مکان شما:خانه1/فروشگاه پروماد2/متلب3/شبیه سازی ترکیب تصویر با وضوح پایین در فرآیند بازیابی فاز با متلب...
مشاهده سبد خرید شما در حال حاضر یک عدد از "شبیه سازی شناسایی و تشخیص تقسیم سلولی با متلب" به سبد خرید خود اضافه کرده اید. جهت تسویه و خرید محصول وارد مشاهده سبد خرید شوید.
شبیه سازی ترکیب تصویر با وضوح پایین در فرآیند بازیابی فاز با متلب
۲۹,۰۰۰ تومان
عنوان پروژه متلب: شبیه سازی ترکیب تصویر با وضوح پایین در فرآیند بازیابی فاز با متلب
نرم افزار مورد استفاده: matlab
فرمت فایل: ,m
فایل راهنما: ندارد
پس از خرید، بلافاصله فایلهای نرم افزاری شبیه سازی ترکیب تصویر با وضوح پایین در فرآیند بازیابی فاز با متلب برای شما ایمیل خواهد شد.
فایلهای پروژه به صورت ۱۰۰% تست شده و تمامی فایل ها سالم می باشد.
برای خرید این محصول ابتدا بر روی دکمه زیر کلیک کرده و سپس دکمه "مشاهده سبد خرید" در بالای صفحه را کلیک کنید
شبیه سازی ترکیب تصویر با وضوح پایین در فرآیند بازیابی فاز با متلب
تصویربرداری منسجم پراش (CDI) ، که در آن شدت پراش نمونه اندازه گیری می شود ، یک تکنیک گسترده برای بررسی ساختارهای غیر دوره ای در سیستم های بیولوژیکی مانند ویروس ها و سلول ها است [۱]. در حالیکه الگوی پراش حاصل از آن ، شدت فرمور فوریه (FT) از تصویر اصلی را فراهم می کند ، تصویر اصلی معمولاً غیرقابل دسترسی است ، مگر اینکه هم دامنه طیفی آن (ریشه مربع شدت) و هم اجزای فاز برای انجام تبدیل معکوس فوریه () IFT) چندین الگوریتم بازیابی فاز برای استخراج مؤلفه فاز از مؤلفه شدت پراکنده [۲] ایجاد شده است که مشهورترین آنها الگوریتم ورودی-خروجی ترکیبی (HIO) است [۳]. HIO ، یک الگوریتم تکراری ، با مجموعه ای از مراحل تصادفی به عنوان حدس اولیه شروع می شود ، سپس IFT و FT را بر روی تصویر اعمال می کند تا آن را به جلو و عقب بین دوباره منتقل کند.
فضای ciprocal و واقعی ، که در آن محدودیت هایی مانند پشتیبانی محدود و دامنه فوریه برای تصحیح تصویر محاسبه شده اعمال می شود ، همانطور که در شکل ۱ (a) نشان داده شده است.
به طور کلی ، HIO می تواند نتیجه معقولی از بازسازی به دست آورد ، اما معمولاً چند هزار چرخه برای همگرایی طول می کشد ، و گاهی اوقات در یک نتیجه زیرپایانه راکد می ماند. علاوه بر این ، الگوریتم های مرحله بندی مانند HIO به طور کلی در برابر نقص داده ها از جمله نویز کوانتومی (به دلیل محدود شار فوتون) و شدت از دست رفته (به دلیل مسدود شدن اجزای فرکانس پایین) آسیب پذیر هستند. به دلایل فوق الگوریتم های بازیابی فاز در حال اجرا مانند HIO برای داده های آزمایشی ، از نظر منابع محاسباتی و زمان به طور کلی پرهزینه است ، زیرا مردم برای بدست آوردن نتیجه بهینه بازسازی ، باید چندین بار HIO را با تعداد تکرار زیاد اجرا کنند. در حالی که معمولاً تصویر محاسبه شده با مقایسه آن با تصویر با وضوح پایین (LR) از منبع دیگر مانند میکروسکوپ نوری یا میکروسکوپ الکترونی روبشی (SEM) تأیید می شود ، در اینجا ما پیشنهاد می کنیم که بتوانیم تصویری با وضوح پایین را در بازیابی فاز گنجانیم. الگوریتم به عنوان اولویت برای هدایت فرایند مرحله بندی ، در نتیجه وفاداری بازسازی و سرعت همگرایی را افزایش می دهد.
توضیحات پروژه
این پروژه با هدف بهبود الگوریتم HIO با ترکیب یک تصویر با وضوح پایین به عنوان یک مقدمه قوی تر از محدودیت پشتیبانی محدود استفاده شده توسط اکثر الگوریتم ها ، توسعه یک الگوریتم بازیابی فاز با وفاداری و سرعت همگرایی بالاتر. شکل ۱ (ب) خط لوله پیشنهادی را که ما در حال توسعه خواهیم بود نشان می دهد. ما انتظار داریم که الگوریتم اصلاح شده از HIO اصلی بهتر باشد ، با توجه به کیفیت معقول LR ، زیرا تصویر LR حاوی نه تنها مرز پشتیبانی بلکه اطلاعات مربوط به شدت محلی است. برای این پروژه ، تصاویر LR با استفاده از فیلتر گاوسی به تصویر اصلی با پارامترهای پهنای باند مختلف ، به صورت عددی تولید می شوند. الگوی پراش با استفاده از تبدیل سریع فوریه (FFT) شبیه سازی می شود. وفاداری بازسازی توسط یک تابع اختلاف ER (ρ۰ ، ρcalc) ارزیابی می شود که تصویر محاسبه شده ρccc با نمونه اصلی ρ۰ را مقایسه می کند.
چالش اصلی این پروژه پیدا کردن روشی منطقی و منطقی از نظر ریاضی برای محدود کردن تصاویر فضای واقعی محاسبه شده بر اساس تصویر LR است. پیش از این ما با یک تکنیک ساده و ساده آزمایش کرده ایم که در آن تصویر فضای واقعی پرواز به صورت پویا توسط تصویر LR با یک ترکیب خطی ساده هدایت می شود [۴]. برای این پروژه ، ما به روش های مختلفی برای بهینه سازی تصویر برای نزدیک تر شدن به تصویر LR داده شده به روشی پویا ، که می تواند برای همگرایی تنظیم شود ، تحقیق خواهیم کرد. یکی از روش های کاندیدای احتمالی استفاده از تصویر LR debburred محاسبه شده از تجزیه یاب ریچارد-لوسی [۵] یا الگوریتم ADMM [6] برای محدود کردن تصویر دامنه فضایی واقعی است.
References [۱] J. Miao et al., Nature 400, 342 (1999). [۲] J. Miao et al., Phys. Rev. Lett. 95, 085503 (2005). [۳] R. Fienup, Appl. Opt. 21, 2758 (1982). [۴] P.-N. Li et al. (under preparation). [۵] R. Hardley, JOSA 62, 55 (1972). [۶] M. Figueiredo and J. Bioucas-Dias, IEEE Trans. Image Process. 19, 3133 (2010).
شبیه سازی ترکیب تصویر با وضوح پایین در فرآیند بازیابی فاز با متلب توسط متخصصان گروه پروماد انجام شده است.فایلهای نرم افزاری پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
اگر این محصول، پروژه مورد نظر شما نمی باشد، می توانید از طریق لینک زیر سایر پروژه های مشابه را مشاهده کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.