CN103778650A - 主成分分析相位恢复算法 - Google Patents
主成分分析相位恢复算法 Download PDFInfo
- Publication number
- CN103778650A CN103778650A CN201310508080.7A CN201310508080A CN103778650A CN 103778650 A CN103778650 A CN 103778650A CN 201310508080 A CN201310508080 A CN 201310508080A CN 103778650 A CN103778650 A CN 103778650A
- Authority
- CN
- China
- Prior art keywords
- matrix
- phase
- algorithm
- covariance matrix
- principal component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开了一种主成分分析相位恢复算法,包括重组干涉图、获得背景分量mx、计算协方差矩阵C、计算对角化协方差矩阵U、得到主成分分量y、通过反正切函数求解相位6个步骤。该算法使用多张干涉图恢复出生物样品的定量相位,并且是一种时域处理方法,仅需要使用矩阵运算便可以得到定量相位分布,并且该算法需要的计算时间少于多数频率域算法,能够适应大数据量图像处理等需求。
Description
技术领域
本发明涉及一种算法,特别是涉及一种主分成分析相位恢复算法。
背景技术
基于正则化光学流场算法的定量相位流式细胞仪,使用的正则化光学流场算法的特点是仅需要两张干涉图便可以得到生物样品的定量相位分布,该算法提供了一种准实时测量观察生物细胞动态的方法和手段。然而该方法还是有一定的缺点。首先,该方法只使用两张移相干涉图,从其中的信息中可以获得定量的相位信息,然而,这些信息量不足以对噪声等外部影响起到足够的抑制作用。其次,使用三维精密微移平台操纵细胞样品在视场中进行运动时,其在视场中运动的过程中,使用CCD摄像机能够得到十数张干涉图。由于使用三维精密微移平台,导致细胞并不会有大范围的运动,因此,很多图像因此冗余,对最后的数据处理和分析体现的作用不大。最后,该方法还是必须使用频域处理的方法才能够得到最后的定量相位分布,频率域的处理往往会带来频率泄露,振铃效应等不良影响。
发明内容
本发明所要解决的技术问题是,克服现有技术的缺点,提供一种属于时域处理,且仅需要使用矩阵运算便可以得到定量相位分布的算法。为了解决以上技术问题,本发明提供一种主分成分析相位恢复算法,包括以下步骤:
步骤1重组干涉图:将每一张移相干涉图重组成行向量,然后将这N张移相干涉图的行向量按照列组合组成如下的x矩阵:x=[x1,x2,...,xN]T,其中每一行都是每一张移相干涉图重组得到的一维数据,其长度为M=Nx×Ny,Nx和Ny分别为移相干涉图x轴与y轴所占的像素点数,T代表为矩阵的转置,因此矩阵x为一N×M的矩阵;
步骤2获得背景分量mx:矩阵mx具有和矩阵x同样的维度,而矩阵mx中所有元素的值均一致,其是矩阵x中所有元素的平均值;
步骤3计算协方差矩阵C:从矩阵x得到协方差矩阵C:C=(x-mx)(x-mx)T;
步骤4计算对角化协方差矩阵U:由于协方差矩阵C是一实对称N×N矩阵,因此该协方差矩阵可以如下式实现对角化:D=UCUT,矩阵D为对角化协方差矩阵而矩阵U是一个正交变换的矩阵,其大小为都为N×N;
步骤5得到主成分分量y:主成分便可以由矩阵D,矩阵x和矩阵mx得到:y=U(x-mx),其中,矩阵y的第一列和第二列便分别代表了主成分的正交特征值,其分别为Ic和Is;
步骤6通过反正切函数求解相位:Φ=arctan(Is/Ic)。
本发明的有益效果是:该算法使用多张干涉图恢复出生物样品的定量相位,并且是一种时域处理方法,仅需要使用矩阵运算便可以得到定量相位分布,并且该算法需要的计算时间还少于多数频率域算法,能够适应大数据量图像处理等需求。
具体实施方式
实施例1
本实施例提供了一种主分成分析相位恢复算法,包括以下步骤:
步骤1重组干涉图:将每一张移相干涉图重组成行向量,然后将这N张移相干涉图的行向量按照列组合组成如下的x矩阵:x=[x1,x2,...,xN]T,其中每一行都是每一张移相干涉图重组得到的一维数据,其长度为M=Nx×Ny,Nx和Ny分别为移相干涉图x轴与y轴所占的像素点数,T代表为矩阵的转置;
步骤2获得背景分量mx:矩阵mx具有和矩阵x同样的维度,而矩阵mx中所有元素的值均一致,其是矩阵x中所有元素的平均值;
步骤3计算协方差矩阵C:从矩阵x得到协方差矩阵C:C=(x-mx)(x-mx)T;
步骤4计算对角化协方差矩阵U:协方差矩阵C是一实对称N×N矩阵,因此该协方差矩阵可以如下式实现对角化:D=UCUT,矩阵D为对角化协方差矩阵而矩阵U是一个正交 变换的矩阵,其大小为都为N×N;
