CN109785234B - 一种拉曼成像方法、***以及装置 - Google Patents
一种拉曼成像方法、***以及装置 Download PDFInfo
- Publication number
- CN109785234B CN109785234B CN201811588950.5A CN201811588950A CN109785234B CN 109785234 B CN109785234 B CN 109785234B CN 201811588950 A CN201811588950 A CN 201811588950A CN 109785234 B CN109785234 B CN 109785234B
- Authority
- CN
- China
- Prior art keywords
- raman
- raman spectrum
- resolution
- imaging
- image
- 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.)
- Active
Links
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种拉曼成像方法、***以及装置,具体涉及拉曼光谱处理领域。该方法包括:扩大传统光谱仪的狭缝宽度或针孔直径、增大扫描步长,对样品进行扫描,获取样品的拉曼光谱;然后对所述拉曼光谱进行去噪;接着对所述去噪后的拉曼光谱进行解卷积;最后对经过去噪和解卷积后的拉曼光谱所对应的拉曼图像进行重构得到高分辨率拉曼图像。本发明能够在提高拉曼成像速度的同时还能获取高分辨率的拉曼图像。
Description
技术领域
本发明涉及拉曼光谱处理领域,特别涉及一种拉曼成像方法、***以及装置。
背景技术
拉曼成像可以同时获取样品中不同分子的指纹光谱信息,是一种无损伤、无需标记的光谱成像技术,在化学、生物等领域有着重要的应用。
但由于拉曼散射的截面积通常很小,导致其灵敏度低,需要长时间的曝光来提高其成像质量,成像速度慢。而在实际的研究中,特别是一些生物化学体系往往处于动态的变化过程,因此现有的常规拉曼成像***的成像速度是一个重大的瓶颈。
发明内容
为了克服如上所述的技术问题,本发明提出一种拉曼成像方法、***以及装置。该方法首先通过扩大光谱仪扫描成像时的狭缝宽度或针孔直径、增加扫描步长,对样品进行扫描,快速获取样品的拉曼光谱;然后对所述拉曼光谱进行去噪;接着对所述去噪后的拉曼光谱进行解卷积;最后对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。本发明所采用的具体技术方案如下:
第一方面,本发明提出一种拉曼光谱处理方法,包括:
对拉曼光谱进行去噪;
对所述去噪后的拉曼光谱进行解卷积;
对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。
进一步地,所述拉曼光谱进行去噪对拉曼光谱进行去噪,包括:
获取拉曼光谱去噪模型的训练数据集;
根据所述训练数据集,基于神经网络算法,建立拉曼光谱去噪模型;
采用所述拉曼光谱去噪模型降低所述拉曼光谱中的噪声。
进一步地,所述对所述去噪后的拉曼光谱进行解卷积,包括:
采用基于最大似然的盲解卷积算法对所述去噪后的拉曼光谱进行解卷积。
进一步地,对所述经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像,包括:
获取拉曼图像高分辨率重构模型的训练数据集;
根据所述训练数据集,基于机器学习算法,建立拉曼图像高分辨率重构模型;
采用所述拉曼图像高分辨率重构模型对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。
进一步地,所述获取拉曼图像高分辨率重构模型的训练数据集,包括:
获取高分辨率的拉曼图像;
通过人工降低所述高分辨率的拉曼图像的分辨率,获取低分辨率的拉曼图像;
将所述低分辨率的拉曼图像和所述高分辨率的拉曼图像分别作为重构模型的训练数据集的输入部分和输出部分。
进一步地,所述根据所述训练数据集,基于机器学习算法,建立拉曼图像高分辨率重构模型,包括:
根据所述训练数据集,基于神经网络算法或稀疏编码算法,建立拉曼图像高分辨率重构模型。
第二方面,本发明提出一种拉曼成像方法,包括:
获取样品的拉曼光谱,所述拉曼光谱的获取方式是:扩大光谱仪扫描成像时的狭缝宽度或针孔直径、增加扫描步长,对样品进行扫描,从而获取样品的拉曼光谱;其中,所述狭缝宽度为20um~100um,所述针孔直径为20um~100um;所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述狭缝宽度或针孔直径。
