【技术实现步骤摘要】
所属的技术人员能够理解，本专利技术的各个方面可以实现为系统、方法或程序产品。因此，本专利技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图14来描述根据本专利技术的这种实施方式的电子设备1400。图14显示的电子设备1400仅仅是一个示例，不应对本专利技术实施例的功能和使用范围带来任何限制。如图14所示，电子设备1400以通用计算设备的形式表现。电子设备1400的组件可以包括但不限于：上述至少一个处理单元1410、上述至少一个存储单元1420、连接不同系统组件(包括存储单元1420和处理单元1410)的总线1430。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1410执行，使得所述处理单元1410执行本说明书上述“示例性方法”部分中描述的根据本专利技术各种示例性实施方式的步骤。例如，所述处理单元1410可以执行如图5中所示的s502，获得材料样本的光学显微镜照片；s504，将材料样本的光学显微镜照片输入经过训练的人工神经网络模型，其中，人工神经网络模型经过训练材料样本的光学显微镜照片和训练材料样本的各向异性成像图像训练获得；s506，接收人工神经网络模型输出的材料样本的像素点的各向异性方向φ和各向异性程度doa。存储单元1420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)14201和/或高速缓存存储单元14202，还可以进一步包括只读存储单元(rom)14203。存储单元...
【技术保护点】
1.一种材料样本的图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，接收所述人工神经网络模型输出的所述材料样本的像素点的各向异性方向Φ和各向异性程度DOA信息包括：
3.根据权利要求1或2所述的方法，其特征在于，所述光学显微镜照片包括非偏光显微镜明场照片或偏光显微镜照片。
4.根据权利要求3所述的方法，其特征在于，所述偏光显微镜照片包括基于交叉偏振的偏光显微镜照片，基于涡流延迟器的偏光显微镜照片，或LC-PolScope偏光显微镜照片。
5.根据权利要求1或2所述的方法，其特征在于，将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型包括：
6.根据权利要求1或2所述的方法，其特征在于，将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型包括：
7.根据权利要求1或2所述的方法，其特征在于，所述人工神经网络模型包括U形网络U-Net模型、生成对抗网络(Generative Adversarial Networks，GAN)或条件对抗网络(Conditional Adv
8.一种基于图像的神经网络训练方法，其特征在于，包括：
9.根据权利要求8所述的方法，其特征在于，基于所述训练材料样本的光学显微镜照片和各向异性成像图像训练人工神经网络包括：
10.根据权利要求8所述的方法，其特征在于，所述人工神经网络模型包括U形网络U-Net模型、生成对抗网络(Generative Adversarial Networks，GAN)或条件对抗网络(ConditionalAdversarialNetwork，CAN)。
11.根据权利要求8至10中任意一项所述的方法，其特征在于，获取所述训练材料样本的各向异性成像图像包括：
12.一种视频处理方法，其特征在于，将所述材料样本的光学显微镜下的视频替代为基于权利要求1至11中任意一项所述的方法获得所述材料样本的各向异性方向Φ和各向异性程度DOA的成像视频。
13.一种电子设备，其特征在于，包括：
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～12中任意一项所述的方法。
15.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1～12中任意一项所述的方法。
...【技术特征摘要】
1.一种材料样本的图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，接收所述人工神经网络模型输出的所述材料样本的像素点的各向异性方向φ和各向异性程度doa信息包括：
3.根据权利要求1或2所述的方法，其特征在于，所述光学显微镜照片包括非偏光显微镜明场照片或偏光显微镜照片。
4.根据权利要求3所述的方法，其特征在于，所述偏光显微镜照片包括基于交叉偏振的偏光显微镜照片，基于涡流延迟器的偏光显微镜照片，或lc-polscope偏光显微镜照片。
5.根据权利要求1或2所述的方法，其特征在于，将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型包括：
6.根据权利要求1或2所述的方法，其特征在于，将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型包括：
7.根据权利要求1或2所述的方法，其特征在于，所述人工神经网络模型包括u形网络u-net模型、生成对抗网络(generative adversarial networks，gan)或条件对抗网络(conditional adversarial network，can)。
8.一种基于图像的神经网络训练方法，其...
【专利技术属性】
技术研发人员：张锦，童廉明，郝赫，刘志荣，王瀛琦，
申请(专利权)人：北京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。