傳(chuan)統(tong)光學(xue)成(cheng)(cheng)像(xiang)系統(tong)的空(kong)間/角(jiao)分(fen)辨(bian)率(lv)受限(xian)于阿貝-瑞利衍射極限(xian)，而(er)在(zai)此限(xian)制下，一般通(tong)過增大(da)成(cheng)(cheng)像(xiang)系統(tong)數值孔(kong)徑(jing)或有效(xiao)口徑(jing)來提(ti)高空(kong)間/角(jiao)分(fen)辨(bian)率(lv)。然而(er)，成(cheng)(cheng)像(xiang)發展到(dao)現階段，增大(da)數值孔(kong)徑(jing)或有效(xiao)口徑(jing)在(zai)實現成(cheng)(cheng)本及(ji)難度上均已(yi)是挑戰。而(er)超分(fen)辨(bian)成(cheng)(cheng)像(xiang)技術為獲得超衍射極限(xian)成(cheng)(cheng)像(xiang)提(ti)供(gong)了可(ke)能。

近日，中國(guo)科學(xue)(xue)(xue)院國(guo)家天(tian)文臺(tai)南京天(tian)文光(guang)(guang)(guang)學(xue)(xue)(xue)技術研(yan)究所研(yan)究員何晉平團隊(dui)在超(chao)衍(yan)射極限成像(xiang)技術研(yan)究方面取(qu)得新(xin)進展。該團隊(dui)基于(yu)外(wai)接孔徑調制子系(xi)統及深(shen)度學(xue)(xue)(xue)習(xi)(xi)方法(fa)(fa)，以(yi)原(yuan)光(guang)(guang)(guang)學(xue)(xue)(xue)成像(xiang)系(xi)統的實像(xiang)面作為(wei)輸入(ru)，不改變原(yuan)有系(xi)統結構(gou)，調節位于(yu)孔徑光(guang)(guang)(guang)闌平面的電動可變光(guang)(guang)(guang)闌，快(kuai)速(su)采集訓練(lian)所需的低分(fen)辨(bian)(bian)(bian)率(lv)（low-resolution，LR）到高分(fen)辨(bian)(bian)(bian)率(lv)（high-resolution，HR）圖(tu)像(xiang)對，并(bing)以(yi)訓練(lian)好的深(shen)度學(xue)(xue)(xue)習(xi)(xi)網絡將(jiang)HR圖(tu)像(xiang)作為(wei)輸入(ru)，快(kuai)速(su)外(wai)推出超(chao)出衍(yan)射極限的超(chao)分(fen)辨(bian)(bian)(bian)率(lv)（super-resolution，SR）圖(tu)像(xiang)。相關(guan)研(yan)究結果發表在Optics Express上，并(bing)申(shen)請國(guo)家發明專利。至此，該團隊(dui)基于(yu)孔徑調制已提出三種新(xin)型(xing)超(chao)分(fen)辨(bian)(bian)(bian)成像(xiang)方法(fa)(fa)：“孔徑調制 + 光(guang)(guang)(guang)強外(wai)推”【Sci. Rep. 8, 15216(2018)】、“孔徑調制 + 圖(tu)像(xiang)迭代重(zhong)構(gou)”【J. Opt. 23, 015701(2021)】及本工作方法(fa)(fa)“孔徑調制 + 深(shen)度學(xue)(xue)(xue)習(xi)(xi)”。

圖1.實驗裝置示意圖（EAMS：external aperture modulation subsystem）

該方(fang)法無須(xu)(xu)更改原有成像系統(tong)結(jie)構，只(zhi)需添(tian)加一個可(ke)變光闌或(huo)孔徑(jing)調制子系統(tong)即可(ke)實(shi)現(xian)調制功能(neng)，結(jie)構簡(jian)單且(qie)(qie)緊(jin)湊，造價低。在數據(ju)訓練方(fang)面，相對于(yu)常(chang)用的(de)“端對端”訓練策略，增加一個“標(biao)簽(qian)數據(ju)”可(ke)以進(jin)一步提高(gao)深度學習網絡的(de)分辨率(lv)增強能(neng)力和圖像保真度。相比(bi)迭代式最優化SR算法，基于(yu)深度學習的(de)SR方(fang)法可(ke)以提供訓練好的(de)非迭代式重建(jian)工具，從而實(shi)現(xian)快速的(de)分辨率(lv)增強，且(qie)(qie)無須(xu)(xu)估計點擴(kuo)散函數（PSF）或(huo)對成像過程進(jin)行(xing)數值建(jian)模。

圖2.稀疏點源目標的超(chao)衍射極(ji)限成(cheng)像結果對比(bi)。

（a）衍射極(ji)限下(xia)的(de)HR圖像(xiang)、（b）3倍理論SR圖像(xiang)、（c）2孔徑(jing)訓練策(ce)略SR外(wai)(wai)推結(jie)果(guo)、（d）3孔徑(jing)訓練策(ce)略SR外(wai)(wai)推結(jie)果(guo)、（e）和（f）為(wei)相應的(de)2.2倍和2.7倍SR時的(de)橫截線對比圖。0.735為(wei)Rayleigh criterion下(xia)歸一化鞍點強度(du)

圖(tu)3.對玉米種子切片成像的(de)對比(bi)結果(guo)。（a）3孔(kong)徑訓練策(ce)略SR外(wai)推結果(guo)、（b）-（m）不同ROI（range of interest）的(de)成像效果(guo)放大對比(bi)圖(tu)。（n）和(he)(he)（o）為兩個特征白點和(he)(he)黑點的(de)橫截線對比(bi)圖(tu)。（i）和(he)(he)（j）中(zhong)的(de)黃色箭頭指向一些原本模糊的(de)間(jian)隙和(he)(he)形狀，這(zhe)些間(jian)隙和(he)(he)形狀通過訓練好的(de)dpcCARTs-NET變得更清晰(xi)

為驗證該方法在復雜物體成像方面的能力，研究團隊與南京林業大學、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。圖3給出了對玉米種子切片成像的對比結果。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孔徑調制策略訓練的dpcCARTs-NET的SR性能優于2孔徑調制策略，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構信息，有助于進一步剖析樣品的生物學信息，如評估淀粉含量。

當(dang)前(qian)，該團隊正在將相關方法應用于大視場天(tian)文成(cheng)像(xiang)中，有(you)望以較低代價實現(xian)超高分辨天(tian)文成(cheng)像(xiang)，并(bing)為將來(lai)開展智(zhi)能天(tian)文儀器(qi)設計(ji)和(he)智(zhi)能天(tian)文數據處理算法研究提供參考。研究工作得到國(guo)家自(zi)然科(ke)學(xue)(xue)基金(jin)青年(nian)科(ke)學(xue)(xue)項(xiang)目(mu)、面上項(xiang)目(mu)及重(zhong)點項(xiang)目(mu)的資助。