根据获取的所述拉曼光谱,执行如第一方面任一所述的拉曼光谱处理方法。
进一步地,所述扩大光谱仪扫描成像时的狭缝宽度或针孔直径,包括:
扩大光谱仪扫描成像时的狭缝宽度或针孔直径至其m倍,扫描步长增加1~m倍,m范围为1~5。
第三方面,本发明提出一种拉曼成像***,其特征在于,包括:
光谱仪和计算机装置,所述光谱仪和所述计算机装置通过有线连接或无线连接进行通信。
所述光谱仪,采集样品的拉曼光谱,所述拉曼光谱的采集方式是:扩大光谱仪扫描成像时的狭缝宽度或针孔直径、增加扫描步长,对样品进行扫描,从而获取样品的拉曼光谱;其中,所述狭缝宽度为20um~100um,所述针孔直径为20um~100um;所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述狭缝宽度或针孔直径。
所述计算机装置,包括处理器和存储器,接收所获取的所述拉曼光谱,所述存储器存储有至少一段程序。所述程序由所述处理器执行以实现如第一方面任一所述的拉曼光谱处理方法,对所述拉曼光谱进行处理。
第四方面,本发明提出一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一段程序,所述至少一段程序运行时执行如第一方面任一所述的拉曼光谱处理方法。
本发明提供的技术方案带来的有益效果是:
本发明首先通过扩大传统光谱仪的狭缝宽度或针孔直径,增大扫描步长,对样品进行扫描,快速获取样品的拉曼光谱;然后对所述拉曼光谱进行去噪;接着对所述去噪后的拉曼光谱进行解卷积;最后对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。本发明技术方案提出通过扩大传统光谱仪成像时的狭缝宽度或针孔直径,增加了光谱仪的光通量来获取样品的拉曼光谱。这样,便可以采用更大扫描步长和更短的曝光时间来扫描样品,能够提高拉曼成像的速度。进一步地,本发明使用了基于机器学习的信号处理算法处理成像数据,来提升拉曼图像的分辨率。因此本发明可以在提高拉曼成像速度的同时还能获取高分辨率的拉曼图像。其中,拉曼成像速度得到提升的原因主要包括:增大了扫描步长,使得可以较少采样次数完成对样品地扫描;光谱仪狭缝宽度增加或针孔直径变大可以使得更多的拉曼信号被光谱仪获取,在此基础上,采用更短的曝光时间来扫描样品,依然能够获得理想的信号强度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1所示为本发明一种拉曼光谱处理方法示意图;
图2所示为本发明一种基于卷积神经网络所建立的拉曼光谱去噪模型的示意图;
图3所示为使用本发明技术方案对细胞的拉曼光谱进行去噪的一种结果示意图;
图4所示为一种对拉曼图像进行解卷积后的效果示意图;
图5为本发明中一种基于机器学习的拉曼图像高分辨率重构模型进行分辨率重构的示意图;
图6所示为分别使用本发明技术方案所述拉曼成像方法和传统拉曼成像方法所获得的高分辨率拉曼图像对比示意图;
图7所示为本发明一种拉曼成像***示意图;
图8示出了本发明实施例所涉及的计算机装置示意图。
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,下面将结合附图对本发明实施方案作进一步地详细描述。
首先,本发明公开一种拉曼成像方法,包括:
获取样品的拉曼光谱,所述拉曼光谱的获取方式是:扩大光谱仪扫描成像时的狭缝宽度或针孔直径、增加扫描步长,对样品进行扫描,从而获取样品的拉曼光谱;其中,所述狭缝宽度为20um~100um,所述针孔直径为20um~100um;所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述狭缝宽度或针孔直径。
需要说明的是,所述的样本包括在实际应用中需要获取拉曼图像的相关对象,所述狭缝宽度(20um~100um)和所述针孔直径(20um~100um)均是指狭缝宽度或针孔直径扩大之前的值。
这里所说的光谱仪扫描成像时的狭缝宽度或针孔直径是指目前常规传统的光谱仪扫描成像时的狭缝宽度或针孔直径。另外,需要说明的是,所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述狭缝宽度或针孔直径。在一种可能的实现中,当通过狭缝扫描成像时,所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述狭缝宽度。在另外一种可能的实现中,当通过针孔扫描成像时,所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述针孔直径。
