微成像中存在的任何泊松噪声，如图5b所示，并将PSNR提高到10.91 dB，SSIM提高到0.8658。然而，由于PM引起的局部急性噪声仍然没有受到伤害。基于稀疏编码的去噪方法（TWSC）[65]试图进一步降低PM噪声，但几乎没有将其刮除，如图5d左下角的裁剪区域所示，并产生稍好的0.8785 SSIM。Dehazing [5]大大提高了输入图像的对比度，以获得高达14 dB的高PSNR，但扰乱了原始颜色的一致性，实际上增强了PM噪声;因此，它在图5 e CLAHE [ 69 ]中提供了较低的0.6444 SSIM或多或少做了同样的事情，但适度，因此图像合成不会很大程度上偏离GT并产生0.8114 SSIM（图5c），低于输入（图5a）。由于我们的方法适当地模拟了PM的衍射效应和样品的高度稀疏的梯度统计，它成功地降低了PM噪声，同时保留了底层真实图像的结构和颜色组成。我们的方法不改变任何对比度或亮度的输入图像。它是专门开发的目的是保留潜在的真实信息的标本，减少PM文物。从图5f底部的裁剪区域，我们可以清楚地看到PM几乎消失。 因此，定量地，它实现了显着更高的18.56 dB PSNR和0.9501 SSIM用于清洁显微图像。3.2. 与真实世界的图像进行比较图6显示了各种降噪方法对真实世界重要显微图像的定性结果，这些图像具有不同的分辨率、照明、样本内容和捕获过程，例如：染色与非染色显微镜。我们还包括从在线来源收集的真实世界的图像，在我们的实验中有效地验证PM在显微镜中的普遍存在和不良副作用我们在补充材料中包括了真实世界显微镜图像的额外实验结果图6是定性显微成像分析的重要参考，其中通过竞争性方法对来自6a的每个输入的去噪结果在6b至6f中示出。它们处理来自6a的所有输入所花费的平均时间显示在图6的最后一行中，并在3.3节中讨论。包含PM的重要区域和样本的某些部分使用彩色边界框突出显示，这些边界框在每个图像的底部放大，以便更好地可视化。在以下段落中，我们提供了图6中每行的比较分析。4592程序时间→五、93秒0的情况。48秒513 2秒二、64秒五、52秒（a）投入↑（b）UDNet [36]（c）CLAHE [69]（d）TWSC [65]（e）Dehaze [5]（f）Ours图6：使用各种真实世界显微图像进行定性比较。特定区域使用彩色边界框突出显示，并且它们的放大版本也显示在每张图像的底部。第1行：在显微镜下在低且不均匀的照明下捕获酿造过程，其中由于PM引起的噪声是显著的。第2行：在低但均匀的照明下形成酵母菌落之前的图像.第3行：使用细胞染色方法获得细胞部分的更好对比度的细菌图像。第4行：在非常明亮的照明下的人造亚微米颗粒，其中仍然存在由于PM引起的伪影下面一行显示了处理所有输入的平均计算时间4593图6中的第一行示出了在非均匀和低照度下捕获的冲泡过程，其中由于PM（突出显示并在插图中示出）引起的伪影类似于样本中的其他圆形形状，但不同地示出了温和的边缘图案，即，衍射的第一个环，如图4所示。由于我们的方法明确地表征了这种现象，它可以精确地分离PM，而不会影响附近的样品（图6f）。UDNet [36]大大减少了斑点噪声，TWSC [65]保持输入几乎不变;而CLAHE [69]和Dehaze [5]通过增强图像的对比度来放大伪影。图6中的第二行呈现了在低但均匀的照明下酵母细胞的图像，以避免可能由于光漂白而导致的任何不可预见的细胞损伤[16]。弱光会导致系统中的泊松噪声。此外，它还包括不同大小和结构的PM伪影，如红色，绿色和蓝色边界框所突出显示的，例如。PM的分散的多刺结构显示在蓝色框中（最小的裁剪插图）。这为研究全局扩散和局部尖锐的微观噪声提供了很好的参考在红色或左上角的插图中，噪声大多是全局扩散的，其中UDNet [36]显示了最佳的去噪结果（其次是TWSC [65]），而不会影响原始图像的对比度或亮度;而我们的方法以轻微改变亮度为代价降低了全局噪声;相反，CLAHE [69]和Dehaze [5]通过放大噪声和亮度显著改变了样本。蓝色或最小的插图显示局部急性PM伪影，其通过CLAHE [69]和去雾[5]进一步增强，如图6c和6e所示。UDNet [36]稍微减少了它，TWSC[65]完全忽略了它，而我们的方法已经完全去除了它，而不会损坏相邻的酵母细胞。