超分辨结构光照明显微镜的频谱优化直接重建方法

本发明属于荧光显微成像，特别是一种超分辨结构光照明显微镜的频谱优化直接重建方法。

背景技术：

1、超分辨结构化照明显微镜(super-resolution structured illuminationmicroscopy,sr-sim)因其快速多色采集、高效光子预算以及与一般荧光标记协议的兼容性，从当前的超分辨率(sr)光学纳米显微镜方法中脱颖而出。通过使用余弦照明条纹和后处理重建算法，sim可以实现阿贝衍射极限两倍的空间分辨率。目前，大多数sim算法都遵循流行的线性维纳反卷积框架(简称wiener-sim)，其涉及照明条纹参数精确估计、复杂的傅立叶域wiener反卷积，以及系统点扩散函数(psf)的专业化校准等流程。然而，这三个过程中的很小的参数误差已被证明会导致大量伪影。特别地，利用采集的原始数据估计照明条纹参数不仅会带来繁重的计算负担，而且在许多成像场景中并不可靠。例如，当样本过于稀疏或具有明显的周期性结构时，现有的基于交叉关联策略sim算法往往无法确定准确的条纹参数。更棘手的是，实际的成像参数(包括照明条纹和优选的psf)通常在成像全视场上不均匀，然而wiener-sim假设这些参数在成像全视场中是均匀常数，通常会导致不合理的sim重建频谱，最终造成严重的sim图像伪影。

2、为获得高保真sr-sim图像，sim成像领域的大量研究长期以来一直专注于满足wiener-sim架构的基本假设。其中包括改进实验采集、从原始采集数据估计准确的条纹参数、优化反卷积模型以及精细化调节算法参数。然而，这些方法仍需要知道全局的照明条纹先验知识，因此仍面临上述的wiener-sim架构相同的技术挑战。尽管一些研究提出了迭代反卷积技术和深度学习方法来减少低信噪比(snr)数据的随机非连续伪影，但用于迭代反卷积的初始sim超分辨图像和用于深度学习网络训练的ground truth数据集同样依赖于wiener-sim算法。此外，还有一些研究聚焦于采用空间域中的重建策略来减轻算法的计算负担。如sdr-sim和jsfr-sim通过将主要算法程序转换到空间域来提高重建速度，但构建结构化系数矩阵仍需使用传统互相关方法预先估计条纹参数，因此这类方法仍面临与wiener-sim相同的参数估计挑战。sp-sim算法允许在空间域中快速重建sr图像而无需估计照明条纹，然而因为非线性重建造成了sr图像的异常对比度，并未应用于生物样本成像。截止目前，在没有照明条纹或样本内容的先验知识情况下，尚未有方法可以实现经典sr-sim的高质量超分辨图像重建。

技术实现思路

1、本发明的目的在于针对上述sr-sim图像重建中面临的技术难题，提出一种无需估计照明结构光条纹参数和无需wiener去卷积流程的直接重建sim算法，并将其命名为直接重建sim算法(direct reconstruction sim algorithm,direct-sim)。

2、实现本发明目的的技术解决方案为：一种超分辨结构光照明显微镜的频谱优化直接重建方法，所述方法包括以下步骤：

3、步骤1，采集原始sim图像；

4、步骤2，生成或获取已测量的系统点扩散函数psf；

5、步骤3，基于步骤2的psf对原始sim图像进行预处理，实现等效调制深度增强；

6、步骤4，在图像域重建初始超分辨图像；

7、步骤5，在频率域对初始超分辨图像进行频谱优化；

8、步骤6，对步骤5处理后的初始超分辨图像进行去卷积处理，获得最终的超分辨图像。

9、进一步地，步骤1所述采集原始sim图像，具体包括：

10、利用结构光照明光场照明样本，对于n个方向角的每个方向角，以2π/l的相位步长采集l个不同相位图像，共获得n*l张原始sim图像。

11、进一步地，步骤3所述基于步骤2的psf对原始sim图像进行预处理，具体过程包括：

12、步骤3-1，对原始sim图像数据进行傅里叶变换，获得对应的频谱图像；

13、步骤3-2，通过倒置的高斯函数对频谱图像低频区域的离焦信号频谱进行陷波处理；

14、步骤3-3，对步骤3-2得到的频谱图像进行傅里叶逆变换；

15、步骤3-4，通过步骤2的系统点扩散函数psf对步骤3-3傅里叶逆变换后的图像进行richardson-lucy去卷积，得到预处理后的sim图像。

16、进一步地，步骤4所述在图像域重建初始超分辨图像，具体为：

17、建立均方根形式的图像重建模型对步骤3得到的sim图像进行处理，具体公式为：

18、

19、式中，srinitial(r)为重建的初始超分辨图像，dn,l(r)为步骤3预处理后的sim图像；srn,0(r)为方向角n下通过均方根rms形式的图像重建模型获得的初始超分辨图像；代表方向角n下的等效宽场图像；参数α为一个用于平衡重建的初始超分辨图像srinitial(r)的信噪比和对比度的经验常数。

20、进一步地，步骤5所述在频率域对初始超分辨图像进行频谱优化，具体为：

21、步骤5-1，构建频谱优化函数

22、

23、式中，参数β为用于调节频谱优化强度的经验常数，为显微镜系统的光学传递函数；

24、步骤5-2，通过频谱优化函数和一个呈现gaussian型或otf形状分布的低通滤波器对初始超分辨图像进行频谱优化：

25、

26、式中，f-1{·}符号表示傅里叶逆变换，为srinitial(r)的傅里叶变换频谱，即srdirect-sim(r)为频谱优化后的初始超分辨图像。

27、进一步地，步骤6所述对步骤5处理后的初始超分辨图像进行去卷积处理，获得最终的超分辨图像，具体为：

28、采用步骤2中所述psf对应的两倍数值孔径的psf，对步骤5处理后的初始超分辨图像进行去卷积处理，获得最终的超分辨图像。在本发明中，默认采用richardson-lucy去卷积，也可以采用其他去卷积。

29、本发明与现有技术相比，其显著优点为：

30、(1)本发明提出的direct-sim算法不会损失sr-sim图像的分辨率增益，可获得与各种基于wiener-sim架构的sim算法相当甚至更优的空间分辨率。

31、(2)direct-sim绕过了wiener-sim架构中极易产生旁瓣伪影和蜂巢伪影的维纳去卷积过程，实现了具有最小化伪影的高质量sr重建。

32、(3)direct-sim无需从原始数据估计照明条纹参数，对于wiener-sim架构难以估计准确结构光参数的成像场景(如非常稀疏的样本、明显周期性的样本，以及成像视场非常小)，仍可获得高质量sr图像。

33、(4)与wiener-sim架构采用全局性统一条纹参数的重建机制不同，direct-sim采用局部独立的非均匀照明条纹参数的新型重建机制，因此对于原始数据包含多组不同条纹的成像场景(如拼接的大视场原始sim数据)，仍可重建高质量超分辨图像。

34、下面结合附图对本发明作进一步详细描述。