📚 课程目录第3章计算成像与算法破解

3. 计算成像与算法破解：反卷积、深度学习与相位恢复

说实话，光学系统做到极致，衍射极限就在那儿摆着。你镜头再贵、装调再精，点扩散函数（PSF）的物理限制也绕不开。但咱们工程师有个绝活——算力换分辨率。这一章，我就带你看看怎么用算法把衍射极限“啃”掉一块。

  核心思想： 成像过程 = 理想图像 ⊗ PSF + 噪声。反卷积就是逆运算，但直接逆滤波会把噪声放大到没法看。所以有了维纳滤波、RL算法，还有深度学习那套端到端的玩法。

先看最简单的逆滤波。频域里，退化图像 G(u,v) = F(u,v) · H(u,v) + N(u,v)。想恢复 F，直接除 H：F̂ = G / H。但 H 在高频接近零，噪声 N 一除就炸。我早年调显微图像就吃过这亏——出来的图全是雪花点。

维纳滤波加了个正则项，平衡去卷积和抑噪：

F̂(u,v) = [ H*(u,v) / ( |H(u,v)|² + K ) ] · G(u,v)

K 是噪声-信号功率比。K 小，去卷积强但噪点多；K 大，图像平滑但细节丢。我习惯先扫一遍 K=0.001~0.1，看哪个值边缘最锐利又不爆噪点。

我的经验： 维纳滤波的 K 值，我一般用图像平坦区域的方差估算噪声功率，再用全图方差估算信号功率。这样 K 初始值八九不离十。

Richardson-Lucy 算法是另一条路。它假设噪声服从泊松分布（光子噪声），用最大似然迭代逼近：

f_{k+1} = f_k · ( (g / (f_k ⊗ h)) ⊗ h_{-} )

其中 h_{-} 是 PSF 的翻转。每次迭代，RL 都在“修正”当前估计与观测的残差。迭代次数是关键——太少，模糊没去干净；太多，振铃和斑点就冒出来了。

我记得调一个活细胞延时成像项目，RL 迭代 30 次效果最好，再往上细胞边缘就出现假结构。后来我加了总变分正则化（TV-RL），把迭代次数放宽到 60 次也不出伪影。

注意： RL 算法对 PSF 误差非常敏感。PSF 偏差 5%，恢复结果可能完全失真。我建议用实测 PSF（比如荧光 beads），别用理论模型硬算。

传统反卷积需要精确 PSF，还得调参。深度学习换了个思路——用大量模糊-清晰图像对，训练网络直接学映射。我常用的两种范式：

我去年做的一个工业检测项目，镜头景深不够导致边缘模糊。用 PnP 方法，把预训练的 DnCNN 去噪器嵌入 RL 迭代，PSF 用 ZEMAX 仿真值，最终分辨率提升了 40%。

  关键对比： 传统反卷积是“已知退化模型 → 求解逆问题”；深度学习是“数据驱动 → 学习逆映射”。前者可解释性强，后者数据量大时效果更好。

相位恢复解决的是另一个问题：探测器只记录强度，丢了相位信息。但相位里藏着折射率、厚度、表面形貌。怎么从强度反推相位？

经典方法有 Gerchberg-Saxton 算法：在物面记录强度，在傅里叶面记录强度，来回迭代，交替施加约束。我调过一套无透镜显微系统，GS 迭代 200 次能恢复出细胞相位图，但收敛慢，容易陷入局部最优。

定量相位成像（QPI） 更实用。它用干涉或强度传输方程（TIE）直接解相位。TIE 方法只需要在不同焦面拍三张图，就能算出相位：

∇·(I ∇φ) = -k ∂I/∂z

解这个泊松方程，相位就出来了。我推荐用 FFT 求解器，几毫秒就能算一张 1024×1024 的相位图。

避坑指南： 我曾经用 TIE 做活细胞相位成像，发现焦面间距选 1 μm 时相位值偏小，间距 5 μm 时高频噪声大。后来用“多间距加权平均”才稳定下来。建议先扫 3~5 个间距，取结果的中位数。

下面这张图把本章的核心逻辑串起来了。从退化模型出发，分三条路：传统反卷积、深度学习、相位恢复。每条路都有适用条件和典型算法。

说白了，算法破解衍射极限不是“万能药”。它需要你理解退化模型、选对方法、调好参数。我个人的建议是：能用传统方法解决的，别上深度学习；能用实测 PSF 的，别用仿真值；能多拍几张图的，别指望单帧超分辨。 这些坑，我一个个都踩过，希望你少走弯路。