MATLAB环境下基于超高斯全自动组织学图像的盲彩色反卷积方法

图像盲反卷积问题仅根据模糊图像估计清晰图像和模糊核,也是一个欠定问题且求解更加困难。但图像盲反卷积算法更实际,因为许多情况下,模糊核都是未知或部分已知的。求解盲反卷积问题需要为未知量选择适当的先验模型,以得到清晰图像和模糊核的确定解。

图像盲反卷积算法的发展可以追溯到上世纪70年代中期。此后,图像盲反卷积算法在专用领域缓慢发展。近十年来,图像盲反卷积算法的研究兴起。变分贝叶斯推理受到广泛关注,给盲反卷积算法性能带来重要飞跃。研究者们引入多种先验模型,结合VB推理,使得盲复原算法通用而强大。超高斯是最受欢迎的先验模型,具有稀疏性,包括TV模型,lp,MOG和SMG等。有研究人员根据自然图像梯度的统计特征呈现重尾分布,采用稀疏图像先验模型,即混合高斯模型,结合变分贝叶斯推理估计模糊核,再通过RL非盲反卷积算法复原图像;有研究人员提出了基于VB推理和超高斯稀疏图像先验模型的盲反卷积算法,给出了这类盲反卷积算法估计清晰图像和模糊核的一般程序;有研究人员将TV先验模型做近似,使其适应VB推理架构,得到了优于非TV先验模型方法的复原效果。学生t-分布,本质上是高斯尺度混合的一种,可以表示成有限数目的高斯分布的叠加,其中高斯分布的精度服从伽马分布,这样的性质使得基于VB推理的盲反卷积问题更简单。

鉴于图像盲反卷积方法的优势,提出一种基于超高斯全自动组织学图像的盲彩色反卷积方法,算法运行环境为MATLAB R2018A,压缩包=数据+代码+参考文献。部分代码如下:

复制代码
clc,clear all
I = imread('histWB.jpg');
% In this example we will be using Landini reference vectors (default). 
% It is strongly recommended to update the reference matrix according to the images you are working with.
% The reference should be representative of the tissue/ stain center/ scanner 
load 'MLandini' RM;
[m,n,nc] = size(I);
subplot(241),imshow(I)
title('Original H&E Image')
%% Deconvolution
ns=2; %number of stains
p=1; %prior parameter
prior= 'lp' %'lp' or 'log'
filtersetname='fo'; %high pass filters ('none', 'fohv', 'fo') 

%% Band visualization (OD space)

ns = size(M,2)
concentrations = reshape(CT',m,n,ns);

%figure()
subplot(242),imshow(concentrations(:,:,1))
title('OD H Band')
subplot(246),imshow(concentrations(:,:,2))
title('OD E Band')


%% Band reconstruction (RGB space)
Hrec_OD = reshape((M(:,1)*CT(1,:))',m,n,nc);
Hrec_RGB = OD2intensities(Hrec_OD);

Erec_OD = reshape((M(:,2)*CT(2,:))',m,n,nc);
Erec_RGB = OD2intensities(Erec_OD);

%figure()
subplot(243),imshow(Hrec_RGB)
title('RGB H Band')
subplot(247),imshow(Erec_RGB)
title('RGB E Band')

%% Image Normalization

出图如下:

工学博士,担任《Mechanical System and Signal Processing》审稿专家,担任
《中国电机工程学报》优秀审稿专家,《控制与决策》,《系统工程与电子技术》,《电力系统保护与控制》,《宇航学报》等EI期刊审稿专家。

擅长领域:现代信号处理,机器学习,深度学习,数字孪生,时间序列分析,设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。

相关推荐
尝试经历体验4 分钟前
pycharm突然不能正常运行
python·深度学习·pycharm
大千AI助手19 分钟前
灾难性遗忘:神经网络持续学习的核心挑战与解决方案
人工智能·深度学习·神经网络·大模型·llm·持续学习·灾难性遗忘
gotouniverse20 分钟前
之前自学RAG时做的调研
人工智能
新智元27 分钟前
刚刚,英伟达祭出下一代 GPU!狂飙百万 token 巨兽,投 1 亿爆赚 50 亿
人工智能·openai
霍格沃兹_测试36 分钟前
从零开始搭建Qwen智能体:新手也能轻松上手指南
人工智能
SmartJavaAI1 小时前
Java调用Whisper和Vosk语音识别(ASR)模型,实现高效实时语音识别(附源码)
java·人工智能·whisper·语音识别
七元权1 小时前
论文阅读-SelectiveStereo
论文阅读·深度学习·双目深度估计·selectivestereo
山东小木1 小时前
JBoltAI需求分析大师:基于SpringBoot的大模型智能需求文档生成解决方案
人工智能·spring boot·后端·需求分析·jboltai·javaai·aigs
君名余曰正则1 小时前
【竞赛系列】机器学习实操项目08——全球城市计算AI挑战赛(数据可视化分析)
人工智能·机器学习·信息可视化
算家计算1 小时前
一张图+一段音频=电影级视频!阿里Wan2.2-S2V-14B本地部署教程:实现丝滑口型同步
人工智能·开源·aigc