绿色或最大的插图包含混合（全局和局部）噪声，其中我们的方法表现最好，其次是UDNet [36]。图6中的第三行描绘了使用显微镜染色获得的分离的杆菌型细菌的生物图像，其提供了更好的对比度以突出各种细胞物质。这是干净的标本图像和几乎没有噪音或任何显着的PM文物。它用于比较和检查去噪方法对干净样本的任何潜在副作用下面插图中的裁剪图像区域显示了一个完全生长的大细菌细胞，几乎没有其他小细胞。TWSC [65]和CLAHE [69]保留了原始内容，但是UD- Net [36]错误地删除了微小的样本细胞，认为它们是噪音。我们的方法稍微改变了细胞壁附近的对比度，但原始标本信息保持不变。去雾[5]极大地改变了颜色一致性，但保留了所有结构细胞信息，这是显微镜检查中最重要的要求，即。以保存真实的底层数据。图6中的第四行描绘了在非常明亮的照明下成像的人造亚微米颗粒（直径3µm），因为对于非活体和非光反应性样本没有光辐照度限制。即使在这种明亮的照明下，由于PM引起的光仍然存在，这在图像下方以红色或大插图示出;并且在小插图中示出了轻微的暗噪声点。有趣的是，在明亮的照明下，CLAHE [69]没有显著改变对比度，而且它减少了明亮的噪声点。由于在较高照明下不存在全局斑点噪声，因此UD- Net [36]和TWSC [65]仅保持输入图像未修改。Dehaze [5]不仅增强了明亮的噪声点，而且还在输出中引入了额外的非均匀我们的方法已经清楚地发现了明亮和黑暗的文物，由于PM，并舒适地删除他们产生清晰的标本图像。因此，总体而言，我们的方法可以说在所有照明、样本类型、PM的各种形状和尺寸上产生了如图6f所示的最佳结果。它消除了全球性的扩散以及局部急性噪声，而不需要brieffic- ing真正的基本标本的细节。3.3. 处理时间使用作者提供的在相同计算环境中执行的实现，所有方法的平均处理时间在图6中报告。虽然CLAHE [69]和Dehaze [5]方法要快得多，但根据它们的定性结果，它们在显微图像去噪中远远UDNet [36]和TWSC [65]大约花了6和500秒恢复。所提出的方法在每个图像大约5.5秒的平均时间内产生最佳结果，因为基于FFT和LUT的快速迭代有助于它在优化中很好地处理高分辨率图像。4. 讨论我们提出了一种从单个高分辨率显微图像中自动分离颗粒物（PM）的方案。深入分析了PM的物理特性、显微图像的获取过程以及它们之间不可避免的相互作用，从而导致显微成像中的干扰。因此，翻译做主要的知识到适当的图像先验，我们制定了一个非学习为基础的优化方案，同时解决数据稀缺性和图像去噪的问题，在显微镜。我们的方法近似PM的衍射图案它基于FFT和LUT的迭代解是相当稳定的，比其他现成的优化求解器更快。我们希望这项工作以及收集的数据集将有助于研究人员深入了解大量的显微成像事务。4594引用[1] 作 者 ： Daniel S. 放 大 图 片 作 者 ： Rashid Shawn ，Annemoon M. van Erp和Armistead G. Russell.颗粒物成分、来源和健康状况：检验效果的系统方法。空气和废物管理协会杂志，2015年。3[2] S.阿尔巴库尼角Baur，F. Achilles，V. Belagiannis，S.Demirci和N.纳瓦布Aggnet：从人群中进行深度学习，用于乳腺癌组织学图像中的有丝分裂检测IEEE医学学报伊玛格，2016年。1[3] 世界银行。乌兰巴托的空气污染：对现状和减排措施效果的初步评估。可持续发展系列：讨论，2009年。3[4] M.低音.光学手册，几何和物理光学，偏振光，元件和仪器。麦格劳希尔公司，2010年1月。2[5] D. Berman，T. Treibitz和S.阿维丹非局部图像去雾。在IEEE CVPR，2016年。五六七八[6] 诺埃尔·邦纳 显微图像处理的一些趋势。Micron Elsevier，2004年。2[7] J. Boulanger，C. Kervrann，P.布西米山口艾尔鲍，J. - B.Sibarita和J.萨拉梅罗基于块的非局部泛函去噪荧光显微图像序列。IEEE医学学报伊玛格，2010年。2[8] A.布阿德斯湾Coll和J. M.