Focus stacking pro hyperspektrální bio-zobrazování

Abstract

Technika hyperspektrálního zobrazování (HSI) umožňuje snímání obrazů s vysokým spektrálním rozlišením. V oblasti hyperspektrálního makrozobrazování biologických vzorků se však často potýkáme s omezenou hloubkou ostrosti, která vede k rozostřeným snímkům. Cílem této práce je vyvinout metodu focus stackingu, která tuto limitaci eliminuje a poskytne hyperspektrální snímek s rovnoměrnou ostrostí v celé scéně. Navržený algoritmus je založen na Laplaceovské pyramidě a umožňuje fúzi vstupních snímků na základě lokální ostrosti měřené pomocí směrodatné odchylky. Algoritmus je řízen třemi laditelnými parametry: počtem úrovní dekompozice, šířkou konvolučního jádra a velikostí okolí pro výpočet ostrosti. Pro ladění parametrů algoritmu jsou použity bezreferenční metriky kvality obrazu, které hodnotí vjemovou a prostorovou kvalitu výsledného složeného hyperspektrálního snímku. Volba parametrů algoritmu výrazně ovlivňuje kvalitu výstupu. Experimenty ukazují, že při vhodně nastavených parametrech lze focus stackingem hyperspektrálních snímků dosáhnout lepší ostrosti než u jakéhokoliv vstupního hyperspektrálního snímku. Focus stacking zachována reflektanci původních snímků. Navržený algoritmus je snadno implementovatelný a vhodný pro analýzu vzorků, u nichž je zachování spektrální informace zásadní. I když je algoritmus navržen s ohledem na biologická data, lze jej snadno adaptovat i na jiné oblasti makrozobrazování.

Hyperspectral imaging (HSI) enables the acquisition of images with high spectral resolution. In the field of hyperspectral macro-imaging of biological samples, one common limitation is the shallow depth of field, which often results in blurred images. The aim of this thesis is to develop a focus stacking method that addresses this limitation and produces hyperspectral images with uniform sharpness across the entire scene. The proposed algorithm is based on the Laplacian pyramid and performs image fusion using local sharpness measures derived from standard deviation. The algorithm is controlled by three tunable parameters: the number of decomposition levels, the width of the convolution kernel, and the neighborhood size used for sharpness estimation. To support parameter selection, several no-reference image quality metrics are employed, assessing the perceptual and spatial quality of the resulting fused hyperspectral image. The choice of algorithm parameters significantly influences the quality of the output. Experimental results show that with appropriate parameter settings, the focus-stacked hyperspectral image exhibits greater sharpness than any individual input hyperspectral image, while maintaining the reflectance of input images. The proposed algorithm is easy to implement and well-suited for the analysis of samples, where maintaining spectral integrity is crucial. Although the method is designed with biological data in mind, it can be readily adapted to other macro-imaging domains.