CN103793882A - 图像处理方法 - Google Patents

Abstract

本发明实施例涉及图像处理方法。方法包括：a)采用滤波反投影算法对L帧动态正弦图y(t)进行图像重建，得到动态图像x′(t)；(b)利用归类算法将所述x′(t)的信号强度归类为预设的K类，得到每类的平均强度曲线(c)根据所述将单帧正弦图y(t₀)按照信号强度分解成K幅次正弦图y′_p(t₀)；(d)在所述K幅次正弦图y′_p(t₀)中，采用滤波反投影算法将所述y′_p(t₀)重建为所述目标物体的图像z′_p(t₀)；(e)去除所述目标物体的图像z′_p(t₀)的伪影，得到目标物体的图像x′_p(t₀)；(f)采用滤波反投影算法将剩余的次正弦图y′_p(t₀)重建为目标物体的图像x′_q(t₀)；(g)将所述目标物体的图像x′_p(t₀)与x′_q(t₀)叠加，形成所述目标物体的单帧最终图像x(t₀)。通过对断层扫描获得的正弦图进行分解并分别去除图像重建过程中产生的条状伪影，提高了重建所得目标物体图像的质量。

Description

图像处理方法

技术领域

本发明实施例一般涉及图像处理领域，更具体地说，涉及图像处理方法。 

背景技术

断层扫描成像的核心是将扫描物体时采集的一维投影数据经算法重建出目标物体的二维图像。如图1所示，扫描仪在扫描目标物体时，记录关于该物体成像信息关于不同视角(θ)及不同距离(d)的线性积分值。一个投影

即是在同一视角方向θ₀([0，π])而不同距离d所测得的一组线性积分值。视角θ与距离d之间的数学关系式为： 

d＝xcosθ+ysinθ            (1) 

其中，x、y分别代表笛卡尔坐标系中横、纵坐标值。 

如图2所示，把所有视角θ的投影汇总到一起，则形成一张由不同频率的正弦曲线组成的正弦图(sinogram)。 

在断层扫描显像中，图像重建(image reconstruction)是指从正弦图中重建出被扫描的目标物体图像的过程。滤波反投影算法(FilteredBackprojection，FBP)是一种最常用的解析重建方法，在Avinash Kak &Malcolm Slaney(1988)，Principles of Computerized Tomographic Imaging，IEEEPress，ISBN 0-87942-198-3中有具体的论述，该文件通过引用方式而全文包括在本文中。滤波反投影算法的重建过程可大致分为四个步骤：1)将每个时域(或笛卡尔坐标系)的投影经傅里叶变换(Fourier transform)至频域；2)将转换的频域数据乘以一个斜坡滤波器(Ramp filter)；3)将乘得的数据经过反傅里叶变换回时域。由于数据与滤波器在频域内相乘，即等价于在时域内进行卷积计算，此时在时域的投影，即为滤波后的投影(Filteredprojection)；4)将滤波后的每个投影做反投影(back projection)，并将反投影相加，得到目标物体的图像f(x，y)。由于滤波反投影算法中涉及傅里叶变换，在重建图像里往往会出现条状伪影(streak artifacts)。 

条状伪影限制了滤波反投影算法在临床的一些应用。例如，在计算机断层扫描(CT)显影时，若扫描物内含有金属移植物，如髋关节假体或牙齿填充物，则会导致严重的条状伪影，对于临床诊断带来干扰及误导。对于核医学影像，放射性示踪剂(radioactive tracer)通常会在某些个别组织器官(如膀胱)累积，从而在该区域产生压倒性的高强信号。这种与常规信号强烈对比所形成的条状伪影，破坏周围腹部的重建成像，大大增加了诊断前列腺癌或宫颈癌的难度，也给信号定量分析带来困难。 

