CN105160643A - 基于盲源分离从x射线序列图像中分离图像信息的方法 - Google Patents
基于盲源分离从x射线序列图像中分离图像信息的方法 Download PDFInfo
- Publication number
- CN105160643A CN105160643A CN201510632896.XA CN201510632896A CN105160643A CN 105160643 A CN105160643 A CN 105160643A CN 201510632896 A CN201510632896 A CN 201510632896A CN 105160643 A CN105160643 A CN 105160643A
- Authority
- CN
- China
- Prior art keywords
- image
- component
- noise
- sequence
- image information
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提出了一种基于盲源分离从X射线序列图像中分离图像信息的方法,该方法可以利用盲源分离中高阶统计的定点独立分量分析或二阶统计的奇异值分解进行分离;取相对静止目标的不小于2帧X射线图像形成图像序列;将图像噪声和图像信息视为组成整幅图像的独立分量;图像信息是稳定的,而噪声在不同帧图像中出现的随机性使不同帧图像可视为噪声和图像信息的不同组合;利用盲源分离使噪声和图像信息分开,计算标准方差最大的分量即为图像信息分量,并将其输出。该方法不需要噪声先验信息,将可将有用图像信息提取出来,提取效率随图像序列中图像数量增加而提高,也将随盲源分离的技术改进而提高,是一种实用且有潜力的X射线图像降噪方法。
Description
技术领域
本发明专利涉及X射线图像降噪,具体为基于盲源分离将图像噪声和图像信息视为不相关分量而将图像信息分离出来的一种图像降噪算法。
背景技术
自从伦琴在1895年发现X射线以来,X射线成像技术使探索物体内部结构成为可能。典型的X射线成像系统由射线源、X射线影像探测器、CCD/CMOS、影像输出及其他光电器件,由这些光电器件产生的热噪声、散粒噪声和量子噪声等噪声会严重降低最终输出图像质量。
X射线图像噪声遵循泊松分布,而常用的图像降噪方法主要分为空域、时间域、频率域几类降噪方法。
盲源分离是一种基于统计的信号处理技术,最初的经典应用为“鸡尾酒会”。利用盲源分离可以分析多维数据,因此,盲源分离也逐渐被应用于图像处理方面,比如图像融合、图像增强、特征提取、伪影消除、混合图像分离、消除散乱线等。而利用盲源分离进行图像降噪通常需要噪声的先验知识或者训练含噪声图像进行稀疏编码收缩。
发明内容
技术问题:本发明专利的目的在于提供一种基于盲源分离从X射线序列图像中分离图像信息的方法,具体采用定点独立分量分析(Fixed-PointIndependentComponentAnalysis,FPICA)或奇异值分解(SingularValueDecomposition,SVD),将X射线图像中图像信息有效提取出来的图像降噪处理。
技术方案:本发明是一种基于盲源分离从X射线序列图像中分离图像信息的方法,对一个相对静止物体拍摄含有m帧图像的序列,由于图像序列中每帧图像均由相同性质的噪声和信息组成,只有噪声的随机出现使不同图像间均存在差异,将含有m帧图像的序列看作是图像噪声和图像信息的m种组合,利用盲源分离得到n-1帧图像噪声分量和1帧图像信息分量,全部n个分量中标准方差值最大者即为图像信息分量,据此判断并输出图像信息分量,m,n为整数,且m≥n≥2。
利用盲源分离出n-1帧图像噪声分量和1帧图像信息分量,其方法是利用盲源分离中高阶统计的定点独立分量分析或二阶统计奇异值分解进行分量分离,具体方法如下:
对静止目标拍摄一个包含不小于2帧的X射线图像序列,序列中任一帧中的图像信息是唯一的,噪声是随机的,因此每帧图像都不同;利用盲源分离,每帧图像可看作1个图像信息分量和n-1个噪声分量的组合,如式(1)所示:
式(1)中,X=[x1,x2,…,xm]T,xi表示观察图像序列中任何一帧;下标i表示每帧在图像序列中的次序,取值1,…,m;X表示观察图像序列矩阵;A=[a1,a2,…,an],ai是分量混合的系数向量,由系数aij组成;S=[s1,s2,…,sn]T表示由图像分量sj组成的矩阵;下标j表示分量序号,取值1,…,n;m,n为整数,且m≥n≥2;T表示矩阵转置;
通过定点独立分量分析(Fixed-PointIndependentComponentAnalysis,FPICA)或奇异值分解(SingularValueDecomposition,SVD)方法均可得到矩阵W,从而得到无限逼近分量sj的分量yj,其关系由公式(2)所示:
Y=WX=WAS→S(2)
式(2)中,Y=[y1,y2,…,yn]T,yj表示分离出的噪声分量或图像信息分量,下标j表示分量的序号,Y表示由分离出的分量组成的矩阵,T表示矩阵转置;W表示分离矩阵。
