CN110599429B - 一种高能x射线图像非盲去模糊方法 - Google Patents
一种高能x射线图像非盲去模糊方法 Download PDFInfo
- Publication number
- CN110599429B CN110599429B CN201910914991.7A CN201910914991A CN110599429B CN 110599429 B CN110599429 B CN 110599429B CN 201910914991 A CN201910914991 A CN 201910914991A CN 110599429 B CN110599429 B CN 110599429B
- Authority
- CN
- China
- Prior art keywords
- image
- energy
- ray
- window
- noise
- 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 55
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 50
- 238000005070 sampling Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009394 selective breeding Methods 0.000 description 2
- 240000004760 Pimpinella anisum Species 0.000 description 1
- 241000350158 Prioria balsamifera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- -1 industry Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种高能X射线图像非盲去模糊方法,首先,获取高能X射线模糊图像,在频域上运用Gibbs抽样动态构造马尔科夫链,得到图像初步的去模糊结果、正则化参数值以及噪声标准差的估计量。利用迭代引导滤波方法对初步的去模糊图像进行噪声去除,并提出一种有效的插值方法对图像中的负值进行填充,抑制图像的振铃效应。然后结合处理后的平滑图像以及估计的正则化参数作为稀疏引导正则项约束的子目标函数的暖启动,获取最终平滑且边缘细节丰富的高能X射线去模糊图像。优点:本发明能够加速高能X射线图像的去模糊进程,并且能够更好地去除图像中的噪声和振铃。
Description
技术领域
本发明涉及一种高能X射线图像非盲去模糊方法,属于图像处理技术领域。
背景技术
高能X射线成像技术是研究客体内部结构的一种重要手段,是核武器研究的主要工具,具有成像直观,灵敏度高,对物体不破坏、无污染,适用材料广泛等优点,在医学、工业、材料和国防军事等很多领域中都有极为广泛的应用。由于高能X射线成像系统本身很复杂,成像过程会受到模糊、噪声等影响,致使图像质量较差。为了从模糊的高能X射线图像中获得更佳的诊断结果,发展了各种图像处理方法。传统的解析方法、迭代方法以及统计方法等在医学影像诊断、工业无损探测等领域得到了广泛的应用,但却难以满足高能X射线成像这类复杂场合下的高维反演要求。
针对高能X射线图像,求解的问题属于高维反演,面对的主要难题是消除模糊及噪声的影响。目前,主要反演方法有滤波反投影法(FBP)、约束共轭梯度法(CCG)及基于不同正则化技术的反演方法等。上述方法中FBP反演图像分辨率低,对噪声的抑制能力较差;CCG主要考虑了非负约束和光滑性约束条件,还没有对系统模糊影响边界恢复质量的问题研究针对性的约束条件;基于正则化技术的反演方法主要将正则项作为惩罚项,通过正则化参数来调节数据保真项与正则项之间的矛盾,没有考虑引入先验约束条件。
发明内容
本发明所要解决的技术问题是克服现有技术的高能X射线图像去模糊的进程过慢,高能X射线图像的清晰度不够的缺陷,提供一种高能X射线图像非盲去模糊方法。
