高清FT-IR高光谱数据下的光谱和空间去噪技术比较外文翻译资料

 2022-12-19 17:43:03

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

科学报告

高清FT-IR高光谱数据下的光谱和空间去噪技术比较

Paulina Koziol[1], Magda K. Raczkowska1,2, Justyna Skibinska1,3, Sławka Urbaniak-Wasik4, Czesława Paluszkiewicz1, Wojciech Kwiatek 1 amp; Tomasz P. Wrobel1

收到:2018年6月13日

接受:2018年9月7日

发布时间:2018年9月25日

近年来出现的高清晰度FT-IR和量子级联激光(QCL)显微镜使红外成像领域与临床时间尺度非常接近。然而，获取速度和数据质量仍然是到达临床的关键因素。如果处理得当，去噪在这两个方面都有帮助。然而，在一般的红外成像中，对去噪技术的效率缺乏直接的比较。为了在严格的框架下实现这种比较，获取信号丢失的关键信息，建立了一个受实验参数强约束的仿真数据集。利用实验结构和光谱信息以及实验噪声水平数据作为仿真输入，对空间(傅里叶变换、均值滤波、加权均值滤波、高斯滤波、中值滤波、空间小波和深度神经网络)进行直接比较，并且启用去噪方案(Savitzky-Golay，傅里叶变换，主成分分析，最小噪声部分和频谱小波)和频谱。将信噪比增益、信号失真和对调谐参数的敏感性作为比较指标，之后在仿真数据集上再次对这些技术进行比较。随后，将最佳技术应用于实验数据的验证。结果表明，采用PCA和MNF等高光谱去噪方法的降噪效果优于其他方法。一般我们不得不陈诉，在实际应用中的运算法则的发展、选择和更改是依赖于邻域和任务的，除此之外没有更好的办法了。

信号处理是一个非常丰富的领域，每年都会产生新的去噪技术。这些在本质上正变得越来越精确和适应，然而，它们中的大多数集中在摄影，医学成像和卫星图像1。在此背景下，光谱高光谱成像相对较新，针对IR2-6数据的具体结构和特点，去噪技术尚未得到充分的优化。

红外成像提供了样品的全部化学成分信息，以及特定分子(如蛋白质、DNA)构象的特定信息。这种化学对比可用于对许多疾病(如癌症、动脉粥样硬化或糖尿病)建立更精确的病理分类模型。近年来，在仪器和图像形成理论方面取得了巨大的进展，产生了新的模式，其中高清(HD)将投影像素大小推到了衍射极限采样13。获得完整的空间信息需要使用1.1micro;m投影像素大小,小于通常利用的5.5micro;m，这使得采样体积和光吞吐量减少了25倍，从而降低了信噪比(SNR)。这大大增加了采集时间，在HD FT-IR上获得合理的信噪比和去噪技术要求14。
目前的文献缺乏对一般红外成像中去噪技术的效率的直接比较——这尤其困难，因为在去除噪声时，每种方法都有扭曲原始信号的风险。由于不可能通过实验获得无噪声的数据集，因此不可能测量实际的信号失真。为了避免这个问题，并允许一个严格的框架来比较去噪效率，包括信号损失的关键信息，我们创建了一个模拟数据集，由实验参数强绑定。利用实际结构和光谱信息以及实验噪声水平数据作为仿真输入，我们可以直接比较空间降噪和光谱降噪方案。

随着红外成像从光谱领域发展起来，自然的趋势是使用标准的光谱去噪技术，如Savitzky-Golay15或Fourier-filtering16。更先进的方法是基于主成分分析(PCA)17，可以采取最小噪声分数(MNF)18,19的形式。到目前为止，除了傅里叶滤波外，红外成像中的空间去噪很少被应用16。这是由于红外成像是一种相对较高的信噪比技术，除非在有热源的HD-IR模式下使用，否则它提供的数据质量是合理的。HD-IR的出现开启了对高效去噪算法20 - 22的需求。量子级联激光显微镜23的发展使离散频率成像成为可能，这使得人们对基于有限频率(即空间去噪)的去噪技术更加感兴趣。中值滤波、均值滤波和高斯滤波是成像数据处理中常用的滤波方法，而小波滤波24则被认为是一种非常有前途的红外成像技术。最后，人工神经网络可以用于去噪25，最近在Matlab软件包中首次启用了深度神经网络(DNN)去噪方法，并将其应用于红外数据。

