[發(fā)明專利]一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911333646.0
• 申請(qǐng)日: 2019-12-23
• 公開（公告）號(hào): CN110738659A
• 公開（公告）日: 2020-01-31
• 發(fā)明（設(shè)計(jì)）人: 宋瀅瀅;代超;何帆;周振
• 申請(qǐng)（專利權(quán)）人: 中電健康云科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/13;G06T7/168
• 代理公司: 51230 成都弘毅天承知識(shí)產(chǎn)權(quán)代理有限公司
• 代理人: 許志輝

1.一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，包括：

建立豐度矩陣和端元矩陣，將3D高光譜原圖展平為二維圖像，基于豐度矩陣和端元矩陣建立二維圖像混合公式模型；

將二維圖像混合公式模型轉(zhuǎn)換為一維向量模型；

基于一維向量模型對(duì)待分析高光譜觀測(cè)圖像進(jìn)行建模，得到端元矩陣已知的高光譜觀測(cè)圖像的觀測(cè)模型；

基于Huber函數(shù)和觀測(cè)模型構(gòu)建成本函數(shù)，求解使得成本函數(shù)最小化的非負(fù)的最優(yōu)豐度向量；

將求得的最優(yōu)豐度向量還原為空間圖像，即可得到精準(zhǔn)的豐度圖像。

2.根據(jù)權(quán)利要求1所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，所述二維圖像混合公式模型結(jié)構(gòu)為：

其中，豐度矩陣為：

端元矩陣為：

表示混合得到的二維矩陣，表示二維中的一個(gè)空間維度的長(zhǎng)度，表示端元或豐度的個(gè)數(shù)，表示波長(zhǎng)；表示大小為的單位矩陣。

3.根據(jù)權(quán)利要求2所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，所述一維向量模型結(jié)構(gòu)為：

其中，表示的一維向量，表示豐度矩陣的一維向量，即豐度向量；表示另一個(gè)空間維度的長(zhǎng)度，表示大小為的單位矩陣。

4.根據(jù)權(quán)利要求3所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，所述高光譜觀測(cè)圖像的觀測(cè)模型結(jié)構(gòu)為：

其中，表示待分析高光譜觀測(cè)圖像，表示大小為的卷積核，表示噪音干擾。

5.根據(jù)權(quán)利要求4所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，所述成本函數(shù)的結(jié)構(gòu)為：

其中，表示擬合成本，表示Huber函數(shù)，表示權(quán)重參數(shù)，表示向量的第個(gè)元素，表示大小為的單位矩陣，表示端元或豐度的個(gè)數(shù)，表示大小為的拉普拉斯邊檢測(cè)器，為預(yù)設(shè)的超參數(shù)。

6.根據(jù)權(quán)利要求5所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，所述拉普拉斯邊檢測(cè)器為一個(gè)循壞-塊-循環(huán)矩陣，其內(nèi)核為：。

7.根據(jù)權(quán)利要求5所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，基于迭代交替方向乘子算法ADMM對(duì)使得成本函數(shù)最小化的非負(fù)的豐度向量進(jìn)行求解。

8.根據(jù)權(quán)利要求7所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，將求解使得成本函數(shù)最小化的非負(fù)的豐度向量表示為，基于迭代交替方向乘子算法ADMM則得到計(jì)算式：

其中，均為輔助變量，且表示拉格朗日乘數(shù)，均為權(quán)重參數(shù)。

9.根據(jù)權(quán)利要求8所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，運(yùn)用內(nèi)循環(huán)和外循環(huán)對(duì)所述計(jì)算式進(jìn)行求解，其中表示預(yù)設(shè)的循環(huán)次數(shù)，具體為：

內(nèi)循環(huán)過程：

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）更新權(quán)重參數(shù)，令，進(jìn)行下一輪迭代，直至達(dá)到循環(huán)次數(shù)，完成一次內(nèi)循環(huán)迭代；

外循環(huán)過程：

a）當(dāng)內(nèi)循環(huán)完成一次迭代后，在外循環(huán)中更新權(quán)重參數(shù)；

b）計(jì)算與之間的差值，若該差值大于設(shè)定的閾值，則重新進(jìn)入內(nèi)循環(huán)，直至該差值小于設(shè)定的閾值，得到的即為最優(yōu)豐度向量。

10.根據(jù)權(quán)利要求9所述的一種基于反卷積和解混的顯微熒光高光譜圖像的分析方法，其特征在于，所述4）中權(quán)重參數(shù)的更新方式有兩種，一種為線性增大，另一種為固定不變；所述a）中權(quán)重參數(shù)的更新方式為線性增大。