CN108734674B - 一种改进nas-rif的oct图像盲复原方法 - Google Patents
一种改进nas-rif的oct图像盲复原方法 Download PDFInfo
- Publication number
- CN108734674B CN108734674B CN201810471896.XA CN201810471896A CN108734674B CN 108734674 B CN108734674 B CN 108734674B CN 201810471896 A CN201810471896 A CN 201810471896A CN 108734674 B CN108734674 B CN 108734674B
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- oct
- cost function
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000009792 diffusion process Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000011179 visual inspection Methods 0.000 abstract 1
- 238000012014 optical coherence tomography Methods 0.000 description 42
- 238000003384 imaging method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种改进NAS‑RIF的OCT图像盲复原方法,属于视觉检测领域。本发明应用GNLDF算法对OCT图像预处理,并采用基于泊松分布的最小误差阈值估计OCT图像的目标支持域;通过引入OCT估计图像的梯度信息,构建基于ATV正则化的改进代价函数,采用分裂Bregman迭代算法优化改进代价函数,进而调整FIR滤波器系数,使投影图像不断接近真实图像,实现OCT图像的盲复原。本方法充分利用了OCT估计图像的梯度信息,通过构建的改进代价函数,有效提高了NAS‑RIF方法在OCT图像盲复原过程中的噪声鲁棒性,且能够保留图像的细节信息,获得了结构清晰、边缘明显的高信噪比OCT复原图像。
Description
技术领域
本发明涉及一种光学相干层析(Optical Coherence Tomography,OCT)图像盲复原方法,属于视觉检测领域,尤其涉及一种改进非负性和递归逆滤波(Nonnegativity andSupport Recursive Inverse Filtering,NAS-RIF)的OCT图像盲复原方法。
背景技术
OCT技术利用光源低相干性获取待测样品内部结构信息,已应用于生物医学、临床医学和物体无损检测等领域,然而OCT系统在成像过程中易受到噪声的影响,造成图像退化,掩盖和模糊图像的细节信息,直接影响着OCT图像分析精度。因此,实现OCT图像的复原,获得结构清晰、边缘明显的高信噪比OCT图像,能够提高OCT图像分析与检测的准确性。
现有的OCT图像复原方法主要有非盲复原法和盲复原法。非盲复原法根据实际OCT图像的点扩散函数(Point Spread Function,PSF)实现OCT图像复原,然而实际应用中OCT图像的PSF较难准确获得,导致采用非盲复原法难以获得高质量的OCT复原图像;而盲复原法中的NAS-RIF方法能在PSF未知的情况下,利用OCT图像的目标支持域和非负性,施加限制条件约束复原过程,实现可靠的图像复原,然而该方法在OCT图像复原的过程中易受观测图像噪声的影响,使得估计图像产生偏差,噪声鲁棒性低,制约了OCT图像复原质量的提高。因此,通过改进NAS-RIF方法,提高OCT图像盲复原过程中的噪声鲁棒性,实现高质量的OCT图像复原。
发明内容
本发明的目的是提高NAS-RIF方法在OCT图像盲复原过程中的噪声鲁棒性,获得高质量的OCT复原图像。首先,应用几何非线性扩散(Geometric nonlinear diffusionfilter,GNLDF)算法对OCT图像预处理,并采用基于泊松分布的最小误差阈值估计图像的目标支持域;然后,通过引入OCT估计图像的梯度信息,构建基于各向异性总变分(Anisotropic Total Variation,ATV)正则化的改进代价函数,并采用分裂Bregman迭代算法优化改进代价函数,进而调整FIR滤波器系数,使投影图像不断接近真实图像,实现OCT图像的盲复原。
本发明采用的技术方案为一种改进NAS-RIF的OCT图像盲复原方法,该方法具体包括以下步骤:
步骤一:对OCT原图像进行GNLDF滤波,得到GNLDF滤波后的图像;
步骤三:构建基于ATV正则化的改进代价函数J,并采用分裂Bregman迭代方法对改进代价函数进行优化;
