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
反卷积荧光显微成像技术
∫∫ FI(ω x,ω y) = FI(x, y)exp{-i(ω xx + ω yy)}dxdy R•R 相应如果
FR (ωx ,ωy ), H D (ωx ,ωy ), (ωx ,ωy ), H R(ωx ,ωy ) 分别表示
FR (x, y), H D (x, y), N (x, y), HR(x, y) 的傅立叶变换（亦称为其频谱函数，其中 H D(ωx ,ωy ) 又
Processing,”Proc. IEEE，63，4，April 1975，678-692. [8] 高荣坤，王贻良，濮群等译，陈贻运校. [美]W.K.普拉特著. 数字图像处理学.北京：科学出版社, 1984：
267. [9] 李睿凡，旖发刚，瞿安等.三维反卷积显微成像技术浅谈. 生物学杂志，2001，Vol.18，No.6. [10] 邓振生，倪道平，蒋大宗等. 用反卷积法校正 X 线图像散射的方法. 生物医学工程学杂志, 1997，14
反卷积荧光显微成像技术
白如星 89 期七年制 5 班 指导教师：崔泽实 摘要: 反卷积荧光显微技术提高了光学显微镜的分辨率，是对活体细胞低漂白、低毒性荧 光观测的有效方法。本文简要介绍了荧光显微镜、摄像及图像处理系统的组成，通过讨论反 卷积显微成像技术的基本数学原理，介绍反卷积显微成像技术的医学实验中的应用。 关键词: 反卷积；荧光显微成像; 去模糊 传统的荧光显微镜由于其焦平面外信息的干扰造成图像质量差。近年来，由于光学仪器制造技术的进 步，使图像分辨率有所提高，其典型代表即为激光共焦扫描显微成像技术以及 CCD 视频摄像机。同时， 借助计算机进行图像处理与分析技术的进展，特别是反卷积算法，的发展也使光学显微镜能够更好的发挥 其作用。这两种方法在改善图像质量的作用上各有其优势。激光共焦显微镜能够方便、实时、清晰地显示 物像。应用反卷积技术时，需要对所得图像进行反卷积图像复原计算，成像质量较差，在时间上具有一定 滞后性。然而相比激光共焦显微技术，反卷积技术除了具有硬件结构简单、价格较低等优势之外，还具有 对生物样本低漂白、低毒性这一重要特点。我们可以利用这一特点对活体细胞进行动态观察[1] 。 一﹑荧光显微镜及摄像系统 荧光显微镜有透射照明型和落射照明型两种[2]透射照明型荧光显微镜的激发光经暗场聚光镜达被检标 本的下方，不进入物镜；而产生的荧光进入物镜。其效果低倍镜下明亮，高倍暗，不适于观察非透明标本。 落射型又称反射型荧光显微镜的激发光从物镜与目镜间的镜筒进入经物镜照射到标本上产生的荧光再反 射给物镜观察，适于透明及非透明标本。近代荧光显微镜多属此类。
三维荧光显微与反卷积
三维荧光显微与反卷积
三维荧光显微镜是利用荧光信号实现对生物分子及细胞的三维成
像的技术。
反卷积是一种修复模糊或失真的图像的算法，可以应用于
三维荧光显微成像中。
三维荧光显微技术可以在不破坏生物样本的情况下，以高分辨率
观察和记录三维结构、分布和交互方式的生物分子和细胞内事件。
然而，由于成像系统和样本造成的光子吸收和散射等因素，荧光显微成
像中存在着像限制和模糊，这会限制成像分辨率和质量。
为了消除这
些限制，可以运用计算机反卷积算法对图像进行重建和增强。
反卷积算法利用成像系统的点扩散函数（PSF）和图像的模糊程
度来恢复图像。
PSF是描述成像系统的点源被放大后的空间响应的函数，而模糊程度则由成像系统的调制传递函数（MTF）来描述。
反卷积算法
通过将模糊影响从实际图像中的每个像素中去除，从而恢复被模糊的
细节。
通过将三维荧光显微成像与反卷积算法相结合，可以得到更清晰、更准确和更高分辨率的三维图像，这对于生物学和医学研究有着重要
意义。
三维荧光显微与反卷积
三维荧光显微与反卷积1. 引言三维荧光显微与反卷积技术是一种在生物医学领域中广泛应用的高级显微成像技术。
它通过结合荧光显微镜和图像处理算法，能够实现对三维生物样本的高分辨率成像和重建。
本文将对三维荧光显微与反卷积技术进行深入研究，探讨其原理、应用以及未来的发展方向。
