由 J. Goodman 的著作[1] 與 Agard, D. A.等人的研究[14] ,我們可知光 學顯微鏡,可近似為一個線性非時變系統(Linear shift invariant system),本 章將詳述在此近似下如何將顯微鏡得到的影像,反解出更接近樣品實際形 貌的影像,最後說明反解過程所使用到的傅立葉轉換。
3-1 線性非時變系統
如一個系統,輸入 O (x),輸出 I (y)且滿足:
[ ]
( ) ( )
I y =T O x (3.1)
其中T 為一個函數,如滿足:
[
1( ) 2( )] [
1( )] [
2( )]
T aO x +bO x =aT O x +bT O x (3.2) 其中 a、b 各為一常數,則此系統具有線性(Linear),另外若滿足:
[ ]
( ) ( )
I y+α =T O x+α (3.3)
則此系統具有非時變(Time-invariant system),如系統同時滿足線性(3.2)式,
與非時變(3.3)式兩個特性,就是線性非時變系統(簡稱 LSI 系統)。
LSI 系統可以簡單表示T,方法為將脈衝函數(通常選用 Kronecker delta function)輸入系統,將會得到有特別意義的輸出,此輸出稱為脈衝響應 (Impulse response):
[ ]
( ) ( )
P y =T δ x (3.4)
14
脈衝響應與系統輸入,輸出可以表示成摺積運算(Convolution):
I = ⊗ P O (3.5)
如將光學顯微鏡系統導入上述的模型中,可了解光學顯微鏡的成像
(image),即可看成點擴散函數(PSF, Point spread function)與測量的樣品訊號 (object)做摺積運算:
[ ] [ ] [ ]
psf x ⊗ object x = image x
(3.6)其中
psf x [ ]
為點狀樣品通過光學系統繞射的結果,如得知光學顯微鏡的 PSF,依照線性 LSI 系統的特性與(3.7)式的 Convolution 定理:{
A B} { } { }
A Bℑ ⊗ =ℑ × ℑ (3.7)
即可使用(3.8)式推出原始物體(object)傅立葉轉換結果,經由傅立葉逆轉換 即可得原始物體(object)形貌。
{ } { }
{ }
[ ]
[ ][ ]
image xobject x
psf x
訊雜比(Signal-to-noise ratio)大幅下降,將造成後續影像處理上困難,因此需 用另一方法得到 PSF。
在此論文中使用的方法為使用兩次(3.6)式,首先使用一個已知其形貌
15
的樣品,在此稱為校正樣品(Calibration sample),經由光學顯微系統量測,
用數學式描述如(3.9)式。
Calibration Calibration
psf ⊗sample =image (3.9)
將得到的影像(Calibration image)與校正樣品做反摺積運算可得 PSF,此方法 不需製作如數學定義般點狀樣品。
上式中,J1為第一類貝索函數(Bessel functions of the first kind),N 為數值孔 徑(NA, Numerical aperture),λ0為光源的波長,
r
為在像平面上的一點到光 軸的距離。將(3.10)式傅立葉轉換,可以得到光傳遞函數(OTF, Optical transfer function):0 1, 1/ 2 cut-off frequency),其物理意義為,以頻譜空間討論繞射極限問題:
0
2
cut off
frequency N
λ
− = (3.12)
16
3-3 傅立葉轉換
我們使用快速傅立葉轉換(Fast Fourier Transform)處理反褶積運算
(deconvolution),其在處理離散數據,具有簡單化反褶積運算與較離散傅立 葉轉換(Discrete Fourier Transform)計算快等優點,本節將由基本傅立葉轉換 出發,延伸至可討論離散數據的離散傅立葉轉換。
3-3-1 離散傅立葉轉換
傅立葉轉換[15] 可將在實空間的數據 f (x),轉換到頻率空間 F (s),其在數 據連續且無周期性的條件下(Function on R),傅立葉正、逆轉換表示如式 (3.13)、(3.14):
17 續與週期性,兩空間週期皆為N ,或稱為窗口大小(Window size),(3.13)、
(3.14)式可以簡化為只討論一個窗口,即稱為離散傅立葉轉換(DFT, Discrete Fourier transform):
1
18
19
Time domain Frequency domain
( )a
add add
add
add add
add 同理,傅立葉逆轉換使用 Modulation rule:
2 3 2 /
) )
( ,a w b w c w d, , ( , , ,B C D A w, e− pi N
ℑ = = (3.26)
與 Summation rule:
((a c,b d+ ) / 2) ( , )A C
ℑ + = (3.27)
也可寫出快速傅立葉逆轉換,上述正逆轉換即稱為快速傅立葉轉換。
20
1.寫出似然函數L(likelihood function),其定義為當系統參數(Parameter) 為 p時量到Data的條件機率有多少:
21
3-4-2 最大期望演算法(EM)
EM 用迭代法(Iterative method)尋找系統參數,使似然函數最大值,如 前段假設系統有一個未知參數會影響到測量數據,詳細步驟如下:
1.將 pk 當成系統參數,寫出似然函數L,如(3.28)式。