步骤5得到主成分分量y:主成分便可以由矩阵D,矩阵x和矩阵mx得到:y=U(x-mx),其中,矩阵y的第一列和第二列便分别代表了主成分的正交特征值,其分别为Ic和Is;
步骤6通过反正切函数求解相位:Φ=arctan(Is/Ic)。
随后,将相位重组成为二维图,然后对相位图进行解包消倾斜后,可以得到视场内的连续相位分布。
主成分分析相位恢复算法的数学原理:
为了说明主成分分析相位恢复算法的原理,以下使用数学推导的方式对主成分分析相位恢复算法对移相干涉图的处理进行分析。
移相干涉图可以使用公式表达为:
In(x,y)=S(x,y)+B(x,y)cos(Φ(x,y)+δn) (1.6)
其中,In(x,y),S(x,y),B(x,y)分别是干涉图,背景光,干涉调制项的强度分布,而Φ(x,y)为待求解的相位分布,δn为移相相位。
如果将以上干涉图重组成为列向量,公式(1.6)可以写为:
In,k=Sk+Bkcos(Φk+δn) (1.7)
式中,k=[1,2,...,M]代表移相干涉图的像素点数,而n=[1,2,...,N]代表不同移相角度的干涉图。参考公式(1.1),矩阵x可以写为:
每一张干涉图都为一M×1的行向量。
假设背景光为一平滑分布,则矩阵mx实际上代表了背景光的强度:
其中:
αn=cosδn (1.11a)
bn=-sinδn (1.11b)
uk=BkcosΦk (1.11c)
vk=BksinΦk (1.11d)
那么协方差矩阵C可以写为:
将公式(1.12)展开,可以得到:
由于协方差矩阵C为实对称矩阵,其可以化简为:
在这里,令Aij=aiaj,Eij=2aibj以及Fij=bibj,上式可以化简为:
如果在整个视场中有多条条纹,那么有以下近似:
在该近似条件下,协方差矩阵C可以写为:
C=αA+βF (1.18)
其中矩阵A和矩阵F皆为N×N矩阵,并具有以下形式:
A=[cosδ1,...,cosδN]T[cosδ1,...,cosδN] (1.19)
F=[sinδ1,...,sinδN]T[sinδ1,...,sinδN] (1.20)
而α和β可以使用下式表示:
因为矩阵A和矩阵F都来源于单一一维向量的乘积,因此它们的秩都为1,从而,它们只有单一的特征值以及特征向量。矩阵A和矩阵F的特征值为:
而特征向量为:
特征值与特征向量的检验方式可以通过AωA=λAωA与FωF=λFωF来进行检验。由公式(1.18)可知,协方差矩阵C的秩为2,并且有两个特征值并有与其对应的两个特征向量。如果相移的角度满足其至少相移了2π的范围,因此,下式可近似成立:
而且还满足:
AωF=0 (1.28)
FωA=0 (1.29)
在这种情况下,协方差矩阵C的两个特征值分别为ω1=ωA以及ω2=ωF,其对应的特征向量为:λ1=αλA和λ2=αλF。
基于协方差矩阵C的两个特征值以及特征向量,可以得到对角协方差矩阵D以及正交矩阵U。而对角协方差矩阵D的两个非零元素为:D11=λ1以及D22=λ2。此外,正交矩阵U的第一和第二行对应于协方差矩阵C的两个特征值ω1和ω2。在得到正交矩阵U之后,主成分便可以由以下两式给出:
根据公式(1.27)给出的近似条件,可以得到:
最后,待求解的带有包裹的相位可以表示为:
公式(1.34)与使用传统的经典最小二乘法一致,然而该方法需要知道每一张干涉图的相移δn。在主成分分析中,相移可以通过协方差矩阵C的特征向量得到。
以上介绍的方法包括两个步骤,首先,通过协方差矩阵得到相移估计值,之后,使用最小二乘解法得到相位值。该方法主要依赖于公式(1.9),(1.16),(1.17)和(1.27)的近似关系。在实验中,这些近似很难全部满足。在这种情况下,协方差矩阵的秩将不再是2,而将更大一些。这意味着,将有超过两个互不相关的主成分分量,其会携带相移变化的信息。
主成分分析相位恢复算法用于定量相位流式细胞仪的原理和模拟
当保存生物样品的样品室由三维精密微移平台在视场内进行扫描时,会得到一系列的离轴干涉图。然而,如果仅关注以某一生物样品为中心的视场,该范围的干涉条纹可以看作为移相干涉图。然后可以便可以使用主成分分析相位恢复算法用于定量相位恢复。该方法的主要特点就是无需知道移相的具体角度,非常适合在定量相位流式细胞仪中使用,并且其为时域算法,所用时间较短,并且避免了频域算法中的误差。
以下,本节通过模拟的方式首先说明使用主成分分析相位恢复算法用于定量相位流式细胞仪的原理和模拟过程。
在模拟中,使用血红细胞的模型作为生物样品,其形态可以使用如下公式进行表示:
血红细胞为一凹圆盘状形貌,其直径为7.65微米,而且其内部构成较为均匀,可以看作为一相位物体。
其相位与厚度的关系可以使用下式表示:
其中L为血红细胞的厚度,λ为探测用波长,Δn为血红细胞折射率与折射率液(生理盐水)的折射率差。一般血红细胞的折射率在~1.4左右,而生理盐水的折射率约为~1.34。从而使用公式(1.36)可以得到血红细胞的相位分布。
当血红细胞模型在视场内水平移动时,使用采集装置可以得到一系列的干涉图,如图1,所示。