2. 三维荧光显微原理2.1 荧光显微镜荧光显微镜是一种能够通过激发样本中的特定分子发射荧光信号来实现成像的仪器。
它通过激发样本中的特定分子使其处于激发态，然后检测其发射出的荧光信号。
相比于传统的透射式显微镜，荧光显微镜具有更高的灵敏度和分辨率。
2.2 三维成像传统的二维成像只能提供样本表面或者某个特定深度处信息，而无法获取整个样本内部结构信息。
而在生物医学研究中，我们往往需要对样本的三维结构进行观察和分析。
三维荧光显微技术通过对样本进行多次成像，然后通过图像处理算法将这些成像结果叠加起来，从而实现对样本的三维成像。
3. 三维荧光显微与反卷积技术3.1 反卷积原理反卷积是一种图像处理算法，它可以将模糊图像恢复为原始清晰图像。
在三维荧光显微中，由于光学系统的限制和样本的散射等因素，得到的成像结果往往是模糊的。
反卷积技术可以通过数学算法将这些模糊图像恢复为清晰的原始图像。
3.2 三维反卷积在二维反卷积中，我们可以利用二维傅里叶变换来实现。
然而，在三维荧光显微中需要处理的是三维数据，因此需要将二维傅里叶变换扩展到三维空间。
通过对样本进行多次成像，并利用数学算法将这些成像结果进行叠加和处理，可以得到清晰的三维结构信息。
4. 三维荧光显微与反卷积的应用4.1 细胞成像三维荧光显微与反卷积技术在细胞成像领域有着广泛的应用。
通过对细胞内部的分子进行标记，可以观察到细胞内部的结构和功能。
三维荧光显微与反卷积技术可以提供高分辨率的细胞成像，帮助研究人员更好地理解和研究生物学过程。
4.2 神经科学研究在神经科学研究中，三维荧光显微与反卷积技术可以帮助研究人员观察和分析神经元的结构和连接方式。
高光谱图像混合像元解混技术研究
高光谱图像混合像元解混技术研究高光谱图像混合像元解混技术研究随着高光谱遥感技术不断发展,高光谱图像具有显著特点:光谱分辨高,图谱合一,并广泛应用到各个领域。
但遥感技术向定量化方向进一步发展的主要障碍是广泛存在着混合像元。
为了突破遥感图像空间分辨率低的障碍与地物具有复杂多样性的影响,多种类型的地物常包含于独立的单个像元中,要在亚像元级别的精度上得到混合像元的真实属性信息,提高图像分类精度。
在高光谱图像中,关键问题之一是如何有效地对混合像元进行分解已经得到了广泛关注,并一直进行着深入地研究。
本文首先对其所研究内的相关技术及应用进行了叙述,并阐述了高光谱解混的研究现状,混合像元分解存在的问题,如解混效果不理想,算法的目标函数收敛速度慢,图像分类不精确,耗时多等。
针对以上问题,本文在NMF算法的基础上,提出了3种混合像元分解算法:(1)基于图正则和稀疏约束半监督NMF的混合像元分解算法。
该算法加入了拉普拉斯图正则化约束和部分样本的类别信息,并对丰度矩阵施加稀疏约束,最后融合到同一目标函数中,能够改善解混效果;(2)基于图正则和稀疏约束的INMF高光谱解混。
该算法将稀疏非负矩阵分解与增量型学习相结合,既能降低平均运行时间又能提高图像分类精度;(3)基于双图正则的半监督NMF混合像元解混。
该算法不仅考虑了高光谱数据流形与特征流形的几何结构,还将已知的标签类别信息施加于非负矩阵分解中,极大加快了目标函数的收敛速度,改善效果得到进一步提高,耗时少。
本文分别对提出的3种算法在真实遥感数据集上进行仿真实验,在解混性能评价指标均方根误差和光谱角度距离上与NMF和改进的NMF算法作比较,实验结果表明本文提出的3种算法解混可靠性和有效性高。
最后,对3种解混算法进行比较,得到基于双图正则的半监督NMF 混合像元解混算法耗时最少,解混效果最优。
高光谱图像分析与处理算法研究
高光谱图像分析与处理算法研究随着科技的不断发展，高光谱图像技术已经成为一种十分流行的图像分析技术。
高光谱图像是一种由各种颜色光线组成的图像，它能够提供更全面、更准确的信息。
与传统的彩色图像相比，高光谱图像可以提供更多的细节信息，这使得高光谱图像处理成为了一种十分重要的技术。
高光谱图像处理的具体方法包括预处理、特征提取、图像分割等步骤。
其中，预处理包括噪声去除、校正、平滑等过程。
特征提取则是将高光谱图像转化为有用信息的关键步骤。
