Die mikroskopische Bildmessung wird in Bereichen wie der Mikromontage weit verbreitet eingesetzt. Aufgrund von Faktoren wie der Schärfentiefe treten in Bildern mehrfach Unschärfeeffekte auf, die die nachfolgende genaue Messung beeinträchtigen. Obwohl die mikroskopische automatische Fokussierung diese Unschärfeprobleme mindern kann, ist sie zeitaufwendig und schwer an hohe Produktionsanforderungen anzupassen. In diesem Artikel wird ein End-to-End-Entschleimungsmodell vorgeschlagen, das Unschärfeerkennung und mehrzweigige Wiederherstellung kombiniert und eine Divide-and-Conquer-Strategie aus Segmentierung, Erkennung, Entschleimung und Fusion etabliert: Zunächst wird ein Bild in Unterbilder unterteilt und gleichzeitig an den Diskriminator und das Wiederherstellungsnetzwerk gesendet; im Diskriminator wird durch Fourier-Transformation die Frequenzbereichsverteilung erhalten, danach extrahiert ein Vision-Transformer-Netzwerk global korrelierte, tiefgreifende Unschärfemerkmale aus dem Frequenzdomänenbild und liefert anschließend eine Unschärfeerkennungsausgabe. Basierend auf dem Erkennungsergebnis führt das mehrzweigige Wiederherstellungsnetzwerk eine gerichtete Wiederherstellung der Unterbilder mit unterschiedlicher Unschärfe durch. Abschließend werden die verarbeiteten Unterbilder zusammengefügt, um ein hochauflösendes Bild zu erhalten. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell mikroskopische Bilder mit mehrfacher Unschärfe effektiv wiederherstellen kann, die Erkennungsgenauigkeit 0,94 erreicht und nach der Verarbeitung durch das mehrzweigige Wiederherstellungsnetzwerk der PSNR-Wert im Durchschnitt um 6,3 steigt.

Mikromontage;mikroskopische Sicht;Unschärfeerkennung;Frequenzbereichsverarbeitung