傅里叶叠层成像是一种计算成像技术,可从一组采集的低分辨率图像中重构高分辨率图像,解决了显微成像中无法兼并大视场与高分辨率的问题。传统的傅里叶叠层成像算法需要多次迭代,计算复杂度高,且重构性能较差。该文提出了基于深度学习的傅里叶叠层成像方法,提高了重构图像的质量。同时,降低了重构方法的计算复杂度,并且对不同类型的噪声具有鲁棒性。该文研究内容如下:首先,将深度学习方法运用于傅里叶叠层成像中,提出双分支稠密块网络结构,端对端地重构图像,降低了计算复杂度。稠密连接的网络结构加强了信息的传输和特征复用,双分支的结构特定地重构图像的幅度信息和相位信息。实验表明,双分支稠密块网络重构图像质量较高,重构时间较短。其次,针对傅里叶叠层成像系统需要大量采集图像重构原始图像的情况,提出数据拆分与信息融合的处理方式。将输入数据拆分成若干个子集后经过若干个子网络分别进行处理,然后融合各个子网络输出的信息以获得最终的重构图像。数据拆分的方式可以减少单个网络的输入通道,减少内存的消耗。实验表明,该方法重构图像质量较高,重构速度较快。最后,为进一步提高重构方法的性能,增强其鲁棒性,提出多尺度编解码网络重构图像。在数据拆分的基础上,由编码网络提取图像的多尺度特征,解码网络根据提取的特征重构图像。各个编码网络采用不同大小扩张因子的扩张卷积,提取图像的多尺度特征。实验结果表明,该方法在较短时间内实现了图像重构,对高斯和泊松噪声均具有鲁棒性,并且具有泛化能力。