莫瑞尔综述了图像去噪方法，提出了一种新的图像去噪方法. SIAM J. 多尺度模型你好，2005年。2[9] S. Cakir，D. C.卡赫拉曼河Cetin-Atalay和A. E. 西汀利用图像相位信息的显微图像对比度增强。IEEE Access，2018年6月。2[10] P. M. Carlton等人快速多波长四维光学显微镜。在Proc.Nat. Acad.Sci. ，2010年。2[11] 陈晓东，郑斌，刘红。光学和数字显微成像技术及其在病理学中的应用。分析细胞病理学，34，2011。2[12] A. de Decker，J.A. Lee和M.弗里森方差稳定变换在基于块的双边滤波器中用于泊松噪声图像去噪。 在procIEEE工程师Med. Biol.（欧洲管理和统计局），2009年。2[13] S. Dokudovskaya等人一个保守的包含sec13和seh1的外被体相关复合物与酿酒酵母中的液泡动态相关。摩尔Cell Proteomics，2011. 2[14] D. L. Donoho和A. G.弗莱西亚最近的创新在谐波分析中解释了自然图像统计中的关键发现。Net ComputNeural Sys，2001年。2[15] S. P. Ehsani，H. S. Mousavi和B. H.卡拉吉基于自适应迭代直方图匹配的彩色图像对比度增强.在伊朗机器视觉和图像处理会议上，2011年。2[16] M. M. Frigault，J. Lacoste，J. L. Swift和C. M.布朗活细胞显微镜-提示和工具。细胞科学杂志，2009年。一、三、八[17] 傅学阳，范志文，凌梅，黄跃，丁兴浩.水下单幅图像增强。智能信号处理和通信系统国际研讨会，2017年。五、六[18] Xueyang Fu，Delu Zeng，Yue Huang，Yinghao Liao，Xinghao Ding，and John Paisley.一种基于融合的弱光照图像增强方法。信号处理，2016年。5[19] Gregory M.保罗·加尔迪诺Manson，and Craig A.范德·科尔克数字暗室，第2部分：数码摄影基础。美容外科，2000年。2[20] D. Geman和Chengda Yang。基于半二次正则化的非线性图像恢复。IEEE Tran IP，1995年。4[21] R. Giryes和M.埃拉德基于稀疏性的泊松去噪。在选举程序电子工程师以色列（IEEEI），2012年。2[22] A.戈麦斯湖，澳-地Beltran del Rio，D. J.亚克曼小波变换在电子显微图象和背反射电子衍射图象数字图象处理中的应用扫描显微镜，1992年。2[23] H.格林斯潘湾van Ginneken和R. M.萨默斯深度学习在医学成像：一项令人兴奋的新技术的概述和未来前景。IEEE Trans.医学图像，2016年。1[24] M. N. 古尔坎湖E. Boucheron，A.Can，A.马达布什，N. M. Rajpoot和B. Yener.组织学影像学分析综述。IEEE生物医学版Eng. ，2009年。1[25] A. Hore和D. Ziou. 图像质量指标：Peggy vs. ssim。国际公民权利和政治权利委员会，2010年。5[26] Xun Huang ， Ming-Yu Liu ， Serge Belongie ， and JanKautz. 多 模 态 无 监 督 图 像 到 图 像 翻 译 。 在 ECCV ，2018。2[27] M. J. Hytch和L.波特兹反相畴高分辨电子显微镜图像的几何相位分析：以cu3au为哲学杂志，1997年。2[28] M. J. Hytch，E. Snoek和R.基拉斯用高分辨显微照片定量测量位移场和应变场超显微镜，1998年。2[29] 健康影响研究所。空气中的颗粒物与健康：流行病学证据。HEI Perspectives，Cambridge，2001. 3[30] S. Jeanson ， J. Chaduf ， M. N. Madec ， S. Aly ， J.Floury，T. F. Brocklehurst和S.洛塔尔模型干酪中细菌菌落的空间分布。