DeepOrientation：用于条纹图方向场估计的卷积神经网络
图像与视频处理
2023-10-25 v1 光学
摘要
基于条纹图案的测量技术是全场光学计量中的最先进技术。它们在宏观尺度（例如条纹投影轮廓术）和微观尺度（例如无标记定量相位显微镜）都至关重要。准确估计局部条纹方向图可以以多种方式显著促进测量过程，例如条纹滤波（去噪）、条纹图案边界填充、条纹骨架化（轮廓/跟随/追踪）、局部条纹空间频率（条纹周期）估计和条纹图案相位解调。考虑到所有这些，局部条纹方向图的准确、鲁棒且 preferably 自动的估计具有极高的重要性。在本文中，我们提出基于卷积神经网络和深度学习的局部条纹方向图估计新数值解，称为DeepOrientation。数值仿真和实验结果证实了所提出的DeepOrientation的有效性，并将其与称为组合平面拟合/梯度方法的经典方向估计代表方法进行比较。我们本文中展示的证明DeepOrientation在条纹图案分析中有效性的例子是将DeepOrientation应用于引导Hilbert螺旋变换中的相位解调过程。特别地，活HeLa细胞定量相位成像结果验证了该方法作为无标记显微镜中的重要工具。
引用
@article{arxiv.2310.15209,
title = {DeepOrientation: convolutional neural network for fringe pattern orientation map estimation},
author = {Maria Cywinska and Mikolaj Rogalski and Filip Brzeski and Krzysztof Patorski and Maciej Trusiak},
journal= {arXiv preprint arXiv:2310.15209},
year = {2023}
}