之前克服条状伪影的研究大多集中在两个方面：或是在相邻的两个投影数据中进行线性或更高阶的插值；或是使用及改进诸如期望最大化等迭代重建算法。两种方法均带来一定效果。但是，在大部分的插值算法得到的重建图像中，包围在高强信号区域的图像仍然存有强烈的难以修复的扭曲变形；而在迭代算法中，因算法自身存在非负约束(non-negative constraint)，得到的重建图像存有很高的偏离率(high bias)及较低的定量鲁棒性。因此，在一些对于生理学定量分析有很高要求的核医学应用中，迭代重建算法并不适用。 

发明内容

本发明实施例一方面的目的是降低条状伪影的干扰，提高重建图像质量。 

一方面，本发明实施例提出了一种图像处理方法，所述方法包括： 

(a)采用滤波反投影算法对断层成像扫描获得的目标物体的L帧动态正弦图y(t)进行图像重建，得到L帧动态图像x′(t)，其中t∈[0，L-1]； 

(b)利用归类算法将所述L帧动态图像x′(t)的信号强度归类为预设的K类，得到每类的平均强度曲线

其中K＞1，k∈[1，K]； 

(c)根据所述

将所述动态正弦图y(t)中的单帧正弦图y(t₀)按照信号强度分解成K幅次正弦图y′_p(t₀)，其中t₀∈[0，L-1]、p∈[1，K]，所述y′_p(t₀)表示所述动态正弦图y(t)中的单帧正弦图y(t₀)上信号强度为

的区域； 

(d)在所述K幅次正弦图y′_p(t₀)中，在

时，采用滤波反投影算法将所述y′_p(t₀)重建为所述目标物体的图像z′_p(t₀)，其中β为预设的第一阈值； 

(e)去除所述目标物体的图像z′_p(t₀)的伪影，得到目标物体的图像x′_p(t₀)； 

(f)在所述K幅次正弦图y′_p(t₀)中，采用滤波反投影算法将剩余的次正弦图y′_q(t₀)重建为目标物体的图像x′_q(t₀)，其中q∈[1，K]且q≠p； 

(g)将所述目标物体的图像x′_p(t₀)与x′_q(t₀)叠加，形成所述目标物体的单帧最终图像x(t₀)。 

根据本发明实施例的优选方案，在步骤(c)之前，所述方法还包括： 

确定

其中α为预设的第二阈值。 

根据本发明实施例的优选方案，β取值为1。 

根据本发明实施例的优选方案，α取值介于5-50之间。 

根据本发明实施例的优选方案，α取值介于10-30之间。 

根据本发明实施例的优选方案，α取值为20。 

根据本发明实施例的优选方案，在所述步骤(e)中，采用阈值法或者归类算法去除所述目标物体的图像z′_p(t₀)的伪影。 

根据本发明实施例的优选方案，所述归类算法为K means算法。 

根据本发明实施例，通过对断层扫描获得的正弦图进行分解并分别去除图像重建过程中产生的条状伪影，提高了重建所得目标物体图像的质量。 

附图说明

图1是用于说明断层图像扫描中的投影关系的原理图； 

图2是断层图像扫描获得的正弦图； 

图3是男性腹部模型仿真图像； 

图4是采用K Means算法从动态图像中归类出来的两条时间-强度曲线； 

图5(a)表示具有较高信号强度的膀胱区域，图5(b)表示信号强度较低的腹部其他区域； 

图6(a)是从图5(b)所示次正弦图重建所得的图像，而图6(b)是从图5(a)所示次正弦图重建所得的图像，图6(c)表示利用归类算法将膀胱区域与条状伪影分离后，仅剩膀胱区域，图6(d)表示被去除的条状伪影； 

图7(a)表示利用本发明实施例方法获得的腹部图像，而图7(b)表示采用传统算法获得的图像； 

图8是根据本发明实施例的图像处理方法的流程图。 

具体实施方式

断层成像仪器扫描目标物体后，得到一系列动态正弦图，以y(t)表示，t为时间帧的索引号。例如，在一种实施例中，扫描获得L帧动态正弦图，其中t∈[0，L-1]。在获得L帧动态正弦图之后，可以利用滤波反投影算法对断层成像扫描获得的目标物体的L帧动态正弦图y(t)进行图像重建，得到L帧动态图像x′(t)，其中t∈[0，L-1]。 

