CN103440631B - 基于低秩分解的ct序列图像复原方法 - Google Patents
基于低秩分解的ct序列图像复原方法 Download PDFInfo
- Publication number
- CN103440631B CN103440631B CN201310393616.5A CN201310393616A CN103440631B CN 103440631 B CN103440631 B CN 103440631B CN 201310393616 A CN201310393616 A CN 201310393616A CN 103440631 B CN103440631 B CN 103440631B
- Authority
- CN
- China
- Prior art keywords
- image
- low
- rank
- sequence
- sparse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011084 recovery Methods 0.000 abstract 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 4
- 210000002784 stomach Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 2
- 238000002597 diffusion-weighted imaging Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于低秩分解的CT序列图像复原方法。主要解决现有技术对于CT序列图像复原的不稳定性,容易出现噪声放大而导致图像失真的问题。其实现步骤是:(1)先将CT序列图像转化为灰度图像;(2)选择低秩模型对CT序列进行稀疏低秩分解:根据CT图像含噪量的大小,选择对应的低秩模型对其进行稀疏低秩分解;(3)求出低秩序列的平均图像,并用二维高斯模糊核对其进行维纳滤波复原;(4)用扰动模糊核对稀疏序列中的每一幅图像进行维纳滤波复原;(5)将稀疏复原序列中的每一幅图像与复原低秩图像合并,得到复原CT序列图像。本发明与传统的CT复原方法相比,具有准确度高,适应性好,复原效果不受CT图像噪声大小的限制等优点。
Description
技术领域
本发明属于图像处理技术领域,特别是一种对CT序列图像的复原,可用于对医学图像的处理。
背景技术
随着医学成像技术的飞速发展,大量高分辨率图像纷纷涌现,比如磁共振造影MRI、计算机断层扫描CT、脑磁图MEG、三维超声成像,解正电子发射断层照相PET、单光子发射计算机断层SPECT、漫射加权成像DWI、功能磁共振FMRI等,这些成像技术各有特点,它们分别能在不同的时空分辨率下给人们提供各种解剖信息和功能信息。但仅仅依靠这些设备所提供的信息远远达不到人们的要求,必须进一步通过图像处理手段来对图像进行分析和解译。医学图像处理技术包括图像复原、图像增强,图像分割和图像重建等,其中,在医学图像获取过程中引起的模糊大大降低了图像的质量,严重影响了图像的视觉效果,为了获取高清晰度的医学图像,有必要对医学图像进行复原处理。
图像复原技术用于提高模糊图像的质量,其目的是从获取到的模糊图像中重构出隐藏的清晰图像。图像去复原可分两大类,一类是在图像复原之前,退化函数已知,则称该类图像复原为非盲复原;另一类是在图像复原之前,退化函数未知,需要从模糊图像中获取后验知识,则称该类图像复原为盲复原。现实问题中,图像退化函数一般是未知的,因此图像盲复原技术一直是图像处理技术领域研究的一个热点。医学CT图像成像过程中,图像质量下降通常是由以下两个原因造成的:首先是成像系统分别率不理想而造成图像模糊,其次是信号强度随机波动使图像被噪声污染,为了恢复高清晰度的图像,降质函数的先验知识和逆滤波方法是必需的。
现有的CT图像复原方法都是针对单一的CT图像,将CT图像的点扩散函数估计为二维的高斯函数,然后用逆滤波方法进行复原。这种方法的优势是运算简单,运行速度快,对于那些噪声含量较少的CT图像复原效果较好。但对于噪声含量较大的CT图像,该方法的复原效果较差。因为逆滤波将图像变得尖锐的同时将无用的噪声也放大,严重得影响了CT图像的视觉效果。
发明内容
本发明的目的在于针对上述CT图像复原的缺陷,提出一种基于低秩分解的CT序列图像复原方法,以提高复原的有效性和准确性。
为实现上述目的,本发明包括如下步骤:
(1)输入CT序列图像Ii,i=1,...,k,k为大于1的整数,若序列图像Ii为彩色图像,则将其转化为灰度图像,否则直接进行步骤(2)的操作;
(2)利用低秩模型对序列图像Ii进行稀疏低秩分解,得低秩序列Li和稀疏序列Si;
(3)求出低秩序列Li的平均图像利用二维高斯模糊核对平均图像进行维纳滤波复原,得复原低秩图像L′;
(4)定义扰动模糊核为:其中λ为常数,(u,v)为点的位置坐标,利用该扰动模糊核对稀疏序列Si中的每幅图像进行维纳滤波复原,得到复原稀疏序列Si′;
(5)将复原低秩图像L′分别与复原稀疏序列Si′中的每幅图像合并,得复原CT序列图像Ii′。
本发明与现有的技术相比具有以下优点:
1、本发明选择不同的低秩模型对不同类型的CT序列图像进行分解,使得复原算法不论是对噪声含量大的CT图像还是对噪声含量小的CT图像都可以取得令人满意的效果;
2、本发明针对CT序列图像进行复原,将CT序列图像进行稀疏低秩分解,并求低秩序列的平均图像,充分利用了CT序列图像之间的相似性和互补性,使更多有用的信息得到体现;
3、本发明充分考虑了由于人体组织对X射线的折射作用而造成CT图像的模糊,用扰动模糊核对图像的稀疏部分进行维纳滤波复原,使复原结果更加准确。
附图说明
图1是本发明的总流程图;
图2是本发明所使用的胸部CT序列的第一幅图像;