为解决上述技术问题,本发明提供一种高能X射线图像非盲去模糊方法,获取高能X射线模糊图像y和预先已给定的模糊核K;
将高能X射线模糊图像y和预先给定的模糊核K作为输入至预先构建的频域上的最大后验概率模型,并设定该模型的采样次数Nsamps和老化的样本数Nb,初始化λ0和δ0,得到变量x,λ和δ的后验密度函数;
运用Gibbs抽样从变量x,λ和δ的后验密度函数中提取样本,动态构造马尔可夫链,当各变量的各条马尔可夫链达到平稳后,进行抽样,得到满足同分布的各变量,计算平稳后的各变量样本均值,得到初步去模糊图像xa、正则化参数τ和噪声标准差1/λ的估计量,其中变量x表示待估计的清晰图像,λ表示噪声精度参数,δ表示先验精度参数;
利用迭代引导滤波对初步去模糊图像xa进行噪声的去除,并通过噪声标准差1/λ进行迭代次数的判断,得到滤波图像xfilter;
基于x的统计样本的贝叶斯置信区间对初步去模糊图像xa的负值像素进行非负插值处理,并在滤波图像xfilter上,用处理后的值替换掉对应于xa负值位置上的值,同时抑制滤波图像xfilter的振铃效应,得到平滑图像
进一步的,所述高能X射线模糊图像y利用第一类弗雷德霍姆积分方程来表示,经过离散化后得到一个线性方程,其表达式为:
y=Kx+η(1)
其中,x∈RN为未知的清晰图像;y∈RM为高能X射线模糊图像;K∈RM×N为模糊核数值离散后得到的正向矩阵;η∈RM为加性噪声,RN和RM×N分别表示N维和M×N维的实数空间,x∈RN,y∈RM表示x,y分别为N×1和M×1的列向量,K∈RM×N表示为M×N的矩阵。
进一步的,所述图像非盲去模糊是一个病态逆问题,常常采用正则化方法进行建模,设计如下的目标函数对去模糊问题进行求解:
其中,
进一步的,所述最大后验概率模型表示为:
其中,N(,)表示正态分布,Γcov为x|y,λ,δ所服从的正态分布的方差,T为转置操作,Γprior为负拉普拉斯算子的离散化。
其中,i和j为像素标签,itr为迭代的次数,当itr=1时,xa itr就是xa;当itr>1时,上一次的滤波图像则作为下一次滤波的引导图像,Gij为滤波核函数,将Gij定义为:
针对Loc_nv的Nnv个负值进行非负插值,具体步骤如下:
②如果的95%置信区间的上边界小于0或者大于0但小于ψ't窗口中的最小像素值时,计算得到ψ't窗口中符合要求的像素个数其中,表示正向取整操作;ρ的作用是控制在非负插值中起作用的像素的百分比,再计算 表示ψ't窗口中的像素集合,用代替xfilter中对应位置上的值,得到图像
③如果不满足步骤②中的条件,则计算ψ't窗口中的像素值小于等于下边界的像素个数Nu或者计算ψ't窗口中的像素值小于等于上边界且大于等于下边界的像素个数Nu,再计算用代替xfilter中对应位置上的值,得到图像
引入稀疏引导的范数作为子目标函数的正则项,能在保持图像平滑的同时,更好地保留边缘信息。针对包含范数正则项的子目标函数,GPSR-BB算法可将其转化为有界约束的二次规划方程进行求解。于是,利用GPSR-BB算法对进行非盲去模糊,得到最终的高能X射线去模糊图像。
本发明所达到的有益效果:
本发明可以加速高能X射线图像的去模糊进程,更好地去除图像中的噪声和振铃,在保持平滑度的同时获得更加精确的去模糊结果及其不确定度的统计量,而不会产生额外的噪声。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种高能X射线图像非盲去模糊方法,具体步骤如下:
步骤1:获取高能X射线模糊图像y,构造去模糊的目标函数;
图像模糊过程可利用第一类弗雷德霍姆积分方程来表示,经过离散化后得到一个线性方程,其表达式为:
y=Kx+η(1)
其中,x∈RN为未知的清晰图像;y∈RM为观测的模糊图像;K∈RM×N为模糊核数值离散后得到的正向矩阵,又称为点扩散函数(PSF);η∈RM为加性噪声,在本发明中,η是一个均值为0,方差为1/λ的高斯随机变量,RN和RM×N分别表示N维和M×N维的实数空间,x∈RN,y∈RM说明x,y分别为N×1和M×1的列向量,K∈RM×N说明K为M×N的矩阵。
