CN113160084A - 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 - Google Patents
多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 Download PDFInfo
- Publication number
- CN113160084A CN113160084A CN202110417373.9A CN202110417373A CN113160084A CN 113160084 A CN113160084 A CN 113160084A CN 202110417373 A CN202110417373 A CN 202110417373A CN 113160084 A CN113160084 A CN 113160084A
- Authority
- CN
- China
- Prior art keywords
- image
- fluorescence image
- quantum dot
- dot fluorescence
- noise
- 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.)
- Granted
Links
- 238000002073 fluorescence micrograph Methods 0.000 title claims abstract description 79
- 239000002096 quantum dot Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 56
- 229910021426 porous silicon Inorganic materials 0.000 title claims abstract description 45
- 238000009792 diffusion process Methods 0.000 claims abstract description 52
- 230000006835 compression Effects 0.000 claims abstract description 50
- 238000007906 compression Methods 0.000 claims abstract description 50
- 238000009499 grossing Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012935 Averaging Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000011084 recovery Methods 0.000 claims abstract description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical group [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 206010057249 Phagocytosis Diseases 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000008782 phagocytosis Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明公开了一种多孔硅生物传感器表面量子点荧光图像的去噪方法及装置,方法包括:对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声;对获取的量子点荧光图做非局部均值平滑处理,滤波后的图像作为灰度压缩的参考标准图;获取含噪荧光图的多个均质区域,对每个均质区域的变异系数取均值获取估计变异系数,确定灰度压缩迭代次数;对含噪荧光图做灰度压缩预处理,以平滑后图像与原始荧光图像的比值作为压缩系数,根据迭代次数进行压缩;采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值,求解微分方程去除噪点并恢复原始灰度值。装置包括:分析模块、平滑处理模块、获取模块、压缩模块及恢复模块。
Description
技术领域
本发明涉及图像去噪领域,尤其涉及一种多孔硅生物传感器表面量子点荧光图像的去噪方法及装置。
背景技术
纳米多孔硅是一种新型的纳米材料,由于具有比表面积大、生物兼容性好以及折射率可调节等特性,可制备成多种结构的高灵敏度光学传感器件,已经广泛的应用于生物检测。PSi光学传感器的检测机理主要有两类。第一类是对生物反应引起的折射率变化进行检测的。第二类是对生物反应引起的荧光变化进行检测。第一类检测通常采用反射光谱仪测量生物反应引起的反射谱的移动。第二类检测采用荧光光谱仪测量生物反应引起的荧光强度的变化。这两类检测方法都需要光谱仪器,检测时间长,成本高,不能用于传感器阵列的检测。