步骤四:重复步骤一到步骤三,直至满足终止条件时停止迭代,此时的投影图像即为盲复原后的OCT图像。
所述步骤一,具体包括:
OCT图像为I,利用式(1)估计出参数δ。
式中,Ii,j代表坐标为(i,j)处的像素值;mean(·)为图像像素的均值;median(·)为中位数。
利用估计出的参数δ和待处理像素点Is,以及Is右边和左边相邻的像素点的强度IE和IW,由式(2)得到参数Dx,由式(3)得到x方向像素平均值Ax,在此基础上,由式(4)得到参数I's,x,从而得到参数Px。
式中,|·|为绝对值。
Ax=(IE+IW)/2 (3)
Px=I's,x-Ax (5)
利用参数Dx和Px,由式(6)得到x方向的扩散系数c(Dx,Px)。
y方向的扩散系数c(Dy,Py),进而由式(7)得到离散形式的GNLDF。
所述步骤二,具体包括:
式中,*为卷积。
根据式(9)和式(10)分别估计图像背景区域和支持域的先验概率P0(T)和P1(T),平均值μ0(T)和μ1(T)。
式中,Imax为最大的像素值;h(ii)为图像直方图归一化处理结果;ii表示像素值大小。
在此基础上,根据式(11)得到最佳阈值T。
根据获得的最佳阈值T,将估计图像的像素分为背景和目标区域两类,大于T的像素构成目标支持域,小于T的像素构成背景区,组成与退化图像尺寸相同的二维数组模板b(x,y)。
式中,1表示支持域;0表示非支持域。
所述步骤三,具体包括:
J2=γ(∑u-1)2 (15)
式中,μ为平衡参数;常数γ只有在LB为零值时不取零,其余均为正数。
根据估计图像的梯度,进一步由式(18)得到改进代价函数的第三部分JATV。
式中,||·||1代表L1范数。
利用获得的J1、J2和JATV,根据式(19)得到基于ATV正则化的改进代价函数J。
J=JATV+J1+J2 (19)
根据式(8),将改进代价函数改写为
采用分裂Bregman迭代方法对改进代价函数(20)进行优化,将式(20)转变成无约束最优化问题和Bregman迭代,得到迭代后的u(x,y),具体迭代过程如下:
引入辅助变量dx和dy,令其分别为式(21)和式(22)
则式(20)转化为式(23)所表示的约束问题
通过借助辅助变量dx、dy和二次惩罚项,将式(23)转化为
式中,λ>0,为惩罚因子;控制惩罚项的权重;||·||2代表L2范数;bx和by为引入的两个变量。
式中,shrink(:,:)为阈值收缩算子,定义为
shrink(ui,δ)=sign(ui)max(0,|ui|-δ) (26)
分裂Bregman迭代通过引入辅助变量、变量分离和Bregman迭代步骤,将具有L1项函数的优化问题式(20)转化为一系列无约束最优化问题式(25),从而实现改进代价函数的优化。
所述步骤四,具体包括:
重复步骤一到步骤三,直至满足式(27)或式(28)时停止迭代,此时的投影图像即为盲复原后的图像。
k≥kmax (27)
式中,k为迭代次数;kmax为设定的最大迭代次数。
J≤ε (28)
式中,ε为设定值,为较小的正数。
本发明的优点为:通过采用GNLDF算法对OCT图像预处理,有效滤除部分噪声的同时保留了图像的细节信息,减小了噪声对复原过程的影响;通过构建的基于ATV正则化的改进代价函数,充分利用了OCT估计图像的梯度信息,提高了NAS-RIF方法在OCT图像复原过程的噪声鲁棒性,且能够保留图像的细节信息,获得了结构清晰、边缘明显的高信噪比OCT复原图像。
附图说明
图1是本发明所述的一种改进NAS-RIF的OCT图像盲复原方法的构建框图。
图2是具体实施例中的扫频OCT系统对橘子组织的成像结果以及处理结果图,其中,(a)为采用扫频OCT系统对橘子组织进行扫描成像结果;(b)是采用GNLDF方法对(a)去噪后的结果;(c)是采用基于泊松分布的最小误差阈值法支持域提取结果;(d)是本发明方法对(a)复原后的结果。
图3为图2中各图的局部放大图。
具体实施方式
下面结合实例及附图对本发明作进一步的描述,需要说明的是,实施例并不限定本发明要求保护的范围。
实施例
采用中心波长为1310nm,带宽为170nm,快扫频率为50Hz,轴向分辨率为10μm,横向分辨率为20μm的扫频OCT设备对橘子组织进行扫描成像,获得的图像如图2(a)所示。
将本发明应用到上述橘子组织的OCT图像中,具体步骤如下:
步骤一:利用式(1)至式(6),计算出OCT图像x方向的扩散系数c(Dx,Px)和y方向的扩散系数c(Dy,Py),利用式(7)计算出t时刻的扩散图像Is t,其中Δt为0.25,t为10,此时的扩散图像Is t即为滤波后的图像g(x,y)。
步骤二:将滤波后的图像g(x,y)经过5×5大小的FIR滤波器u(x,y),根据式(8)得到估计图像利用式(9)和式(10)得到估计图像背景区域和支持域的先验概率P0(T)和P1(T),平均值μ0(T)和μ1(T),再利用式(11)得到最佳阈值T;
