發(fā)布時(shí)間：2021-04-29 22:14

　　無透鏡顯微系統(tǒng)因其成像視野大、便攜性好,在細(xì)胞檢測領(lǐng)域受到研究者的廣泛關(guān)注。但系統(tǒng)結(jié)構(gòu)決定了采集的圖像分辨率較低,難以直接獲取細(xì)胞細(xì)節(jié)信息。因此研究基于無透鏡顯微系統(tǒng)的細(xì)胞圖像超分辨率算法及其硬件加速具有重要意義。在分析無透鏡顯微系統(tǒng)所采集細(xì)胞圖像特點(diǎn)的基礎(chǔ)上,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)算法的優(yōu)異性,本文針對圖像特征少、結(jié)構(gòu)單一的細(xì)胞圖像數(shù)據(jù)集,搭建并優(yōu)化了一個(gè)基于遞歸卷積的超分辨率網(wǎng)絡(luò)。首先,網(wǎng)絡(luò)訓(xùn)練集使用光學(xué)顯微鏡采集的高清紅細(xì)胞圖像作為標(biāo)簽,對其下采樣及尺寸放大后作為低分辨率訓(xùn)練圖像,網(wǎng)絡(luò)測試集為無透鏡顯微系統(tǒng)采集的低分辨率紅細(xì)胞圖像;網(wǎng)絡(luò)訓(xùn)練以Tensorflow為主要平臺,通過對卷積核大小、激活函數(shù)及網(wǎng)絡(luò)層數(shù)等參數(shù)進(jìn)行大量調(diào)試得到初步網(wǎng)絡(luò)模型,進(jìn)一步根據(jù)測試集重建效果對各項(xiàng)參數(shù)進(jìn)行微調(diào)后完成最終網(wǎng)絡(luò)模型的確定。為滿足移動(dòng)平臺的實(shí)時(shí)計(jì)算,對所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)算法需要進(jìn)行FPGA平臺的硬件加速。第一步,在重建圖像質(zhì)量損失盡可能小的前提下進(jìn)行量化訓(xùn)練,將網(wǎng)絡(luò)參數(shù)從float32型轉(zhuǎn)為int8型,模型參數(shù)所需存儲量減少為量化前的50%左右。第二步,在VCS環(huán)境下進(jìn)行超分辨率算法的硬件功能仿真... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 超分辨率技術(shù)的發(fā)展及現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 本文的結(jié)構(gòu)安排
    1.5 本章小結(jié)
2 單幀圖像超分辨率算法
    2.1 基于插值的超分辨率算法
        2.1.1 最近鄰插值
        2.1.2 雙線性插值
        2.1.3 雙三次插值
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率算法
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 基于CNN的超分辨率重建模型
    2.3 超分辨率重建圖像質(zhì)量評估
        2.3.1 圖像的主觀質(zhì)量評估
        2.3.2 客觀圖像質(zhì)量評估
    2.4 本章小結(jié)
3 基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞圖像超分辨率算法
    3.1 細(xì)胞圖像特點(diǎn)分析
    3.2 基于遞歸卷積的神經(jīng)網(wǎng)絡(luò)單幀細(xì)胞圖像超分辨率算法
    3.3 網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)計(jì)
        3.3.1 卷積核及激活函數(shù)設(shè)計(jì)
        3.3.2 卷積層數(shù)目確定
    3.4 本章小結(jié)
4 實(shí)驗(yàn)處理與算法結(jié)果分析
    4.1 無透鏡顯微系統(tǒng)
    4.2 細(xì)胞數(shù)據(jù)集制作
    4.3 算法處理結(jié)果分析
    4.4 本章小結(jié)
5 細(xì)胞圖像單幀超分辨率算法的FPGA加速
    5.1 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)精度量化壓縮
    5.2 基于可配置卷積神經(jīng)網(wǎng)絡(luò)加速器的硬件系統(tǒng)設(shè)計(jì)
        5.2.1 可配置卷積神經(jīng)網(wǎng)絡(luò)加速器
        5.2.2 系統(tǒng)框架設(shè)計(jì)
    5.3 超分辨率算法的硬件功能仿真及FPGA平臺系統(tǒng)搭建測試
        5.3.1 基于NVDLA的超分辨率算法仿真
        5.3.2 FPGA系統(tǒng)工程搭建及測試
        5.3.3 系統(tǒng)板級測試
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)硬件加速器設(shè)計(jì)[J]. 秦華標(biāo),曹欽平.  電子與信息學(xué)報(bào). 2019(11)
[2]基于醫(yī)學(xué)圖像的超分辨率重建算法綜述[J]. 成云鳳,汪偉.  北京生物醫(yī)學(xué)工程. 2019(05)
[3]超分辨率重建算法綜述[J]. 李欣,崔子冠,朱秀昌.  電視技術(shù). 2016(09)
[4]卷積神經(jīng)網(wǎng)絡(luò)的FPGA并行加速方案設(shè)計(jì)[J]. 方睿,劉加賀,薛志輝,楊廣文.  計(jì)算機(jī)工程與應(yīng)用. 2015(08)
[5]一種針對圖像模糊的無參考質(zhì)量評價(jià)指標(biāo)[J]. 謝小甫,周進(jìn),吳欽章.  計(jì)算機(jī)應(yīng)用. 2010(04)
[6]基于方差的圖像融合[J]. 趙天昀.  河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(03)
[7]數(shù)字圖像最佳插值算法研究[J]. 尤玉虎,周孝寬.  中國空間科學(xué)技術(shù). 2005(03)

碩士論文
[1]基于微流控技術(shù)的細(xì)胞圖像采集系統(tǒng)設(shè)計(jì)[D]. 張洋.西安理工大學(xué) 2016



本文編號：3168269