基于反卷积和解混的显微荧光高光谱图像的分析方法与设计方案

本技术公开了一种基于反卷积和解混的显微荧光高光谱图像的分析方法，涉及医学成像技术领域，本技术包括建立丰度矩阵和端元矩阵，将3D高光谱原图展平为二维图像，基于丰度矩阵和端元矩阵建立二维图像混合公式模型；将二维图像混合公式模型转换为一维向量模型；基于一维向量模型对待分析高光谱观测图像进行建模，得到端元矩阵已知的高光谱观测图像的观测模型；基于Huber函数和观测模型构建成本函数，求解使成本函数最小化的非负的最优丰度向量；将最优丰度向量还原为空间图像，得到精准的丰度图像，本技术结合非负、解混、反卷积和Huber函数的性能，以及丰度图像的特性，一次性完成解混和优化分辨率，极大提高了高光谱图像解混的精确度。

权利要求书

1.一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，包括：

建立丰度矩阵和端元矩阵，将3D高光谱原图展平为二维图像，基于丰度矩阵和端元矩阵建立二维图像混合公式模型；

将二维图像混合公式模型转换为一维向量模型；

基于一维向量模型对待分析高光谱观测图像进行建模，得到端元矩阵已知的高光谱观测图

像的观测模型；

基于Huber函数和观测模型构建成本函数，求解使得成本函数最小化的非负的最优丰度向量；

将求得的最优丰度向量还原为空间图像，即可得到精准的丰度图像。

2.根据权利要求1所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，所述二维图像混合公式模型结构为：

其中，丰度矩阵为：

端元矩阵为：

表示混合得到的二维矩阵，表示二维中的一个空间维度的长度，表示端元或丰度的个数，表示波长；表示大小为的单位矩阵。

3.根据权利要求2所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，所述一维向量模型结构为：

其中，表示的一维向量，表示丰度矩阵的一维向量，即丰度向量；表示另一个空间维度的长度，表示大小为的单位矩阵。

在于，所述高光谱观测图像的观测模型结构为：

其中，表示待分析高光谱观测图像，表示大小为的卷积核，表示噪音干扰。

5.根据权利要求4所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，所述成本函数的结构为：

其中，表示拟合成本，表示Huber函数，表示权重参数，表示向量的第个元素，表示大小为的单位矩阵，表示端元或丰度的个数，表示大小为的拉普拉斯边检测器，为预设的超参数。

6.根据权利要求5所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，所述拉普拉斯边检测器为一个循坏-块-循环矩阵，其内核为：。

7.根据权利要求5所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，基于迭代交替方向乘子算法ADMM对使得成本函数最小化的非负的丰度向量进行求解。

8.根据权利要求7所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，将求解使得成本函数最小化的非负的丰度向量表示为，基于迭代交替方向乘子算法ADMM则得到计算式：

其中，均为辅助变量，且表示拉格朗日乘数，均为权重参数。

在于，运用内循环和外循环对所述计算式进行求解，其中表示预设的循环次数，具体为：内循环过程：

1）固定，求取使得最小化的；

2）固定，求取使得最小化的；

3）更新；

4）更新权重参数，令，进行下一轮迭代，直至达到循环次数，完成一次内循环迭代；

外循环过程：

a）当内循环完成一次迭代后，在外循环中更新权重参数；

b）计算与之间的差值，若该差值大于设定的阈值，则重新进入内循环，直至该差值小于设定的阈值，得到的即为最优丰度向量。

10.根据权利要求9所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，所述4）中权重参数的更新方式有两种，一种为线性增大，另一种为固定不变；所述a）中权重参数的更新方式为线性增大。

技术说明书

一种基于反卷积和解混的显微荧光高光谱图像的分析方法

技术领域

本技术涉及医学成像技术领域，更具体的是涉及一种基于反卷积和解混的显微荧光高光谱图像的分析方法。

背景技术

高光谱成像可以同时获得同一场景下的多幅不同频谱波段范围下的图像。相对于传统成像方式，高光谱图像包含丰富的频谱信息，广泛应用于卫星遥感、农业地质普查、医学成像、环境监控等领域。然而受成像传感器技术的限制，高光谱成像获得更丰富的频谱信息往往是以牺牲空间分辨率作为代价。

一副高光谱图像是含有三个维度的图像，包含两个空间维度和一个光谱维度，由于不同化学成分的光谱有明显区别，因此通过对高光谱图像的分析便可以分辨出不同成分，于是此技术被应用于医学中用以区分正常组织和病变组织，能具体到不同生物标志物。

高光谱图像的解混是指从高光谱图像的混合像素中分解得到端元及丰度的过程，一般认为，端元代表图像中存在的纯物质，丰度代表某个像素中的每个端元所占的百分比。目前行业内只对高光谱图像进行解混，分离出高光谱图像中不同成分的光谱，但因为高光谱成像仪自身分辨率问题可能会对成像引入模糊和噪音，导致高光谱图像的解混效果也受分辨率低的影响，只运用解混算法不足以克服成像仪自身低分辨率的缺点，导致解混结果不具有精细精确度，得到的结果不理想。

技术内容

本技术的目的在于：为了解决目前仅对高光谱图像进行解混，不足以克服高光谱成像仪自身低分辨率的缺点，导致解混结果不具有精细精确度的问题，本技术提供一种基于反卷积和解混的显微荧光高光谱图像的分析方法。

本技术为了实现上述目的具体采用以下技术方案：

一种基于反卷积和解混的显微荧光高光谱图像的分析方法，包括：

建立丰度矩阵和端元矩阵，将3D高光谱原图展平为二维图像，基于丰度矩阵和端元矩阵建立二维图像混合公式模型；

将二维图像混合公式模型转换为一维向量模型；

基于一维向量模型对待分析高光谱观测图像进行建模，得到端元矩阵已知的高光谱观测图像的观测模型；

基于Huber函数和观测模型构建成本函数，求解使得成本函数最小化的非负的最优丰度向量；

将求得的最优丰度向量还原为空间图像，即可得到精准的丰度图像。

进一步的，所述二维图像混合公式模型结构为：

其中，丰度矩阵为：

端元矩阵为：

表示混合得到的二维矩阵，表示二维中的一个空间维度的长度，表示端元或丰度的个数，表示波长；表示大小为的单位矩阵。