将估计图像的像素分为背景和目标区域两类,大于T的像素构成目标支持域,小于T的像素构成背景区,根据式(12)组成与退化图像尺寸相同的二维数组模板b(x,y);
步骤三:利用式(14)和式(15),由估计图像和投影图像得到改进代价函数的第一部分和第二部分J1、J2,其中μ为200,γ为10,利用式(16)和式(17)计算出估计图像x方向和y方向的梯度和从而根据式(18)得到改进代价函数的第三部分JATV,根据得到的J1、J2和JATV,利用式(19)构建基于ATV正则化的改进代价函数J;
利用式(20)到式(24)引入辅助变量dx和dy,并进行变量分离,根据式(25)对改进代价函数J进行优化,更新FIR滤波器系数,其中λ为10。
步骤四:重复步骤一到步骤三,直到迭代次数大于10次,停止迭代,此时的投影图像即为盲复原后的OCT图像。
图像质量评价指标为信噪比SNR,噪声对比度CNR和等效视数ENL,CNR可以衡量目标区域和背景噪声区域的对比度,ENL衡量受噪声污染区域的图像平滑度,SNR和CNR越大表示图像的去噪效果越好,ENL越大表示处理后的图像边缘越平滑,评价指标对比结果如表1所示。
在图中选择R个目标区域以及一个背景区域进行计算,其中目标区域用白色点划线框标出,背景区域用白色实线框标出,如图2(a)所示,本发明中选取3个目标区域。式中I代表图像的像素值,σ为背景区域的标准差,μr和σr分别是第r个目标区域的均值和标准差,μb和σb分别是背景区域的均值和标准差。
表1 OCT图像复原结果评价指标对比
图2(a)和图3(a)为OCT原图,从图中可以看出噪声严重且图像边缘不清晰;图2(b)和图3(b)为经过GNLDF方法预处理后的图像,从图中可以看出部分噪声得到了有效地滤除,且图像边缘保持效果较好;图2(c)和图3(c)为采用基于泊松分布的最小误差阈值法提取的支持域,从图中可以看出没有损失图像的细节信息,目标区域提取结果准确;图2(d)和图3(d)为采用本发明方法处理后的图像,从图中可以明显看出,噪声得到了更加有效的抑制,图像边缘更加清晰,由于在代价函数中引入了抑制噪声的正则化项,因此复原的图像边缘相对平滑,同时从表1中可看出,SNR、CNR和ENL相较于原图均有了明显提高,进一步表明了本发明方法有效地提高了NAS-RIF方法在OCT图像复原过程的噪声鲁棒性,且能够保留图像的细节信息,获得了结构清晰、边缘明显的高信噪比OCT复原图像。
Claims (4)
1.一种改进NAS-RIF的OCT图像盲复原方法,其特征在于:该方法具体包括以下步骤:
步骤一:对OCT原图像进行GNLDF滤波,得到GNLDF滤波后的图像;
步骤三:构建基于ATV正则化的改进代价函数J,并采用分裂Bregman迭代方法对改进代价函数进行优化;
步骤四:重复步骤一到步骤三,直至满足终止条件时停止迭代,此时的投影图像即为盲复原后的OCT图像;
所述步骤三,具体包括:
J2=γ(∑u-1)2 (15)
式中,μ为平衡参数;常数γ只有在LB为零值时不取零,其余均为正数;
根据估计图像的梯度,进一步由式(18)得到改进代价函数的第三部分JATV;
式中,||·||1代表L1范数;
利用获得的J1、J2和JATV,根据式(19)得到基于ATV正则化的改进代价函数J;
J=JATV+J1+J2 (19)
根据式(8),将改进代价函数改写为
采用分裂Bregman迭代方法对改进代价函数(20)进行优化,将式(20)转变成无约束最优化问题和Bregman迭代,得到迭代后的u(x,y),具体迭代过程如下:
引入辅助变量dx和dy,令其分别为式(21)和式(22)
则式(20)转化为式(23)所表示的约束问题
通过借助辅助变量dx、dy和二次惩罚项,将式(23)转化为
式中,λ>0,为惩罚因子;控制惩罚项的权重;||·||2代表L2范数;bx和by为引入的两个变量;
式中,shrink(:,:)为阈值收缩算子,定义为
shrink(ui,δ)=sign(ui)max(0,|ui|-δ) (26)
分裂Bregman迭代通过引入辅助变量、变量分离和Bregman迭代步骤,将具有L1项函数的优化问题式(20)转化为一系列无约束最优化问题式(25),从而实现改进代价函数的优化。
2.根据权利要求1所述的一种改进NAS-RIF的OCT图像盲复原方法,其特征在于:所述步骤一,具体包括:
OCT图像为I,利用式(1)估计出参数δ;
式中,Ii,j代表坐标为(i,j)处的像素值;mean(·)为图像像素的均值;median(·)为中位数;
利用估计出的参数δ和待处理像素点Is,以及Is右边和左边相邻的像素点的强度IE和IW,由式(2)得到参数Dx,由式(3)得到x方向像素平均值Ax,在此基础上,由式(4)得到参数I's,x,从而得到参数Px;
式中,|·|为绝对值;
Ax=(IE+IW)/2 (3)
Px=I's,x-Ax (5)
