Advertisement

NMF的MATLAB代码-Blind_Unmixing_NMF_RI:用于高混合多光谱流和图像细胞计数的光谱分解MATLAB代码...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:ZIP


简介:
这段MATLAB代码实现了基于非负矩阵分解(NMF)的盲解混算法,专门针对高复杂度的多光谱流式数据及图像进行高效的光谱解析与细胞自动计数。 动机:多重免疫染色与多光谱细胞术的最新进展为同时可视化液体及固体样品中的众多生物标记提供了可能。然而,正确地分解荧光线发射是一项具有挑战性的任务,并通常需要通过对照样本中各个荧光染料的表征来进行。 随着用于分析的荧光染料数量增加,实验所需的时间和试剂成本也随之上升。因此,在此我们提出了一种完全无监督的方法来实现盲谱解混,以分离高度混合的数据集中的荧光线发射,并且无需依赖对照样本进行操作。 为达成这一目标,我们在现有的非负矩阵分解方法基础上进行了扩展并引入了几个关键改进:基于理论光谱图的初始化、自动选择“稀疏”数据以及使用多层优化器来重新初始化。我们的算法已通过合成数据进行了详尽测试,并在不同水平上验证其有效性。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • NMFMATLAB-Blind_Unmixing_NMF_RIMATLAB...
    优质
    这段MATLAB代码实现了基于非负矩阵分解(NMF)的盲解混算法,专门针对高复杂度的多光谱流式数据及图像进行高效的光谱解析与细胞自动计数。 动机:多重免疫染色与多光谱细胞术的最新进展为同时可视化液体及固体样品中的众多生物标记提供了可能。然而,正确地分解荧光线发射是一项具有挑战性的任务,并通常需要通过对照样本中各个荧光染料的表征来进行。 随着用于分析的荧光染料数量增加,实验所需的时间和试剂成本也随之上升。因此,在此我们提出了一种完全无监督的方法来实现盲谱解混,以分离高度混合的数据集中的荧光线发射,并且无需依赖对照样本进行操作。 为达成这一目标,我们在现有的非负矩阵分解方法基础上进行了扩展并引入了几个关键改进:基于理论光谱图的初始化、自动选择“稀疏”数据以及使用多层优化器来重新初始化。我们的算法已通过合成数据进行了详尽测试,并在不同水平上验证其有效性。
  • NMF-RIMatlab离及
    优质
    本研究开发了一种基于NMF-RI算法的Matlab工具,专门用于图像盲源分离和解析复杂生物医学数据中的多光谱信息,以实现精确的细胞计数。 图像盲分离matlab代码NMF-RI:高度混合的多光谱流和图像细胞计数数据的盲光谱分离。 此存储库包含以下官方MATLAB实现: NMF-RI:在高混杂度下从多光谱流动与图像细胞计数数据中进行无监督盲源荧光发射分离。 该方法由Daniel Jiménez-Sánchez、Mikel Ariz(同等贡献)、José Mário Morgado、Iván Cortés-Domínguez和Carlos Ortiz-de-Solórzano提出。 动机:多重免疫染色与多光谱细胞计数技术的进步,使得同时在液体及固体样本中可视化前所未有的生物标志物成为可能。然而,在这些复杂的环境中准确分离荧光发射是一个极具挑战性的任务,并通常需要通过控制样品中的单一荧光染料来进行表征。随着使用的荧光染料数量增加,相关的时间成本与试剂消耗变得极其高昂。 在此背景下,我们提出了一种全新的无监督盲源分离方法,能够在无需对照样本的情况下从高度混合的光谱数据中有效分离出不同荧光发射信号。这一创新基于非负矩阵分解技术,并引入了几个关键改进:理论光谱初始化、自动选择“稀疏”部分进行优化以及多层重新初始化策略的应用。 结果展示:我们的算法通过合成数据集进行了详尽验证。
  • Matlab-ICCCT-2019
    优质