具体的实现过程如下所述： 

假设f(x，y)为需重建的动态图像组x′(t)中的一帧图像，其中，(x，y)为笛卡尔坐标系的坐标；t是时间帧的索引号(index)。在应用滤波反投影算法时，首先分别处理每一条投影P_θ(d)： 

a)对于每一条投影进行快速傅里叶变换(FFT)： 

$Q_{\mathrm{\θ}}\left(w\right)={\∫}_{-\∞}^{\∞}{P}_{\mathrm{\θ}}\left(d\right)e^{-j2\mathrm{\πwd}}d\left(d\right)---\left(2\right)$

b)在频域进行滤波(乘以|w|)，以及快速逆傅里叶变换(IFFT)，取得滤波后的投影S_θ(d)： 

$S_{\mathrm{\θ}}\left(w\right)={\∫}_{-\∞}^{\∞}{Q}_{\mathrm{\θ}}\left(w\right)\left|w\right|e^{j2\mathrm{\πwd}}d\left(w\right)---\left(3\right)$

c)将在每个视角θ取得的滤波后的投影S_θ(d)反投影到时域图像上，得到重建图像f(x，y) 

$f(x,y)={\∫}_0^{\mathrm{\π}}{S}_{\mathrm{\θ}}(x\cos \mathrm{\θ}+y\sin \mathrm{\θ})\mathrm{d\θ}---\left(4\right)$

由于视角θ是离散数据，数量有限，所以反投影滤波算法在重建过程中会无法避免的引入条状伪影。在如此得到的图像f(x，y)中存在条状伪影。在图像中若有信号差异较大的部分，则信号强的部分带来的条状伪影将会覆盖 和扰乱一般信号和剩余图像。 

根据本发明实施例，可以利用归类算法，诸如K Means算法，将所述L帧动态图像x′(t)的信号强度归类为预设的K类，得到每类的平均强度曲线 

其中K＞1，k为时间-强度曲线归类的索引号且k∈[1，K]。这里所说的归类时间强度曲线，即是将形状，数值类似的曲线归为一类。这里所说的KMeans算法在MacQueen，J.B.(1967).″Some Methodsfor classification andAnalysis of Multivariate Observations″.1.Proceedings of 5th BerkeleySymposium on Mathematical Statistics and Probability.University of CaliforniaPress.pp.281-297中有详细的论述，该文件通过引用而全文包括在本文中。K Means算法具体的实现过程如下所述： 

重建得到的L帧动态图像x′(t)中的每一帧例如包括N个像素，每个像素具有信号强度。所述L帧动态图像x′(t)上对应的像素点的信号强度随着t的变化，构成N条时间-强度曲线，对这些曲线进采用K Means算法归类，得到每一类的时间-强度曲线的平均曲线：

代表不同的信号强度水平。例如，利用K Means算法将x′(t)归类为2类。 

由正弦图组y(t)重建出的图像x′(t)共有L帧图像，每一帧图像上，共有N个像素点x_i(t)，i是像素点的索引号(第i个信号点，i∈[0，N-1])。则，每一个像素点x_i(t)及其随时间上的数值变化，构成一条“时间-强度曲线”。从数学上，x′_i(t)是一个L维度的向量x′_i(t)＝[x′_i(0)，...，x′_i(L-1)]，x′_i(t)∈R^L。由此，x′(t)可看做含有每帧N个像素点，共计L帧的动态图像组，亦可看做是N条时间-强度曲线。 

确定K类信号水平后，给每一类时间-强度曲线的平均曲线设置初始值，例如为1向量。k是时间-强度曲线种类的索引号。 

接着计算下述目标函数(objective function)： 

$J=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}{\left|\right|{x^{\′}}_i\left(t\right)-{\stackrel{\‾}{c}}_k\left(t\right)\left|\right|}^2---\left(5\right)$

其中，

表示如果x_i(t)与第k类时间-强度曲线的平均曲线

差距很小，则把其归为第k类。 

整个归类是一个反复迭代的过程：按照

的初始值，计算能最小化J的r_ik，即是先给每条x′_i(t)分类。然后再就此分类计算新的平均值： 

${\stackrel{\‾}{c}}_k\left(t\right)=\frac{{\mathrm{\Σ}}_i{r}_{\mathrm{ik}}{x^{\′}}_i\left(t\right)}{{\mathrm{\Σ}}_i{r}_{\mathrm{ik}}}---\left(6\right)$

整个过程反复迭代，直到最后J足够小，满足一定条件。例如，根据本发明实施例，设定的条件是： 

${\mathrm{\&sigma;}}_k<<\frac{{\mathrm{\&sigma;}}_i}{K}---\left(7\right)$

即

的方差σ_k要远远小于x_i(t)方差σ_i比上归类的类数K。 

经过迭代，最终由K means归类算法将N条时间-强度曲线分成K类，并得到每一类时间-强度曲线的平均曲线

每类曲线会代表不同的信号强度水平。 

根据将动态正弦图y(t)中的单帧正弦图y(t₀)(t₀∈[0，L-1])按照信号强度分解成K幅次正弦图y′_p(t₀)(p∈[1，K])，其中，所述y′_p(t₀)表示动态正弦图y(t)中的单帧正弦图y(t₀)上信号强度为

的区域。 

单帧正弦图分解的具体实现过程： 

正弦图y(t)与之间有如下联系： 

$\left(\begin{array}{c}{y}_1\left(t\right)\\ y_2\left(t\right)\\ .\\ .\\ .\\ y_M\left(t\right)\end{array}\right)=\left(\begin{array}{cccc}{b}_{\mathrm{1,1}}& b_{\mathrm{1,2}}& ...& b_{1,K}\\ b_{\mathrm{2,1}}& b_{\mathrm{2,2}}& ...& b_{2,K}\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ b_{M,1}& b_{M,2}& ...& b_{M,K}\end{array}\right)\left(\begin{array}{c}{c}_1\left(t\right)\\ c_2\left(t\right)\\ .\\ .\\ .\\ c_K\left(t\right)\end{array}\right)---\left(8\right)$

其中B＝(b_jk)∈R^M×K；b_jk即是：具有第k条典型时间-强度曲线，又同时被投影到第j个正弦图上的图像像素的权重。因此，矩阵B即包含了每个时间基的权重，即整个正弦图被分解的次正弦图的空间分布图。 

根据本发明实施例，为求解B，可以通过在等式两端乘以的逆矩阵而得到B。然而，这样的方法易带来数值错误。根据本发明实施例的一种优选方案，运用正则化方法(regularization)以求解具有较小数值错误的稳定解。例如，可以添加l2-范数正则化项，这时求解方程改写为最小化该目标方程： 

$S=\underset{B}{\arg \min }\left(\right||y\left(t\right)-B{\stackrel{\&OverBar;}{c}}_k\left(t\right){\left|\right|}_2+\mathrm{\&lambda;}{\left|\right|B\left|\right|}_2)---\left(9\right)$

其中λ是正则化常量。 

最小化目标方程，即找到一个B，能使S得到最小值。诸如采用求极点的方法，对该方程求导并使其等于0，解出B： 

$b_{j,k}=\frac{{\mathrm{\&Sigma;}}_t{y}_{\mathrm{jt}}{\stackrel{\&OverBar;}{c}}_{\mathrm{kt}}}{{\mathrm{\&Sigma;}}_t{\left({\stackrel{\&OverBar;}{c}}_{\mathrm{kt}}\right)}^{\&prime;}{\stackrel{\&OverBar;}{c}}_{\mathrm{kt}}+\mathrm{\&lambda;}}---\left(10\right)$

