【技术实现步骤摘要】
本专利技术涉及医学显微高光谱图像的降维领域。具体来讲，是一种显微高光谱图像监督降维方法。
技术介绍
1、随着高光谱成像技术的发展，高光谱成像系统已成为具有广阔应用前景的医学辅助诊断工具。高光谱丰富的光谱信息有助于区分不同的生物组织，但高光谱图像具有数据量大、波段数多、波段间相关性强等特性，给高光谱图像处理带来了一系列的新问题和挑战。为了避免这种“维数灾难”问题，通常采用降维的方法对光谱维进行维数约简，以降低数据的复杂度。
2、高光谱图像降维技术主要包括特征提取和特征选择。特征提取是指通过一定的数学模型将影像数据从高维映射到低维空间，降维后的特征在一定程度上可保留尽可能多的重要信息。特征选择指的是波段选择，在原始特征空间中选择最具有可分性的光谱波段。根据训练样本是否使用类别标签，特征提取降维方法可分为三大类：无监督降维、半监督降维和监督降维。无监督降维方法利用数据变换和信号分离等方法直接对高光谱图像进行处理。半监督降维方法适用于标签样本数据较少的情况下，利用样本数据和无监督数据的信息进行降维。监督降维方法需要利用高光谱遥感数据的训练样本等先验知识，能够极大地提高图像处理的性能。
3、高光谱图像是“图谱合一”的三维数据。传统的降维方法都需要先对高光谱图像进行向量化，破坏了高光谱图像的空间结构。基于张量的降维方法能够充分利用高光谱图像的空间结构，因此基于张量的高光谱图像降维方法成为近年来的一个研究热点。tlpp是局部保留投影(locality preserving projections，lpp)在张量空间的拓
技术实现思路
1、专利技术目的：本申请的目的是针对现有基于张量降维技术的不足，提供一种显微高光谱图像监督降维方法，解决提取原始高维空间的特征不具有鲁棒性以及训练代价大的缺陷。并通过类内散射与类间散射的差，进一步提高提取特征的鉴别性。
2、技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：
3、一种显微高光谱图像监督降维方法，包括预处理模块、超像素分割模块、基于超像素块的协同表示模块、张量降维模块；
4、所述预处理模块，主要是对原始空间的数据进行光谱校正和归一化。光谱校正可以去除一部分光学系统缺陷引起的亮度不均衡。归一化是对数据进行标准化处理，使得数据分布在0-1之间。
5、所述超像素分割模块，用于超像素标签的获取以及训练样本的重新排列。对预处理后的高光谱图像进行主成分分析(pca)，将原始空间中光谱波段降至3，然后合成假彩色图。对假彩色图进行超像素分割，获得超像素标签，并根据训练样本的超像素标签对训练样本进行重新排列。
6、所述基于超像素块的协同表示模块，用于获取基于超像素块协同表示的权重矩阵。将光谱校正和归一化处理后的数据划分成pixel-patches，然后随机划分训练集和测试集。将训练样本依据超像素标签重新排列，使得超像素标签相同的样本邻近。在每个相同超像素标签构成的样本中进行协同表示，获取基于超像素块的协同图。
7、所述张量降维模块，用于获取高维空间到低维空间的投影矩阵。引入类内散度和类间散度的差，结合基于超像素协同表示的权重矩阵对两个空间维和一个光谱维进行依次降维，获取三个方向的投影矩阵；
8、进一步的，利用投影矩阵对训练集和测试集进行降维。然后利用支持向量机验证降维后的数据优劣，并通过选择不同的超像素标签s，pixel-patches的尺寸w以及降维后的光谱维度d′确定最优的分类性能。
9、本专利技术具体的方法包括以下步骤：
10、步骤1，设高维空间r中存在数据集x∈rm×n×d，x对应的类别标签为c∈rm×n，将x进行主成分分析，将d降至3并合成假彩色图，对假彩色图进行超像素分割，获得超像素标签k∈rm×n(1≤k≤s)，s为超像素分割的类别数。
11、步骤2，将x划分为像素块xpixel-patches∈rw×w×d×n，n＝m×n。随机划分训练集根据xtr对应的超像素标签c对xtr进行重新排列
12、步骤3，根据第一目标函数计算基于超像素块的协同表示的权重矩阵z：
13、
