拉曼成像是一种无损伤、 无需标记的光谱成像技术, 在生物医学领域得到了广泛的应用。 然而, 由于大多数生物样本中的自发拉曼信号都很弱, 为了获得较好的成像结果, 需要较长的时间来获取高信噪比的拉曼光谱, 严重影响了拉曼成像的时空分辨率, 阻碍了其在快速动态体系中的应用。 多通道拉曼成像是解决这一问题的有效途径之一, 在多通道拉曼成像技术中, 完整拉曼光谱的标定-重建算法是关键。 目前, 适用于光谱重建的算法有伪逆法、 Wiener估计算法等, 这些方法虽然简单且易于实现, 但是在应用于多通道拉曼成像时, 一方面易受噪声、 振动等非线性因素的直接干扰, 另一方面在多通道拉曼成像中, 数量相对较少的训练样本和坏样本的存在均很容易影响重建效果。 为解决这两类因素的影响, 本文提出了一种基于训练样本优化和主成分分析(PCA)的拉曼光谱重建算法。 首先, 利用滤光片理论响应矩阵函数计算训练样本的模拟窄带测量值, 借助Wiener估计重建完整拉曼光谱, 得到重建光谱的模拟窄带测量值, 比较样本与重建光谱的窄带测量值, 完成训练样本的优化; 然后, 基于多项式回归, 拓展优化处理后的窄带测量值, 降低非线性因素的干扰; 最后, 利用主成分分析, 提取训练样本主要信息, 完成转移矩阵的计算, 并引入归一化处理, 实现拉曼光谱的快速重建。 在试验中, 选取有机玻璃(PMMA)作为实验样本, 利用伪逆法、 Wiener估计算法和本算法, 分别完成拉曼光谱重建。 采用均方根误差, 评价拉曼光谱的重建精度。 结果证明, 该算法优于传统算法, 为拉曼成像技术进一步在快速动态体系中的应用提供了理论支持。

拉曼成像是一种无损伤、 无需标记的光谱成像技术, 它可以提供样品的不同组分的分子指纹信息以及空间分布特征, 相比其他成像技术有着更重要的应用。 但是拉曼散射的截面积小, 灵敏度低, 加上在很多实验中为了观察某些组分的动态分布而缩短扫描时间, 导致最终得到的成像数据被噪声干扰, 因此往往需要对信号进行去噪处理。 常规的算法一般都是基于一个给定的数学模型对光谱进行处理, 容易造成过滤波, 使得信号失真； 另外, 在处理拉曼成像数据时, 常规算法往往是对数据进行逐条光谱去噪, 从而忽略了多条光谱之间的相互关系, 导致最终的拉曼图像仍然受许多噪点干扰。 因此, 提出了一种基于奇异值分解和中位数绝对偏差的拉曼成像的信号处理方法, 用于拉曼成像数据的去噪处理。 该方法首先对拉曼成像数据进行奇异值分解, 获得一个奇异值矩阵与两个正交矩阵； 然后通过中位数绝对偏差法对奇异值矩阵中的各奇异值进行离群值检测, 选取前k个被连续标记的离群值作为要保留的奇异值, 并将其余的奇异值赋值为零, 得到新的奇异值矩阵； 最后用新的奇异值矩阵与两个正交矩阵重新求解得到去噪后的拉曼成像数据。 实验中, 首先验证了中位数绝对偏差法确定前k个奇异值的正确性, 其次分别从处理后的图像质量和信号波形两方面对比了该算法与常规算法的去噪效果。 结果证明, 中位数绝对偏差法可以快速地确定出合理的k值大小, 而且, 依据该k值处理后的成像数据不仅在成像质量上消除了大量的噪点, 使得组分的空间分布特征清晰可见, 也在信号波形上较完美地保留了微小谱峰, 并恢复光谱信号。 该算法不同于常规算法, 能同时对整个拉曼成像数据进行处理, 并保留光谱之间的统计特征, 是一种更加有效的拉曼成像数据的去噪方法。