【数据融合】千亿体素多维荧光成像结合单像素检测和数据融合（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

文章来源：

摘要：时间分辨荧光成像是生物医学应用中的关键工具，因为它可以非侵入性地获取功能和结构信息。然而，大量收集的数据在采集速度和处理需求方面带来挑战。在这里，我们介绍了一种新颖的技术，可以在快速方式下只测量数据集的0.03%的情况下获取千亿体素的4D超立方体。该系统将两个单像素相机和一个传统的2D阵列探测器并行工作。数据融合技术被引入，以将每个传感器获取的单独的2D和3D投影组合在一起，形成最终的高分辨率4D超立方体，可用于根据其光谱和时间特征识别不同的荧光物种。

在过去几十年中，光学系统收集的数据量呈指数增长。如今，生物成像研究人员不仅对获得高分辨率（超过数百万像素）的图像感兴趣，还对测量光的其他物理特性，如偏振、波长和荧光寿命感兴趣。此外，当前的生物研究从研究薄微观2D样本到体内完整生物体，需要3D、快速和高维成像系统。

数据量的增加提出了几个挑战。首先，成像系统需要具有不仅能感知光强度，还能感知其他物理参数（波长、偏振、时间分辨衰减等）和实时运行的能力。当前的探测器和电子技术主要受到探测器仅对光强度敏感以及构建传感器时的技术限制的限制。制造业将限制可以安装在给定传感器尺寸中的像素数量，并且工作条件（冷却、电源供应等）会在可以测量的物理参数数量和任何组合的帧率、像素大小、敏感度、量子效率和像素数量之间产生权衡。另一个主要挑战是，即使可以使用合适的规格构建多维系统，生成的数据量往往如此庞大，以至于传输、存储和计算能力方面的瓶颈限制了这些系统在实时环境中的性能。

最近，单像素（SP）成像系统被提出作为解决某些限制的方法。SP相机使用单桶探测器和空间光调制器（SLM）。SLM用于通过使用编码掩模对场景进行采样，掩模与场景之间的叠加总强度由探测器使用一个像素测量。与使用数百万像素提供清晰图像的传统相机相比，单像素成像系统将空间采样过程转移到SLM上。通过这样做，可以使用简单而极其专业化的探测器，从而构建非常高效的多维系统。此外，SP系统中的图像恢复非常适合信号处理技术，如压缩感知或机器学习，有助于减轻上述数据处理障碍。然而，SP系统并非没有限制。由于SLM需要生成多个掩模来对场景进行采样，SP系统具有顺序性质，并因此受到空间分辨率和帧率之间的权衡限制。

📚2 运行结果

部分代码：

%% Base functions definitions (used to build objective function and its gradient)

bf.S = @(x)specInt(x);                          %Integrate all lambdas
bf.St = @(x)specDeInt(x, Res.specHigh);         %Generate new spectral channels replicating available one
bf.T = @(x)timeInt(x);                          %Integrate all times
bf.Tt = @(x)timeDeInt(x, Res.tempHigh);         %Generate new time channels replicating available one
bf.K = @(x) spaceResample(x,Res.spatLow);       %Downsample in spatial domain
bf.Kt = @(x) spaceResample(x,Res.spatHigh);     %Upsample in spatial domain

%% Create initial estimation
%%%%%Random initial estimation%%%%%
init = ones(Res.specHigh,Res.tempHigh,Res.spatHigh,Res.spatHigh)...
    + 0.1*randn(Res.specHigh,Res.tempHigh,Res.spatHigh,Res.spatHigh);
Xnew = init/norm(init(:)); %Normalize proposed solution
clear aux_pmt aux_spec init

%%Show initialization
figure(1)
% set(gcf, 'Units', 'Normalized', 'OuterPosition', [0 0 1 1]);
subplot(2,2,1)
imshow(squeeze(sum(sum(Xnew,1),2)),[],'Colormap',parula); axis square; colorbar; title('Intensity image');
subplot(2,2,2)
imshow(squeeze(mean(mean(Xnew(:,:,Data.Uidx),3),4)),[],'YData',Data.lambda,'XData',Data.time,'Colormap',parula); 
axis square; axis on; colorbar; title('Spectra of U'); xlabel('Time [ns]'); ylabel('\lambda [nm]')
subplot(2,2,3)
imshow(squeeze(mean(mean(Xnew(:,:,Data.Jidx),3),4)),[],'YData',Data.lambda,'XData',Data.time,'Colormap',parula); 
axis square; axis on; colorbar; title('Spectra of J'); xlabel('Time [ns]'); ylabel('\lambda [nm]')
subplot(2,2,4)
imshow(squeeze(mean(mean(Xnew(:,:,Data.Iidx),3),4)),[],'YData',Data.lambda,'XData',Data.time,'Colormap',parula); 
axis square; axis on; colorbar; title('Spectra of I'); xlabel('Time [ns]'); ylabel('\lambda [nm]')
% sgtitle('Initial estimate')
drawnow

%% Normalize meaasurements
PMT = PMT*norm(tens2vec(bf.K(bf.S(Xnew))))/norm(PMT(:));
SPEC = SPEC*norm(tens2vec(bf.K(bf.T(Xnew))))/norm(SPEC(:));
CCD = CCD*norm(tens2vec(bf.S(bf.T(Xnew))))/norm(CCD(:));

%% Prepare regularization, define parameters and functions
%%%%%Regularization parameters%%%%%
reg.beta = 1;            % Comparison with high-res temporal data term
reg.gamma = 1;           % Comparison with high-res spectral data term
reg.epsilon = 2;         % Comparison with high-res spatial data term
 

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文章