基于二阶广义全变差的光声显微镜高分辨率图像重构方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，具体涉及一种基于二阶广义全变差的光声显微镜 高分辨率图像重构方法。
【背景技术】
[0002] 光声显微镜成像技术（Photoacoustic Microscopy，PAM)由于其能够对深层组织 进行高分辨率成像而备受关注，并被用于很多生物医学研究，如癌症的分子成像和功能成 像。
[0003] 目前的光声显微镜成像技术一般是对成像区域逐点扫描实现的。对于光学分辨 率显微镜成像技术（Optical-Resolution Photoacoustic Microscopy，0R-PAM)，要想提 高横向分辨率，就需要增加光学数值孔径，但相应的成像深度也会减小，并且对硬件的要 求也会提升。对于声学分辨率显微镜成像技术（Acoustical-Resolution Photoacoustic Microscopy，AR-PAM)，高成像分辨率取决于更高性能的超声换能器。
[0004] 已有的一些技术手段大多是通过改进成像系统或成像方法来提高成像分辨率，但 都会增加系统的成本。
【发明内容】
[0005] 本发明的目的是如何在不增加系统成本的同时提高成像分辨率。
[0006] 为此目的，本发明提出基于二阶广义全变差的光声显微镜高分辨率图像重构方 法，包括：
[0007] S1、获取光声显微镜低分辨率图像；
[0008] S2、对所述光声显微镜低分辨率图像进行插值处理，得到插值图像；
[0009] S3、基于二阶广义全变差，确定优化所述插值图像的优化模型；
[0010] S4、基于所述优化模型，采用凸优化算法，重构出光声显微镜高分辨率图像。
[0011] 可选的，所述S2,包括：
[0012] 利用双三次插值法对所述光声显微镜低分辨率图像进行插值，得到插值图像。
[0013] 可选的，在所述S3中，优化模型为：
[0016] 其中，I' H为所述插值图像，α。，α λ为预设常数，Pl，p2均为MXN维矩阵且初 始化为零矩阵，其中，Μ，Ν根据I' Η的维数确定；
[0017] 其中，Ih的初始值为所述I' Η，且 CN 105118038 A 说明书 2/8 页
[0022] 可选的，所述S4,包括：
[0023] S41、基于所述优化模型，确定凸优化算法的收敛条件；
[0024] S42、基于凸优化算法，更新所述插值图像；
[0025] S43、判断更新后的插值图像是否满足所述收敛条件，若满足，则执行S44 ;
[0026] S44、将所述更新后的插值图像作为所述光声显微镜高分辨率图像。
[0027] 可选的，在所述S43中，若不满足，则执行所述S45 :
[0028] S45、基于凸优化算法，更新所述更新后的插值图像。
[0029] 可选的，所述S41，包括：
[0030] S411、将If -转换为一维向量；其中，所述为第t次迭代得到的插值图 像，所述为第t+Ι次迭代得到的插值图像；
[0031] S412、获取所述S411得到的一维向量的2范数值；
[0032] S413、确定凸优化算法的收敛条件为：所述2范数值小于等于tol或者t彡T，其 中，tol为预设的迭代停止判别值，T为预设的最大迭代次数，t为迭代次数。
[0033] 相比于现有技术，本发明通过利用二阶广义全变差作为约束项结合优化算法从一 幅低分辨率的光声显微镜图像重构出高分辨率的光声显微镜图像，使图像的细节更清晰。 本发明通过对已有的低分辨率光声显微镜图像利用图像处理手段进行离线的高分辨率图 像重构，从而不需要增加任何的系统成本就能得到高分辨率图像。
【附图说明】
[0034]图1为本发明实施例提供的一种基于二阶广义全变差的光声显微镜高分辨率图 像重构方法流程图。
【具体实施方式】
[0035] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明 一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有 做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036] 如图1所不，本实施例公开一种基于二阶广义全变差的光声显微镜高分辨率图像 重构方法，包括：
[0037] S1、获取光声显微镜低分辨率图像；
[0038] S2、对所述光声显微镜低分辨率图像进行插值处理，得到插值图像；
[0039] S3、基于二阶广义全变差，确定优化所述插值图像的优化模型；
[0040] S4、基于所述优化模型，采用凸优化算法，重构出光声显微镜高分辨率图像。
[0041] 可选的，所述S2,包括：
[0042] 利用双三次插值法对所述光声显微镜低分辨率图像进行插值，得到插值图像。
[0043] 可选的，在所述S3中，优化模型为：
[0046] 其中，I' H为所述插值图像，α。，Ci1, λ为预设常数，Pl，p2均为MXN维矩阵且初 始化为零矩阵，其中，M，N根据I' H的维数确定；
[0047] 其中，Ih的初始值为所述I' H，且
[0052] 可选的，所述S4,包括：
[0053] S41、基于所述优化模型，确定凸优化算法的收敛条件；
[0054] S42、基于凸优化算法，更新所述插值图像；
[0055] S43、判断更新后的插值图像是否满足所述收敛条件，若满足，则执行S44 ;
[0056] S44、将所述更新后的插值图像作为所述光声显微镜高分辨率图像。
[0057] 可选的，在所述S43中，若不满足，则执行所述S45 :
[0058] S45、基于凸优化算法，更新所述更新后的插值图像。
[0059] 可选的，所述S41，包括：
[0060] S411、将Ι?-IiU转换为一维向量；其中，所述为第t次迭代得到的插值图 像，所述1^+1)为第t+ι次迭代得到的插值图像；
[0061] S412、获取所述S411得到的一维向量的2范数值；
[0062] S413、确定凸优化算法的收敛条件为：所述2范数值小于等于tol或者t彡T，其 中，tol为预设的迭代停止判别值，T为预设的最大迭代次数，t为迭代次数。
[0063] 具体地，上述方法包括步骤一至步骤九：
[0064] 步骤一：利用双三次插值将输入的低分辨率光声显微镜图像I e Rwxh插值成一 幅高维度的插值图像I' H，设插值倍数为k，则.ΓΗ/ε :，其中M = km, N = kn ;
[0065] 步骤二：初始化变量以及选取参数；
[0066] 步骤 21:
[0067] 初始化
.这些变量都是维数为MXN的矩阵。
[0068] 步骤22 :设定以下参数的值，δ，α。，α τ，λ，最大迭代次数T，迭代停止判别值 tol 〇
[0069] 步骤三：更新P1, P2的值；
[0070] 步骤 31:
[0071 ] 计算?〗"的水平梯度和垂直梯度。
[0072] 水平梯度：
A1T^的最 后一行为0。
[0074] 垂直梯度：
的最后一列为0。
[0076]步骤 32 :
[0077] 分别计算中间变量A和:
[0079] 步骤33 :更新P1, ρ2的值。
[0080] 计算权值：
，其中max代表取最大值，代表两个矩阵的对应元素相 除。
[0082] 步骤四：更新q2, q3的值；
[0083] 步骤 41 :
[0084] 计算的水平梯度和垂直梯度，计算方法与步骤31中计算的水平梯度 和垂直梯度相同，得到，Δ2<),碑),。
[0085] 步骤 42 :
[0086] 分别计算中间值虿、f2及务:：
[0092]其中，i = 1，· · ·，M, j = 1，· ·