Prelabeling Expansion Single-Molecule Localization Microscopy with Minimal Linkage Error

Expansion microscopy combined with single-molecule localization microscopy (ExSMLM) has a potential for approaching molecular resolution. However, ExSMLM faces multiple challenges such as loss of fluorophores and proteins during polymerization, digestion or denaturation, and an increase in linkage error arising from the distance between the fluorophore and the target molecule. Here, we introduce a trifunctional streptavidin to link the target, fluorophore and gel matrix via a biotinylizable peptide tag. The resultant ExSMLM images of vimentin filaments demonstrated high labeling efficiency and a minimal linkage error of ∼5 nm. Our ExSMLM provides a simple and practical means for fluorescence imaging with molecular resolution.     

Image Super-Resolution Based on Generative Adversarial Networks: A Brief Review

Single image super resolution (SISR) is an important research content in the field of computer vision and image processing. With the rapid development of deep neural networks, different image super-resolution models have emerged. Compared to some traditional SISR methods, deep learning-based methods can complete the superresolution tasks through a single image. In addition, compared with the SISR methods using traditional convolutional neural networks, SISR based on generative adversarial networks (GAN) has achieved the most advanced visual performance. In this review, we first explore the challenges faced by SISR and introduce some common datasets and evaluation metrics. Then, we review the improved network structures and loss functions of GAN-based perceptual SISR. Subsequently, the advantages and disadvantages of different networks are analyzed by multiple comparative experiments. Finally, we summarize the paper and look forward to the future development trends of GAN-based perceptual SISR.     

基于改进卷积神经网络的单幅图像超分辨率重建方法

对于重建图像存在的边缘失真和纹理细节信息模糊的问题，提出一种基于改进卷积神经网络（CNN）的图像超分辨率重建方法。首先在底层特征提取层以三种插值方法和五种锐化方法进行多种预处理操作，并将只进行一次插值操作的图像和先进行一次插值后进行一次锐化的图像合并排列成三维矩阵；然后在非线性映射层将预处理后构成的三维特征映射作为深层残差网络的多通道输入，以获取更深层次的纹理细节信息；最后在重建层为减少图像重建时间在网络结构中引入亚像素卷积来完成图像重建操作。在多个常用数据集上的实验结果表明，与经典方法相比，所提方法重建图像的纹理细节信息和高频信息能得到更好的恢复，峰值信噪比（PSNR）平均增加0.23 dB，结构相似性（SSIM）平均增加0.0066。在保证图像重建时间的前提下，所提方法更好地保持重建图像的纹理细节并减少图像边缘失真，提升重建图像的性能。     

基于梯度图的快速POCS超分辨率复原算法研究

随着红外成像相关产业的兴起,红外成像技术具有的隐蔽性好、探测范围广、定位精度高、穿透距离远,以及轻质小巧、低耗可靠等优点备受青睐,已成为当前智能化光电探测发展的主流方向。然而,红外弱小目标的图像细节特征少、信噪比低等特点成为红外图像应用的瓶颈,如何提高红外弱小目标成像效果成为目前的研究热点。POCS算法是目前超分辨率复原中应用非常广泛的一种复原算法,但是该算法运算量大,处理时间较长,同时对图像的边缘细节保留能力较差。针对POCS超分辨率复原算法迭代时间较长,无法满足光电探测系统实时性的问题,提出了基于梯度图的快速POCS超分辨率复原算法(GPOCS)。该算法根据图像的梯度分布对图像中的像素点进行分类,采用不同的迭代系数进行计算。改进算法能够较好的保留边缘信息并抑制噪声,进而在保证超分辨率复原性能的基础上大大缩短了运算时间。实验结果表明:GPOCS算法复原结果在背景处噪声得到一定的抑制,整体复原能力优于传统的POCS复原方法。该算法能够有效地保留边缘细节,同时处理时间小于传统的POCS复原方法,减少了1个数量级已经是接近实时。GPOCS算法能够自适应的选取迭代步长,较好的保留边缘信息并抑制噪声,进而在保证超分辨率复原性能的基础上大大缩短了运算时间,虽然不能满足实时性的要求,但是也已经是接近实时。     