利用参数Dx和Px,由式(6)得到x方向的扩散系数c(Dx,Px);
y方向的扩散系数c(Dy,Py),进而由式(7)得到离散形式的GNLDF;
3.根据权利要求1所述的一种改进NAS-RIF的OCT图像盲复原方法,其特征在于:所述步骤二,具体包括:
式中,*为卷积;
根据式(9)和式(10)分别估计图像背景区域和支持域的先验概率P0(T)和P1(T),平均值μ0(T)和μ1(T);
式中,Imax为最大的像素值;h(ii)为图像直方图归一化处理结果;ii表示像素值大小;
在此基础上,根据式(11)得到最佳阈值T;
根据获得的最佳阈值T,将估计图像的像素分为背景和目标区域两类,大于T的像素构成目标支持域,小于T的像素构成背景区,组成与退化图像尺寸相同的二维数组模板b(x,y);
式中,1表示支持域;0表示非支持域;
4.根据权利要求1所述的一种改进NAS-RIF的OCT图像盲复原方法,其特征在于:所述步骤四,具体包括:
重复步骤一到步骤三,直至满足式(27)或式(28)时停止迭代,此时的投影图像即为盲复原后的图像;
k≥kmax (27)
式中,k为迭代次数;kmax为设定的最大迭代次数;
J≤ε (28)
式中,ε为设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810471896.XA CN108734674B (zh) | 2018-05-17 | 2018-05-17 | 一种改进nas-rif的oct图像盲复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810471896.XA CN108734674B (zh) | 2018-05-17 | 2018-05-17 | 一种改进nas-rif的oct图像盲复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734674A CN108734674A (zh) | 2018-11-02 |
CN108734674B true CN108734674B (zh) | 2021-07-20 |
Family
ID=63937552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810471896.XA Active CN108734674B (zh) | 2018-05-17 | 2018-05-17 | 一种改进nas-rif的oct图像盲复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734674B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986136B (zh) * | 2020-09-24 | 2024-01-30 | 南京航空航天大学 | 一种基于泊松概率模型的模糊图像序列融合复原方法 |
CN113379626B (zh) * | 2021-06-01 | 2024-02-09 | 大连海事大学 | 基于迭代与边缘映射强度的sar图像相干斑抑制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1900971A (zh) * | 2005-07-18 | 2007-01-24 | 北京航空航天大学 | 一种改进的nas-rif盲图像复原方法 |
CN102147915A (zh) * | 2011-05-06 | 2011-08-10 | 重庆大学 | 一种权重的稀疏边缘正则化图像复原方法 |
CN102208100A (zh) * | 2011-05-31 | 2011-10-05 | 重庆大学 | 基于Split Bregman 迭代的全变差正则化图像盲复原方法 |
-
2018
- 2018-05-17 CN CN201810471896.XA patent/CN108734674B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1900971A (zh) * | 2005-07-18 | 2007-01-24 | 北京航空航天大学 | 一种改进的nas-rif盲图像复原方法 |
CN102147915A (zh) * | 2011-05-06 | 2011-08-10 | 重庆大学 | 一种权重的稀疏边缘正则化图像复原方法 |
CN102208100A (zh) * | 2011-05-31 | 2011-10-05 | 重庆大学 | 基于Split Bregman 迭代的全变差正则化图像盲复原方法 |
Non-Patent Citations (2)
Title |
---|
一种改进的NAS-RIF红外图像盲复原算法;孙胜永 等;《激光与红外》;20141130;1265-1273 * |
