(47-5) 09 * << * >> * Русский * English * Содержание * Все выпуски

Метод секционирования многослойных объектов на основе модели рассеяния света
С.Д. Бажитов 1, А.В. Ларичев 2,3, А.В. Разгулин 1, Т.Е. Романенко 1

1 Московский государственный университет имени М.В. Ломоносова
факультет вычислительной математики и кибернетики,
119991, Россия, г. Москва, Ленинские горы, дом 1, стр. 52;
2 Московский государственный университет имени М.В.Ломоносова, физический факультет,
119991, Россия, г. Москва, Ленинские горы, дом 1, стр. 2;
3 ИПЛИТ РАН – филиал ФНИЦ "Кристаллография и фотоника" РАН,
140700, Россия, г. Шатура, ул. Святоозерская, дом 1

 PDF, 1412 kB

DOI: 10.18287/2412-6179-CO-1266

Страницы: 751-760.

Аннотация:
Рассматривается задача секционирования изображений многослойных объектов из наблюдаемых изображений, полученных при фокусировке изображающей системы на каждый слой и содержащих паразитные размытые изображения соседних слоев. Для описания размытия используется свертка с ядром, отвечающим физической модели некогерентного рассеяния света в приближении Френеля с априори неизвестными параметрами функции рассеяния точки. Предлагается метод граничного разделения секционирования, сочетающий использование данной физической модели размытия с современными методами оценки степени размытия и выделения границ на изображениях. Анализируются результаты тестирования метода граничного разделения на данных физических экспериментов с модельными многослойными объектами разных масштабов, и проводится качественное сравнение с существующими методами решения задачи оптического секционирования. Делается вывод о наибольшей эффективности метода на многослойных объектах с четко выделенными границами, на которых метод продемонстрировал практически полное восстановление искомых слоев.

Ключевые слова:
секционирование, деконволюция, изображающая система, свёртка, размытие.

Благодарности
Работа Бажитова С.Д., Разгулина А.В. и Романенко Т.Е. выполнена при поддержке Министерства образования и науки РФ в рамках реализации программы Московского центра фундаментальной и прикладной математики (соглашение 075-15-2022-284), работа Ларичева А.В. выполнена в рамках госзадания ФНИЦ «Кристаллография и фотоника».

Цитирование:
Бажитов, С.Д. Метод секционирования многослойных объектов на основе модели рассеяния света / С.Д. Бажитов, А.В. Ларичев, А.В. Разгулин, Т.Е. Романенко // Компьютерная оптика. – 2023. – Т. 47, № 5. – С. 751-760. – DOI: 10.18287/2412-6179-CO-1266.

Citation:
Bazhitov SD, Larichev AV, Razgulin AV, Romanenko TE. Method of multilayer object sectioning based on a light scattering model. Computer Optics 2023; 47(5): 751-760. DOI: 10.18287/2412-6179-CO-1266.

