La mesure visuelle microscopique est largement utilisée dans des domaines tels que le micro-assemblage. Sous l'influence de la profondeur de champ et d'autres facteurs, les images présentent des phénomènes de flou multiples, affectant la précision des mesures ultérieures. Bien que la technologie d'autofocus microscopique puisse atténuer le problème de décalage de mise au point, elle est chronophage et difficile à adapter aux exigences de production efficace. Cet article propose un modèle de défloutage de bout en bout combinant la discrimination du flou et la restauration à branches multiples, établissant une stratégie de diviser pour régner basée sur le découpage, la discrimination, le défloutage et la fusion : tout d'abord, une image est découpée en sous-images qui sont simultanément envoyées au discriminateur et au réseau de restauration ; dans le discriminateur, la distribution dans le domaine fréquentiel est obtenue via la transformée de Fourier, puis un réseau Vision-Transformer extrait les caractéristiques floues profondes avec une corrélation globale à partir des images dans le domaine fréquentiel, avant de fournir une sortie de discrimination du flou. Selon les résultats de la discrimination, un réseau de restauration à branches multiples effectue une restauration orientée sur les sous-images de différents degrés de flou, et enfin les sous-images traitées sont fusionnées pour obtenir une image haute résolution. Les résultats expérimentaux montrent que le modèle proposé permet de restaurer efficacement des images microscopiques avec plusieurs flous, avec une précision de discrimination atteignant 0,94. Après traitement par le réseau de restauration à branches multiples, l'indice PSNR a été amélioré en moyenne de 6,3.

micro-assemblage;vision microscopique;discrimination du flou;traitement fréquentiel