文摘

高光谱成像技术被证明是一种有效的方法来探索土地对象背后的有用的信息。,也可以采用生物信息提取,来源的信息可以从图像获得多次没有污染。在本文中,我们提出了一个基于背景目标探测方法自学从高光谱图像中提取生物信息。传统的非结构化目标检测器很难估计背景统计准确的全球或当地的方式。考虑到空间光谱信息,其性能可以进一步提高避免上述问题。特别设计用于从高光谱生物图像提取指纹和肿瘤区域。实验结果显示我们的方法的有效性和优越性从高光谱图像检测生物信息。

1。介绍

身体直接提取法是常用的传统方法提取生物信息附加或确保有任何异常特征信息现有体表或体内,它一定会引起伤害的信息载体。近期作品对图论及其应用程序画出伟大的关注1- - - - - -3]。有一个可靠的方法(4)获得的信息捕获图像与目标特征信息和处理的图像。一般来说,基于图像的生物特征提取方法大多是单波段全彩图像,获得目标区域形状(5- - - - - -9)通过计算图像的形状或过滤图像的增强。然而,有明显的缺陷在传统的单波段全彩色图像。单波段全彩图像的特点,将极大地改变现有的情况下不同的外部环境如光的角度和其他因素,从而增加提取的难度。随着成像光谱仪的出现,我们可以获取高光谱图像与许多乐队,连续光谱曲线,和一致的特性10]。我们可以获得更多的丰富和稳定的信息,利用高光谱技术为生物载体图像,它促进生物信息的进一步提取。至于一些特征信息的提取生物载体,它可以通过目标探测11]。近年来,许多对象提取和高光谱图像目标检测方法已经出现。最常见的方法是匹配滤波器(MF)方法(12),限制能量最小化(CEM)方法(13),自适应余弦一致性估计量(ACE)方法(14),光谱角法(山姆)15),正交的子空间投影(OSP)方法(16),等等。在这些方法中,MF和山姆不抑制背景信息的方法。杰姆,ACE和OSP方法抑制背景信息而受到影响的目标信息,导致的估计背景信息不够准确。在本文中,我们提出一个背景自学目标探测(BSLD)算法对高光谱图像,这使得目标信息提取更加突出通过抑制背景信息准确。

2。信息提取方法的背景资料自学

目标信息的提取是一个过程分离的目标区域不属预定目标的区域,也就是说,背景资料。为了得到目标信息和背景信息的区别,关键是要计算精确的背景估计信息,这直接决定了信息提取算法的性能。ACE等方法,基于非结构化背景是一种常见的高光谱图像目标提取方法。假设不感兴趣区域是均匀的,可以表示为一个多元正态分布,通过使用示例数据,我们可以估计协方差矩阵如果背景信息和先验已知目标信息(17]。凯利结构提出了广义似然比检测算法是基于非结构化背景首先,我们获得自适应余弦一致性评价ACE和自适应匹配滤波器AMF在此基础上(18]。这些方法计算的背景直接从整个图像数据协方差估计,但是这将会导致一些错误由于没有对象的信息提取。近年来,出现了许多当地的背景估计方法,它考虑的空间信息数据以改进背景信息估计的准确性。的一个常见的方法是分割图像,然后选择最接近的空间测试像素估计背景的统计数据19]。另一个常见的方法是使用一个滑动窗口,通过限制窗口区域的大小,同时,也需要引入的“内部窗口”排除信息可能不是背景。通过这种方式,不仅会在窗口和外部窗口的大小影响整个算法的效果和不同尺寸的计算,而且不规则的区域背景统计非常耗时,影响算法的执行效率。

解决上述问题,根据不同的背景光谱信息构造不同的多个正态分布模型,本文将提出一个背景自学习方法。背景像素集群根据光谱信息,和背景类型结构探测器光谱信息的基础上确定测试像素和像素点与其空间关联信息提取。基于背景自学的方法框架可以使用各种统计信息灵活和抑制背景更好,强调要提取的目标。与此同时,它将减少上述方法的计算复杂度。具体来说,背景信息的自主学习提出了本文分为以下五个步骤。