所有这些技术在模拟数据集比较考虑信噪比增益,信号失真,对特定的红外光谱数据结构的优化参数和影响不同的像素大小的1.1和5.5micro;m代表HD和成像标准定义选项。这里给出的结果创建了一个基准比较，并便于为任何FT-IR数据集选择去噪方法，从而减少了最终用户需要做的优化。

材料和方法

实验：我们从石蜡嵌入式串行胰腺组织得到微阵列部分, TMA Inc 的5micro;m厚部分是放在BaF2盐板为了传输红外成像。切片用24小时正己烷溶液脱蜡。FT-IR测量采用Bruker Vertex70v光谱仪，透射模式耦合Hyperion 3000显微镜，配备MCT FPA 64times;64检测器，15x和36x物镜，像素投影分别为2.7微米和1.1微米。将对应的36x图像进行5x扫描得到5.5微米的图像，作为典型的红外成像投影像元尺寸的例子。图像采集范围为3900 cm - 1至900 cm - 1，分辨率为4cm - 1。核心的一个子集，即单个64times;64像素的平铺，分别用15x和36x扫描目标，扫描2、4、8、16、32、64、128和256次。该数据用于实验噪声级(8级)估计，用于与实验扫描次数相对应的仿真。

模拟：单个胰腺癌组织核心作为模拟输入。模糊c均值聚类在1.1micro;m图像(4扫描;空像素被丢弃)与3个选择的类上执行。这些类的空间分布用于三个光谱剖面(类似于蛋白质、脂类和DNA/RNA剖面)的初始浓度剖面，每个谱带包含16个条带(1030、1080、1172、1242、1280、1342、1400、1462、1550、1650、1754、2352、2850、2920、2962、3300 cmminus;1)。每个波段模拟为高斯峰和洛伦兹峰形状的50:50%的混合物。采用5%、0、2%-1、8%和1%变异率的正态分布对每个像素点的高度、带位置和宽度分别进行随机化，模拟组分和浓度的实验变异。然后对光谱范围内的每个变量进行高斯滤波，模拟红外分辨率与光波长的关系。模拟结果表明，在一个组织核结构中有超过70万个空间排列的光谱，另外还有60万个空空间光谱。原始信号被随机基线和不同水平的乘性噪声破坏(据报道，最强烈的波段高达40%)，以模拟实验数据的不同信噪比水平。

基于表征数据质量和失真度的两个指标，对光谱去噪和空间去噪技术中各去噪方法的性能进行了评价。对于谱降噪，数据的改善用信噪比(SNR)表示，信噪比为1，信号值为1，标准差(坡度校正后)为2150-2080 cmminus;1区域(无吸收带)作为噪声测量。每个信噪比除以噪声信号的信噪比，得到信噪比增益。第二个参数—信号失真(SD)，定义为去噪后的频谱与干净(模拟)频谱之间的差值之和，但仅适用于差异大于干净信号中添加的噪声的变量，并表示为总信号%。基于图像处理中常用的峰值信噪比(pSNR)、结构相似度指数(SSIM)等参数，对空间去噪进行了研究。与信噪比相似，pSNR取输入图像与参考图像的平方最大值与均方误差(MSE)之比。由于pSNR通常是在分贝尺度上定义的，因此将其转化为线性尺度，然后除以噪声信号相应的转化后的pSNR，得到pSNR增益。SSIM索引是结构、对比度和亮度项m26的乘法组合，给出了与参考图像的相似程度。

数据处理和分类是在OPUS和Matlab软件中完成的，使用内置和家庭编写的程序。

结果与讨论

图1显示了导致一系列去噪技术的更精确比较的工作流。实验数据作为输入，用于定义图像的结构以及主要生化类(蛋白质;脂质;碳水化合物/DNA/RNA)及其光谱图谱。这允许模拟无噪声数据集，其可变性水平可与典型组织样本相比或更高。然后，在与2到256次扫描(8个不同级别)的实验值对应的级别上添加光谱乘性噪声，破坏无噪声信号。然后对该数据集进行空间去噪和光谱去噪算法，每个算法分别优化得到最佳信噪比增益vs SD(补充材料S3-S4) pSNR增益vs SSIM(补充材料S5-S8)。最后，再次将最佳方法应用于实验数据，验证其有效性。

图1

图1所示，工作流程的示意图，用于比较红外成像的去噪技术。实验红外图像用于定义数据集的结构和组成概要。然后，在系统中引入与实验2 ~ 256次扫描(8级)对应的乘性噪声。在下一步中，对噪声数据采用不同的去噪方法，分别采用频谱法和空间法，对不同的噪声水平进行优化。最后，利用频谱数据的信噪比(SNR)和信号失真(SD)指标以及相应的峰值信噪比(pSNR)和结构相似度指数(SSIM)对优化方法进行了比较。然后对实验数据再次应用最优方法来显示其实际性能。