图像分割则是将整个图像划分为不同区域，以利于深入研究。
在进行高光谱图像处理时，不同的算法会产生不同的结果，这也使得高光谱图像处理算法的研究变得十分重要。
在高光谱图像处理算法的研究中，常用的算法有如下几种：1. PCA算法PCA算法是目前应用最广泛的高光谱图像处理算法之一。
这种算法可以对高光谱图像进行降维处理，压缩数据量，同时保留图像关键信息，从而提高数据处理效率。
PCA算法在图像分类、目标检测和识别中表现出了优异的性能。
2. SVM算法SVM算法是一种基于统计学习理论的分类方法，它在高光谱图像分类中表现出了很好的效果。
SVM算法能够准确判断图像中的目标区域和背景区域，而且对于混杂的数据，它也能够表现出强大的识别能力。
SVM算法还可以实现非线性分类，这也是其受欢迎的原因之一。
3. Entropy算法Entropy算法是一种在高光谱图像分割中常用的算法。
它将图像分割为熵值相似的小块，以更好地描述不同区域的特征。
Entropy算法在研究高光谱图像时可以获得更具有启发性的结论，其分割效果也十分优秀。
4. 无监督聚类算法无监督聚类算法是基于数据相似度的一种分类方法，它不需要事先标记不同类别的数据点，因此可以更快地对高光谱图像进行分类。
这种算法对于细微的特征差异也能表现出较高的敏感度。
总之，高光谱图像的分析和处理是一个十分重要的研究领域。
在这个领域中，很多研究人员都在不断地开发新的算法。
基于图像处理算法优化荧光显微镜高分辨成像
基于图像处理算法优化荧光显微镜高分辨成像荧光显微镜是一种常用的显微镜技术，可以通过标记样本中的特定分子或细胞结构来观察和研究生物体的细节。
然而，由于光学系统的限制，荧光显微镜的分辨率受到一定的限制。
为了克服这一限制，并实现更高的分辨率成像，图像处理算法被应用于荧光显微镜中，以优化成像效果。
一种常用的图像处理算法是去卷积算法。
去卷积是将模糊图像恢复到原始清晰图像的过程。
在荧光显微镜中，图像模糊主要是由于光的衍射和样本的散射引起的。
去卷积算法通过数学方法，将模糊图像还原为更清晰的图像。
这种算法可以大大提高荧光显微镜的分辨率，使得细胞和分子结构可见。
另一种常用的图像处理算法是降噪算法。
由于荧光显微镜中的光信号相对较弱，常常会受到噪声的干扰。
降噪算法可以通过滤波技术，减少图像中的噪声，提高图像质量。
常用的降噪算法包括中值滤波、高斯滤波和小波滤波等。
这些算法可以帮助研究者更清晰地观察样本中的细节结构。
此外，图像增强算法也常用于荧光显微镜的高分辨成像。
通过调整图像的亮度、对比度和色彩饱和度等参数，可以提高图像的视觉效果，使细胞和分子结构更加鲜明和清晰。
图像增强算法在荧光显微镜成像的后处理中起到重要的作用。
除了这些常用的图像处理算法，近年来还出现了一些基于深度学习的算法，用于荧光显微镜图像的分析和重建。
这些算法利用神经网络的强大模式识别能力，可以自动检测和分析图像中的细胞和分子结构，大大提高了研究者的工作效率和成果质量。
在基于图像处理算法优化荧光显微镜高分辨成像的研究中，还有一些其他的挑战需要克服。
例如，荧光显微镜图像中的球差问题会导致图像失真和模糊。
为了解决这个问题，可以利用球差校正技术进行修正。
此外，由于荧光显微镜成像的局限性，对于复杂样本的高分辨成像仍然存在一定的难度。
因此，还需要进一步研究和改进图像处理算法，以实现更高质量的荧光显微镜成像。
综上所述，基于图像处理算法优化荧光显微镜高分辨成像是一项具有挑战性的研究任务。
基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法[发明专利]
![基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法[发明专利]](https://img.taocdn.com/s3/m/d52a3fc52af90242a995e508.png)
专利名称：基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
专利类型：发明专利
发明人：刘治,邱清晨,肖晓燕,曹丽君,朱耀文
申请号：CN201610427555.3
