针对傅里叶叠层显微成像过程中,捕获图像受噪声影响导致重建图像质量下降的问题,提出一种基于注意力机制和并联残差的傅里叶叠层显微图像去噪网络(attention mechanisms and parallel residual denoising networks,AMCPN),该网络将通道和空间注意力机制进行串行处理,融合不同通道和空间的特征信息,减小噪声影响并提高去噪网络的鲁棒性。设计了一种并联残差块结构,通过两条并联支路分别对输入进行特征提取,充分挖掘有用特征,增加了每条支路最后一层通道数,提高网络对图像细节信息的保留能力。实验结果表明,在不同强度噪声下,该网络与重建算法结合后重建图像质量的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(structure similarity,SSIM)值分别提高了2.87 dB和0.088 6以上,能够有效去除图像噪声,提高重建图像质量,保证了重建图像的高空间分辨率和清晰度。
Building similarity graph...
Analyzing shared references across papers
Loading...
WANG et al. (Thu,) studied this question.
www.synapsesocial.com/papers/69a760bbc6e9836116a2dc16 — DOI: https://doi.org/10.5768/jao202647.0102002
Yi WANG
华北理工大学 电气工程学院,河北 唐山 063210
Jiahui Li
Journal of Applied Optics
Building similarity graph...
Analyzing shared references across papers
Loading...