[发明专利]一种基于稀疏分解与景深估计的神经元提取方法及装置

权利要求书

1.一种基于稀疏分解与景深估计的神经元提取方法，其特征在于，所述方法包括：

S1、输入原始图像视频数据；

S2、利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；

S3、计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；

S4、将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；

S5、求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化；

所述S5，具体包括：

S51、固定神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；

S52、固定步骤S51得到的神经元的空间位置及形状大小，利用在线有效集算法，求解得到神经元的动作电位及时序变化；

S53、重复步骤S51-S52直到交替迭代结束，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化；

所述S51，具体包括：

固定所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数：

(8)

其中，P为所有神经元的空间位置及形状大小，具有稀疏性和空间局部性，C为所有神经元的动作电位，上标符号^为当前参数估计值；

采用快速分层交替最小二乘算法求解P的目标函数, 对C中每个神经元均进行如下运算操作：

(9)

其中，, 上标符号T为转置运算，k=1,...,K，K为C中所有神经元数目，迭代上述运算直至迭代结束；

所述S52，具体包括：

固定步骤S51得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位C及时序变化T的目标函数构建为：

 (10)

其中，，，t_k为神经元时间动态变化中所产生的冲击次数，具有稀疏性，G^(k)为二阶回归系数，利用二阶回归过程对每个神经元的时间动态活动性进行建模；

采用在线有效集算法求解神经元动作电位C及时序变化T的目标函数，对每个神经元进行如下迭代运算操作：

（11）

其中，池化变量，池化长度，为G的自相关系数，更新权重，q_k初始设置为，迭代此运算以求解得到神经元动作电位C及时序变化T。

2.根据权利要求1所述的方法，其特征在于，所述S2，具体包括：

对输入原始图像视频数据V中的神经元信号S和背景L进行稀疏分解，对应的目标函数表示为：

（1）

其中，和分别为核范数与L₀范式，为平衡神经元信号稀疏性与背景低秩性的权重参数；

利用增广拉格朗日乘子法交替迭代求解S与L的目标函数：

固定神经元信号S，求解背景L：

（2）

其中，和分别为奇异值阈值操作和软阈值操作，A和B是奇异值阈值操作的正交矩阵，是奇异值阈值操作的阈值参数，j和分别为迭代次数和平衡权重参数，X为像素点坐标矩阵，Y_j为残差及噪声；

固定当前背景L，求解神经元信号S：

（3）

其中，为平衡权重参数；

更新残差及噪声Y：。