所述对一个相对静止物体拍摄含有多帧图像的序列,取不小于2帧X射线图像形成图像序列。
将所述的图像噪声和图像信息视为组成整幅图像的独立分量,不同帧图像视为噪声和图像信息的不同组合。
有益效果:X射线图像降噪目的是尽最大可能从含噪声的原图像中提取图像有用信息,利用其进行后续图像分析等工作。
传统的去噪方式将噪声和有用信息同等对待,认为噪声和有用信息在某个变换域中是分布于不同区间的。然而,噪声和有用信息图像在某个区域中通常是相互叠加的。因此,这些传统方法无法滤除设定噪声区间以外的噪声,并且可能滤除该区间的有用信息。分离可以有效处理有用信息和噪声之间的关系,确保分离出的有用信息分量和噪声分量之间相互独立,可以在去噪的同时,尽量保留图像有用信息,保证降噪后的图像质量。
本发明是一种既不需要噪声先验知识也不需要对含噪声图像进行训练的图像降噪处理方法,仅利用盲源分离的本质即可简单有效的将在图像中唯一的、固定的图像信息从图像序列中提取出来。
具体实施方式
利用X射线成像设备拍摄一个图像序列,所拍摄目标处于相对静止状态;利用盲源分离中高阶统计的定点独立分量分析方法或者二阶统计的奇异值分解对图像序列进行分离;计算被分离出的每个分量的标准方差(StandardDeviation,SD)或方差(Variance),值最大者即为所求的图像有用信息分量,而多个噪声分量的标准方差或方差值彼此接近你,但相对图像有用信息的标准方差或方差却小。
该方法可以利用盲源分离,将含有m帧的图像序列中每一帧作为噪声和信息的不同组合,可将含有m帧图像的序列分离出n-1帧噪声分量和1帧图像信息分量;无需噪声先验信息和图像训练即可将图像信息分量分离并输出,该方法不仅可简单实现X射线图像降噪,且降噪效率且可随图像序列中帧数量增加和盲源分离的提高而提高。
可以利用盲源分离中高阶统计的定点独立分量分析(Fixed-PointIndependentComponentAnalysis,FPICA)或二阶统计奇异值分解(SingularValueDecomposition,SVD)进行分量分离。
取相对静止目标的不小于2帧X射线图像形成图像序列。
将图像噪声和图像信息视为组成整幅图像的独立分量,不同帧图像视为噪声和图像信息的不同组合。
利用盲源分离使噪声和信息分开,获取标准方差(StandardDeviation,SD)或方差(Variation)最大的分量即为图像信息分量,并将其输出。
实例:
对静止目标拍摄一个包含不小于2帧的X射线图像序列帧的X射线图像序列,每一帧图像均由固定图像信息和随机图像噪声组成,每帧图像中,图像信息是唯一的,噪声随机的,因此,序列中每帧图像各不相同,可以视为由1个有用图像信息分量和n-1个噪声分量的组合。利用盲源分离(BlindSourceSeparation,BSS)对图像序列中噪声分量和有用信息分量分离。以下公式(1)中,xi表示图像序列中每一帧图像;sj为图像分量;aij为分量的权重系数。
式(1)中,X=[x1,x2,…,xm]T,xi表示观察图像序列中任何一帧;下标i表示每帧在图像序列中的次序,取值1,…,m;X表示观察图像序列矩阵;A=[a1,a2,…,an],ai是分量混合的系数向量,由系数aij组成;S=[s1,s2,…,sn]T表示由图像分量sj组成的矩阵;下标j表示分量序号,取值1,…,n;m,n为整数,且m≥n≥2;T表示矩阵转置。
通过定点独立分量分析(Fixed-PointIndependentComponentAnalysis,FPICA)或奇异值分解(SingularValueDecomposition,SVD)方法均可得到矩阵W,从而得到无限逼近分量sj的分量yj,其关系由公式(2)所示:
Y=WX=WAS→S(2)
式(2)中,Y=[y1,y2,…,yn]T,yj表示分离出的噪声分量或图像信息分量,下标j表示分量的序号,Y表示由分离出的分量组成的矩阵,T表示矩阵转置;W表示分离矩阵。在n个yj分量中,分别计算其标准方差(StandardDeviation,SD)或方差(Variance),由于图像信息分量的标准方差(方差)远大于噪声分量的标准方差(方差),各个噪声分量的标准方差(方差)数值非常接近,因此可判断标准方差(方差)最大的为有用图像信息,可以作为结果输出。
Claims (4)
1.一种基于盲源分离从X射线序列图像中分离图像信息的方法,其特征在于,对一个相对静止物体拍摄含有m帧图像的序列,由于图像序列中每帧图像均由相同性质的噪声和信息组成,只有噪声的随机出现使不同图像间均存在差异,将含有m帧图像的序列看作是图像噪声和图像信息的m种组合,利用盲源分离得到n-1帧图像噪声分量和1帧图像信息分量,全部n个分量中标准方差值最大者即为图像信息分量,据此判断并输出图像信息分量,m,n为整数;且m≥n≥2。
2.根据权利要求1所述的基于盲源分离从X射线序列图像中分离图像信息的方法,其特征在于利用盲源分离出n-1帧图像噪声分量和1帧图像信息分量,其方法是利用盲源分离中高阶统计的定点独立分量分析或二阶统计奇异值分解进行分量分离,具体方法如下:
对静止目标拍摄一个包含不小于2帧的X射线图像序列,序列中任一帧中的图像信息是唯一的,噪声是随机的,因此每帧图像都不同;利用盲源分离,每帧图像可看作1个图像信息分量和n-1个噪声分量的组合,如式(1)所示:
式(1)中,X=[x1,x2,…,xm]T,xi表示观察图像序列中任何一帧;下标i表示每帧在图像序列中的次序,取值1,…,m;X表示观察图像序列矩阵;A=[a1,a2,…,an],ai是分量混合的系数向量,由系数aij组成;S=[s1,s2,…,sn]T表示由图像分量sj组成的矩阵;下标j表示分量序号,取值1,…,n;m,n为整数,且m≥n≥2;T表示矩阵转置;
通过定点独立分量分析FPICA或奇异值分解SVD方法均可得到矩阵W,从而得到无限逼近分量sj的分量yj,其关系由公式(2)所示:
Y=WX=WAS→S(2)
式(2)中,Y=[y1,y2,…,yn]T,yj表示分离出的噪声分量或图像信息分量,下标j表示分量的序号,Y表示由分离出的分量组成的矩阵,T表示矩阵转置;W表示分离矩阵。
3.根据权利要求1所述的基于盲源分离从X射线序列图像中分离图像信息的方法,其特征在于所述对一个相对静止物体拍摄含有m帧图像的序列,取不小于2帧X射线图像形成图像序列。
4.据权利要求1所述的基于盲源分离从X射线序列图像中分离图像信息的方法,其特征在于将所述的图像噪声和图像信息视为组成整幅图像的独立分量,不同帧图像视为噪声和图像信息的不同组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510632896.XA CN105160643A (zh) | 2015-09-29 | 2015-09-29 | 基于盲源分离从x射线序列图像中分离图像信息的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510632896.XA CN105160643A (zh) | 2015-09-29 | 2015-09-29 | 基于盲源分离从x射线序列图像中分离图像信息的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105160643A true CN105160643A (zh) | 2015-12-16 |
Family
ID=54801486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510632896.XA Pending CN105160643A (zh) | 2015-09-29 | 2015-09-29 | 基于盲源分离从x射线序列图像中分离图像信息的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160643A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529566A (zh) * | 2016-09-25 | 2017-03-22 | 郑州航空工业管理学院 | 一种新型自适应盲源分离方法 |
CN106803089A (zh) * | 2016-12-15 | 2017-06-06 | 南京邮电大学 | 基于非线性主分量分析从图像序列中分离图像信息的方法 |
-
2015
- 2015-09-29 CN CN201510632896.XA patent/CN105160643A/zh active Pending
Non-Patent Citations (4)
Title |
---|
AAPO HYVARINEN: "Independent component analysis: recent advances", 《PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY A》 * |
YU CHUNYU等: "Blind source separation based x-ray image denoising from an image sequence", 《REVIEW OF SCIENTIFIC INSTRUMENTS》 * |
余丰等: "基于CS与K-SVD的欠定盲源分离稀疏分量分析", 《东南大学学报(自然科学版)》 * |
赵伟等: "改进的FastICA在盲图像分离中的应用", 《应用天地》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529566A (zh) * | 2016-09-25 | 2017-03-22 | 郑州航空工业管理学院 | 一种新型自适应盲源分离方法 |
CN106803089A (zh) * | 2016-12-15 | 2017-06-06 | 南京邮电大学 | 基于非线性主分量分析从图像序列中分离图像信息的方法 |
CN106803089B (zh) * | 2016-12-15 | 2020-03-31 | 南京邮电大学 | 基于非线性主分量分析从图像序列中分离图像信息的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohideen et al. | Image de-noising using discrete wavelet transform | |