2.尋找一個新的參數pk+1代入步驟 1 的結果大於將 pk代入步驟 1 的結
果,表示系統在參數 pk+1的情況下,比在參數為 pk的情況下更有可能 量到已知Data:
( ) ( )
1 1
( k ) | k ( k) | k
L p + =P Data p + ≥ L p = P Data p (3.30) 3.除非 pk 收斂,否則將 pk+1取代 pk回到步驟 1。
3-4-3EM-MLE
不難看出 MLE 困難之處,為如何表示系統的似然函數,與在系統的參 數較多,並且L對 p偏微分式較複雜的情況下,即使列出方程式,也未必 能求出未知參數。而 EM 則具有計算量較大,難寫出迭代方程式,與同樣 需寫出系統似然函數等問題。
為解決以上問題,Y. Vardi 等人將光學系統引入[16] ,再將 EM 與 MLE 兩種方法結合起來,首先假設光學系統對測量到的訊號,會有一雜訊分佈,
其分佈符合帕松分佈(Poisson distribution),在 4-5 雜訊分析章節會再次驗證 此假設的合理性,帕松分佈函數如下:
22 將上述參數代入帕松分佈函數(3.31),可得到在樣品為 object [x]的條件下,
系統的實際值:
image x
psf x x object x x
noise
psf x x object x
P e
image x
′
po noise
noise
23
image x
psf x x object x x
x
psf x x object x
L e
image x
′
通常 image [x]物理量與光強度等價,psf [x]、object [x]分別與光強度、反射 率等價,所以 image [x]、psf [x]、object [x]都不會出現小於零的情況,因此 可知(3.39)恆小於或等於零,ln L(object [x])函數為凸函數(concave
function),因此似然函數最大值發生在(3.38)等於零時,且通常 psf [x]為歸一 化函數(Normalized function),使:
[ 0] 1 object x
image x psf x x object x
psf x x object x
′
∂ = − −
∂ − ′ ′
∑ ∑
(3.39)24
object 0 α
∂ ≤
∂ (3.43)
因此
α
與 object [x]關係為負相關(Negative correlation),示意圖如圖 3-31
α
object Answer
objectAns
圖 3-3
α
與 object 關係圖 考慮某次迭代:k Ans
object >object (3.44)
其對應
α
的量值將介於 0 到 1 之間,將objectk 乘以α
可得到更接近objectAns的objectk+1,如圖 3-4 左;同理可知,如果objectk 小於objectAns, 其對應
α
的量值將大於 1,將objectk 乘以α
也可得到更接近objectAns的25
objectk
objectk
α ×
1
α
object Answer
objectk
objectk
α ×
object x object x
k object x
object x object x image x
psf x x object x
26 L object
image x psf x x object x image x
′ (Stirling's approximation):
ln( !) n ≈ n ln n n −
(3.49) L objectimage x psf x x object x image x image x image x
′
object x object x image x
psf x x object x
27 L object
psf x x object x image x
image x image x
′
image x image x
psf x x object x psf x x
image x
′
28
3-5 影像重構程式
Start
End Ture
False k←k+1
i = N-1?
object x object x image x
psf x x object x objectc
Solve object through EM-MLE Solve PSF through
Inverse filtering
1
IMAGE k
k k
OBJECT k object x IMAGE k image x
← ℑ
← ℑ
δ δ< 0
圖 3-5 影像重構程式流程圖
29
影像重構程式以 LabviewTM程式撰寫而成,分成以逆濾波器(Inverse filtering)反解 PSF,與以 EM-MLE 反解未知樣品兩個部分,程式流程圖如 圖 3-5,首先在程式開始後,先輸入校正樣品object xc[ ]與校正樣品顯微鏡 影像image xc[ ],窗口大小皆為N,經過傅立葉轉換相除完成反摺積,再將 頻域空間將空間截止頻率k0以上的頻率濾除,也就是令實虛部皆為零,將 此結果逆轉換後得到 PSF。
第二部分將第一部分求得的 PSF 代入 EM-MEL,也就是(3.46)式,由兩 個迴圈所構成,第一個為 For loop,確保實空間窗口內每一個xi都會被迭代 一次,第二個為 While loop,計算(3.45)中每次疊造成objectk 的變化,如果 變化小於目標δ0,代表繼續迭代下去,產生變化量已經不在討論的範圍內,
則程式停止;如變化小於或等於目標δ0則繼續迭代。
30