14、第一目标函数为：
15、
16、步骤4，引入类内散射sw和类间散射sb，提高提取特征的判别性，sw和sb可表示为：
17、
18、
19、步骤5，根据权重矩阵z，类内散射sw和类间散射sb的差构造第二目标函数：
20、
21、
22、步骤6，设置降维后的数据维度为{1，1，d′}，根据步骤5求出映射矩阵uk，计算公式yi＝xi×1u1×2u2×3u3，求出低维空间中的样本数据y＝{y1，y2，...，yn}。
23、步骤7，利用支持向量机对降维后的样本进行分类，通过选择不同的s，w和d′参数值比较分类结果，获得样本分类精度的最高值。
24、本申请另一方面公开了利用上述模型进行医学显微高光谱图像降维的应用方法，具体步骤如下：
25、步骤1，对采集的医学显微高光谱图像进行简单地预处理，预处理包括：光谱校正和归一化。光谱校正可以去除一部分光学系统缺陷引起的亮度不均衡，特定波长为λ的透光率，即校正后的光谱值，定义为：
26、
27、其中，iout(λ)为包含组织样本时的透光强度，i′out(λ)为不包含组织样本时的透光强度。归一化是对数据进行标准化处理，使得数据分布在0-1之间。
28、步骤2，设医学显微高光谱图像为x∈rm×n×d，其中，m×n为高光谱图像空间尺寸，d为高光谱图像的波段数。对预处理后的医学显微高光谱图像进行主成分分析，将d降至3并合成假彩色图。对假彩色图进行超像素分割，获得超像素标签k∈rm×n(1≤k≤s)，s为超像素分割的类别数。
29、步骤3，将x划分为xpixel-patches∈rw×w×d×n，便于后续进行张量降维。然后将pixel-patches随机划分训练集和测试集，并根据训练集的超像素标签c对训练集进行重新排列；
30、步骤4，根据第一目标函数求解训练样本空间中基于超像素块的协同表示的权重矩阵z：
31、
32、第一目标函数为：
33、
34、步骤5，引入类内散射sw和类间散射sb的差，结合权重矩阵z，构造第二目标函数：
35、
36、
37、
38、
39、步骤6，设置降维后的数据维度为{1，1，d′}，根据步骤5求出映射矩阵uk，计本文档来自技高网...
【技术保护点】
1.一种显微高光谱图像监督降维方法，其特征在于：所述预处理模块、超像素分割模块、基于超像素块的协同表示模块、张量降维模块；
2.根据权利要求1所述的一种显微高光谱图像监督降维方法，其特征在于：所述的协同图的构建，基于超像素块而不是所有的训练集，大大提高了协同图的构建效率。与遥感图像不同的是，医学显微高光谱图像病灶分布形态各异，并且同物异谱和异物同谱出现的频次远高于遥感图像。基于超像素块的协同表示能够充分地反映数据的局部信息，且更具鲁棒性。基于超像素块的权重矩阵计算公式如下，首先根据第一目标函数构造基于超像素块的协同表示的权重矩阵Z：
3.根据权利要求3所述的一种显微高光谱图像监督降维方法，其特征在于：所述的降维方法是基于张量空间的，能够充分地利用了高光谱数据的空间结构，避免由于结构的破坏而造成的信息损失。除此以外，引入了类内散射和类间散射的差，与协同图相结合，共同参与张量降维，提供提取特征的判别性。张量降维的计算公式如下，首先引入类内散射Sw和类间散射Sb的差，结合权重矩阵Z，构造第二目标函数：
4.一种显微高光谱图像监督降维方法，其特征在于：
...【技术特征摘要】
1.一种显微高光谱图像监督降维方法，其特征在于：所述预处理模块、超像素分割模块、基于超像素块的协同表示模块、张量降维模块；
2.根据权利要求1所述的一种显微高光谱图像监督降维方法，其特征在于：所述的协同图的构建，基于超像素块而不是所有的训练集，大大提高了协同图的构建效率。与遥感图像不同的是，医学显微高光谱图像病灶分布形态各异，并且同物异谱和异物同谱出现的频次远高于遥感图像。基于超像素块的协同表示能够充分地反映数据的局部信息，且更具鲁棒性。基于超像素块的权重矩阵计算公式如下，首先根据第一目标函...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。