图3是本发明用RPCA模型对胸部CT序列进行低秩分解后的平均低秩图像;
图4是本发明对图3用二维高斯模糊核进行维纳滤波复原后的图像;
图5是本发明用RPCA模型对胸部CT序列进行低秩分解后图2对应的稀疏图像;
图6是用本发明对图4用扰动模糊核进行维纳滤波复原后的图像;
图7是用本发明对图2进行复原后的结果图;
图8是本发明所使用的胃部CT序列的第一幅图像;
图9是用本发明对图8进行复原后的结果图。
具体实施方式
参照图1,本发明基于低秩分解的CT序列图像复原方法包括如下步骤:
步骤1:输入CT序列图像Ii,i=1,...,k,k为大于1的整数,若序列图像Ii为彩色图像,则将其转化为灰度图像,否则直接进行步骤(2)的操作;这个CT序列图像来源于患者的胸部CT序列,大小均为512×512,且为RGB图像,如图2所示。
步骤2:选择低秩模型对序列图像Ii进行稀疏低秩分解,得低秩序列Li和稀疏序列Si。
2a)将CT序列图像Ii中的所有图像矩阵合成一个高维矩阵,高维矩阵中的每一列表示序列中的一幅CT图像;
2b)根据CT序列图像噪声的大小,选择对应的低秩模型对步骤2a)合成的高维矩阵进行稀疏低秩矩阵分解:
如果CT图像噪声含量n≤4.3HU,用RPCA模型进行稀疏低秩分解,得到稀疏部分和低秩部分,其中,RPCA模型表示为X=L+S,X表示输入数据矩阵,L表示低秩矩阵,S表示稀疏矩阵,
如果CT图像噪声含量n>4.3HU,用GoDec模型进行稀疏低秩分解,得到稀疏部分、低秩部分和噪声部分,其中,GoDec模型表示为X=L+S+G,G是噪声矩阵,HU是CT图像噪声的度量单位。
本实例所用胸部CT图像噪声含量n≤4.3HU,所以用RPCA模型分解;
2c)将分解后得到的高维低秩矩阵和高维稀疏矩阵还原为低秩序列图像Li和稀疏序列图像Si。
步骤3:求出低秩序列Li的平均图像利用二维高斯模糊核对平均图像进行维纳滤波复原,得复原低秩图像L′。
3a)求出低秩序列Li的平均图像
3b)设定二维高斯核为其中,A和k均为常数,且A>0,σx,σy分别为x,y方向偏微分图像的方差,(x0,y0)为图像中心位置坐标,(x,y)为点的位置坐标;
3c)利用二维高斯核h(x,y)对平均图像进行维纳滤波复原,得到频域图像其中,平均图像的傅里叶变换,H(x,y)为二维高斯核h(x,y)的傅里叶变换,H*(x,y)为H(x,y)的共轭,γ为常数,平均图像如图3所示;
3d)对频域图像L′(x,y)进行反傅里叶变换得到复原低秩图像L′,如图4所示。
步骤4:定义扰动模糊核为:其中λ为常数,(u,v)为点的位置坐标,利用该扰动模糊核对稀疏序列Si中的每幅图像进行维纳滤波复原,得复原稀疏序列Si′,其中,图像S1如图5所示,图像S1′如图6所示。
步骤5:将复原低秩图像L′分别与复原稀疏序列Si′中的每幅图像合并,得到复原CT序列图像Ii′,其中,I1′如图7所示,从图7可以看出,复原后的CT图像边缘清晰,对比度增强,细节信息增多,视觉效果显著提高。
本发明的效果可通过以下仿真实验进一步说明:
实验内容:
为了说明本发明的有效性和适应性,实验所使用的输入图像为来自同一个人的胃部CT序列图像,该序列的第一幅图像如图8所示。该胃部CT序列图像噪声含量n>4.3HU,因此本发明采用GoDec模型对其进行稀疏低秩分解,并用上述方法对此胃部CT序列图像进行复原,图9为图8对应的复原图像。从图9可以看出,本发明对噪声较大的CT图像依然能取得很好的复原效果。
Claims (4)
1.一种基于低秩分解的CT序列图像复原方法,包括如下步骤:
(1)输入CT序列图像Ii,i=1,...,k,k为大于1的整数,若序列图像Ii为彩色图像,则将其转化为灰度图像,否则直接进行步骤(2)的操作;
(2)利用低秩模型对序列图像Ii进行稀疏低秩分解,得低秩序列Li和稀疏序列Si;
(3)求出低秩序列Li的平均图像利用二维高斯模糊核对平均图像进行维纳滤波复原,得复原低秩图像L′;
(4)定义扰动模糊核为:其中λ为常数,(u,v)为点的位置坐标,利用该扰动模糊核对稀疏序列Si中的每幅图像进行维纳滤波复原,得到复原稀疏序列Si′;
(5)将复原低秩图像L′分别与复原稀疏序列Si′中的每幅图像合并,得到复原CT序列图像Ii′。
2.根据权利要求1所述的方法,其中步骤(2)所述的利用低秩模型对序列图像Ii进行稀疏低秩分解,按如下步骤进行:
2a)将CT序列图像Ii中的所有图像矩阵合成一个高维矩阵,高维矩阵中的每一列表示序列中的一幅CT图像;
2b)根据CT序列图像噪声的大小,选择对应的低秩模型,对步骤2a)构造的高维矩阵进行稀疏低秩分解;
2c)将分解后得到的高维低秩矩阵和高维稀疏矩阵还原为低秩序列Li和稀疏序列Si。
3.根据权利要求1所述的方法,其中步骤(3)所述的利用二维高斯模糊核对平均图像进行维纳滤波复原,得到复原低秩图像L′,按如下步骤进行:
3a)求出低秩序列Li的平均图像
3b)设定二维高斯模糊核为其中,A和k均为常数,且A>0,σx,σy分别为x,y偏微分图像的方差,(x0,y0)为图像中心位置坐标,(x,y)为点的位置坐标;
3c)利用二维高斯模糊核h(x,y)对平均图像进行维纳滤波复原,得到频域图像其中,为图像的傅里叶变换,H(x,y)为二维高斯模糊核h(x,y)的傅里叶变换,H*(x,y)为H(x,y)的共轭,γ为常数;
3d)对频域图像L′(x,y)进行反傅里叶变换,得到复原低秩图像L′。
4.根据权利要求2所述的方法,其中步骤(2b)所述的根据CT序列图像噪声的大小,选择对应的低秩模型对步骤2a)构造的高维矩阵进行稀疏低秩分解,按如下规则进行:
如果CT图像噪声含量n≤4.3HU,则用RPCA模型进行稀疏低秩分解,得到稀疏矩阵和低秩矩阵,其中,RPCA模型表示为X=L+S,X表示输入数据矩阵,L表示低秩矩阵,S表示稀疏矩阵,
如果CT图像噪声含量n>4.3HU,则用GoDec模型进行稀疏低秩分解,得到稀疏矩阵、低秩矩阵和噪声矩阵,其中,GoDec模型表示为X=L+S+G,G表示噪声矩阵,HU是CT图像噪声的度量单位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310393616.5A CN103440631B (zh) | 2013-09-02 | 2013-09-02 | 基于低秩分解的ct序列图像复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310393616.5A CN103440631B (zh) | 2013-09-02 | 2013-09-02 | 基于低秩分解的ct序列图像复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440631A CN103440631A (zh) | 2013-12-11 |
CN103440631B true CN103440631B (zh) | 2016-04-13 |
Family
ID=49694323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310393616.5A Active CN103440631B (zh) | 2013-09-02 | 2013-09-02 | 基于低秩分解的ct序列图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440631B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050642B (zh) * | 2014-06-18 | 2017-01-18 | 上海理工大学 | 彩色图像复原方法 |
CN104268878B (zh) * | 2014-09-28 | 2018-03-09 | 华侨大学 | 一种超声图像中运动探针检测和定位方法 |
CN105719325A (zh) * | 2016-01-19 | 2016-06-29 | 哈尔滨工业大学(威海) | 基于低秩矩阵近似的光声显微成像方法及装置 |
CN106709881B (zh) * | 2016-12-14 | 2019-08-13 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
CN107451954A (zh) * | 2017-05-23 | 2017-12-08 | 南京邮电大学 | 基于图像低秩性质的迭代像素插值方法 |
WO2020118617A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 基于深度学习的大视野磁共振扫描图像重建方法和装置 |
CN113450285A (zh) * | 2021-07-19 | 2021-09-28 | 天津大学 | 一种去除图像中对抗扰动的方法 |
CN114363532B (zh) * | 2021-12-02 | 2024-07-16 | 浙江大华技术股份有限公司 | 聚焦方法以及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6563513B1 (en) * | 2000-05-11 | 2003-05-13 | Eastman Kodak Company | Image processing method and apparatus for generating low resolution, low bit depth images |
CN102800055A (zh) * | 2012-06-28 | 2012-11-28 | 西安电子科技大学 | 图像盲去模糊的低秩分解方法 |
CN103093430A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
-
2013
- 2013-09-02 CN CN201310393616.5A patent/CN103440631B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6563513B1 (en) * | 2000-05-11 | 2003-05-13 | Eastman Kodak Company | Image processing method and apparatus for generating low resolution, low bit depth images |
CN102800055A (zh) * | 2012-06-28 | 2012-11-28 | 西安电子科技大学 | 图像盲去模糊的低秩分解方法 |
CN103093430A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
Non-Patent Citations (2)
Title |
---|
Daniel Hsu等.Robust Matrix Decomposition With Sparse Corruptions.《Information Theory, IEEE Transactions on》.2011,第57卷(第11期),第7221-7234页. * |
邢博 等.基于稀疏分解的医学CT图像去噪.《生物医学工程学杂志》.2012,第29卷(第3期),第456-459页. * |
Also Published As
Publication number | Publication date |
---|---|
CN103440631A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103440631B (zh) | 基于低秩分解的ct序列图像复原方法 | |