申请日：20160614
公开号：CN106097355A
公开日：
20161109
专利内容由知识产权出版社提供
摘要：本发明公开了基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，包括以下步骤：对获得的胃肠道组织高光谱训练图像的光谱维进行降维去噪；构造卷积神经网络结构；采用分批处理方法，将得到的高光谱数据主成分，即若干个二维灰度图像作为输入图像输入构造好的卷积神经网络结构，相当于若干张输入层的特征图，采用交叉熵函数作为损失函数，利用误差反向传播算法，根据该训练批次内的平均损失函数训练卷积神经网络中的参数以及逻辑回归层参数至网络收敛。
本发明利用主成分分析法对高光谱图像进行降维，既保留了足够的光谱信息和空间纹理信息，又大大降低了算法的复杂性，提高了算法的效率。
申请人：山东大学
地址：250061 山东省济南市历下区经十路17923号
国籍：CN
代理机构：济南圣达知识产权代理有限公司
代理人：张勇
更多信息请下载全文后查看。
一种高分辨谱方法的建议——反卷积法
一种高分辨谱方法的建议——反卷积法
吴义芳;汤俊雄;赵奕平;郑乐民
【期刊名称】《量子电子学报》
【年(卷),期】1992()1
【摘要】在经典高分辨光谱技术中,通常可用一窄带滤波器(例如F-P干涉仪)作光谱分析元件,当滤波器带宽ΔνT远小于待分辨光谱线宽时可直接分辨出光谱线型。
它的光谱分辨率取决于滤光器的通带宽度,但是ΔνT越窄,透过的光通量越小。
因此,这种方法很难用于检测弱光,尤其是带宽又窄的弱光信号。
我们提出一种新的高分辨谱方法——反卷积法。
其基本思想是用一带宽和待分辨光谱带宽相近的滤波器去替代传统的窄带滤波器,然后用反卷积方法复原出光谱线型。
【总页数】2页(P34-35)
【关键词】反卷积法;谱方法;高分辨;光谱线型;无线电电子学;窄带滤波器;Rayleigh 散射;反卷积算法;光谱分辨率;谱分析
【作者】吴义芳;汤俊雄;赵奕平;郑乐民
【作者单位】北京大学无线电电子学系
【正文语种】中文
【中图分类】TN201-55
【相关文献】
1.微分消卷积法提高重迭谱图的分辨率 [J], 方建兴;吴茂成;王定兴
2.一种用于判断高分辨γ能谱同一性的新方法——向量夹角法 [J], 任立学;刘知贵;
刘素萍;胡永波;王文一
3.一种卷积差法提高谱分辨率的计算机分析 [J], 徐家康;王东生
4.一种多尺度稀疏卷积的高分辨率遥感图像变化检测方法 [J], 胡蕾;江宇;李进;张永梅
5.一种多尺度三维卷积的视频超分辨率方法 [J], 詹克羽;孙岳;李颖
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。
进一步的，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。
进一步的，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。
进一步的，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，通过拉普拉斯边检测器将Huber函数作用于丰度向量的二阶导数上，小于时，对运用L2范数，L2范数作用于丰度向量，使得成本函数有利于二阶导数图像的平滑性；大于时，对运用L1范数，L1范数作用于丰度向量，使得成本函数有利于二阶导数图像的简约性即分段。
进一步的，所述拉普拉斯边检测器为一个循坏-块-循环矩阵，其内核为：。
进一步的，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。
进一步的，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，引入辅助变量和权重参数是解决非负问题；将一个条件性最小化问题转换为非条件性问题，引入权重参数、辅助变量和拉格朗日乘数是解决Huber问题，将L1范数问题转换为L2范数问题。
进一步的，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，将最优丰度向量按顺序重新排列为二维形式，便得到精准的丰度图像。