    本资源提供了一套用于高光谱图像解混的MATLAB代码,适用于参与或研究于2019年ICCCT会议的相关学者和技术人员使用。 高光谱图像中的端元提取算法基于Spearman秩相关 高光谱解混(HU)是估计一幅图象内所有像素的纯光谱特征集及其合并比例的关键步骤,对于进行有效的高光谱分析、可视化及理解至关重要。由于高光谱数据固有的复杂性,从图像中准确地提取一组纯净签名作为端元具有很大的挑战性。近年来,人们尝试使用基于凸性的或正交投影的方法来解决这一问题。 本段落介绍了一种新的算法,该算法利用Spearman秩相关(SRC)探索了基于凸性的方法在高光谱端元提取中的应用。通过合成数据集和真实世界的数据集对该算法进行了评估。实验结果显示,在这些测试中所提出的算法有效减少了光谱角度误差(SAE)以及光谱信息发散度(SID)。此外,该算法提取的端元与地面实况(GT)端元高度相关。 这项研究展示了Spearman秩相关在高光谱数据处理中的应用潜力,并为解决这一领域的挑战提供了新的视角。
  • MATLAB-ET2ECN_2020:ET2ECN_2020
    优质
    ET2ECN_2020是基于MATLAB开发的一套用于处理高光谱图像的端元检测和丰度估计算法的开源代码,适用于遥感与环境监测等领域。 高光谱图像端元提取的MATLAB代码:基于凸几何与K均值算法 在高光谱数据处理领域,解混是一项关键任务,旨在从所有像素中近似纯类型的光谱特征及其组合比例。这一过程对于深入理解、研究和可视化高光谱图像至关重要。然而,在实际操作中提取这些纯净的光谱特征极具挑战性。 本段落提出了一种结合凸几何与K均值聚类技术的新方法来实现端元提取,相较于传统仅依赖于凸几何的方法,该算法提升了精度。文中详细比较了所提算法与其他先进算法在模拟数据集和真实世界数据集上的表现,并通过仿真结果展示了新方法的优势。 论文标题为《使用凸几何和K均值的高光谱端元提取算法》(作者:ShahD.、ZaveriT.、DixitR., 2020)。该研究作为GuptaS. 和 SarvaiyaJ. 编辑的“电子、通信与网络新兴技术趋势”一书的一部分,收录于《计算机和信息科学通讯》第1214卷中。
  • ATGP_;PCA.rar
    优质
    本资源包包含用于处理高光谱图像的代码和文档,重点介绍了基于PCA的高光谱数据降维及混合像元分解技术,适用于科研与教学。 高光谱图像;高光谱分解_PCA;混合像元分解;高光谱源码.rarrar
  • Matlab-SpectralSuperResolution: 辨率
    优质
    SpectralSuperResolution是一款用于执行高光谱图像分解的Matlab工具。它通过先进的算法提供高效的光谱超分辨率处理,增强图像细节和质量。 该存储库包含了用于高光谱数据的光谱超分辨率设计的MATLAB代码与脚本。所提出的方法通过运用稀疏表示(SR)学习框架,从低分辨率形式中合成出具有高光谱分辨率的三维数据立方体。基于SR框架,各种低和高光谱分辨率的数据立方体可以被表达为来自已学过的过完备字典元素的稀疏线性组合。 所提出的方案性能通过使用EO-1 NASA Hyperion卫星获取的夏威夷岛2015年8月30日的高光谱场景进行评估。该场景覆盖了可见光和近红外范围内的67个波段,从436.9到833.83纳米。 对于字典训练阶段,我们设计了一种基于ADMM稀疏耦合字典学习方案来建模高光谱分辨率与低光谱分辨率的特征空间。通过使用10万个训练数据对(包括高低两种分辨率的数据立方体),我们构建了包含512个代表元素的词典。
  • Shred: 从RGB估算Matlab
    优质
    Shred是一款基于Matlab开发的工具,旨在通过RGB多光谱图像高效生成高质量的高光谱数据。适用于科研与遥感领域。 RGB/多光谱的高光谱估计过程是由B. Arad和O. Ben-Shahar在论文“Sparse Recovery of Hyperspectral Signal from Natural RGB Images”中描述,并通过MATLAB实现的。有关更多详细信息,可以在本·古里安大学找到。如果您在工作中使用此代码,请引用该文献:Arad, B., & Ben-Shahar, O. (2016). Sparse Recovery of Hyperspectral Signal from Natural RGB Images. In European Conference on Computer Vision (ECCV) proceedings.
