【技术实现步骤摘要】
本申请涉及图像处理，具体地，涉及提升图像分辨率的方法、系统及装置，更具体地，涉及一种提升图像分辨率的方法及系统、计算机设备、计算机可读存储介质及计算机程序产品。
技术介绍
1、随着高通量测序技术的快速发展，测序数据的准确性和质量成为影响生物信息分析结果的重要因素。在测序技术中，测序图像的分辨率直接影响测序结果。
2、目前，提高测序荧光图像分辨率的主要方法包括：改进光学系统、优化成像算法或采用传统图像去模糊技术。其中，改进光学系统需要更高精度的硬件，成本高且受物理极限制约；传统图像去模糊方法（如维纳滤波、非盲去卷积等）难以自适应处理测序过程中因多种因素（如样本台面形变、运动模糊及对焦误差等）导致的复杂模糊情况。
技术实现思路
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请的一个目的在于提出一种能够有效提升测序图像分辨率的方法。
2、在本申请的第一方面，本申请提出了一种提升图像分辨率的方法。根据本申请的实施例，该方法包括：获取基于生物分子显微检测获得的原始图像；将所述原始图像输入图像分辨率提升模型中，以获得目标图像；其中，所述图像分辨率提升模型通过下述方法获得：获取多组图像对，多组所述图像对为显微成像系统于至少两个时间点采集的至少一个视野的图像获得的图像对，所述视野包含多个光学可检测生物分子，一组所述图像对包括相同时间点采集的一个相同视野的第一图像和第二图像，且所述第一图像的峰值信噪比高于所述第二图像的峰值信噪比；将多组所述图像对输入机
3、前述方法通过将原始图像输入基于机器学习训练的图像分辨率提升模型，能够有效提高图像分辨率，改善图像质量。该方法利用多组高峰值信噪比和低峰值信噪比图像对训练模型，自适应地处理因虚焦模糊、运动模糊及变形模糊等因素引入的多样性模糊问题，减少对硬件改进的依赖，降低成本和技术门槛。同时，在生物分子显微检测场景中，高峰值信噪比图像有助于减少荧光信号点之间的串扰，提高下游算法对亮斑如荧光点亮度读取的准确性，从而提升碱基识别和测序结果的可靠性。
4、在本申请的第二方面，本申请提出了一种提升图像分辨率的系统。根据本申请的实施例，该系统包括：原始图像获取模块，用于获取基于生物分子显微检测获得的原始图像；目标图像获取模块，用于将所述原始图像输入图像分辨率提升模型中，以获得目标图像；其中，所述图像分辨率提升模型通过下述方法获得：获取多组图像对，多组所述图像对为显微成像系统于至少两个时间点采集的至少一个视野的图像获得的图像对，所述视野包含多个光学可检测生物分子，一组所述图像对包括相同时间点采集的一个相同视野的第一图像和第二图像，且所述第一图像的图像分辨率高于所述第二图像的图像分辨率；将多组所述图像对输入机器学习模型中，提取每一所述第二图像的特征，并以所述第一图像为标签，对所述机器学习模型进行训练，得到所述图像分辨率提升模型。
5、该图像分辨率提升系统通过机器学习模型，能够基于低分辨率的原始图像输出更高分辨率的目标图像，有效突破衍射极限和其他模糊因素的限制，提升图像的清晰度和细节。该系统通过使用多种模糊类型的图像对进行训练，使得模型能够自适应不同模糊条件，增强其在实际应用中的灵活性和准确性。
6、在本申请的第三方面，本申请提出了一种电子设备。根据本申请的实施例，所述设备包括：处理器和存储器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序以实现第一方面所述的方法。
7、在本申请的第四方面，本申请提出了一种计算机可读存储介质。根据本申请实施例，所述计算机可读存储介质包括计算机指令，当所述指令被计算机执行时，使得所述计算机实现第一方面所述的方法。
8、在本申请的第五方面，本申请提出可一种计算机程序产品。根据本申请的实施例，所述计算机程序产品包括计算机指令，当部分或全部所述计算机指令在计算机上运行时，使得如第一方面所述的模型训练方法被执行。
9、前述电子设备、计算机可读存储介质以及计算机程序产品通过计算机指令的自动执行提升图像分辨率的方法，实现了高效自动化。此外，基于指令的特性使得其在不同的环境具有更好的稳定性。
10、本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
本文档来自技高网...【技术保护点】
1.一种提升图像分辨率的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述第一图像的峰值信噪比大于或等于30dB，所述第二图像的峰值信噪比小于30dB，且两者的峰值信噪比差值大于或等于5dB。
3.根据权利要求2所述的方法，其特征在于，所述第一图像通过对所述视野进行图像采集获得，所述第二图像基于所述第一图像进行模糊处理获得。
