红外显微成像技术是近年来发展迅猛的一项新兴微区分析技术,具有较高的空间分辨率和光谱分辨率,能够在不破坏样品原始结构前提下探测样品表面的化学组成及其分布信息,因而被广泛应用于生物医学、法庭科学、食品安全、材料科学等诸多领域。而无论是应用哪个领域,往往都需要获得感兴趣物质的组分及分布信息作为深入分析的依据。现有的红外显微图像的信息提取技术大多数局限于单变量分析方法,无法完整有效地获取红外光谱中的大量有用信息,限制了红外显微成像技术的应用。本文在研究红外显微成像原理与数据特点基础之上,重点研究了通用的红外显微图像信息提取方法,论文的主要研究成果如下:1.复杂混合物的光谱存在严重的谱峰重叠,需要利用光谱剥离技术从中提取和剥离出单一组分的光谱特征信息。针对二阶导数光谱剥离技术对光谱的噪声信号敏感,提出了基于主成分分析和二阶导数的信息提取方法。通过选择与化学组分相关的少数主成分重构红外显微图像,可以在一定程度提高光谱信噪比。本文方法在主成分分析之后对光谱进行二阶导数处理,能够有效克服二阶导数光谱对干扰噪声敏感的缺点,更好地剥离出感兴趣组分的分布信息。2.光谱分解方法可以可视化提供样品显微结构特征和化学组分信息。针对主成分分析的光谱分解方法需要先将二维空间图像变成单一像素方向,才能构造协方差矩阵,不仅丢失了像素的邻域信息,而且增加了计算复杂度,本文提出了基于二维主成分分析(2DPCA)的光谱分解方法,它可以直接利用红外显微图像列(行)像素对应的二维光谱矩阵来构造广义协方差矩阵,能够大大降低了光谱分解的复杂度,提高光谱分解效率,可以实现光谱数据的快速分解。3.针对不同的投影特征向量对聚类的贡献程度不同,提出了基于加权二维主成分分析-模糊C-均值(W2DPCA-FCM)的信息提取方法。该方法首先采用2DPCA实现光谱数据的特征的快速提取,再利用特征值对输入FCM的特征向量进行加权,以突出不同投影特征向量对聚类的贡献。实验结果表明所提算法可以减少计算时间、提高聚类精度,是一种有效的红外显微图像信息提取方法。4.针对红外显微图像的特点,将波段信息量与相关性相结合,提出了一种基于最大标准差(MCM)的波段选择方法。它以波段标准差来衡量波段信息量的大小,将波段与已选波段变量的相关性作为权重因子迭代计算波段标准差,通过选择标准差最大的波段,可以选出包含信息量多、相关性小的有代表性的波段子集,降低数据维度,为后续的信息提取处理提供更为富集的数据源。5.特征提取与聚类分析相结合的图像分割方法可以用于红外显微图像信息的提取。针对传统聚类方法对初始值敏感和易于陷入局部极值的缺点,本文提出了一种基于自适应局部优化粒子群算法(ALO-PSO),该方法通过在每次迭代中引入局部搜索来优化全局最优解,能够随着迭代次数增加自适应的扩大局部搜索范围。实验结果表明所提的算法可以提高收敛速度,降低陷入局部极值的概率,与主成分分析相结合可以快速准确地提取红外显微图像的信息。6.正确的组分数估计对组分分辨至关重要,若组分数估计不正确,所得到分辨光谱将明显偏离真实光谱。本文利用纯变量分析方法估计样品的组分数,提出了基于纯变量的组分分辨方法。实验结果明,所提算法可以准确估计样品的组分数,获得纯组分的浓度分布图和光谱,是一种有效的红外显微图像分辨方法。综上所述,论文对于红外显微图像的信息提取进行了深入的研究,并提出了新的算法,仿真实验证实本文所提出的算法能够获得好的效果。