[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

说明书

本发明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，本发明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，本发明结合非负、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。

技术领域

本发明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。

发明内容

本发明的目的在于：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，本发明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。

本发明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。