4.根据权利要求3所述的方法，其特征在于，所述模糊处理包括：对所述第一图像和点扩散函数进行卷积。
5.根据权利要求4所述的方法，其特征在于，所述卷积是通过如下步骤进行的：
6.根据权利要求5所述的方法，其特征在于，所述点扩散函数选自高斯椭圆函数和矩形函数中的至少之一。
7.根据权利要求6所述的方法，其特征在于，所述高斯椭圆函数公式如下：
8.根据权利要求6所述的方法，其特征在于，所述矩形函数公式如下：
9.根据权利要求5所述的方法，其特征在于，所述矩阵转换是通过如下公式实现的：
10.根据权利要求2所述的方法，其特征在于，
11.根据权利要求10所述的方法，其特征在于，所述第二图像通过调整扫描角度、调整对焦方式、调整扫描速度、调整曝光时间或调整光源强度中的至少一种，对所述视野进行图像采集获得。
12.根据权利要求1-11任一项所述的方法，其特征在于，将多组所述图像对输入机器学习模型中，提取每一所述第二图像的特征，并以所述第一图像为标签，对所述机器学习模型进行训练，得到所述图像分辨率提升模型，包括：
13.根据权利要求12所述的方法，其特征在于，将所述原始图像输入所述图像分辨率提升模型中，以获得目标图像，包括：
14.根据权利要求1所述的方法，其特征在于，所述光学可检测生物分子包含光学可检测标记。
15.根据权利要求14所述的方法，其特征在于，所述光学可检测标记为荧光标记、化学发光标记和光散射标记中的至少一种。
16.根据权利要求14所述的方法，其特征在于，所述光学可检测标记的特征包括亮斑色调信息、亮斑饱和度信息、亮斑像素信息、亮斑强度信息和亮斑位置信息中的至少一种。
17.根据权利要求14所述的方法，其特征在于，所述机器学习模型采用空间注意力机制架构。
18.根据权利要求17所述的方法，其特征在于，所述空间注意力机制架构包括卷积层、注意力层和上采样层，
19.根据权利要求14-18任一项所述的方法，其特征在于，所述机器学习模型选自SRCNN、SRGAN和EDSR中的至少之一。
20.根据权利要求19所述的方法，其特征在于，对所述机器学习模型进行训练，包括：使用均方误差损失、L1损失、结构相似性损失中的至少一种，确定训练终止时机。
21.根据权利要求20所述的方法，其特征在于，所述终止时机的确定，包括：获取连续N次模型训练的损失函数，并将得到的损失函数进行比较，若N次模型训练中，后一次模型训练获得的损失函数相较前一次模型获得的损失函数均不下降甚至有上升，则结束对机器学习模型的训练，其中，N为大于或等于5的自然数。
22.根据权利要求1所述的方法，其特征在于，所述光学可检测生物分子为带有光学可检测标记的核酸分子。
23.一种提升图像分辨率的系统，其特征在于，包括：
24.一种电子设备，其特征在于，包括：处理器和存储器；
...【技术特征摘要】
1.一种提升图像分辨率的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述第一图像的峰值信噪比大于或等于30db，所述第二图像的峰值信噪比小于30db，且两者的峰值信噪比差值大于或等于5db。
3.根据权利要求2所述的方法，其特征在于，所述第一图像通过对所述视野进行图像采集获得，所述第二图像基于所述第一图像进行模糊处理获得。
4.根据权利要求3所述的方法，其特征在于，所述模糊处理包括：对所述第一图像和点扩散函数进行卷积。
5.根据权利要求4所述的方法，其特征在于，所述卷积是通过如下步骤进行的：
6.根据权利要求5所述的方法，其特征在于，所述点扩散函数选自高斯椭圆函数和矩形函数中的至少之一。
7.根据权利要求6所述的方法，其特征在于，所述高斯椭圆函数公式如下：
8.根据权利要求6所述的方法，其特征在于，所述矩形函数公式如下：
9.根据权利要求5所述的方法，其特征在于，所述矩阵转换是通过如下公式实现的：
10.根据权利要求2所述的方法，其特征在于，所述第一图像和所述第二图像均通过对所述视野进行图像采集获得。
11.根据权利要求10所述的方法，其特征在于，所述第二图像通过调整扫描角度、调整对焦方式、调整扫描速度、调整曝光时间或调整光源强度中的至少一种，对所述视野进行图像采集获得。
12.根据权利要求1-11任一项所述的方法，其特征在于，将多组所述图像对输入机器学习模型中，提取每一所述第二图像的特征，并以所述第一图像为标签，对所述机器学习模型进行训练，得到所述图像分辨率提升模型，包括：
13.根据权利要求12所述的方法，其特征在于，将所述...
【专利技术属性】
技术研发人员：张艳华，陈巍月，黄勇平，
申请(专利权)人：深圳市真迈生物科技有限公司，
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。