应用与环境微生物学，2011年。2[31] H. Ernst Keller和S. Watkins光学显微镜中的对比度增强。当前方案细胞，2013年。2[32] C. Kervrann 角 . S. Sorzano ， S. T. Acton ， J. Olivo-Marin，and M. Unser荧光和电子显微镜的选定图像处理和分析方法的导游。IEEE Journal of Selected Topics inSignal Processing，2016年10月。2[33] Dilip Krishnan和Rob Fergus使用超拉普拉斯先验的快速图像去卷积。NIPS，2009年。4[34] Hsin-Ying Lee，Hung-Yu Tseng，Jia-Bin Huang，Ma-neesh Kumar Singh，and Ming-Hsuan Yang.通过解缠表征实现多样化的2018年欧洲计算机视觉会议。2[35] Hsin-Ying Lee ， Hong-Yu Tseng ， Qi Mao ， Jia-BinHuang ， Yu-Ding Lu ， Maneesh Kumar Singh ， Ming-Hsuan Yang.Drit++：通过非纠缠表示实现多样化的图像到图像翻译。arXiv预印本arXiv：1905.01270，2019。24595[36] Stamatis Lefkimmiatis。通用去噪网络：一种用于图像去噪的新型cnn结构。在CVPR中。IEEE，2018年。五六七八[37] S. Lefkimmiatis和M. Unser泊松图像恢复与海森schatten范数正则化。IEEE Trans.图像处理。，2013年。2[38] Anat Levin和Yair Weiss。使用稀疏先验从单个图像中分离反射的用户辅助。IEEE Tran on Pattern Analysis andMachine Intelligence，2007年，第29期。3[39] 梁金有。空气资源的化学模拟：基础、应用和佐证分析，2013年。埃尔-塞维尔。第1、3条[40] H.廖，W. Lin，S. K. Zhou和J.罗Adn：用于无监督金属伪 影 减 少 的 自 动 解 缠 网 络 。 IEEE Transactions onMedical Imaging，2019。2[41] 廖浩福，林伟安，袁建波，S. Kevin Zhou和Jiebo Luo。用 于 无 监 督 金 属 伪 影 减 少 的 金 属 解 缠 网 络 。 在MICCAI，2019年。2[42] A. 松田湖Shao，J.布朗热角Kervrann，P.M. 卡尔顿山口.Kner，E. Brandlund，D. Agard和J. W.塞达特用palm和egfp-组蛋白在纳米分辨率下浓缩的有丝分裂染色体结构。InPLoS One，2010. 2[43] M. T. McCann，J. A.奥佐莱克角A.卡斯特罗湾Parvin和J.Kovacevic。自动组织学分析：信号处理的机会。IEEE信号处理。麦格，2015年。1[44] Tobias Meyer，Michael Schmitt，and Jurgen Popp.用于组织诊断的多模态显微镜。光学显微镜，2018年。2[45] Michael J.莫布里动量交换理论描述的光子衍射：边缘衍射还能告诉我们什么在SPIE光学工程应用，，2015年。4[46] 联合Nnolim和P.李你在hsi颜色空间中使用空间滤波器核的彩色图像的同态滤波在IEEE Instrumu and Measure。技术会议，2008年。5[47] D. I. Pattison和M. J·戴维斯紫外线对细胞结构的作用。EXS，2006年。三、五[48] Wenqi Ren，Si Liu，Hua Zhang，Jinshan Pan，XiaoxunCao，and Ming-Hsuan Yang.基于多尺度卷积神经网络的单图像去雾。在ECCV，2016年。五、六[49] A. E. Saliba等人自组装磁阵列中癌细胞的微流控分选和高含量多模式分型在Proc. Nat. Acad. Sci. ，2010年。2[50] J. Salmon，C.