多方向几何非线性扩散图像去噪方法;刘国才 等;《湖南大学学报(自然科学版)》;20160831;135-141 * |
Also Published As
Publication number | Publication date |
---|---|
CN108734674A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Denoising 3D MR images by the enhanced non-local means filter for Rician noise | |
US8873825B2 (en) | Method of noise reduction in digital X-rayograms | |
CN111986120A (zh) | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 | |
CN110992292B (zh) | 一种增强型低秩稀疏分解模型医学ct图像去噪方法 | |
CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
Liu et al. | Blind image restoration with sparse priori regularization for passive millimeter-wave images | |
CN110796616A (zh) | 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN108734674B (zh) | 一种改进nas-rif的oct图像盲复原方法 | |
Iwasokun et al. | Image enhancement methods: a review | |
Patel et al. | A review on image contrast enhancement techniques | |
KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
WO2002005212A2 (en) | Image enhancement | |
CN117830134A (zh) | 基于混合滤波分解和图像融合的红外图像增强方法及系统 | |
CN116091312A (zh) | 一种低对比度图像联合增强和超分辨率重建方法 | |
CN115511726A (zh) | 一种x射线图像反锐化双掩膜图像增强方法及系统 | |
Daniel et al. | Retinal image enhancement using wavelet domain edge filtering and scaling | |
Yin et al. | Removing cradle artifacts in X-ray images of paintings | |
Horkaew et al. | Structural adaptive anisotropic NAS-RIF for biomedical image restoration | |
Ardizzone et al. | Fuzzy c-means segmentation on brain mr slices corrupted by rf-inhomogeneity | |
Usha et al. | Hybrid approach for noise removal and image enhancement of brain tumors in magnetic resonance images | |
CN116205940B (zh) | 基于医学检验的数字图像目标检测方法及系统 | |
Kaur et al. | Hand Gesture Image Enhancement for Improved Recognition and Subsequent Analysis | |
Prasad et al. | A Systematic Review of Noise Types, Denoising Methods, and Evaluation Metrics in Images | |
van Zwanenberg et al. | Camera system performance derived from natural scenes | |
Ketan | Design and development of automatic abnormality detection system for capsule endoscopy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |