基于复扩散过程的DTI图像恢复和纤维追踪

为了消除扩散加权图像中广泛存在的赖斯噪声,采用了复扩散滤波器。基于模拟数据的实验结果表明,在信噪比低的情况下复扩散滤波器具有更好的消除赖斯噪声的效果。运用本滤波器对脑部DTI图像进行去噪处理并对去噪后的图像进行纤维追踪,结果显示复扩散滤波器能够有效消除噪声影响从而使得追踪到的脑白质纤维数量增多,长度更长。     

DTI图像恢复的向量复扩散模型

为了减小扩散张量图像(DTI)中广泛存在的赖斯噪声影响,提出了向量复扩散模型.该模型是标量复扩散模型的推广和发展.为了评价该模型的去噪性能,对向量图像-扩散加权(DW)图像进行了恢复实验.基于模拟和真实数据进行的实验表明,相对于标量复扩散滤波器,向量复扩散滤波方法得到的PSNR和SMSE数值更高,追踪到的纤维数量更多、长度更长,故其去噪性能优于标量复扩散模型.另外,在信噪比较低情况下该模型优于实数域P&M向量滤波器.     

扩散张量成像去噪和纤维跟踪方法

提出一种纤维模型的数学合成方法，并利用合成模型对纤维跟踪方法进行了验证．对Streamline跟踪技术进行改进，采用能量最小化技术对面形或球形张量的跟踪方向进行校正以提高Streamline算法的准确性．为降低图像噪声对纤维跟踪的影响，分别采用小波去噪方法对扩散加权图像和张量场进行处理，并对小波去噪和传统的高斯平滑方法在扩散加权图像噪声抑制方面的作用进行了比较．     

利用小波系数的相关性提取噪声图像边缘

首先，对噪声图像作多层次小波分解，得到对应的多个层次的小波系数，并利用相邻各层次小波系数的相关性质构建滤波器；然后，利用该滤波器对平滑小波系数进行滤波操作，去除噪声影响，得到滤波图像；最后，对滤波图像阈值化以得到噪声图像的边缘图．实验表明，该方法比传统的图像边缘提取方法具有更好的抗噪性能。     

基于小波和四阶各向异性扩散的MLEM低剂量CT重建算法

在低剂量计算机断层扫描CT(computed tomography)重建算法中,传统的最大似然期望最大MLEM(Maximum Likelihood Expectation Maximization)算法随着迭代次数的增加会出现棋盘效应而不能有效地抑制噪声。针对上述问题提出一种基于小波收缩和四阶各向异性扩散相结合的MLEM低剂量CT重建算法。该算法结合小波收缩和各向异性扩散的优点,在每次迭代中,对MLEM重建算法处理后的图像进行离散平稳小波分解,在小波域的高频部分进行小波收缩,低频部分使用降噪效果优质的四阶各向异性扩散进行消噪,最后残留的脉冲噪声点通过中值滤波器进行处理,从而进一步优化图像。仿真实验结果表明,该算法可以有效地去除低剂量CT图像的噪声,且在保持图像边缘和细节信息方面有很好的表现,从而获得高抗噪性能的图像。     

基于小波四叉树的图像去噪方法

噪声对图像分析、图像压缩的性能有严重的影响。经典的图像滤波器在抑制噪声的同时会丢失图像中的细节。分析了噪声在小波变换下,二进小波变换的极大值在不同尺度下的传播特性之间的关系,并构造了一个一般形式的检测噪声点的四叉树。通过对四叉树的遍历,对图像中椒盐噪声点和高斯噪声的极大值点进行多尺度的定位。实验证明这种方法能有效去除图像噪声,最大限度地保存图像的细节。     

基于状态权的小波边缘检测算法

提出了一种基于小波变换和各向异性扩散的图像多尺度边缘检测方法。对噪声图像进行小波变换,得到高频和低频小波系数。对高频小波系数归一化后进行各向异性扩散得到状态权,把该权值作用在原高频小波系数上,得到了既去除噪声又保持结构不变的小波系数。对低频小波系数直接用小波阈值方法去噪,利用小波系数模极大值法对去噪后的高频和低频小波系数进行边缘检测,得到最终的边缘图像。实验结果表明,该边缘检测方法由于结合了小波和各向异性扩散方法,从而有效地抑制了噪声,得到了连续、清晰的边缘。     

基于阈值函数和TV模型的印章图像去噪

为了进一步提高针对印章图像的去噪性能,提出了一种基于阈值函数和TV模型的印章图像去噪方法。首先对含噪印章图像进行Contourlet分解;然后低频部分利用自适应TV模型进行扩散,高频部分通过阈值函数进行筛选;最后经Contourlet逆变换重构印章图像。实验结果表明,与小波阈值法、小波扩散法及Contourlet阈值法相比,该方法能有效地去除高斯白噪声和椒盐噪声的混合噪声,提高峰值信噪比,并较好地保留图像的细节和纹理,具有更好的视觉效果。     

基于小波域内层间系数反向相关提取图象边缘

为了更好提取出边缘,提出利用小波层间系数之间的相关性通过反向移位构建滤波器从而提取图像边缘.首先对含噪图像进行小波分解,将相邻各层小波系数进行反向移位相关,阈值化后作为滤波器对平滑小波系数有选择地进行滤波操作,去除噪声影响,得到图像的边缘图.利用此方法对256 ×256×8 bit/像素的Rice 图像做了边缘提取,边缘提取准确,具有更好的降噪性能同时也降低了计算量.     

双向扩散耦合阈值的小波边缘检测算法

为了准确的提取含噪图像在边缘点处所对应的小波系数,根据偏微分方程一步迭代扩散的结果等价于平移不变Haar小波去噪的一步收缩,结合前向-后向的双向扩散的特点,提出双向扩散耦合阈值的小波边缘检测新方法.该方法对噪声图像进行小波变换,得到的高频部分进行双向扩散耦合阈值.该阈值有效地去除噪声同时增强了边缘信息,利用阈值后各高频以及低频部分的细节信息,采用多尺度小波变换模极大值检测方法得到最终的边缘图像.实验表明,新方法在滤除图像噪声、保留细节边缘和保持边缘连通性方面都有不错的效果,具有实用性.     

DTI扩散张量的一种稳健估计方法

为了获得更精确的DTI扩散张量场,提出了一种基于约束M估计子的稳健估计方法,首先对扩散加权图像序列进行双树复数小波降噪预处理,以减少热噪声影响,然后通过试探法找到一个合适的回归起始点,并通过Cholesky分解对扩散张量进行正定约束,最后寻找局部最小获得DTI扩散张量的约束M估计,并在模拟二阶张量场和真实DTI数据集上进行了实验.与最小二乘法和M估计子回归模型相比,该方法可以更有效地排除热噪声和生理性离群点影响,对DTI扩散张量估计很有价值.     

On 1-Laplacian Elliptic Equations Modeling Magnetic Resonance Image Rician Denoising

Modeling magnitude magnetic resonance images (MRI) Rician denoising in a Bayesian or generalized Tikhonov framework using total variation (TV) leads naturally to the consideration of nonlinear elliptic equations. These involve the so called 1-Laplacian operator and special care is needed to properly formulate the problem. The Rician statistics of the data are introduced through a singular equation with a reaction term defined in terms of modified first-order Bessel functions. An existence theory is provided here together with other qualitative properties of the solutions. Remarkably, each positive global minimum of the associated functional is one of such solutions. Moreover, we directly solve this nonsmooth nonconvex minimization problem using a convergent Proximal Point Algorithm. Numerical results based on synthetic and real MRI demonstrate a better performance of the proposed method when compared to previous TV-based models for Rician denoising which regularize or convexify the problem. Finally, an application on real Diffusion Tensor Images, a strongly affected by Rician noise MRI modality, is presented and discussed.     

Gradient entropy metric and p-Laplace diffusion constraint-based algorithm for noisy multispectral image fusion

Noise is easily mistaken as useful features of input images, and therefore, significantly reducing image fusion quality. In this paper, we propose a novel gradient entropy metric and p-Laplace diffusion constraint-based method. Specifically, the method is based on the matrix of structure tensor to fuse the gradient information. To minimize the negative effects of noise on the selections of image features, the gradient entropy metric is proposed to construct the weight for each gradient of input images. Particularly, the local adaptive p-Laplace diffusion constraint is constructed to further suppress noise when rebuilding the fused image from the fused gradient field. Experimental results show that the proposed method effectively preserves edge detail features of multispectral images while suppressing noise, achieving an optimal visual effect and more comprehensive quantitative assessments compared to other existing methods.     

一种扩散张量脑脐服体图像分割算法

提出了一种基于矢量活动轮廓模型的扩散张量脑拼刀氏体图像分割算法,其利用矢量Chan-Vese模型构造了控制轮廓线演化方向的矢量符号压力函数,并将向量范数形式用于表达脑拼肌体组织的扩散张量各向异性,给出了具有全局与局部分割特性的矢量活动轮廓模型。10组真实大脑扩散张量图像分割结果表明,该算法对脑拼抵体结构的分割精确、稳定。     

改进的二阶总广义变分图像去噪算法

为了有效地去除含噪图像中的噪声,克服总变分（TV）去噪易于导致阶梯效应的缺陷,提出了一种改进的二阶总广义变分（TGV）的图像去噪方法。介绍了二阶TGV的理论基础,在二阶TGV中引入了各向异性扩散张量,利用张量函数引导扩散,获得了新的去噪模型,最后提出了一种扩展了的原始-对偶算法对新模型进行数值求解。新模型充分结合了二阶TGV作为正则项自动平衡了一阶和二阶导数项,以及张量函数的各向异性扩散,有效突出边缘结构的特性。实验结果表明,该方法在有效地去除含噪图像中噪声的同时,避免了阶梯效应,增强了对原始图像中边缘结构的保持。     

稳健MM估计在扩散张量成像中的应用

在扩散加权图像中存在由热噪声产生的高斯分布偏差和生理噪声产生的异常点,最小二乘(LS)法对于高斯分布偏差具有较好的估算效果,但是对异常点不稳健。为此,采用稳健MM估计方法对扩散张量成像(DTI)数据进行张量估算,将高失效点算法的估计结果作为初始估计值,进行两步M估计。模拟数据与真实数据的实验结果表明,该估计方法具有较好的稳健性,并能有效估算扩散张量。     

一种整合单通道各向异性扩散信息的水平集图像分割方法*

在对Chan-Vese提出的基于简化Mumford-Shah模型(C-V模型)改进的基础上,针对彩色图像、多光谱图像等多通道图像,提出了一种多通道C-V模型水平集图像分割方法.首先将多通道图像分解到各单通道,使用一种新的各向异性扩散方法对各通道进行平滑滤波,然后使用能够整合各通道各向异性扩散信息的多通道C-V模型进行分割.普通彩色图像与多光谱图像数据的实验结果表明,该方法分割质量明显优于传统的C-V模型分割.     

去除磁共振成像图像莱斯噪声的加权扩散

针对各向同性扩散易于造成图像边缘等特征区域的模糊以及相干增强扩散易于在图像背景区域内产生伪条纹的问题,提出了一种根据磁共振成像（MRI）图像莱斯噪声分布特点来对其进行降噪的加权扩散算法。该算法以MRI图像背景区域的莱斯噪声方差作为区分MRI图像背景区域和感兴趣的边缘特征区域二者特征差异的阈值。基于该阈值,该算法构造了一个加权函数,并用该函数对各向同性扩散和相干增强扩散进行加权。加权函数根据图像在不同结构区域的变化,自适应地调整两种扩散的权值,从而充分发挥两种扩散的优势并克服各自的不足。实验结果表明,该算法在峰值信噪比（PSNR）及平均结构相似度（MSSIM）的评价上优于一些经典算法。因此,该算法的降噪及保护、增强边缘的能力更为优越。     

变参数active demons算法下的多通道弥散张量图像配准

目的 弥散张量图像（DTI）配准不仅要保证配准前后图像解剖结构的一致性，还要保持张量方向的一致性。demons算法下的多通道DTI配准方法可充分利用张量的信息，改善配准质量，但大形变区域配准效果不理想，收敛速度慢。active demons算法能够加快收敛速度，但图像的拓扑结构容易改变。由此提出一种变参数active demons算法下的多通道DTI配准方法。方法 综合active demons算法中平衡系数能加快收敛速度、均化系数能提高DTI配准精度的优点，手动选择一个均化系数，并在算法收敛过程中随着高斯核的减小动态调整平衡系数。在配准开始时采用较小的平衡系数获得较快的收敛速度，随着收敛的加深逐渐增大平衡系数获得较小的配准误差。结果 active demons方法能改善DTI大形变区域的配准问题，但均化系数太小会改变图像拓扑结构。固定均化系数，引入单一的平衡系数能加快收敛速度，但会导致拓扑结构改变。变参数active demons方法有效提高了配准的收敛速度，明显改善大形变区域的配准效果，同时能保持图像拓扑结构不变。变参数active demons配准后的10组数据均获得最小均方差（MSE）和最大特征值特征向量对重叠率（OVL），配准精度最高。在0.05的配对样本t检验水平下，变参数active demons和active demons方法配准后的MSE、OVL的差异均有统计学意义；变参数active demons和demons方法配准后的MSE、OVL的差异均有统计学意义（p<0.05）。结论 变参数active demons算法下的多通道DTI配准方法明显提高了配准精度和速度，改善了demons方法不能有效配准大形变区域的问题，同时能够保持配准前后图像的拓扑结构，尤其适合个体间形变较大的DTI配准。