设目前传统线扫描拉曼成像***的光学分辨为a纳米,设其光学放大倍数为b倍,对于特定样本获得清晰拉曼图像的单次扫描曝光时间为c秒。则为了获得尽可能高的光谱分辨率以及空间分辨率,常规拉曼成像***设定光谱仪狭缝宽度、光斑经过光学***在样品表面上的宽度、扫描步长、单次扫描曝光时间参数依次为a×b纳米,a纳米,a纳米和c秒。在本发明所提技术方案中,优选的,设定以上参数依次为m×a×b纳米,m×a纳米,n×a纳米(1<n≤m)和d秒(d<c)。其中,m为光谱仪成像时的狭缝宽度或针孔直径的扩大倍数,优选的,m范围为1~5。相比于传统的拉曼成像方法,本发明所提拉曼成像方法的成像速度能够提升n×d/c倍。而对于采用点扫描成像的光谱仪而言,本发明所提方法中通过扩大针孔直径为m倍,优选的,并设定以上参数依次为m×a×b纳米,m×a纳米,n×a纳米(1<n≤m)和d秒(d<c)来实现快速获取样品的拉曼光谱,优选的,m范围为1~5。进一步地,在一种可能的实际操作中,扫描步长增加1~m倍。
在一种可能的实际操作中,本实施例中所有拉曼成像数据均由日本NanoPhoto公司生产的线扫描拉曼成像***Raman-11获得。该拉曼***的光学分辨为0.4um,设其光学放大倍数为100倍,对特定样本获得清晰拉曼图像的单次扫描曝光时间为10s。则为了获得尽可能高的光谱分辨率以及空间分辨率,常规拉曼成像方法设定光谱仪狭缝宽度、光斑经过光学***在样品表面上的宽度、扫描步长和单次扫描曝光时间参数依次为40um,0.4um,0.4um和10s。沿扫描方向扫描14.8um区域,则其信号采集时间为370s,其光谱成像分辨率为0.4um。可选的,采用本发明技术方案时,设定光谱仪狭缝宽度、样品表面上的宽度、扫描步长和单次扫描曝光时间参数依次为120um,1.2um,0.8um和4s,则相比于传统的拉曼成像方法,本发明所提的拉曼成像方法扫过同等大小区域的进行信号采集的时间为72s,其成像速度提升了5倍。
上述实施例公开了一种可能的拉曼成像实施方式,即通过扩大光谱仪狭缝或针孔直径、扫描步长可以以较快的速度获得拉曼成像数据。但通过本步骤所获取的拉曼光谱的光谱分辨率以及拉曼图像的空间分辨率较低。
进一步地,本发明还公开一种拉曼光谱处理方法,该方法可提高由上述步骤所获得的拉曼光谱的光谱分辨率和拉曼图像空间分辨率。
如图1所示为本发明一种拉曼光谱处理方法示意图,示出了该方法的具体实施步骤,包括:
在步骤101中,对拉曼光谱进行去噪;
本步骤为了得到高信噪比的拉曼光谱,在一种可能的实现中,本发明将通过下述步骤对拉曼光谱进行去噪处理,包括:
(1)获取拉曼光谱去噪模型的训练数据集;
首先使用奇异值分解对拉曼光谱成像数据进行预处理,D=U∑VT,其中D∈Rm×w为拉曼成像数据矩阵,m为光谱采样点数,w为每条光谱长度;U和V均为正交矩阵,∑即为奇异值矩阵且为对角矩阵。保留2%奇异值,重构新的光谱成像数据得到
将按光谱采样顺序,转换为3维成像数据S∈Rx×y×w,该三维数据可理解为一系列单波数拉曼图像在波数轴上的堆栈。其中x和y为成像区域平面上的横向和纵向像素点数,w为每条光谱长度。将S在X-Y平面(即成像区域平面)上分割为K个p1,…pK∈R5×5×w三维成像数组块,每个数据块均包含有25个像素点的完整拉曼光谱。
拉曼光谱去噪模型的训练数据集的输入部分为上述三维成像数据块,输出部分为成像数据块的训练标签,所述训练标签为成像数据块中间点的拉曼光谱。
(2)根据所述训练数据集,基于神经网络算法,建立拉曼光谱去噪模型;
在一种可能的实际操作中,利用卷积神经网络进行训练弱监督训练。将上述所获取的拉曼光谱去噪模型的训练数据集中的数据块划分为训练集(30%)和验证数据集(70%),使用均方误差作为代价函数,Adam优化器,模型初始学习率设置为0.001,训练批量大小(Batch size)可设置为4或8,训练循环1次即可,最后保存在验证数据集上损失值最小的模型作为拉曼光谱去噪模型。如图2所示为本发明一种基于卷积神经网络所建立的拉曼光谱去噪模型进行去噪的示意图。
(3)采用所述拉曼光谱去噪模型降低所述拉曼光谱中的噪声。
通过上述步骤所建立的拉曼光谱去噪模型,将所获取的拉曼光谱输入到该去噪模型中以获得高信噪比的光谱数据。如图3所示为使用本发明技术方案对细胞的拉曼光谱进行去噪的一种结果示意图,其中3(a)所示为实际测得的细胞中的3个样本点的原始拉曼光谱,包括点301、点302和点303,这三个样本点分别依次对应图3(b)中所示采用本技术方案去噪后的拉曼光谱中的点304、点305和点306。
在步骤102中,对所述去噪后的拉曼光谱进行解卷积;
本步骤为了提高所述去噪后的拉曼光谱的光谱分辨率,在一种可能的实际操作中,图4所示为一种对拉曼图像进行解卷积后的效果示意图。其中,曲线401为使用150um的宽狭缝测得的细胞的拉曼光谱的部分谱峰,曲线403为使用50um的窄狭缝测得的同一细胞的拉曼光谱。可选的,采用使用基于最大似然的盲解卷积算法对曲线401所示原始光谱进行解卷积处理,得到如曲线402所示的解卷积后的光谱。通过解卷积处理,在原始数据中不能分开的谱峰,经过解卷积可以很好的区分开。可选的,使用Voigt函数生成初始的点扩散函数模型,迭代次数为20。
需要说明的是,在本步骤中,本发明技术方案除了可以采用上述解卷积方法,还可以采用包括基于智能优化算法等其他解卷积方法对所述去噪后的拉曼光谱进行解卷积,本发明技术方案并不以此为限。
在步骤103中,对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。
在一种可能的实现中,采用下述步骤对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像,包括:
(1)获取拉曼图像高分辨率重构模型的训练数据集;
容易理解的是,在建立重构模型之前,需要获取大量的训练数据集,包括高分辨率图像和低分辨图像。在一种可能的实际操作中,首先获取高分辨率的拉曼图像,然后通过人工降低所述高分辨率的拉曼图像的分辨率,获取低分辨率的拉曼图像。将所述低分辨率的拉曼图像和所述高分辨率的拉曼图像分别作为重构模型的训练数据集的输入部分和输出部分。
经过上述步骤101中的噪声处理和步骤102中的光谱解卷积,可以获得一个高信噪比低分辨率的拉曼图像。在一种可能的实际操作中,以细胞中的脂质(成像波数为2930cm-1)拉曼图像为例,模型的训练数据来源于使用Raman-11采集的癌细胞拉曼成像数据集。数据集包含295个细胞中脂质的高分辨率拉曼图像,采用人工降低分辨率的方式产生低分辨率图像。实际使用时,可选的,可将上述数据集随机划分为训练集(80%)、验证集(10%)、测试集(10%)。
(2)根据所述训练数据集,基于机器学习算法,建立拉曼图像高分辨率重构模型;
在一种可能的实际操作中,根据上述方法获得的训练数据集,基于机器学习算法,优选的,采用卷积神经网络算法,建立拉曼图像高分辨率重构模型。在可能的实现中,通过训练后得到的重构模型包含3个卷积层,每层含有128个卷积核,并采用Adam作为优化器,均方误差为代价函数,初始学习率为0.001,批量大小为20,训练循环100次,保存验证精度最高的模型,该模型即拉曼图像高分辨率重构模型。如图5为本发明中一种基于机器学习的拉曼图像高分辨率重构模型进行分辨率重构的示意图。
除了采用上述神经网络算法,可选的,还可以采用稀疏编码方法等机器学习算法建立所述拉曼图像高分辨率重构模型。
(3)采用所述拉曼图像高分辨率重构模型对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。
将所述经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像输入到通过上述步骤建立的拉曼图像高分辨率重构模型,输出经过重构后的高分辨率图像。在一种可能的实际操作中,如图6所示为低分辨率拉曼图像和高分辨率拉曼图像的对比示意图。其中,6(a)所示为高分辨率重构效果示意图,6(b)所示为使用常规拉曼成像方法得到的高分辨率图像的结果。通过图6可以看出,低分辨图像经过重构后其空间分辨率提高2倍。在保证同等空间分辨率的情况下,本发明的成像时间仅为72s,是常规方法的1/5。需要说明的是,本发明技术方案中通过对拉曼图像分辨率进行重构,其在空间分辨率上可以达到***光学分辨率的极限,重构效果非常好。
容易理解的是,从图1所对应的步骤101至步骤103中的实施例中所涉及的具体数值仅为一种可能的设置情况,还可根据实际情况进行调整,本发明技术方案并不作限制。
需要说明的是,图1所对应的拉曼光谱处理方法,不仅适用于本发明中所述的通过扩大光谱仪扫描成像时的狭缝宽度或针孔直径、增加扫描步长的方法所获取到的样品拉曼光谱数据,还可用于通过其他方式所获取的拉曼光谱相关数据。
本实施例首先通过扩大传统光谱仪的狭缝宽度或针孔直径、增大扫描步长,对样品进行扫描,获取样品的拉曼光谱;然后对所述拉曼光谱进行去噪;接着对所述去噪后的拉曼光谱进行解卷积;最后对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。本发明技术方案提出通过扩大传统光谱仪成像时的狭缝宽度或针孔直径,增加了光谱仪的光通量。这使得我们可以采用更大扫描步长和更短的曝光时间来扫描样品,提高拉曼成像速度。进一步地,本发明使用了基于机器学习的信号处理算法处理成像数据,提升拉曼图像的分辨率。因此,本发明可以以很快的成像速度获取高分辨率的拉曼图像。其中,拉曼成像速度得到提升的原因主要包括:增大了扫描步长,使得实验者可以以较少采样次数完成对样品地扫描;光谱仪狭缝宽度增加或针孔直径变大可以使得更多的拉曼信号被光谱仪获取,在此基础上,采用更短的曝光时间来扫描样品,依然能够获得理想的信号强度。