为了降低检测成本,提高检测速度,实现多孔硅阵列的检测,近年来,一些基于图像法的生物检测方法被提出,通过计算荧光图像的平均灰度值来检测目标DNA浓度,实现了快速、低成本的生物浓度检测。准确的测量出多孔硅器件表面上的量子点荧光图像的平均灰度值是图像法检测技术的关键,通过测得荧光图的平均灰度值,根据拟合曲线从而获取生物浓度,所以平均灰度作为检测的基础数值对于检测精度来说具有至关重要的意义。
目前关于纳米多孔硅表面上的量子点荧光图像中的噪声研究还没有见报道。通过实验发现这种噪声为乘性伽马噪声,大量研究表明荧光图像中的伽马噪声减小了平均灰度值,而且随着噪声强度的增大,灰度值的下降程度越大,这大大降低了生物检测的灵敏度,因此消除荧光图像中的伽马噪声显得非常重要。
发明内容
针对量子点/多孔硅生物检测中伽马噪声带来的检测精度下降问题,本发明提供了一种多孔硅生物传感器表面量子点荧光图像的去噪方法及装置,本发明处理后的量子点荧光图像去除了噪点,最大程度的恢复了图像原始灰度值,大大提高了基于量子点荧光图像法生物检测的灵敏度,详见下文描述:
第一方面,一种多孔硅生物传感器表面量子点荧光图像的去噪方法,所述方法包括:
对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声;
对获取的量子点荧光图做非局部均值平滑处理,滤波后的图像作为灰度压缩的参考标准图;
获取含噪荧光图的多个均质区域,对每个均质区域的变异系数取均值获取估计变异系数,确定灰度压缩迭代次数;
对含噪荧光图做灰度压缩预处理,以平滑后图像与原始荧光图像的比值作为压缩系数,根据迭代次数进行压缩;
采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值,求解微分方程去除噪点并恢复原始灰度值。
在一种实施方式中,所述对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声具体为:
采用残差卷积神经网络,在不同灰度图上添加若干种类型不同且强度不同的噪声作为训练数据集;
将多幅荧光图像均质区域的直方图信息作为残差卷积神经网络的输入特征,判别量子点荧光图像的噪声类型为伽马乘性噪声。
在一种方式中,所述采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值为:
以每个像素点为中心确定搜索窗,计算搜索窗中每一个像素邻域与中心像素邻域的余弦距离,作为微分方程的边缘检测算子,确定各向异性扩散的扩散阈值和每个像素点的扩散系数。
在一种方式中,所述方法还包括:
采用阈值法将量子点荧光图中的多孔硅单元与背景粗分离,生成单元掩膜;采用形态学吞噬方法将二值掩膜中的孔洞填充,得到精细掩膜,将分离后的多孔硅单元作为去噪和灰度计算的主要区域。
第二方面,一种多孔硅生物传感器表面量子点荧光图像的去噪装置,所述装置包括:
分析模块,用于对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声;
平滑处理模块,用于对获取的量子点荧光图做非局部均值平滑处理,滤波后的图像作为灰度压缩的参考标准图;
获取模块,用于获取含噪荧光图的多个均质区域,对每个均质区域的变异系数取均值获取估计变异系数,确定灰度压缩迭代次数;
压缩模块,用于对含噪荧光图做灰度压缩预处理,以平滑后图像与原始荧光图像的比值作为压缩系数,根据迭代次数进行压缩;
恢复模块,用于采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值,求解微分方程去除噪点并恢复原始灰度值。
第三方面,一种多孔硅生物传感器表面量子点荧光图像的去噪装置,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是:
1、在模拟实验中,在方差为0.1-0.9的乘性伽马噪声干扰下产生许多噪点,从主观视觉上,本发明可以有效的去含噪图像中的乘性伽马噪声,恢复后的视觉效果基本与原始图像保持一致;
2、原始图像的灰度值产生了非常大的波动性,在本发明处理后,这种波动性大大减小,改善了因噪声引起的平均灰度水平下降的问题,处理后的图像能够基本恢复原始图像的平均灰度值;
3、在生物浓度检测实验中,所获得的量子点荧光图经本发明处理后,能明显平滑噪声,生物检测精度得到进一步提高。
附图说明
图1为多孔硅生物传感器表面量子点荧光图像的去噪方法的流程图;
图2为添加乘性伽马噪声的灰度图;
图3为对图2去噪处理后的示意图;
图4为另一添加乘性伽马噪声的灰度图;
图5为对图4去噪处理后的示意图。
表1为在不同强度噪声影响下去噪前后灰度值。
图6为多孔硅生物传感器表面量子点荧光图像的去噪装置的结构示意图;
图7为分析模块的结构示意图;
图8为恢复模块的结构示意图;
图9为多孔硅生物传感器表面量子点荧光图像的去噪装置的另一结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种多孔硅生物传感器表面量子点荧光图像的去噪方法,参见图1,该方法包括以下步骤:
步骤1:采用阈值法将量子点荧光图像中的多孔硅单元与背景粗分离,生成单元掩膜,多孔硅单元部分用灰度值255表示,背景部分用灰度值0表示,再采用形态学吞噬方法将二值掩膜中的孔洞填充,得到精细掩膜,将多孔硅单元与背景精准分离,将分离后的多孔硅单元作为去噪和灰度计算的主要区域;
其中,上述阈值法、形态学吞噬方法均为本领域技术人员所公知,本发明实施例对此不做赘述。
步骤2:采用残差卷积神经网络的方法,在不同灰度图上添加十种类型不同且强度不同的噪声作为训练数据集,将多幅荧光图像均质区域的直方图信息作为残差卷积神经网络的输入特征,判别量子点荧光图像的噪声类型为伽马乘性噪声;
其中,残差卷积神经网络为本领域技术人员所公知,本发明实施例对此不做赘述。本发明实施例以十种为例进行说明,在此不做限制。
步骤3:通过在不同灰度的灰度图上添加方差为0.1-0.9伽马乘性噪声,多次实验发现平均灰度值减小,随着噪声强度的增大,灰度值减小的程度随之增大,这种噪声引起的灰度值偏差导致荧光图像生物检测精度下降;
步骤4:原始图像掩膜处理后,采用二阶拉普拉斯算子获取含噪荧光图像的多个均质区域,对每个均质区域的变异系数取均值获取估计变异系数,确定灰度压缩迭代次数,对含噪图像做非局部均值平滑处理,滤波后的图像作为灰度压缩的参考标准图,根据确定的迭代次数进行压缩,减小加入噪声后图像信号的波动程度;
其中,上述二阶拉普拉斯算子、变异系数等均为本领域技术人员所公知,本发明实施例对此不做赘述。
步骤5:以每个像素点为中心确定搜索窗,计算搜索窗中每一个像素邻域与中心像素邻域的余弦距离,作为微分方程的边缘检测算子,确定各向异性扩散的扩散阈值T和每个像素点的扩散系数,求解微分方程,使噪点扩散,达到去噪的目的。
其中,边缘检测算子、扩散阈值T和扩散系数均为本领域技术人员所公知,本发明实施例对此不做赘述。
下面结合附图,对本发明的技术方案作进一步具体的说明。步骤具体如下:
采用阈值法将量子点荧光图像中的多孔硅单元与背景粗分离,生成单元掩膜,多孔硅单元部分用灰度值255表示,背景部分用灰度值0表示,粗分离的掩膜可能会出现孔洞,即多孔硅单元部分会出现灰度为0的像素块,再采用形态学吞噬方法将单元中孔洞填充,得到精细掩膜,将多孔硅单元与背景精准分离,将分离后的多孔硅单元作为去噪和灰度计算的主要区域,以避免背景对结果的影响。
其中,形态学吞噬方法为本领域技术人员所公知,本发明实施例对此不做赘述。
采用深度残差网络和直方图信息确定荧光图像噪声,分别在灰度值为30,40,50,60,70,80,90,100等8种不同灰度值的单色图上添加不同强度的泊松、伽马、瑞利、指数、均匀、高斯、椒盐、高斯和指数混合、高斯和椒盐混合、伽马和椒盐混合等10种噪声,对应噪声类型标注相应的标签,构成一个由2000张噪声图组成的噪声类型数据集。其中1700张噪声图作为Resnet网络的训练集,剩余300张作为测试数据,来验证训练完成后网络的泛化性能。测试准确率可达99.8%,用拉普拉斯二阶算子获取量子点荧光图的10个均质区域,经残差网络分类为乘性伽马噪声,通过在不同灰度值的灰度图上添加方差为0.1-0.9的噪声后,经多次实验并取均值,随着噪声强度增大,平均灰度值呈现下降趋势,用图像法进行生物检测时,荧光图的平均灰度值是生物浓度检测的直接依据,噪声带来的灰度值偏差将直接影响生物检测的精度。
为了去除噪声并恢复对含噪图像做灰度值压缩预处理,以消除奇异点减少图像信号的波动性,为了找到一个压缩参考标准,将噪声图初步平滑滤波,常用的平滑滤波器由均值滤波,高斯滤波等,考虑到他们都是基于局部像素信息的滤波,且在边缘处容易产生模糊和扩散现象,本发明实施例采用非局部均值滤波的方法,以提高在边缘处像像素灰度压缩的准确性,对输入图像做非局部均值滤波,设搜索窗大小为21*21,像素邻域大小为7*7,平滑滤波过程如下所示:
其中,||Ii-Ik||2为中心像素邻域Ii与第k个邻域Ik的欧氏距离,Z(i)为归一化系数,h为平滑参数,控制高斯函数的衰减程度:
以输入的原图与非局部均值滤波后的灰度图的比值作为灰度压缩的依据,其与压缩系数成单调递减的指数关系,称为压缩系数,其中为非局部均值平滑处理后的图像,Ix,y为坐标(x,y)处的像素值,压缩系数小,压缩程度越小;压缩系数增大,压缩程度增大,灰度压缩后的图像表达为:
为避免异质区域对变异系数估计值的影响,在图像中用拉普拉斯算子选取P个20*20大小的非重叠均质区域来估计整幅图像的变异系数,这里P=8,变异系数为:
其中,和μi为含噪图像第i个均质区域的方差和均值,根据估计变异系数确定压缩迭代次数。将预处理后的图像用于去噪的各向异性扩散模型主要思想是将图像看作一个热量场,每个像素看作热流,根据当前像素和周围像素的关系,来确定是否要向周围扩散。各向异性扩散模型如下:
其中,q(x,y;t)为瞬时变差系数。
用余弦距离衡量两个区域的相似性,余弦距离又称为余弦相似度,用向量空间中两个向量夹角的余弦值作为衡量两个个体差异大小的一种度量,其表达式如公式下所示:
其中,R*R为一个像素邻域的尺寸,fz(j)为搜索框内第z个像素邻域的第j个像素值,f0(j)为搜索框内中心像素邻域的第j个像素值。
利用两个块之间的余弦距离来度量搜索窗内像素间和中心像素的相似性,从而实现各向异性扩散边缘检测。搜索窗内像素块移动步长设为1,M为搜索窗的大小,对余弦距离取均值作为边缘检测算子,同时又考虑到空间距离对于相似性的影响,距离中心像素点近赋予其较大的距离权重,距离中心像素块大的赋予其较小的权值,即对计算得出的余弦距离矩阵乘一个高斯核G,再对其进行加权平均。
式中,qx,y表示瞬时变差函数,x与y表示当前像素点位置,M表示搜索窗内像素个数,dz表示搜索窗内第z个对应块与目标块的余弦距离值。Gz表示高斯核的第z个值,扩散阈值T可由整幅影像的余弦距离均值获取,即:
其中,N*N为整幅图像尺寸,即参加余弦距离计算的像素点个数,各向异性扩散方差的扩散系数式(7)可以重写为:
其中,q(x,y;t)为第t次迭代的瞬时变差系数。
各项异性扩散算法的实质是偏微分方程的求解,用雅克比迭代法求解,最终的微分方程(6)的数值近似为:
图2,4表示灰度值为50的灰度图添加方差为0.4和0.5的乘性伽马噪声后的图像,图3,5为去噪后的图像,通过对比两组图像可以看出噪点得到有效去除,表1为灰度为50的灰度图添加噪声后和去噪后的平均灰度值,通过对比两组数据,可以发现去噪后图像的平均灰度值基本恢复到原始灰度。
表1灰度为50的灰度图上添加方程0.1-0.9的乘性伽马噪声,去噪前和去噪后的灰度值
本发明实施例提供了一种多孔硅生物传感器表面量子点荧光图像的去噪装置,参见图6,该装置包括:
分析模块1,用于对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声;
平滑处理模块2,用于对获取的量子点荧光图做非局部均值平滑处理,滤波后的图像作为灰度压缩的参考标准图;
获取模块3,用于获取含噪荧光图的多个均质区域,对每个均质区域的变异系数取均值获取估计变异系数,确定灰度压缩迭代次数;
压缩模块4,用于对含噪荧光图做灰度压缩预处理,以平滑后图像与原始荧光图像的比值作为压缩系数,根据迭代次数进行压缩;
恢复模块5,用于采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值,求解微分方程去除噪点并恢复原始灰度值。
其中,参见图7,该分析模块1包括:
训练子模块11,用于采用残差卷积神经网络,在不同灰度图上添加若干种类型不同且强度不同的噪声作为训练数据集;
判断子模块12,用于将多幅荧光图像均质区域的直方图信息作为残差卷积神经网络的输入特征,判别量子点荧光图像的噪声类型为伽马乘性噪声。
其中,参见图8,该恢复模块5包括:
计算子模块51,用于以每个像素点为中心确定搜索窗,计算搜索窗中每一个像素邻域与中心像素邻域的余弦距离,作为微分方程的边缘检测算子;
扩散子模块52,用于确定各向异性扩散的扩散阈值和每个像素点的扩散系数。
这里需要指出的是,以上实施例中的装置描述是与上述方法实施例描述相对应的,本发明实施例在此不做赘述。
上述各个模块、单元的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
基于同一发明构思,本发明实施例还提供了一种多孔硅生物传感器表面量子点荧光图像的去噪装置,参见图9,该装置包括:处理器6和存储器7,存储器7中存储有程序指令,处理器6调用存储器7中存储的程序指令以使装置执行实施例中的以下方法步骤:
对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声;
对获取的量子点荧光图做非局部均值平滑处理,滤波后的图像作为灰度压缩的参考标准图;
获取含噪荧光图的多个均质区域,对每个均质区域的变异系数取均值获取估计变异系数,确定灰度压缩迭代次数;
对含噪荧光图做灰度压缩预处理,以平滑后图像与原始荧光图像的比值作为压缩系数,根据迭代次数进行压缩;
采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值,求解微分方程去除噪点并恢复原始灰度值。
在一种实施方式中,对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声具体为:
采用残差卷积神经网络,在不同灰度图上添加若干种类型不同且强度不同的噪声作为训练数据集;
将多幅荧光图像均质区域的直方图信息作为残差卷积神经网络的输入特征,判别量子点荧光图像的噪声类型为伽马乘性噪声。
在一种方式中,采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值为:
以每个像素点为中心确定搜索窗,计算搜索窗中每一个像素邻域与中心像素邻域的余弦距离,作为微分方程的边缘检测算子,确定各向异性扩散的扩散阈值和每个像素点的扩散系数。
在一种方式中,方法还包括:
采用阈值法将量子点荧光图中的多孔硅单元与背景粗分离,生成单元掩膜;采用形态学吞噬方法将二值掩膜中的孔洞填充,得到精细掩膜,将分离后的多孔硅单元作为去噪和灰度计算的主要区域。
这里需要指出的是,以上实施例中的装置描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
上述的处理器6和存储器7的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
存储器7和处理器6之间通过总线8传输数据信号,本发明实施例对此不做赘述。
基于同一发明构思,本发明实施例还提供了一种计算机可读存储介质,存储介质包括存储的程序,在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是,以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多孔硅生物传感器表面量子点荧光图像的去噪方法,其特征在于,所述方法包括:
对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声;
对获取的量子点荧光图做非局部均值平滑处理,滤波后的图像作为灰度压缩的参考标准图;
获取含噪荧光图的多个均质区域,对每个均质区域的变异系数取均值获取估计变异系数,确定灰度压缩迭代次数;
对含噪荧光图做灰度压缩预处理,以平滑后图像与原始荧光图像的比值作为压缩系数,根据迭代次数进行压缩;
采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值,求解微分方程去除噪点并恢复原始灰度值。
2.根据权利要求1所述的一种多孔硅生物传感器表面量子点荧光图像的去噪方法,其特征在于,所述对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声具体为:
采用残差卷积神经网络,在不同灰度图上添加若干种类型不同且强度不同的噪声作为训练数据集;
将多幅荧光图像均质区域的直方图信息作为残差卷积神经网络的输入特征,判别量子点荧光图像的噪声类型为伽马乘性噪声。
3.根据权利要求1所述的一种多孔硅生物传感器表面量子点荧光图像的去噪方法,其特征在于,所述采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值为:
以每个像素点为中心确定搜索窗,计算搜索窗中每一个像素邻域与中心像素邻域的余弦距离,作为微分方程的边缘检测算子,确定各向异性扩散的扩散阈值和每个像素点的扩散系数。
4.根据权利要求1所述的一种多孔硅生物传感器表面量子点荧光图像的去噪方法,其特征在于,所述方法还包括:
采用阈值法将量子点荧光图中的多孔硅单元与背景粗分离,生成单元掩膜;采用形态学吞噬方法将二值掩膜中的孔洞填充,得到精细掩膜,将分离后的多孔硅单元作为去噪和灰度计算的主要区域。
8.一种多孔硅生物传感器表面量子点荧光图像的去噪装置,其特征在于,所述装置包括:
分析模块,用于对量子点荧光图中的噪声类型进行分析,确定噪声类型为伽马乘性噪声;
平滑处理模块,用于对获取的量子点荧光图做非局部均值平滑处理,滤波后的图像作为灰度压缩的参考标准图;
获取模块,用于获取含噪荧光图的多个均质区域,对每个均质区域的变异系数取均值获取估计变异系数,确定灰度压缩迭代次数;
压缩模块,用于对含噪荧光图做灰度压缩预处理,以平滑后图像与原始荧光图像的比值作为压缩系数,根据迭代次数进行压缩;
恢复模块,用于采用非局部的各向异性扩散方法,计算每个像素点的非局部余弦距离获得扩散系数的阈值,求解微分方程去除噪点并恢复原始灰度值。
9.一种多孔硅生物传感器表面量子点荧光图像的去噪装置,其特征在于,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-7中的任一项所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行权利要求1-7中的任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417373.9A CN113160084B (zh) | 2021-04-19 | 2021-04-19 | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417373.9A CN113160084B (zh) | 2021-04-19 | 2021-04-19 | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160084A true CN113160084A (zh) | 2021-07-23 |
CN113160084B CN113160084B (zh) | 2022-07-01 |
Family
ID=76868451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110417373.9A Active CN113160084B (zh) | 2021-04-19 | 2021-04-19 | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160084B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689347A (zh) * | 2021-08-18 | 2021-11-23 | 西安万像电子科技有限公司 | 基于均值偏移聚类的量化噪声去除方法、设备及存储介质 |