进一步的，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。
本技术的有益效果如下：1、本技术充分结合非负、解混、反卷积和Huber函数的性能，考虑到目标图像即丰度图像的特性，能够一次性达到解混和优化分辨率的目的，极大提高了高光谱图像解混的精确度，使得优化分辨率任务得以在各丰度上完成，大大提高了对高光谱图像的分析精细度，使得判定病变组织的精准度得以提高。
附图说明图1是本技术具体实施方式的方法流程示意图。
具体实施方式为了本技术领域的人员更好的理解本技术，下面结合附图和以下实施例对本技术作进一步详细描述。
实施例1如图1所示，本实施例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，包括：由于一张高光谱图像中每一个波长的图像可以看作是丰度和各成分光谱端元的混合，对高光谱图像进行线性解混分离出各端元，获得病变组织各个荧光蛋白的纯端元和丰度，便能分离出背景自发荧光光谱和组织的其他成分荧光光谱（如不同荧光蛋白），获得分离后亚像素组成信息，鉴定用于早期癌症检测的生物标志物，判定病变组织，因此本实施例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；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；将二维图像混合公式模型转换为一维向量模型，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；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，结构为：其中，端元矩阵已知，丰度向量为需要求解的未知数，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；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，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，拉普拉斯边检测器为一个循坏-块-循环矩阵，其内核为：；通过拉普拉斯边检测器将Huber函数作用于丰度向量的二阶导数上，小于时，对运用L2范数，L2范数作用于丰度向量，使得成本函数有利于二阶导数图像的平滑性；大于时，对运用L1范数，L1范数作用于丰度向量，使得成本函数有利于二阶导数图像的简约性即分段；本实施例运用Huber函数充分考虑了组织切片图像的特征，如细胞等图像部分需要注重像素点的分段即保留细胞边缘，其他部分则平滑即没有凸出的像素点；并且考虑到图像本身的非负性，本实施例的成本函数增加了非负条件，估计出丰度向量的最优解的方法便是寻找丰度向量的非负值使得成本函数最小化；因此，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，具体为：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，引入辅助变量和权重参数是解决非负问题；将一个条件性最小化问题转换为非条件性问题，引入权重参数、辅助变量和拉格朗日乘数是解决Huber问题，将L1范数问题转换为L2范数问题；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；其中，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；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；权重参数更新方式为线性增大；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，将最优丰度向量按顺序重新排列为二维形式，便得到精准的丰度图像，得到各成分丰度，鉴定用于早期癌症检测的生物标志物。