[发明专利]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

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。

4.根据权利要求3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。

9.根据权利要求8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，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。