CN116664453A (zh) * | 2023-07-31 | 2023-08-29 | 山东中泳电子股份有限公司 | 一种用于游泳触摸板的pet板检测方法 |
CN117253144A (zh) * | 2023-09-07 | 2023-12-19 | 建研防火科技有限公司 | 一种火灾风险分级管控方法 |
CN117874445A (zh) * | 2024-03-11 | 2024-04-12 | 北京盛拓达生物技术有限公司 | 一种实时在线监测数据分析的酶制剂生产监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
US20120121162A1 (en) * | 2010-11-11 | 2012-05-17 | Samsung Electronics Co., Ltd. | Filtering apparatus and method for high precision restoration of depth image |
CN102750675A (zh) * | 2012-05-31 | 2012-10-24 | 华中科技大学 | 一种斑点噪声污染图像的非局部均值滤波方法 |
US20160284065A1 (en) * | 2015-03-24 | 2016-09-29 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
CN109035152A (zh) * | 2018-05-23 | 2018-12-18 | 电子科技大学 | 一种合成孔径雷达图像非局部均值滤波方法 |
CN109211904A (zh) * | 2018-09-12 | 2019-01-15 | 长安大学 | 一种沥青混合料二维内部结构检测系统及检测方法 |
CN110852975A (zh) * | 2019-11-15 | 2020-02-28 | 大连海事大学 | 变异系数与局部熵联合驱动雷达图像非局部均值方法 |
-
2021
- 2021-04-19 CN CN202110417373.9A patent/CN113160084B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
US20120121162A1 (en) * | 2010-11-11 | 2012-05-17 | Samsung Electronics Co., Ltd. | Filtering apparatus and method for high precision restoration of depth image |
CN102750675A (zh) * | 2012-05-31 | 2012-10-24 | 华中科技大学 | 一种斑点噪声污染图像的非局部均值滤波方法 |
US20160284065A1 (en) * | 2015-03-24 | 2016-09-29 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
CN109035152A (zh) * | 2018-05-23 | 2018-12-18 | 电子科技大学 | 一种合成孔径雷达图像非局部均值滤波方法 |
CN109211904A (zh) * | 2018-09-12 | 2019-01-15 | 长安大学 | 一种沥青混合料二维内部结构检测系统及检测方法 |
CN110852975A (zh) * | 2019-11-15 | 2020-02-28 | 大连海事大学 | 变异系数与局部熵联合驱动雷达图像非局部均值方法 |
Non-Patent Citations (7)
Title |
---|
QI ZHANG: "Partial Differential Equation Non-Local Means Anisotropic Diffusion denoising", 《2014 7TH INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS》 * |
RUYONG REN: "Applying Speckle Noise Suppression to Refractive", 《SENSORS》 * |
周振宇: "基于双退化各向异性扩散方程的乘性去噪模型研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
周飞: "基于NSCT和改进模糊的遥感图像增强方法", 《计算机工程与应用》 * |
