xy平面反卷积关键技术方案 - 共聚焦图像复原算法选型
共聚焦显微镜项目（2015.9-2017.6，苏州生物医学工程技术研究所先进医疗器械工程化中心）关键技术详细方案文档，作者孙大林，2020-06-02 定稿 V1.1。核心是共聚焦图像的 xy 平面反卷积去模糊算法选型分析。
文档定位
- 云盘中少见的算法选型论证类文档：从图像退化模型出发，逐一评估三种经典反卷积算法对共聚焦图像的适用性
- 文档结构为模板化（关键技术概述/技术介绍/技术指标/技术方案/验收标准），但”关键技术2/3”等章节为空模板，实际只完成了”反卷积”一项
- 版本迭代快（V0.1→V1.1 同一天），是方案框架性质
核心知识点
1. 共聚焦图像为什么会退化
激光扫描共聚焦显微镜虽能排除大部分非焦平面光，但不是全部。退化来源：
- 光路中针孔直径改变（核心矛盾）：
- 针孔太小 → 荧光量太弱，看不清细胞内物质正常分布
- 针孔太大 → 通光量增大但 Z 轴分辨率降低、光切厚度增大，非焦平面光混入 → 图像模糊 + 信噪比降低
- 透镜散焦、像差
- 透镜与样本浸入液之间折射系数差异
2. 反卷积算法分类
- 按点扩散函数（PSF）是否已知分两类：
- 非盲反卷积：PSF 模型已知，利用先验知识复原
- 盲反卷积：PSF 未知或过于复杂，同时进行图像复原和 PSF 估计
- 两类算法的区别仅仅在于 PSF 是否已知
3. 三种实现算法评估结论（本文档最有价值的部分）
| 算法 | 原理 | 适用性结论 |
|---|---|---|
| 逆滤波 (Inverse Filtering) | 直接对退化模型 G=H·F+N 求逆 | 简单；噪声小 / 信噪比高时复原效果好 |
| 维纳滤波 (Wiener Filtering) | 最小均方误差估计，针对加和性噪声 | 不适用共聚焦图像（见下） |
| 约束最小二乘方滤波 | 引入约束条件的最小二乘复原 | 文中列为候选方案（未展开） |
维纳滤波被排除的理由（推理链值得记住）：
- 噪声功率谱越低，维纳公式中常数 c 越小，复原误差越小 → 维纳适合低噪声
- 强噪声（尤其椒盐噪声）下维纳复原信噪比改善很小
- 共聚焦图像噪声特点：点噪声、强度高；观测样本多为细微结构，容易与噪声混淆
- ∴ 维纳滤波不适用
4. 图像退化一般模型
原始图像 f(x,y) 经过成像光学系统 H 以及各种外来噪声，退化为模糊图像 g(x,y)。数学表达式在原文中为公式图片，XML 提取未包含（待确认公式细节）。
参考文献（原文引用）
- 《数字图像处理（第六版）》第六章 p245（冈萨雷斯）
- 《基于激光扫描共聚焦显微镜的相关图像处理技术研究》，李婷（学位论文）
关联
- 共聚焦显微镜软件技术说明书 — 软件侧对反卷积功能的定位
- 共聚焦软件功能需求分解 — 图像处理模块需求来源
- 显微成像系统及软件思维导图 — 反卷积在系统软件中的位置