如图7所示为本发明一种拉曼成像***示意图,包括:
光谱仪701和计算机装置702,所述光谱仪701和所述计算机装置702通过有线连接或无线连接进行通信。
所述光谱仪,用来采集样品的拉曼光谱。所述拉曼光谱的采集方式是:扩大光谱仪扫描成像时的狭缝宽度或针孔直径,增加扫描步长,对样品进行扫描,从而获取样品的拉曼光谱;其中,所述狭缝宽度为20um~100um,所述针孔直径为20um~100um;所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述狭缝宽度或针孔直径。
需要说明的是,所述光谱仪,还和激发光路、收集光路、激发光源等必要元素共同组成拉曼光谱成像装置。
所述计算机装置702,包括处理器和存储器,接收所获取的所述拉曼光谱。所述存储器存储有至少一段程序。所述程序由所述处理器执行以实现如图1所对应的拉曼光谱处理方法,对所述拉曼光谱进行处理。其中,具体的拉曼光谱处理方法参见上述方法实施例,此处不再赘述。
图8示出了本发明实施例所涉及的计算机装置702的示意图,该装置主要包括处理器801、存储器802和总线803。所述存储器存储有至少一段程序,所述程序由所述处理器执行以实现如上述方法实施例所述的拉曼光谱处理方法。
处理器801包括一个或一个以上处理核心,处理器801通过总线803与存储器802相连,存储器802用于存储程序指令,处理器801执行存储器802中的程序指令时实现上述方法实施例提供的拉曼光谱处理的方法。
可选的,存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随时存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
本发明还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现上述方法实施例提供的拉曼光谱处理的方法。
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的拉曼光谱处理的方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储与一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用于以限制发明,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 (8)
1.一种拉曼成像方法,其特征在于,包括:
获取样品的拉曼光谱,所述拉曼光谱的获取方式是:扩大光谱仪扫描成像时的狭缝宽度或针孔直径、增加扫描步长,对样品进行扫描,从而获取样品的拉曼光谱;其中,所述狭缝宽度为20um~100um,所述针孔直径为20um~100um;所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述狭缝宽度或针孔直径;所述狭缝宽度和所述针孔直径均是指狭缝宽度或针孔直径扩大之前的值;
根据获取的所述拉曼光谱,执行如下所述的拉曼光谱处理方法:
对拉曼光谱进行去噪;
对所述去噪后的拉曼光谱进行解卷积;
对经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。
2.根据权利要求1所述的拉曼成像方法,其特征在于,所述对拉曼光谱进行去噪,包括:
获取拉曼光谱去噪模型的训练数据集;
根据所述训练数据集,基于神经网络算法,建立拉曼光谱去噪模型;
采用所述拉曼光谱去噪模型降低所述拉曼光谱中的噪声。
3.根据权利要求1所述的拉曼成像方法,其特征在于,对所述去噪后的拉曼光谱进行解卷积,包括:
采用基于最大似然的盲解卷积算法对所述去噪后的拉曼光谱进行解卷积。
4.根据权利要求1所述的拉曼成像方法,其特征在于,对所述经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像,包括:
获取拉曼图像高分辨率重构模型的训练数据集;
根据所述训练数据集,基于机器学习算法,建立拉曼图像高分辨率重构模型;
采用所述拉曼图像高分辨率重构模型对所述经过去噪和解卷积后的拉曼光谱所对应得到的拉曼图像进行重构得到高分辨率拉曼图像。
5.根据权利要求4所述的拉曼成像方法,其特征在于,所述获取拉曼图像高分辨率重构模型的训练数据集,包括:
获取高分辨率的拉曼图像;
通过人工降低所述高分辨率的拉曼图像的分辨率,获取低分辨率的拉曼图像;
将所述低分辨率的拉曼图像和所述高分辨率的拉曼图像分别作为重构模型的训练数据集的输入部分和输出部分。