2.1。估计结束元素图像的数量

最后元素也被称为基本组成单元。每个终端元素的光谱信息可以大约代表一个类的图像信号。最小误差高光谱信号识别方法(HySime方法)被用来估计图像中结束元素的数量(20.]。HySime方法输入原始高光谱图像命名和它的自相关矩阵:

所产生的噪音估计噪声和噪声自相关矩阵计算:

然后计算原始图像中噪声的自相关矩阵信息:

通过上述公式组命名的特点 ,我们可以使用方法提出误差最小化的公式:

计算图像的子空间维数,即估计的数字最后的元素,维空间指定:

不是常数有关;和表示为

由此产生的最终数量后续的参数吗在步骤3.2——方法。

2.2。背景聚类融合

我们必须集群形象为了得到的统计信息背景相同子空间形成的背景元素。结束元素的数量获得了HySime方法在步骤3.1中,集群通过引入和背景信息——方法集群数量。假设我们有需要集中到数据点类,在这篇文章中,k - means并不详细描述:

的价值是1的时候集群;否则,它是0。在这篇文章中,详细的解决方案则不是太多;至于具体的实现方法,他们可以出现在21]。

获取集群信息后,集群的光谱信息中心被视为矢量,光谱角在集群计算和光谱角合并计算 是真的。为中心的两个集群 光谱角可以由以下公式计算:

为了避免产生病态矩阵在计算协方差矩阵的过程中,我们将与几类像素合并到最近的类在同一时间。在这个实验中,图像的乐队的数量不超过每个集群的像素的数量。上述调整后,我们可以得到我们需要的集群信息并计算每个集群在此基础上的协方差矩阵。

2.3。不包括目标类

避免nonbackground信息(目标信息)被聚集到后台类集合,我们找到最接近前面的信息类光谱特性和光谱角比较集群中心通过公式(之前的信息8)。如果 ,然后确定目标信息类,我们需要放弃类;否则,之前没有类似的类信息。跳过这个步骤。

2.4。选择最好的背景

在提取目标信息之前,我们应该首先为每个像素确定背景类。和背景类的统计数据将用于随后的目标信息提取的过程计算。有两种方法来确定每个像素的背景类,如图1。一个选择一个背景类的一个方法是基于之前的信息,选择集群中心的范畴,是最接近前光谱信息作为背景估计。当我们确定适当的背景类测试像素,如果深红色聚类中心是最接近橙色的先验信息,然后选择背景类计算协方差矩阵,以便它可以抑制报警像素太类似于以前的信息更好的区分。

另一种方法是基于测试像素,选择背景类,选择测试的类离聚类中心像素光谱信息作为背景估计。在图1最接近蓝色,绿色测试像素聚类中心,所以我们决定使用蓝色背景类计算测试像素的背景信息。像素的不同位置,不同的背景数据,后者比前者更可行。通过以上步骤,我们可以获取背景像素设置和获取后台统计协方差 。

2.5。目标信息提取

为了更准确地描述像素信息,我们还需要利用图像中像素的光谱的空间信息。这里,我们引入滑动窗口的概念,也就是说,选择当前像素为中心,描述一个正方形区域,所有像素的背景在该地区确定当前像素的信息类在一起,正如图所示2。我们应该使用合理的空间信息,避免造成的光谱波动像素和未知的信息和异常复杂的信息,所以我们可以有一个更现实的描述实际像素光谱测试的信息。传统计算方法是费时的,所以本文以平均的方法上的所有像素的窗口,窗口大小可以根据实际情况,调整的价值大小经常使用1、2、3等等,每个像素的窗口有一个指定值: 显示窗口的中心位置, ; 。