本领域技术人员可以理解，如此得到的b_j，k只是次正弦图的空间分布图，并不是时变的(与t不相关)，也就是说，此时得到的b_j，k还不是最终的分解出的动态的次正弦图的各部分。接着，将每幅次正弦图的空间分布图b_j，k的数值归一化到[0，1]区间，并根据每一时间帧，该b_j，k分布区域出现的最大值作为放大系数乘到b_j，k分布图上，最终得到动态的分解出的K幅次正弦图y′_p(t₀)。 

对于所述K幅次正弦图y′_p(t₀)，每一幅上的信号强度不同，以平均信号强度

来表征。本领域技术人员可以了理解，在所述K幅次正弦图y′_p(t₀)中，较大的次正弦图重建，例如采用滤波反投影算法重建后，重建图像上会出现强烈的伪影。根据本发明实施例，由于单帧动态正弦图y(t₀)根据信号强度分解成K幅次正弦图，所以对信号强度大的次正弦图重建之后，可以比较简单的去除伪影，而不会影响信号强度低的次正弦图重建得到的图像。在本发明实施例中，将单帧动态正弦图y(t₀)根据信号强度分解成的K幅次正弦图分成两部分，其中第一部分次正弦图重建后需要去除伪影，而第二部分次正弦图在重建后不需要去除伪影。 

根据本发明实施例，在所述K幅次正弦图y′_p(t₀)，p∈[1，K]中，在满足下式时： 

$\frac{{\stackrel{\&OverBar;}{c}}_p\left(t_0\right)}{\min \left({\stackrel{\&OverBar;}{c}}_p\left(t_0\right)\right)}>\mathrm{\&beta;}---\left(11\right)$

采用滤波反投影算法将所述次正弦图y′_p(t₀)重建为所述目标物体的图像z′_p(t₀)，其中β为预设的第一阈值。这里的次正弦图y′_p(t₀)可以称为第一部分次正弦图。然后，去除所述目标物体的图像z′_p(t₀)的伪影，得到目标物体的图像x′_p(t₀)。例如β＝1时，表示对K幅次正弦图中除了信号强度最低的那一幅之外，对其他的K-1幅次正弦图，即第一部分次正弦图都进行图像重建并 分别去除伪影的处理。 

本领域技术人员理解，伪影的信号强度比目标区域的信号强度弱，因此根据本发明实施例，去除所述目标物体的图像z′_p(t₀)的伪影可以采用阈值法或者归类算法，诸如K Means算法。这里所说的阈值法在Mehmet Sezgin andBulent Sankur，Survey over image thresholding techniques and quantitativeperformance evaluation，Journal of Electronic Imaging13(1)，146-165(January2004)中有详细的记载，该文件通过引用方式全文包括在本文中。 

对于在所述K幅次正弦图y′_p(t₀)中，除了重建后需要去除伪影的第一部分次正弦图之外，采用滤波反投影算法将剩余的次正弦图y′_q(t₀)，即第二部分次正弦图，重建为目标物体的图像x′_q(t₀)，其中q∈[1，K]且q≠p。 

然后，将所述目标物体的图像x′_p(t₀)与x′_q(t₀)叠加，形成所述目标物体的单帧最终图像x(t₀)。至此，根据本发明实施例，针对断层成像扫描获得的目标物体的动态正弦图y(t)中的单帧正弦图y(t₀)重建完成，并且消除或者说至少减弱了条状伪影对目标物体图像造成的不利影响。 

采用上述方法，可以对全部的动态正弦图y(t)进行处理，以实现减弱甚至消除伪影的效果。 

根据本发明实施例，优选地，在根据所述

将所述动态正弦图y(t)中的单帧正弦图按照信号强度分解成K幅次正弦图y′_p(t₀)的步骤之前，可以对动态正弦图y(t)进行有选择的处理，例如判断动态正弦图y(t)是否满足 