Suganya et al. | Survey on image enhancement techniques | |
Delpretti et al. | Multiframe sure-let denoising of timelapse fluorescence microscopy images | |
JP2010045711A (ja) | 動画像雑音除去装置、その方法およびそのプログラム | |
CN105160643A (zh) | 基于盲源分离从x射线序列图像中分离图像信息的方法 | |
Karunakar et al. | Discrete wavelet transform-based satellite image resolution enhancement | |
CN106803089B (zh) | 基于非线性主分量分析从图像序列中分离图像信息的方法 | |
CN106023274B (zh) | 一种结合专家场滤波器稀疏约束的压缩感知图像重建方法 | |
Srisailam et al. | Color image denoising using wavelet soft thresholding | |
Canh et al. | Detail-preserving compressive sensing recovery based on cartoon texture image decomposition | |
Panguluri et al. | An enhanced image fusion framework using morphological operations based unsharp masking | |
Deng et al. | An improved image denoising method applied in resisting mixed noise based on MCA and Median filter | |
Khedkar et al. | Image denoising using wavelet transform | |
Luo et al. | Color image restoration via extended joint sparse model | |
JP5022400B2 (ja) | 動画像雑音除去装置、動領域画像雑音除去装置、動画像雑音除去プログラム、及び動領域画像雑音除去プログラム | |
Victor et al. | A new approach on denoising for 1D, 2D and 3D images based on discrete wavelet transformation and thresholding | |
Mahesh et al. | An Effective Image Denoising Using Adaptive Thresholding In Wavelet Domain | |
Maqsood et al. | Wavelet based video denoising using probabilistic models | |
Kazmi et al. | Medical image denoising based on adaptive thresholding in contourlet domain | |
Chen et al. | Adaptive video denoising using block matching 3-D filtering | |
Kaur | Image denoising algorithms and DWT: A review | |
Ga’fer et al. | SlantletTransformbased VideoDenoising | |
Jaiswal et al. | An efficient approach for denoising of noises | |
Zubair | Experiments on the capability of wavelet domain noise suppression: Comparison with spatial domain noise suppression | |
Sahu et al. | Comparison of digital image denoising method using various Transforms on Satellite Imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151216 |
|
RJ01 | Rejection of invention patent application after publication |