6.根据权利要求4所述的拉曼成像方法,其特征在于,所述根据所述训练数据集,基于机器学习算法,建立拉曼图像高分辨率重构模型,包括:
根据所述训练数据集,基于神经网络算法或稀疏编码方法,建立拉曼图像高分辨率重构模型。
7.根据权利要求1所述的拉曼成像方法,其特征在于,所述扩大光谱仪扫描成像时的狭缝宽度或针孔直径,包括:
扩大光谱仪扫描成像时的狭缝宽度或针孔直径至其m倍,扫描步长增加1~m倍,m范围为1~5。
8.一种拉曼成像***,其特征在于,包括:
光谱仪和计算机装置,所述光谱仪和所述计算机装置通过有线连接或无线连接进行通信,
所述光谱仪,采集样品的拉曼光谱,所述拉曼光谱的采集方式是:扩大光谱仪扫描成像时的狭缝宽度或针孔直径、增加扫描步长,对样品进行扫描,从而获取样品的拉曼光谱;其中,所述狭缝宽度为20um~100um,所述针孔直径为20um~100um;所述扫描步长与光学成像***的光学放大倍数的乘积小于或等于所述狭缝宽度或针孔直径;所述狭缝宽度和所述针孔直径均是指狭缝宽度或针孔直径扩大之前的值;
所述计算机装置,包括处理器和存储器,接收所获取的所述拉曼光谱,所述存储器存储有至少一段程序,所述程序由所述处理器执行以实现如权利要求1至7任一所述的拉曼光谱处理方法,对所述拉曼光谱进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811588950.5A CN109785234B (zh) | 2018-12-25 | 2018-12-25 | 一种拉曼成像方法、***以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811588950.5A CN109785234B (zh) | 2018-12-25 | 2018-12-25 | 一种拉曼成像方法、***以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109785234A CN109785234A (zh) | 2019-05-21 |
CN109785234B true CN109785234B (zh) | 2021-04-16 |
Family
ID=66498089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811588950.5A Active CN109785234B (zh) | 2018-12-25 | 2018-12-25 | 一种拉曼成像方法、***以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785234B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650180B (zh) * | 2020-06-08 | 2021-07-16 | 西安电子科技大学 | 一种基于信号编码和空间压缩的拉曼光谱成像*** |
CN114022465B (zh) * | 2021-11-11 | 2024-03-08 | 中国科学院青岛生物能源与过程研究所 | 基于单细胞拉曼技术的益生菌活菌测量方法及其试剂盒 |
CN114417937B (zh) * | 2022-01-26 | 2024-06-14 | 山东捷讯通信技术有限公司 | 一种基于深度学习的拉曼光谱去噪方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7123358B2 (en) * | 1999-07-19 | 2006-10-17 | Chemimage Corporation | Method for Raman imaging of semiconductor materials |
CN103217409B (zh) * | 2013-03-22 | 2015-02-18 | 中国科学院重庆绿色智能技术研究院 | 一种拉曼光谱预处理方法 |
US9726542B2 (en) * | 2014-11-18 | 2017-08-08 | Raytheon Company | Multi-mode imaging spectrometer |
CN105354799A (zh) * | 2015-09-22 | 2016-02-24 | 华中师范大学 | 一种盲目反卷积红外光谱图超分辨率复原方法 |
-
2018