$\frac{\max \left({\stackrel{\&OverBar;}{c}}_k\left(t\right)\right)}{\min \left({\stackrel{\&OverBar;}{c}}_k\left(t\right)\right)}>\mathrm{\&alpha;}---\left(12\right)$

其中α为预设的第二阈值。式(12)表示动态正弦图上信号强度最强的点与信号强度最弱的点之间反差，反差越大，重建后出现的条状伪影的影响越强。在本发明实施例中，α可以介于5-50之间，优选地，可以介于10-30之间，更优选地，可以选择α＝20。在确定之后，才对该帧动态正弦图y(t)进行分解并去除伪影的处理。对于不满足式(12)的那些动态正弦图y(t)，可以直接采用传统的滤波反投影算法进行重建。由于不满足式(12)的那些动态正弦图上信号强度的反差相对较小，所以重建之后的图像基本上 没有条状伪影，或者条状伪影的影响很小。 

根据本发明实施例，通过对断层扫描获得的正弦图进行分解并分别去除图像重建过程中产生的条状伪影，提高了重建所得目标物体图像的质量。 

以下通过具体应用实例来更为具体地说明本发明实施例的原理。 

由于示踪剂往往会囤积在生物体的膀胱内，产生了过高的信号强度。应用滤波反投影算法重建腹部图像时，往往伴随出现严重条状伪影(Schiepers1997)。为了评估本发明实施例，如图3所示，根据真实的解剖学图像，仿真构建了男性腹部模型图像，包括有脂肪，大肠，肌肉，前列腺，盆骨，脊椎，膀胱以及一个位于前列腺的癌变肿瘤。各个组织器官各赋值有一种时间强度曲线，以构建一组动态图像。该组动态图像经正投影(forward projection)到投影空间，得到一组动态无噪正弦图(正弦图每帧大小：128x64体素，43时间帧)。为反应现实状况，在正弦图上每个单位加以随机幅度的泊松噪声(Poisson Noise)。 

根据本发明实施例的方法，首先用滤波反投影算法将动态正弦图重建为动态图像(动态图像每帧大小：256x256体素，43时间帧)。在本例中，预设K＝2(具有高强度信号的膀胱以及具有一般信号强度的其余组织器官)。因此，如图4所示，采用K Means算法从动态图像中归类出来两条典型时间-强度曲线。这两条时间-强度曲线作为分解正弦图的时间基方程组。在预设α＝20的情况下，确定第34帧动态正弦图需要进行分解。由于K＝2，所以将第34帧动态正弦图分解为两幅次正弦图。分解后的两幅次正弦图如图5(a)和5(b)所示。图5(a)具有较高信号强度，对应图像空间的膀胱区域，而图5(b)具有较低的信号强度水平，对应其他的组织器官。 

针对第34帧图像，用滤波反投影算法重建两幅次正弦图的结果如图6所示，其中图6(a)表示与图5(b)对应的较低信号强度水平区域；图6(b)表示与图5(a)对应的膀胱区域，图中显现严重的条状伪影；图6(c)表示利用归类算法将膀胱区域与条状伪影分离后，仅剩膀胱区域；图6(d)表示被去除的条状伪影。应用归类算法，出现在膀胱图像中的条状伪影被直接滤去。在接下来的步骤中，干净无伪影的膀胱图像6(c)与图6(a)进行叠加，得到最终的重建图像，如图7(a)所示。 

在图7中，图7(b)表示利用传统算法重建出的图像，与图7(b)相比，应用本发明实施例的方法得到的图7(a)明显有效去除了严重的条状伪 影，减少了组织器官轮廓的扭曲失真，这对于实际临床时描绘肿瘤边界及进行后续诊断有着十分重要的意义。 

总结上述内容，本发明实施例提出了一种图像处理方法，如图8所示，所述方法800包括： 

810：采用滤波反投影算法对断层成像扫描获得的目标物体的L帧动态正弦图y(t)进行图像重建，得到L帧动态图像x′(t)，其中t∈[0，L-1]； 

820：利用归类算法将所述L帧动态图像x′(t)的信号强度归类为预设的K类，得到每类的平均强度曲线其中K＞1，k∈[1，K]； 

830：根据所述

将所述动态正弦图y(t)中的单帧正弦图y(t₀)按照信号强度分解成K幅次正弦图y′_p(t₀)，其中t₀∈[0，L-1]、p∈[1，K]，所述y′_p(t₀)表示所述动态正弦图y(t)中的单帧正弦图y(t₀)上信号强度为

的区域； 

840：在所述K幅次正弦图y′_p(t₀)中，在

时，采用滤波反投影算法将所述y′_p(t₀)重建为所述目标物体的图像z′_p(t₀)，其中β为预设的第一阈值，换句话说，采用滤波反投影算法有选择地将部分次正弦图重建为目标物体的图像； 

850：去除所述目标物体的图像z′_p(t₀)的伪影，得到目标物体的图像x′_p(t₀)，也可以称之为去伪影图像； 

860：在所述K幅次正弦图y′_p(t₀)中，采用滤波反投影算法将剩余的次正弦图y′_q(t₀)重建为目标物体的图像x′_q(t₀)，其中q∈[1，K]且q≠p，也可以称之为直接图像； 

870：将所述目标物体的图像x′_p(t₀)与x′_q(t₀)叠加，或者说将去伪影图像与直接图像叠加，形成所述目标物体的单帧最终图像x(t₀)。 

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。 

Claims (8)

1.一种图像处理方法，其特征在于，所述方法包括：

(a)采用滤波反投影算法对断层成像扫描获得的目标物体的L帧动态正弦图y(t)进行图像重建，得到L帧动态图像x′(t)，其中t∈[0，L-1]；

(b)利用归类算法将所述L帧动态图像x′(t)的信号强度归类为预设的K类，得到每类的平均强度曲线

其中K＞1，k∈[1，K]；

(c)根据所述

将所述动态正弦图y(t)中的单帧正弦图y(t₀)按照信号强度分解成K幅次正弦图y′_p(t₀)，其中t₀∈[0，L-1]、p∈[1，K]，所述y′_p(t₀)表示所述动态正弦图y(t)中的单帧正弦图y(t₀)上信号强度为

的区域；

(d)在所述K幅次正弦图y′_p(t₀)中，在

时，采用滤波反投影算法将所述y′_p(t₀)重建为所述目标物体的图像z′_p(t₀)，其中β为预设的第一阈值；

(e)去除所述目标物体的图像z′_p(t₀)的伪影，得到目标物体的图像x′_p(t₀)；

(f)在所述K幅次正弦图y′_p(t₀)中，采用滤波反投影算法将剩余的次正弦图y′_q(t₀)重建为目标物体的图像x′_q(t₀)，其中q∈[1，K]且q≠p；

(g)将所述目标物体的图像x′_p(t₀)与x′_q(t₀)叠加，形成所述目标物体的单帧最终图像x(t₀)。

2.如权利要求1所述的方法，其特征在于，

在步骤(c)之前，所述方法还包括：

确定

其中α为预设的第二阈值。

3.如权利要求1或2所述的方法，其特征在于，β取值为1。

4.如权利要求2所述的方法，其特征在于，α取值介于5-50之间。

5.如权利要求4所述的方法，其特征在于，α取值介于10-30之间。

6.如权利要求5所述的方法，其特征在于，α取值为20。

7.如权利要求1所述的方法，其特征在于，在所述步骤(e)中，采用阈值法或者归类算法去除所述目标物体的图像z′_p(t₀)的伪影。

8.如权利要求1所述的方法，其特征在于，所述归类算法为K means算法。

Images