References:
  1. Larichev AV, Ivanov PV, Iroshnikov NG, Shmalhauzen VI, Otten LJ. Adaptive system for eye-fundus imaging. Quantum Electronics 2002; 32(10): 902-908. DOI: 10.1070/QE2002v032n10ABEH002314.
  2. Wu Q, Merchant FA, Castleman KR. Microscope image processing. Burlington; MA: Elsevier Academic Press; 2008.
  3. Razgulin AV, Iroshnikov NG, Larichev AV, et al. Fourier domain iterative approach to optical sectioning of 3d translucent objects for ophthalmology purposes. Int Arch Photogramm Remote Sens Spatial Inf Sci 2017; 42(2-W4): 173-177. DOI: 10.5194/isprs-archives-XLII-2-W4-173-2017.
  4. Shantz MJ. A minicomputer-based image analysis system. In Book: Brown PB, ed. Computer technology in neuroscience. New York: Halsted; 1976: 113-130.
  5. Agard DA, Sedat JW. Three-dimensional architecture of a polytene nucleus. Nature 1983; 302(5910): 676-681.
  6. Agard DA, Hiraoka Y, Sedat JW. Three-dimensional microscopy: Image processing for high resolution subcellular imaging. Proc SPIE 1989; 1161: 24-30. DOI: 10.1117/12.962684.
  7. Romanenko TE, Razgulin AV. A three-dimensional deconvolution algorithm using graphic processors. Comput Math Model 2019; 30: 80-90. DOI: 10.1007/s10598-019-09436-z.
  8. Oliveira JP, Figueiredo MAT, Bioucas-Dias JM. Parametric blur estimation for blind restoration of natural images: linear motion and out-of-focus. IEEE Trans Image Process 2014; 23(1): 466-477. DOI: 10.1109/TIP.2013.2286328.
  9. Liang M. Parameter estimation for defocus blurred image based on polar transformation. Rev Téc Ing Univ Zulia 2016; 39(1): 333-338. DOI: 10.21311/001.39.1.37.
  10. Koltsov PP. Image blur estimation. Computer Optics 2011; 35(1): 95-102.
  11. Lin HY, Chou XH. Defocus blur parameters identification by histogram matching. J Opt Soc Am A 2012; 29(8): 1694-1706. DOI: 10.1364/JOSAA.29.001694.
  12. Sizikov VS, Stepanov AV, Mezhenin AV, Burlov DI, Eksemplyarov RA. Determining image-distortion parameters by spectral means when processing pictures of the earth's surface obtained from satellites and aircraft. J Opt Technol 2018; 85(4): 203-210. DOI: 10.1364/JOT.85.000203.
  13. Sizikov VS, Sergienko AA, Kondulukova DA. Spectral method for stable estimating the distortion parameters in inverse problem of image restoration. Journal of Instrument Engineering 2019; 62(4): 379-386. DOI: 10.17586/0021-3454-2019-62-4-379-386.
  14. Sizikov V, Dovgan A, Lavrov A. Eliminating nonuniform smearing and suppressing the Gibbs effect on reconstructed images. Computers 2020; 9(2): 30. DOI: 10.3390/computers9020030.
  15. Chochia P. Analysis of the image spectrum for distortion diagnostics. J Phys Conf Ser 2019; 1368(3): 032011. DOI: 10.1088/1742-6596/1368/3/032011.
  16. Zhuo S, Sim T. Defocus map estimation from a single image. Pattern Recogn 2011; 44: 1852-1858. DOI: 10.1016/j.patcog.2011.03.009.
  17. Liu YQ, Du X, Shen HL, Chen SJ. Estimating generalized Gaussian blur kernels for out-of-focus image deblurring. IEEE Trans Circuits Syst Video Technol 2021; 31(3): 829-843. DOI: 10.1109/TCSVT.2020.2990623.
  18. Zhou X, Molina R, Ma Y, Wang T, Ni D. Parameter-free Gaussian PSF model for extended depth of field in brightfield microscopy. IEEE Trans Image Process 2020; 29: 3227-3238. DOI: 10.1109/TIP.2019.2957941.
  19. Tang C, Hou C, Song Z. Defocus map estimation from a single image via spectrum contrast. Opt Lett 2013; 38(10): 1706-1708. DOI: 10.1364/OL.38.001706.
  20. Asatryan DG. Image blur estimation using gradient field analysis. Computer Optics 2017; 41(6): 957-962. DOI: 10.18287/2412-6179-2017-41-6-957-962.
  21. Budzinskiy S. Elliptic averaging of optical transfer functions for estimating astigmatism and defocus. Opt Commun 2020; 461: 125213. DOI: 10.1016/j.optcom.2019.125213.
  22. Bazhitov SD. On the restoration of the blur parameter in the problem of optical sectioning [In Russian]. Modern Information Technologies and IT Education 2022; 18(1): 20-27. DOI: 10.25559/SITITO.18.202201.20-27.
  23. Canny J. A computational approach to edge detection. IEEE Trans Pattern Anal Mach Intell 1986; PAMI-8(6): 679-698. DOI: 10.1109/TPAMI.1986.4767851.
  24. Ilyasova NYu, Demin NS, Shirokanev AS, Kupriyanov AV, Zamytskiy EA. Method for selection macular edema region using optical coherence tomography data. Computer Optics 2020; 44(2): 250-258. DOI: 10.18287/2412-6179-CO-691.
  25. ShaH wavefront sensors. 2023. Source: <http://www.visionica.biz/shah-eng.htm>.
  26. Fish DA, Brinicombe AM, Pike ER, Walker JG. Blind deconvolution by means of the Richardson-Lucy algorithm. J Opt Soc Am A 1995; 12(1): 58-65. DOI: 10.1364/JOSAA.12.000058.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20