  • 在线MATLAB-Online-Unmixing-PLMM:基变异性时段处理
    优质
    本项目提供了一套用于多时段高光谱图像在线解混的MATLAB代码,采用具有光谱变异性的PLMM模型,旨在提升高光谱数据分析效率和精度。 高光谱图像分离的MATLAB代码描述了处理多时相高光谱图像在线解混的方法,并考虑到了光谱可变性的影响。相关方法由P.-A.Thouvenin、N.Dobigeon和J.-Y.Tourneret在《IEEE Transactions on Image Processing》期刊上发表,卷25,第9期,页码3979-3990,出版日期为2016年9月。 实验说明:为了运行文章中报告的真实数据上的代表性实验,请配置并执行main.m脚本。依赖关系:当前代码包含了由相关作者开发的MATLAB函数,并参考了以下文献中的描述: [1] J.M.Nascimento和J.M.Bioucas-Dias,顶点分量分析:一种分离高光谱数据的快速算法, IEEE Transactions on Geoscience and Remote Sensing, 卷43, 第4期,页码898-910,2005年4月。 [2] J.M.Bioucas-Dias和M.A.T.Figueiredo,“约束稀疏回归”,未提供具体文献信息。
  • 拉曼MATLAB-Raman_spectroscopy: 处理
    优质
    本项目提供了一系列用于高光谱图像处理的MATLAB代码,专注于拉曼光谱分析,旨在简化数据处理流程,便于科研人员和工程师进行深入研究。 拉曼光谱的MATLAB代码用于处理由WiTECControl4软件生成的高光谱图像数据。这些图像是每个像素都有特定光谱强度值的数据集,根据不同的波数对像素进行颜色编码。该存储库最初是为了分析陨石中有机材料的拉曼图像而设计,但适用于任何类型的材料。 要使用此处理管道,请下载本存储库中的所有代码和示例文件。这些代码基于马里兰大学Thomas C. OHaver博士的工作,并在此表示感谢。 在该存储库中,您可以找到用于分析收集到的数据的各种脚本。目前使用的脚本是跨语言的(即部分使用Python编写,另一些则用MATLAB)。考虑到可能有人不希望或无法使用MATLAB, 我正在努力实现一个完整的处理流程版本仅限于单一编程语言。 感谢您的耐心等待和任何提供的反馈!
  • 优质
    高光谱图像的混合像素分解研究旨在通过精确解析和分离复杂地物混合信息,提高遥感图像分类精度与细节表现力。此技术对于环境监测、地质勘探等领域具有重要意义。 高光谱图像在遥感技术领域占据重要地位。通过混合像元分解可以得到该类图像的平均光谱特性曲线。本段落将详细讲解混合像元分解的过程,并使用ENVI软件进行相关处理与分析。 首先,我们需要理解什么是混合像元分解:这是一种从复杂的数据中提取纯净和混杂像素的技术手段,在高光谱图象中每个像素点包含多种物质的信息,而纯像素则是仅含有单一物质信息的像素。通过这一过程可以获取到图像中的平均光谱曲线。 端元提取是该流程的第一步,其目标是从图像数据集中分离出代表纯净成分的样本。基于PPI(Pixel Purity Index)的方法是一种常用的技术手段来实现这一点。 接着,在计算PPI时,需要对高光谱数据执行MNf 变换以减少维度,并运用特定算法确定每个像素点的纯度值。通过设定阈值范围,我们可以识别出那些较为纯净的目标区域和对应的样本。 n维可视化是该流程中的第二步。它涉及选择四个波段构建五维散点图来展示光谱信息,在这个过程中我们可以通过观察图形挑选端元,并剔除噪声影响的数据。 在确定了端元之后,下一步就是丰度解混过程,即通过计算每个像素的成分比例将其分解为纯净和混合像元。同时选择适当的算法参数进行分类操作以区分不同的物质类别。 总而言之,混合像元分解是高光谱图像处理的关键技术之一,它能够帮助我们更好地理解并应用这些复杂的数据集。