光谱去噪：所有测试的光谱方法的信噪比增益和SD结果如图1中的第二张所示，单像素光谱如图1中第三张所示。在给定的技术条件下，对于噪声最大的数据，通常可以获得最佳的信噪比增益。最常用的光谱去噪算法是Savitzky-Golay平滑滤波器(蓝色)给最小的SD值0.5 - -1.5%的范围在一个合理的增加信噪比高清分辨率的6倍(优化参数多项式学位等于3和平滑点等于15 - 17)。初始噪声水平越高，增益越大，但损失的信号越多。

图2

图2 以信噪比增益(归一化为输入噪声数据的信噪比)和SD(以100%-SD表示)测量两种不同像素大小的光谱去噪技术的比较。测试了五种方法:Savitzky-Golay (SG)，傅里叶变换(FT)，主成分分析(PCA)，最小噪声分数(MNF)和频谱小波(小波)。点的大小对应于初始噪声水平，从最大的点(2次扫描)的最高噪声开始，一直到最小的点(256次扫描)。在补充材料中给出了每种方法的最优参数和噪声水平。

图3

图3 在高清图像和标准定义模式(红色噪声频谱和蓝色噪声频谱)的2次扫描中，单个像素去噪的频谱结果与去噪结果的比较。

如果用户对高SD(补充材料S3-S4)感到满意，那么增加的SD值可能会更高，SD值几乎是线性的(补充材料S3-S4)。下一种方法，傅里叶变换，显示了一个增加的信噪比增益行为在略高的成本SD。缺点是，它对给定噪声水平(补充材料S3-S4)具有定义良好的最大值的优化参数更敏感。小波去噪也是基于傅里叶滤波器，不同的形状(族)可以用不同的硬度，导致450种组合进行了测试(补充材料表1和表2)。皮尔森相关系数是用来支持最好的选择集。后者表现好于Savitzky-Golay和傅里叶变换的信噪比增益与SD值8 - 10在相当层面,然而,需要显著的优化和选择最好的是有些武断。到目前为止所讨论的方法都是在单一光谱水平上工作的，而接下来的两种方法则利用了数据的多变量特性，同时使用具有数千个光谱的整个数据立方体。PCA去噪是对整个数据集进行一次矩阵分解，而MNF在进行与PCA相同的矩阵分解之前，还有一个额外的去噪步骤。这个额外的步骤提供了一个噪声结构的估计，并有助于在降低信噪比的空间秩序的新方向。对于HD数据，PCA和MNF的信噪比增益都是其他方法的60到240倍，但是，这是以SD值在3-12%范围内更大为代价的。此外，最佳参数的选择并不明显，因为使用PCA或MNF波段越多，用于重建的信号损失越小，但信噪比增益下降(补充材料S3-S4)。

图4

图4 MNF中移位差统计量的计算实例。5相邻像素的光谱及其差异1.1micro;m和5.5micro;m同一地区的形象。

标准定义的情况下成像在5.5micro;m非常相似,然而,开始噪音水平已经在HD和信噪比小于收益也小。与HD相比，Savitzky-Golay、傅立叶变换和小波具有更小的信噪比增益，但在更小的SD值中得到了补偿。PCA的表现方式与HD类似，但是MNF的SD值要高得多，几乎保持在10%左右，而不考虑噪声水平。这有点令人惊讶，但可以通过分析获得噪声估计的方法来理解。最常用的是移位差分统计，它计算相邻像素之间的差值，假设唯一的差值是噪声。计算结果及这种效应如图5中第四张所示。

图5

图5 空间的对比去噪技术以pSNR增益(pSNR输入数据的归一化)和SSIM两个不同的像素大小代表高清标准定义图像的放大和两个光谱波段3300厘米minus;1和1650厘米minus;1,对应3和6micro;m波长。采用傅里叶变换(FT)、均值滤波(Mean Filter)、高斯滤波(Gauss Filter)、中值滤波(mid Filter)、加权平均(W. Mean)、空间小波(spatial小波)和深度神经网络(Deep Neural Networks, DNN)等7种方法进行了实验。点的大小对应于初始噪声水平，从最大的点(2次扫描)的最高噪声开始，一直到最小的点(256次扫描)。在补充材料中给出了每种方法的最优参数和噪声水平。

相邻像素之间的差异表明，在两

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19805]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章