一种基于多传感器的红外图像正则化超分辨率算法

提出一种红外图像多传感器超分辨率重建算法。 算法存在两个关键点:一是有效利用两类图像的相关性;二是针对红外图像的特点利用其自 身信息 构造正则化模型。采用相位一致性算法提取可见光图像边缘,利用此边缘信息对正则化模型 加权,以 充分利用可见光和红外图像的相关性;将一阶梯度锐化算子引入总广义变分模型,构成针对 红外 图像特点的正则化模型;最后采用一阶主-对偶优化算法求得加权后模型的最优解。实验表 明,本文算法可获得边缘清晰的重建结果,并且有效抑制噪声,在主观视觉效果和客观评价 指标方面均优于其他算法。     

基于分布式压缩感知的全极化雷达超分辨成像

基于分布式压缩感知理论,提出了一种全极化逆合成孔径雷达超分辨成像算法,联合各极化通道进行超分辨处理.首先,建立全极化信号模型及超分辨字典,利用各极化通道信号的联合稀疏性将全极化超分辨成像建模为最小L2,1范数的优化问题,运用一种快速算法求解该优化问题.由于利用联合稀疏约束,多极化通道联合成像相比于单通道成像能够获得更好的超分辨性能和噪声抑制能力,最终有效提高图像极化融合的效果.同时,采用快速傅里叶变换操作提升了算法的运算效率.基于backhoe的仿真数据实验验证了该算法的优越性.     

基于小波域的压缩感知超分辨率重建方法

为了提高超分辨率图像的重构效果,提出了一种基于小波域的压缩感知超分辨率重建方法.首先采用小波变换对低分辨率图像进行分解,得到低分辨率图像的低频子带与高频子带,然后采用压缩感知技术分别对低频子带和高频子带进行重建,并通过小波逆变换得到最终重建图像,最后在MATLAB 2012平台上进行仿真实验.结果表明,相对于其他图像重建方法,本文方法的重建图像视觉效果更加理想,不仅提高了低分辨率图像重建精度,而且提高了图像重建效率,可以满足图像处理的实时性、在线性要求.     

改进的混合MAP-POCS超分辨率图像复原算法研究

超分辨率图像复原技术在不改变硬件的条件下可提高成像系统获取图像的分辨率。研究了图像退化机理,建立了精确的图像退化过程模型,提出一种改进的混合MAP-POCS复原算法,将POCS的凸集约束条件加入到MAP估计过程中。运用峰值信噪比(PSNR)等评价手段对复原图像进行质量评价。仿真结果表明,改进的混合复原算法能够有效地保证复原求解的收敛性并保持复原图像的边缘细节,提升了超分辨率的复原效果。     

改进的卷积神经网络单幅图像超分辨率重建

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题，提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法，设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络，利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动，其次通过反卷积层将图像特征上采样到目标图像大小，再利用密集残差学习高维特征，最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验，并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比，重建出的图像在整体清晰度和边缘锐度方面更好，另外峰值信噪比（PSNR）平均分别提高了2.69?dB、1.68?dB、0.74?dB和0.61?dB。实验结果表明，该方法能够获取更丰富的细节信息，得到更好的视觉效果，达到了图像超分辨率的增强任务。     

改进型抗混叠轮廓波的图像超分辨率重建

针对Contourlet变换中存在的频谱混叠现象,采用了基于抗混叠轮廓波变换的算法进行图像超分辨率重建.该算法首先用抗混叠塔式滤波器组替换掉Contourlet变换中的拉普拉斯塔式变换,对图像进行尺度变换;然后,根据尺度变换后不同尺度的高频子带之间的相似性,对相关高频分量用双三次插值做高频外推相似变换,再通过方向滤波器...