图1中,(a)-(c)血红细胞在视场内扫描得到一系列的离轴干涉图;(d)-(f)仅以某一生物样品为中心的视场,该范围的干涉条纹可以看作为移相干涉图;(g)模拟中使用的血红细胞模型;(h)使用基于快速傅里叶变换的相位恢复算法得到的相位;(i)使用10幅干涉图,利用主成分分析相位恢复算法得到的相位;(j)利用不同数量的干涉图,使用主成分分析相位恢复算法所消耗的时间。
然而,如果仅关注以血红细胞模型中心为视场,通过通过截取该有效视场,可以得到如图1中(d)-(f)所示的干涉条纹。从图中可以看出,这些干涉图可以看作为一系列的移相干涉图。使用主成分分析相位恢复算法无需确定每幅干涉图的移相角,便可以恢复出生物样品的定量相位分布。图1中(g)为模拟中使用的血红细胞模型的相位分布,图1中(h)为使用主成分分析相位恢复算法得到的相位分布。为了比较这种方法与传统的相位恢复算法,图1中(i)展示了使用基于快速傅里叶变换相位恢复算法得到的血红细胞的定量相位分布。使用不同的相位恢复算法都能够清楚的得到血红细胞凹圆盘状的结构。因此,为了定量说明方法的优劣,这里,使用了相关系数来评价两种方法。其中,使用主成分分析相位恢复算法得到的结果为0.9999,而使用基于快速傅里叶变换相位恢复算法得到的结果仅有0.9868。结果说明该算法有较高的计算精度。此外,这里还比较了使用该算法与其它算法的计算效率。使用同一计算平台(Dell Inspiron,Core i5,2.40GHz,4G RAM),计算100组移相干涉图,每组10幅移相干涉图(像素数256×256),使用主成分分析相位恢复算法的时间为0.7729秒,而使用基于快速傅里叶变 换相位恢复算法则需要0.9984秒。可见,使用主成分分析相位恢复算法可以将计算效率提高约20%。此外,在模拟过程中,我们还计算了对于不同张数的移相干涉图,使用主成分分析相位恢复算法的计算时间,如图1中(j)所示,从图中可以看出,计算时间与使用的移相干涉图张数成正比。
Claims (1)
1.一种主分成分析相位恢复算法,其特征在于:包括以下步骤:
步骤1重组干涉图:将每一张移相干涉图重组成行向量,然后将这N张移相干涉图的行向量按照列组合组成如下的x矩阵:x=[x1,x2,...,xN]T,其中每一行都是每一张移相干涉图重组得到的一维数据,其长度为M=Nx×Ny,Nx和Ny分别为移相干涉图x轴与y轴所占的像素点数,T代表为矩阵的转置;
步骤2获得背景分量mx:矩阵mx具有和矩阵x同样的维度,而矩阵mx中所有元素的值均一致,其是矩阵x中所有元素的平均值;
步骤3计算协方差矩阵C:从矩阵x得到协方差矩阵C:C=(x-mx)(x-mx)T;
步骤4计算对角化协方差矩阵U:协方差矩阵C是一实对称N×N矩阵,因此该协方差矩阵可以如下式实现对角化:D=UCUT,矩阵D为对角化协方差矩阵而矩阵U是一个正交变换的矩阵,其大小为都为N×N;
步骤5得到主成分分量y:主成分便可以由矩阵D,矩阵x和矩阵mx得到:y=U(x-mx),其中,矩阵y的第一列和第二列便分别代表了主成分的正交特征值,其分别为Ic和Is;
步骤6通过反正切函数求解相位:Φ=arctan(Is/Ic)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310508080.7A CN103778650A (zh) | 2013-10-25 | 2013-10-25 | 主成分分析相位恢复算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310508080.7A CN103778650A (zh) | 2013-10-25 | 2013-10-25 | 主成分分析相位恢复算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103778650A true CN103778650A (zh) | 2014-05-07 |
Family
ID=50570845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310508080.7A Pending CN103778650A (zh) | 2013-10-25 | 2013-10-25 | 主成分分析相位恢复算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778650A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535533A (zh) * | 2014-12-10 | 2015-04-22 | 佛山市南海区欧谱曼迪科技有限责任公司 | 一种从多波长混合相移干涉图中提取相位信息的方法 |
CN105758295A (zh) * | 2016-03-22 | 2016-07-13 | 华南师范大学 | 一种时空混合匹配的双波长同时相移干涉测量方法 |
CN106441082A (zh) * | 2016-10-08 | 2017-02-22 | 南方科技大学 | 一种相位恢复方法及装置 |