Zeng et al. | Simultaneous single-and multi-contrast super-resolution for brain MRI images based on a convolutional neural network | |
Cui et al. | PET image denoising using unsupervised deep learning | |
Liu et al. | Higher SNR PET image prediction using a deep learning model and MRI image | |
Song et al. | Coupled dictionary learning for multi-contrast MRI reconstruction | |
Rueda et al. | Single-image super-resolution of brain MR images using overcomplete dictionaries | |
CN109840927B (zh) | 一种基于各向异性全变分的有限角度ct重建算法 | |
Le Pogam et al. | Evaluation of a 3D local multiresolution algorithm for the correction of partial volume effects in positron emission tomography | |
Deora et al. | Structure preserving compressive sensing MRI reconstruction using generative adversarial networks | |
Chan et al. | Median non-local means filtering for low SNR image denoising: Application to PET with anatomical knowledge | |
Pan et al. | Iterative residual optimization network for limited-angle tomographic reconstruction | |
Wong et al. | Quasi-Monte Carlo estimation approach for denoising MRI data based on regional statistics | |
Wu et al. | Masked joint bilateral filtering via deep image prior for digital X-ray image denoising | |
Zhou et al. | Multi-scale dilated convolution neural network for image artifact correction of limited-angle tomography | |
Chan et al. | An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction | |
Sudarshan et al. | Incorporation of anatomical MRI knowledge for enhanced mapping of brain metabolism using functional PET | |
Izadi et al. | Enhanced direct joint attenuation and scatter correction of whole-body PET images via context-aware deep networks | |
CN111080736B (zh) | 一种基于稀疏变换的低剂量ct图像重建方法 | |
Srivastava et al. | Modified anisotropic diffusion filtering algorithm for MRI | |
CN112700380A (zh) | 一种基于mr梯度信息和深度学习的pet图像容积校正方法 | |
Srinivasan et al. | Realizing the effective detection of tumor in magnetic resonance imaging using cluster-sparse assisted super-resolution | |
Islam et al. | A wavelet-based super-resolution method for multi-slice MRI | |
Usui et al. | Evaluation of motion artefact reduction depending on the artefacts’ directions in head MRI using conditional generative adversarial networks | |
Ellis et al. | Longitudinal multi-dataset PET image reconstruction | |
Talha et al. | Novel FBP based sparse-view CT reconstruction scheme using self-shaping spatial filter based morphological operations and scaled reprojections |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |