基于无透镜显微系统的细胞图像单帧超分辨率算法研究及硬件加速

发布时间：2021-04-29 22:14

　　无透镜显微系统因其成像视野大、便携性好,在细胞检测领域受到研究者的广泛关注。但系统结构决定了采集的图像分辨率较低,难以直接获取细胞细节信息。因此研究基于无透镜显微系统的细胞图像超分辨率算法及其硬件加速具有重要意义。在分析无透镜显微系统所采集细胞图像特点的基础上,结合卷积神经网络算法的优异性,本文针对图像特征少、结构单一的细胞图像数据集,搭建并优化了一个基于递归卷积的超分辨率网络。首先,网络训练集使用光学显微镜采集的高清红细胞图像作为标签,对其下采样及尺寸放大后作为低分辨率训练图像,网络测试集为无透镜显微系统采集的低分辨率红细胞图像;网络训练以Tensorflow为主要平台,通过对卷积核大小、激活函数及网络层数等参数进行大量调试得到初步网络模型,进一步根据测试集重建效果对各项参数进行微调后完成最终网络模型的确定。为满足移动平台的实时计算,对所设计的卷积神经网络算法需要进行FPGA平台的硬件加速。第一步,在重建图像质量损失尽可能小的前提下进行量化训练,将网络参数从float32型转为int8型,模型参数所需存储量减少为量化前的50%左右。第二步,在VCS环境下进行超分辨率算法的硬件功能仿真... 

【文章来源】：西安理工大学陕西省

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 超分辨率技术的发展及现状
    1.3 论文研究内容
    1.4 本文的结构安排
    1.5 本章小结
2 单帧图像超分辨率算法
    2.1 基于插值的超分辨率算法
        2.1.1 最近邻插值
        2.1.2 双线性插值
        2.1.3 双三次插值
    2.2 基于卷积神经网络的超分辨率算法
        2.2.1 卷积神经网络
        2.2.2 基于CNN的超分辨率重建模型
    2.3 超分辨率重建图像质量评估
        2.3.1 图像的主观质量评估
        2.3.2 客观图像质量评估
    2.4 本章小结
3 基于卷积神经网络的细胞图像超分辨率算法
    3.1 细胞图像特点分析
    3.2 基于递归卷积的神经网络单帧细胞图像超分辨率算法
    3.3 网络结构与参数设计
        3.3.1 卷积核及激活函数设计
        3.3.2 卷积层数目确定
    3.4 本章小结
4 实验处理与算法结果分析
    4.1 无透镜显微系统
    4.2 细胞数据集制作
    4.3 算法处理结果分析
    4.4 本章小结
5 细胞图像单帧超分辨率算法的FPGA加速
    5.1 神经网络数据精度量化压缩
    5.2 基于可配置卷积神经网络加速器的硬件系统设计
        5.2.1 可配置卷积神经网络加速器
        5.2.2 系统框架设计
    5.3 超分辨率算法的硬件功能仿真及FPGA平台系统搭建测试
        5.3.1 基于NVDLA的超分辨率算法仿真
        5.3.2 FPGA系统工程搭建及测试
        5.3.3 系统板级测试
    5.4 本章小结
6 总结与展望
    6.1 工作总结
    6.2 工作展望
致谢
参考文献
攻读学位期间主要研究成果


【参考文献】：
期刊论文
[1]基于FPGA的卷积神经网络硬件加速器设计[J]. 秦华标,曹钦平.  电子与信息学报. 2019(11)
[2]基于医学图像的超分辨率重建算法综述[J]. 成云凤,汪伟.  北京生物医学工程. 2019(05)
[3]超分辨率重建算法综述[J]. 李欣,崔子冠,朱秀昌.  电视技术. 2016(09)
[4]卷积神经网络的FPGA并行加速方案设计[J]. 方睿,刘加贺,薛志辉,杨广文.  计算机工程与应用. 2015(08)
[5]一种针对图像模糊的无参考质量评价指标[J]. 谢小甫,周进,吴钦章.  计算机应用. 2010(04)
[6]基于方差的图像融合[J]. 赵天昀.  河南理工大学学报(自然科学版). 2007(03)
[7]数字图像最佳插值算法研究[J]. 尤玉虎,周孝宽.  中国空间科学技术. 2005(03)

硕士论文
[1]基于微流控技术的细胞图像采集系统设计[D]. 张洋.西安理工大学 2016



本文编号：3168269