[發明專利]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

• 申請號: 201911333646.0
• 申請日: 2019-12-23
• 公開（公告）號: CN110738659A
• 公開（公告）日: 2020-01-31
• 發明（設計）人: 宋瀅瀅;代超;何帆;周振
• 申請（專利權）人: 中電健康云科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06T7/168
• 代理公司: 51230 成都弘毅天承知識產權代理有限公司
• 代理人: 許志輝

本發明公開了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，涉及醫學成像技術領域，本發明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換為一維向量模型；基于一維向量模型對待分析高光譜觀測圖像進行建模，得到端元矩陣已知的高光譜觀測圖像的觀測模型；基于Huber函數和觀測模型構建成本函數，求解使成本函數最小化的非負的最優豐度向量；將最優豐度向量還原為空間圖像，得到精準的豐度圖像，本發明結合非負、解混、反卷積和Huber函數的性能，以及豐度圖像的特性，一次性完成解混和優化分辨率，極大提高了高光譜圖像解混的精確度。

技術領域

本發明涉及醫學成像技術領域，更具體的是涉及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。

背景技術

高光譜成像可以同時獲得同一場景下的多幅不同頻譜波段范圍下的圖像。相對于傳統成像方式，高光譜圖像包含豐富的頻譜信息，廣泛應用于衛星遙感、農業地質普查、醫學成像、環境監控等領域。然而受成像傳感器技術的限制，高光譜成像獲得更豐富的頻譜信息往往是以犧牲空間分辨率作為代價。

一副高光譜圖像是含有三個維度的圖像，包含兩個空間維度和一個光譜維度，由于不同化學成分的光譜有明顯區別，因此通過對高光譜圖像的分析便可以分辨出不同成分，于是此技術被應用于醫學中用以區分正常組織和病變組織，能具體到不同生物標志物。

高光譜圖像的解混是指從高光譜圖像的混合像素中分解得到端元及豐度的過程，一般認為，端元代表圖像中存在的純物質，豐度代表某個像素中的每個端元所占的百分比。目前行業內只對高光譜圖像進行解混，分離出高光譜圖像中不同成分的光譜，但因為高光譜成像儀自身分辨率問題可能會對成像引入模糊和噪音，導致高光譜圖像的解混效果也受分辨率低的影響，只運用解混算法不足以克服成像儀自身低分辨率的缺點，導致解混結果不具有精細精確度，得到的結果不理想。

發明內容

本發明的目的在于：為了解決目前僅對高光譜圖像進行解混，不足以克服高光譜成像儀自身低分辨率的缺點，導致解混結果不具有精細精確度的問題，本發明提供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。

本發明為了實現上述目的具體采用以下技術方案：

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，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換為一維向量模型；

基于一維向量模型對待分析高光譜觀測圖像進行建模，得到端元矩陣已知的高光譜觀測圖像的觀測模型；

基于Huber函數和觀測模型構建成本函數，求解使得成本函數最小化的非負的最優豐度向量；

將求得的最優豐度向量還原為空間圖像，即可得到精準的豐度圖像。

進一步的，所述二維圖像混合公式模型結構為：

其中，豐度矩陣為：

端元矩陣為：

表示混合得到的二維矩陣，表示二維中的一個空間維度的長度，表示端元或豐度的個數，表示波長；表示大小為的單位矩陣。

進一步的，所述一維向量模型結構為：

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；表示另一個空間維度的長度，表示大小為的單位矩陣。