- 2018-12-25 CN CN201811588950.5A patent/CN109785234B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109785234A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Low-dose x-ray tomography through a deep convolutional neural network | |
CN109785234B (zh) | 一种拉曼成像方法、***以及装置 | |
US12029594B2 (en) | Systems and methods for enhanced imaging and analysis | |
Zhou et al. | What are good apertures for defocus deblurring? | |
JP2019110120A (ja) | 顕微鏡画像の再構成およびセグメント化のための遠隔深層学習のための方法、装置、およびシステム | |
EP2660639A1 (en) | Method and apparatus for single-particle localization using wavelet analysis | |
Mohan et al. | Deep denoising for scientific discovery: A case study in electron microscopy | |
CN112465701A (zh) | 显微图像的深度学习超分辨率重建方法、介质及电子设备 | |
CN111310903A (zh) | 基于卷积神经网络的三维单分子定位*** | |
Falahkheirkhah et al. | Deep learning-based protocols to enhance infrared imaging systems | |
KR102396261B1 (ko) | 이미징 잡음 감소 시스템 및 방법 | |
Boland et al. | Improving axial resolution in Structured Illumination Microscopy using deep learning | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和*** | |
CN107180418A (zh) | 一种基于Tetrolet变换的遥感图像增强方法及装置 | |
CN111292256A (zh) | 一种基于显微高光谱成像的纹理增强算法 | |
CN106951918B (zh) | 一种用于冷冻电镜分析的单颗粒图像聚类方法 | |
CN115984107B (zh) | 自监督多模态结构光显微重建方法和*** | |
Rasal et al. | Mixed Poisson Gaussian noise reduction in fluorescence microscopy images using modified structure of wavelet transform | |
Haq et al. | Block-based compressed sensing of MR images using multi-rate deep learning approach | |
CN106952233B (zh) | 荧光多分子定位方法、装置以及超分辨成像方法、*** | |
CN111402210B (zh) | 一种单分子荧光信号图像的超分辨定位方法及*** | |
CN115689880A (zh) | 一种基于fsrcnn的荧光显微图像超分辨方法 | |
CN109325914B (zh) | 分子定位超分辨成像的降噪方法、装置及终端设备 | |
Quintana et al. | Blur-specific no-reference image quality assesment for microscopic hyperspectral image focus quantification | |
Guo et al. | A multichannel cross-modal fusion framework for electron tomography |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Lei Inventor after: He Hao Inventor after: Ren Bin Inventor before: Wang Lei Inventor before: Ren Bin Inventor before: He Hao |
|
GR01 | Patent grant | ||
GR01 | Patent grant |