【儀表網(wǎng) 儀表研發(fā)】傳統(tǒng)光學成像系統(tǒng)的空間/角分辨率受限于阿貝-瑞利衍射極限，而在此限制下，一般通過增大成像系統(tǒng)數(shù)值孔徑或有效口徑來提高空間/角分辨率。然而，成像發(fā)展到現(xiàn)階段，增大數(shù)值孔徑或有效口徑在實現(xiàn)成本及難度上均已是挑戰(zhàn)。而超分辨成像技術(shù)為獲得超衍射極限成像提供了可能。
 

　　近日，中國科學院國家天文臺南京天文光學技術(shù)研究所研究員何晉平團隊在超衍射極限成像技術(shù)研究方面取得新進展。該團隊基于外接孔徑調(diào)制子系統(tǒng)及深度學習方法，以原光學成像系統(tǒng)的實像面作為輸入，不改變原有系統(tǒng)結(jié)構(gòu)，調(diào)節(jié)位于孔徑光闌平面的電動可變光闌，快速采集訓練所需的低分辨率(low-resolution，LR)到高分辨率(high-resolution，HR)圖像對，并以訓練好的深度學習網(wǎng)絡(luò)將HR圖像作為輸入，快速外推出超出衍射極限的超分辨率(super-resolution，SR)圖像。相關(guān)研究結(jié)果發(fā)表在Optics Express上，并申請國家發(fā)明專利。至此，該團隊基于孔徑調(diào)制已提出三種新型超分辨成像方法：“孔徑調(diào)制 + 光強外推”【Sci. Rep. 8, 15216(2018)】、“孔徑調(diào)制 + 圖像迭代重構(gòu)”【J. Opt. 23, 015701(2021)】及本工作方法“孔徑調(diào)制 + 深度學習”。
 

　　該方法無須更改原有成像系統(tǒng)結(jié)構(gòu)，只需添加一個可變光闌或孔徑調(diào)制子系統(tǒng)即可實現(xiàn)調(diào)制功能，結(jié)構(gòu)簡單且緊湊，造價低。在數(shù)據(jù)訓練方面，相對于常用的“端對端”訓練策略，增加一個“標簽數(shù)據(jù)”可以進一步提高深度學習網(wǎng)絡(luò)的分辨率增強能力和圖像保真度。相比迭代式最優(yōu)化SR算法，基于深度學習的SR方法可以提供訓練好的非迭代式重建工具，從而實現(xiàn)快速的分辨率增強，且無須估計點擴散函數(shù)(PSF)或?qū)Τ上襁^程進行數(shù)值建模。
 

　　為驗證該方法在復(fù)雜物體成像方面的能力，研究團隊與南京林業(yè)大學、上海交通大學合作，開展了生物樣品SR成像方面的實驗研究工作。給出了對玉米種子切片成像的對比結(jié)果。與衍射受限的HR輸入相比，dpcCARTs-NET的外推SR輸出在分辨率和對比度方面均有明顯提高，且使用3孔徑調(diào)制策略訓練的dpcCARTs-NET的SR性能優(yōu)于2孔徑調(diào)制策略，分辨率增強能力接近1.5倍。外推SR圖像提供了更清晰的生物結(jié)構(gòu)信息，有助于進一步剖析樣品的生物學信息，如評估淀粉含量。
 

　　當前，該團隊正在將相關(guān)方法應(yīng)用于大視場天文成像中，有望以較低代價實現(xiàn)超高分辨天文成像，并為將來開展智能天文儀器設(shè)計和智能天文數(shù)據(jù)處理算法研究提供參考。研究工作得到國家自然科學基金青年科學項目、面上項目及重點項目的資助。