杨鹤猛: "远红外实时成像样机系统关键技术研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
白云蛟: "基于偏微分方程和非局部均值的图像去噪方法研究及应用", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
苗璐等: "基于梯度方向的非局部均值图像去噪算法", 《中北大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689347A (zh) * | 2021-08-18 | 2021-11-23 | 西安万像电子科技有限公司 | 基于均值偏移聚类的量化噪声去除方法、设备及存储介质 |
CN116664453A (zh) * | 2023-07-31 | 2023-08-29 | 山东中泳电子股份有限公司 | 一种用于游泳触摸板的pet板检测方法 |
CN116664453B (zh) * | 2023-07-31 | 2023-10-20 | 山东中泳电子股份有限公司 | 一种用于游泳触摸板的pet板检测方法 |
CN117253144A (zh) * | 2023-09-07 | 2023-12-19 | 建研防火科技有限公司 | 一种火灾风险分级管控方法 |
CN117253144B (zh) * | 2023-09-07 | 2024-04-12 | 建研防火科技有限公司 | 一种火灾风险分级管控方法 |
CN117874445A (zh) * | 2024-03-11 | 2024-04-12 | 北京盛拓达生物技术有限公司 | 一种实时在线监测数据分析的酶制剂生产监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113160084B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160084B (zh) | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN111429391B (zh) | 一种红外和可见光图像融合方法、融合系统及应用 | |
CN109934810B (zh) | 一种基于改进粒子群小波神经网络的缺陷分类方法 | |
CN111976389B (zh) | 轮胎磨损程度辨识方法及装置 | |
CN109446913B (zh) | 一种判断车底是否改装的检测方法 | |
CN110208660B (zh) | 一种用于电力设备局部放电缺陷诊断的训练方法及装置 | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN114972339B (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
CN116612472B (zh) | 基于图像的单分子免疫阵列分析仪及其方法 | |
CN108921170A (zh) | 一种有效的图像噪声检测和去噪方法及系统 | |
Yao et al. | Expose noise level inconsistency incorporating the inhomogeneity scoring strategy | |
CN112381731B (zh) | 一种基于图像去噪的单帧条纹图像相位分析方法及系统 | |
CN116645365B (zh) | 基于频谱的石英玻璃检测方法、装置、设备及介质 | |
CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
CN112053299A (zh) | 一种基于胶体金免疫层析法的图像处理方法 | |
CN116740125A (zh) | 基于光线折射和深度学习实现透明流体可视化的检测方法 | |
CN107993193B (zh) | 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法 | |
CN115797335A (zh) | 用于桥梁振动测量的欧拉运动放大效果评估及优化方法 | |
CN107451992B (zh) | 一种sar图像变化检测的方法与装置 | |
CN115690536A (zh) | 一种单帧红外小目标检测方法及装置 | |
Akl et al. | Structure tensor regularization for texture analysis | |
Wang et al. | Improved morphological band-pass filtering algorithm and its application in circle detection | |
CN114878544A (zh) | 一种从混合物sers光谱中识别目标成分的方法 | |
CN110786839A (zh) | 瞬时无波形比值的生成方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |