基于ROAD和小波收缩的MLEM低剂量CT重建算法

针对低剂量CT(Computed Tomography)重建图像质量退化的问题,提出一种基于小波收缩和绝对差值排序各项异性扩散的MLEM(Maximum Likelihood Expectation Maximization)低剂量CT重建算法。算法在每次迭代中首先采用MLEM算法对低剂量CT投影数据进行重建。由于各项异性扩散对噪声敏感,所以算法先对重建后的图像进行小波变换,再在更稳定的低频小波域进行基于绝对差值排序的各项异性扩散处理,对小波高频系数进行软阈值降噪处理。然后将降噪处理后的系数进行小波反变换,得到降噪后的图像。最后使用中值滤波对图像进行处理,从而消除脉冲噪声点。实验结果表明,与其他几种常用重建算法相比,该算法重建的图像信噪比更高,归一化均方误差更小,处理后的图像更清晰,即可以在抑制噪声的同时,较好地保持图像的边缘和细节信息。     

基于变指数各向异性扩散和非局部的最大似然期望最大低剂量CT重建算法

针对低剂量计算机断层扫描(CT)重建图像发生严重衰退的问题,提出一种基于变指数和非局部的最大似然期望最大(MLEM)低剂量CT重建算法。该算法考虑了传统各向异性扩散中降噪不充分的缺点,把可以有效折中热传导和各向异性扩散(P-M)这两种模型的变指数,以及代替梯度检测边缘和细节的相似度函数运用到传统各向异性扩散中,从而达到所期望的效果。该算法在每次迭代中首先采用基本的MLEM算法对低剂量CT投影数据进行重建; 然后利用基于非局部的相似性测度以及变指数和模糊数学的理论对各向异性扩散的扩散函数进行改进,用改进后的各向异性扩散对重建图像进行降噪;最后使用中值滤波对图像进行处理从而消除脉冲噪声点。实验结果表明,所提出算法的均方绝对误差、归一化均方距离均比有序子集惩罚最小二乘(OS-PLS)、有序子集惩罚最大似然一步迟疑(OS-PML-OSL)、基于传统P-M、基于方差的算法小,获得了高达10.52的信噪比。该算法重建出的图像可以在有效消除噪声的同时较好地保持图像的边缘和细节信息。     

基于片相似性和最大似然期望最大化的低剂量CT重建算法

针对低剂量计算机断层成像(CT)重建的图像产生严重退化的问题,提出一种基于片相似性各项异性扩散和最大似然期望最大化(MLEM)的低剂量CT重建算法.首先,采用基本的MLEM算法对低剂量投影数据进行重建;然后,由于片相似性在降噪的同时,也能较好地保持图像的边缘和细节信息的特点,对重建后的图像使用基于非局部理论思想的片相似性降噪方法处理;最后,由于低剂量投影数据还存在脉冲噪声点,使用中值滤波对图像进行处理.采用Sheep-Logan体模作为实验模型进行低剂量CT图像重建的仿真,与BI-MART、BI-MLEM、基于方差的ELEM和基于结构相似性的MLEM算法进行了对比.实验结果表明,所提算法的信噪比(SNR)高达10.216 308 dB,与对比算法相比,视觉效果更优,且有更小的归一化均方误差(NMSE)、均方绝对误差(MAE)和归一化均方距离(NMSD).所提算法重建出来的图像能在光滑去噪的同时有效地保持图像的细节和边缘信息,既能有效地保持弱梯度和纹理,又不存在各项异性扩散存在的明显阶梯效应.     

基于统计特性的小波噪声抑制在低剂量CT中的应用

较高的照射剂量限制了X线断层成像(computed tomography,CT)技术在筛查及体检中的应用,目前临床常采用降低剂量的解决方案,但CT图像质量亦有明显下降。为提高低剂量CT的重建质量,提出了一种基于投影数据统计特性的小波去噪算法。通过分析低剂量投影数据的噪声特性,发现在投影域其噪声均值和方差接近非线性高斯分布,根据非平稳噪声在平稳小波域中的性质,结合贝叶斯估计方法对小波系数进行基于最小均方误差的自适应滤波,实现了图像信噪分离的目的。滤波完成后,采用常规滤波反投影(FBP)法重建CT图像。较传统算法,该方法具有较高的信噪比,实验结果表明,该算法能够有效地抑制噪声,且较好地保留图像细节。     

基于小波收缩和正逆扩散结合的优质中值先验图像重建算法

针对最大后验(MAP)法对重建图像造成的过度平滑或出现阶梯状边缘伪影等问题,提出了一种基于混合模型的中值先验图像重建算法。首先在中值先验分布的MAP重建的基础上,在每次中值滤波之前引入结合小波收缩和正逆各向异性扩散的滤波器。另外,对于背景区域仍残留有少量噪声的情况下,可以在迭代间的最后,选择加入只针对图像较小梯度阈值区域进行非线性扩散平滑的优良滤波器,从而进一步优化图像。仿真结果表明,该算法在抑制噪声和保持边缘效果方面具有很好的表现,与其他经典传统算法相比,信噪比(SNR)可提高0.9dB~3.8dB。     

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。     

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.     

各向异性小波收缩用于图像分割

已经证明2维情况下一般各向异性扩散与HAAR小波收缩在一定条件下是等价的,基于此等价性的各向异性小波收缩结合了小波收缩与各向异性扩散两种方法的优势。将各向异性小波收缩用于多尺度图像分割,提出一种对多尺度各向异性扩散分割方法的改进方法——多尺度各向异性小波收缩图像分割算法。该算法利用各向异性小波收缩对图像中像素灰度值进行扩散,在尽可能保持边缘的情况下,使同质区域内相邻像素灰度随尺度数增加趋于相同,构造基于尺度的空间栈,从而完成对目标的分割,是一种非监督图像分割方法。对比实验结果表明,该算法在有效处理区域内部不一致性的同时,能够准确地定位目标边缘,实现同质区域的融合,完成分割任务,且该算法收敛速度高于多尺度各向异性扩散分割方法。     

高阶各向异性扩散小波收缩图像降噪算法

证明一种高阶各向异性扩散与小波收缩的等价性,并根据等价性利用高阶各向异性扩散与小波收缩的优势,提出高阶各向异性扩散小波收缩降噪算法。该算法在低频部分采用经典的非线性扩散方法进行扩散,在高频部分采用高阶各向异性扩散方法进行小波收缩。实验结果表明,高阶各向异性扩散小波收缩算法的计算复杂性介于高阶各向异性扩散与小波收缩算法之间,降噪能力高于这2种方法。     

一种改进的PDE图像去噪方法

研究用于图像去噪的偏微分方程;在理论上对去噪原理进行了分析。通过对扩散方程中扩散系数的改进,提出了一个对噪声图像更有效、更具有适应性的去噪扩散模型,对高斯噪声图像进行处理。与传统的各向异性扩散算法进行了比较并对偏微分方程的未来发展方向进行了展望。实验结果表明,该方法在有效去除噪声的同时较好地保留了图像中的重要细节信息,使图像的细节部分清晰。该方法可以有效地去除图像噪声,提高图像的质量。