CN107316039A (zh) * | 2017-06-02 | 2017-11-03 | 东北大学 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
CN114492082A (zh) * | 2021-12-20 | 2022-05-13 | 哈尔滨师范大学 | 光栅投影成像系统的光栅相位提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6100978A (en) * | 1998-10-21 | 2000-08-08 | Naulleau; Patrick P. | Dual-domain point diffraction interferometer |
CN1588064A (zh) * | 2004-08-27 | 2005-03-02 | 清华大学 | 空间相位调制干涉阵列检测生物芯片的方法及系统 |
US6885461B2 (en) * | 2002-12-03 | 2005-04-26 | Phase Shift Technology, Inc. | Weighted least-square interferometric measurement of multiple surfaces |
CN1975321A (zh) * | 2006-12-19 | 2007-06-06 | 中国科学院上海光学精密机械研究所 | 移相干涉图像的信息处理系统及其处理方法 |
-
2013
- 2013-10-25 CN CN201310508080.7A patent/CN103778650A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6100978A (en) * | 1998-10-21 | 2000-08-08 | Naulleau; Patrick P. | Dual-domain point diffraction interferometer |
US6885461B2 (en) * | 2002-12-03 | 2005-04-26 | Phase Shift Technology, Inc. | Weighted least-square interferometric measurement of multiple surfaces |
CN1588064A (zh) * | 2004-08-27 | 2005-03-02 | 清华大学 | 空间相位调制干涉阵列检测生物芯片的方法及系统 |
CN1975321A (zh) * | 2006-12-19 | 2007-06-06 | 中国科学院上海光学精密机械研究所 | 移相干涉图像的信息处理系统及其处理方法 |
Non-Patent Citations (3)
Title |
---|
J. VARGAS ET AL: "Analysis of the principal component algorithm in phase-shifting interferometry", 《OPTICS LETTERS》 * |
J. VARGAS ET AL: "Phase-shifting interferometry based on principal component analysis", 《OPTICS LETTERS》 * |
薛亮 等: "显微干涉术在血红细胞光相位场定量测量中的应用", 《光学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535533A (zh) * | 2014-12-10 | 2015-04-22 | 佛山市南海区欧谱曼迪科技有限责任公司 | 一种从多波长混合相移干涉图中提取相位信息的方法 |
CN105758295A (zh) * | 2016-03-22 | 2016-07-13 | 华南师范大学 | 一种时空混合匹配的双波长同时相移干涉测量方法 |
CN105758295B (zh) * | 2016-03-22 | 2018-12-04 | 华南师范大学 | 一种时空混合匹配的双波长同时相移干涉测量方法 |
CN106441082A (zh) * | 2016-10-08 | 2017-02-22 | 南方科技大学 | 一种相位恢复方法及装置 |
CN106441082B (zh) * | 2016-10-08 | 2019-03-08 | 深圳扑浪创新科技有限公司 | 一种相位恢复方法及装置 |
CN107316039A (zh) * | 2017-06-02 | 2017-11-03 | 东北大学 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
