基于PCA算法的内源性光学图像去噪的研究.docVIP

基于PCA算法的内源性光学图像去噪的研究 摘要：内源性光学成像是近年来发展起来的一种新兴的脑功能成像手段，但是由于内源信号非常微弱，从内源性光学成像数据中提取信号有非常大的困难。因此，我们需要一种算法，使得内源信号从内源性光学成像数据中复原，而PCA算法是一种基于二阶统计的提取信号主成分的方法，应用到图像处理中可以达到去噪的效果。本文将这种算法应用到内源性光学成像数据中，最终证明，基于PCA算法是一种比较有效的处理内源性光学图像的手段。 关键词：内源性光学成像 去噪 PCA 引言 70年代中期以来，一系列脑功能成像的出现使人类脑功能定位成为可能。基于内源性光学成像的方法就是新的成像技术之一。它是从电压敏感材料的光学成像技术的基础上发展而来的。电压敏感材料能将神经元的电活动转化为光学的变化信号，然后用光敏器件进行检测，从而把神经元的电活动转化为光学图像，这种方法具有毫秒级的时间分辨率，是最早对神经元的活动进行成像的方法之一，由于存在药理学的副作用和光毒性，电压敏感材料的使用受到了很大的限制。解决的办法就是找到一种与神经元的活动非常类似的内源性光学信号[1]。1986年出现了对这种微弱信号用于成像的报道，在之后的10年里，内源性光学成像技术逐步完善。目前，内源性光学成像主要采用颅骨开窗的实验方法，选用对血氧浓度变化敏感的单波长光源配合高稳定度电源进行照明，使用高灵敏度的电荷耦合（CCD）图像传感器进行信号采集。早期的内源性光学成像研究主要集中于皮层功能构筑的基本结构上，初级视觉皮层中的眼优势柱和V2区的“条纹”结构，以及基于方位朝向性而产生的风车结构[2]。 但是，内源性光学成像也有着明显的缺点。由于内源性信号非常微弱，而且噪声干扰严重，因此怎样从初始的内源性光学成像的图像中提取有用的信号称为后续研究的重中之重，在这个方面研究的方法也是层出不穷，经典的时域和频域的图像去噪算法都可以应用到处理内源性光学图像中去，本文讨论的是利用PCA算法通过提取主成分从而达到光学图像去噪的目的。 PCA算法简介 主成分分析 （ Principal Component Analysis PCA ）是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的m个观察值，形成一个n m 的数据矩阵，n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。 PCA 的目标是寻找个新变量，使它们反映事物的主要特征，压缩原有数据矩阵的规模。每个新变量是原有变量的线性组合，体现原有变量的综合效果，具有一定的实际含义。这 r 个新变量称为“主成分”，它们可以在很大程度上反映原来 n 个变量的影响，并且这些新变量是互不相关的，也是正交的。通过主成分分析，压缩数据空间，将多元数据的特征在低维空间里直观地表示出来。 个指标(每一指标有个样品）的一批数据写成一个()维数据矩阵． 2、对矩阵A作标准化处理：即对每一个指标分量进行标准化处理，利用公式(2-5)，从而得到。 3、由式(2-8)计算样本矩阵的相关系数矩阵 4、运用Jacobi迭代方法计算R的特征值，即对应的特征向量。 5、特征值按降序排序(通过选择排序)得并对特征向量进行相应调整得。 6、通过施密特正交化方法单位正交化特征向量，得到。 7、计算特征值的累积贡献率，根据给定的提取效率，如果,则提取个主成分。 8、计算已标准化的样本数据X在提取出的特征向量上的投影，其中。 所得的Y即为进行特征提取后的数据也就是数据降维后的数据。 3进行内源性光学成像的实验 实验采用体重2.0～3.0 kg的成年猫，性别不限。肌肉注射30 mg/ kg盐酸氯胺酮诱导麻醉，施行气管插管和股静脉插管手术。将动物俯卧固定于立体定位仪（SN-3，NARISHIGE）；持续静脉注射3 mg/（kg?h）戊巴比妥钠和10 mg/（kg?h）三碘季胺酚，以维持实验过程中动物的麻醉和麻痹状态；150 mg/（kg?h）葡萄糖溶液为动物提供必要的营养物质。人工呼吸机（CIV-100，Cloumbus Instruments）设置为20 次/min，潮气量约为12.3 mL/kg。动物体温维持仪（SS20-1，蚌埠市大江电子公司）将被试动物体温控制在38°C ~ 38.5°C。实验过程