科创中国

本申请公开了一种深度高分辨相位信息提取方法、装置、设备及其存储介质，该方法包括：通过基于注意力机制的深度卷积神经网络模型对相互重叠的样品正反相位像进行解构和分离；基于解构和分离后的样品正反相位像建立微分相位图像；通过X射线相位差显微成像物理模型产生网络训练数据，将训练好的模型直接用于实验数据处理，提取物体的绝对相位和微分相位信息。本申请提供的上述方案，可以快速、精准地从正负交叠的X射线相位显微成像数据中提取样品的绝对相位和微分相位信息；同时，本发明使用数值仿真方式生成网络训练数据，无需在实验系统上采集训练数据，大大降低实验难度，节省了实验时间。

一种深度高分辨相位信息提取方法，其特征在于，该方法包括： 通过基于注意力机制的深度卷积神经网络模型对相互重叠的样品正反相位像进行解构和分离； 基于解构和分离后的样品正反相位像建立微分相位图像； 通过X射线相位差显微成像物理模型产生网络训练数据，将训练好的模型直接用于实验数据处理，提取物体的绝对相位和微分相位信息。

1. 医学成像： 在医学影像学中，深度高分辨相位信息提取可用于提高诊断图像的质量，例如在超声成像、光学相干断层扫描（OCT）等领域。

2. 计算机视觉： 在计算机视觉中，深度高分辨相位信息提取可以用于图像识别、目标检测等任务，从而提高对图像细节的捕捉和理解。

3. 光学显微镜图像处理： 在生命科学和材料科学中，深度学习可用于提高光学显微镜图像的相位信息，有助于更准确地分析细胞结构和材料特性。

4. 遥感图像处理： 对于遥感图像，深度学习可以用于提高相位信息的分辨率，从而更精确地分析地表特征。

5. 工业检测： 在工业领域，深度高分辨相位信息提取可以用于检测和分析制造过程中的缺陷和问题。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生AC态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

1. 卷积神经网络（CNN）： CNN是一种广泛应用于图像处理的深度学习模型。通过使用卷积层，CNN可以有效地提取图像中的特征，从而帮助提高相位信息的分辨率。

2. 生成对抗网络（GAN）： GAN是一种深度学习框架，由生成器和判别器组成。生成器尝试生成高分辨率的相位信息，而判别器则评估生成的相位信息与真实相位信息的相似性，从而推动生成器生成更高质量的结果。

3. 自编码器（Autoencoder）： 自编码器是一种无监督学习模型，通过学习数据的压缩表示来提取特征。在相位信息提取中，自编码器可以学习如何表示并还原输入图像的相位信息。

4. 深度学习超分辨率技术： 这种技术主要用于提高图像的空间分辨率。通过将超分辨率技术与深度学习相结合，可以在一定程度上提高相位信息的分辨率。

技术转让

深度高分辨相位信息提取方法在各个领域都有广泛的应用，通过深度学习技术，可以更好地处理和理解图像中的相位信息，从而提高图像分辨率和质量。