CN107316039B (zh) * | 2017-06-02 | 2020-07-24 | 东北大学 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
CN114492082A (zh) * | 2021-12-20 | 2022-05-13 | 哈尔滨师范大学 | 光栅投影成像系统的光栅相位提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874688B (zh) | 基于卷积神经网络的智能化先导化合物发现方法 | |
Paproki et al. | A novel mesh processing based technique for 3D plant analysis | |
CN103778650A (zh) | 主成分分析相位恢复算法 | |
Wang et al. | Link the remote sensing big data to the image features via wavelet transformation | |
CN102938072B (zh) | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 | |
WO2018223275A1 (zh) | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 | |
CN104237158B (zh) | 一种具有普适性的近红外光谱定性分析方法 | |
CN107078074A (zh) | 分析及利用景观 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
Kim | Assessing practical significance of the proportional odds assumption | |
CN106127179A (zh) | 基于自适应分层多尺度的高光谱遥感图像分类方法 | |
Herrault et al. | A comparative study of geometric transformation models for the historical" Map of France" registration | |
Devitt et al. | Scheme for direct measurement of a general two-qubit Hamiltonian | |
Motta et al. | Measures of order for nearly hexagonal lattices | |
CN104700368A (zh) | 基于核函数的数字图像相关方法的位移场自适应平滑方法 | |
Wang et al. | Large-scale holographic particle 3D imaging with the beam propagation model | |
Zhang et al. | Automatic classification of marine plankton with digital holography using convolutional neural network | |
Jin et al. | A clustering algorithm for determining community structure in complex networks | |
CN114220007A (zh) | 基于过完备深度低秩子空间聚类的高光谱图像波段选择方法 | |
Sihvonen et al. | Spectral profile partial least-squares (SP-PLS): Local multivariate pansharpening on spectral profiles | |
CN107644393A (zh) | 一种基于gpu的丰度估计算法的并行实现方法 | |
Filipiak et al. | Testing independence under a block compound symmetry covariance structure | |
Shetty et al. | Performance evaluation of dimensionality reduction techniques on hyperspectral data for mineral exploration | |
Caponera et al. | Functional estimation of anisotropic covariance and autocovariance operators on the sphere | |
CN104392412A (zh) | 基于进化正交匹配追踪的压缩感知信号恢复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140507 |