输入阈值 获取窗口的大小和重量的窗口中心元素,利用本文提出的方法完成目标信息提取过程如图3。

加权平均窗口内的像素点如下:

在获得测试像素的光谱信息和空间信息,广义似然比方法可以用来表达算法:

是测试的光谱像素像素。加权平均的结果在(10)带入(11),这是背景光谱信息,即背景类的协方差由测试像素。从上面的公式,计算每个像素和由此产生的价值是由阈值划分为目标提取我们需要的信息。

假设原始高光谱图像数据数据。

3所示。实验和分析

验证该方法的可行性和有效性本文描述两组高光谱生物图像被用于本文。我们比较BSLD方法与自适应余弦巧合(ACE),限制能量最小化方法(CEM)和匹配滤波器。

3.1。性能评价指标

摘要民国(接受者操作特征)曲线是用来评估算法的性能。中华民国曲线是一条曲线,计算正确的萃取率和误警率相应的单元坐标系。节2。5,我们获得一个决策提取每个像素值的决策算法。通过改变阈值,算法的正确的萃取率和误警率。阈值越高,越低正确的萃取率和误警率。我们希望获得一个正确的萃取率较高的较低的误警率。在理论上,曲线越突出的左上角,算法的性能越好。另一个比较方法是比较曲线下的面积(AUC) (ROC曲线下的面积);AUC值较大时,算法更好的性能(22]。

3.2。指纹信息提取的实验

指纹信息提取实验数据是一个信封当地高光谱图像与一个乐队的31个,大小为640512年。作为显示在图4乐队的灰度图像1,11日,21日和31日。从灰度的角度来看,只有第一个乐队可以清楚地识别指纹,但它也与背景信息重叠或块,这大大增强了指纹形状提取的难度。

根据提供的数据共有8694像素ROI(感兴趣的区域)23正确的指纹提取的参考价值,我们选择的像素 =实验之前的信息。实验参数,窗口大小是5。最好的实验结果可以得到当窗口中心像素的重量是3。作为显示在图5提取,指纹信息可以清楚除了墨水所覆盖的区域,和覆盖面积的墨水也可以提取部分。在图6,我们可以看到BSLD方法(红色曲线)的ROC曲线顶部的其他方法。AUC值表1也反映了这种方法最好的指纹信息提取性能。

3.3。试验研究在医学图像信息提取肿瘤区域

在肿瘤面积信息提取实验中,我们选择的数据的高光谱图像树干的一部分老鼠乐队的号码是13日,光谱分辨率为5 nm,大小是220200年。在图7乐队1和5的灰度图像和彩色图像的红、绿、蓝带。背面有银粉和积累的食品在腹部。这些数据给的样本前列腺肿瘤细胞,但不能明确识别的准确和完整的肿瘤区域的位置从乐队的形象。该地区准确提取和准确。通过该算法提取该地区准确。

作为显示在图8,不难发现前列腺区域的分布信息的后腿根上升非常明显,和肿瘤领域,很难定位显然是在原始高光谱图像中提取。虽然有一些假警报在身体的位置,在医学应用领域影响并不显著。我们需要定义一个高阈值决定获得准确的图像如果我们试图得到一个更精确的图像。根据ROI ROC曲线绘制控制数据所提供的信息,如图9。我们可以发现BSLD方法仍然是优于其他三种方法。AUC表2也略有改善,其值达到99.1%。所以我们可以得出结论,BSLD可以准确地确定肿瘤区域。

4所示。结论

在这篇文章中,一个新的高光谱图像提出了生物特征信息提取方法,可以弥补背景高光谱图像处理方法的不足,这样信息抑制背景和目标信息更容易被提取。的两组实验表明,该方法可以提取目标生物信息完全和显然,提取效果优于经典的王牌,杰姆,MF的方法。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的CRSRI研究项目(项目不开放。CKWV2016380 /肯塔基州)。