图像非盲去模糊是假设模糊图像和模糊核都已给出,估计清晰图像。在图像的恢复处理中,图像非盲去模糊是一个病态逆问题,常常采用正则化方法进行建模。本发明设计如下的目标函数对去模糊问题进行求解:
其中,第一项为数据保真项;第二项为正则项;xτ为恢复的清晰图;τ是二次范数和稀疏引导范数的统一正则化参数,用来控制保真项与正则项之间的加权比例;L为正则化矩阵。
其中,
步骤2:基于给定的模糊核K和高能X射线模糊图y,采用贝叶斯模型建立最大后验概率(MAP)模型,在频域上运用Gibbs抽样动态构造马尔可夫链,进行快速非盲去模糊,进而获得图像的初步去模糊结果xa,正则化参数τ以及噪声标准差1/λ的估计量;所述Gibbs抽样是目前MCMC方法中一种有效的高维抽样方法,其基本思想就是从各变量的条件概率分布中,对各变量进行抽样。其中就包含了对x的抽样,当各条马尔可夫链达到平稳后,再进行抽样得到的x是满足同分布的,计算平稳后的样本均值,可以认为其就是对原始数据的一个有效估计;
最大后验概率模型是根据经验数据对难以观察的量进行估计。与最大似然模型类似,但最大的不同在于,最大后验概率模型融入了所要估计量的先验分布在其中,所以最大后验概率模型可看作是规则化的最大似然估计模型。应用贝叶斯理论建立最大后验概率模型,定义采样的后验密度函数,去实现x|y的概率最大化。首先,通过式(1)定义似然函数:
其中,T为转置操作,λ表示噪声精度参数,∝表示成比例。接着,把对未知x的不确定性,以及对x的某些性质的先验知识进行编码,并假设x~N(0,δ-1Γprior),得到x|δ的先验概率密度函数:
p(x|y,λ,δ)∝p(y|x,λ)p(x|δ)(7)
最大后验概率估计是使得p(x|y,λ,δ)最大化,也就是说最小化-lnp(x|y,λ,δ)。在式(3)中,δ/λ与正则化参数τ是等价的。为了可以不事先选择最优参数,本发明中将δ和λ当作未知的,对它们施加独立共轭的伽马分布,为它们设置初始值,取δ=0.005,λ=7,并定义δ和λ的联合概率密度函数:
其中,αλ、αδ分别表示关于λ和δ的伽马分布的形状参数,βλ、βδ分别表示关于λ和δ的伽马分布的逆尺度参数,p(λ)和p(δ)分别表示参数λ和δ的共轭超先验。本发明中将αλ,αδ设置为1,βλ,βδ设置为10-4,使得关于δ和λ的伽马分布的均值和方差比正常值高几个数量级。接着,运用Gibbs方法在采样过程中估计出δ和λ这两个精度参数,并定义联合后验概率密度函数为:
根据联合后验概率密度,推导出如下的全条件概率密度函数,并将MCMC采样应用于样本进行关于x,λ和δ的统计特性分析。最后,从样本的均值和方差中获得图像的初步去模糊结果xa以及正则化参数τ和噪声标准差1/λ的估计量。
在时域上,运用MCMC方法进行非盲去模糊时,像y∈Rm×n这样的图像需要经过y=vec(y)以向量y∈RM=m×n的形式参与计算,并且将模糊核k扩展成正向矩阵K∈RM×N,所以每一次采样都需要巨大的计算成本。在计算机断层扫描中,经常在时域上进行计算。但在图像去模糊问题中,本发明在频域上加速了去模糊问题的求解,频域上的最大后验概率模型为:
其中,N(,)表示正态分布,Γcov为x|y,λ,δ所服从的正态分布的方差。
式(13)的有效闭合解为:
其中,和分别代表快速傅里叶变换(FFT)和反快速傅里叶变换(IFFT);代表复共轭算子;γ1和γ2为正态分布的随机矩阵;的定义是建立在高斯马尔可夫随机场上的,即假设,全条件概率密度函数均为高斯分布,与的联合概率密度函数也为高斯分布,则称为高斯马尔可夫随机场。在周期边界的条件下,与相乘相当于与一个大小为m×n的矩阵l卷积。
基于式(13),即频域上的最大后验概率模型,将高能X射线模糊图y和预先给定的模糊核K作为输入,并设定采样次数Nsamps和老化的样本数Nb,本发明中,取Nsamps=200,Nb为Nsamps的10%,然后初始化λ0和δ0。从x,λ和δ的后验密度函数中提取样本,即对各变量进行Gibbs抽样,动态构造马尔可夫链。当各变量的各条马尔可夫链达到平稳后,再进行抽样得到的各变量是满足同分布的。计算平稳后的样本均值,可认为其就是对原始数据的一个有效估计,于是可得到初步去模糊图像xa以及正则化参数τ和噪声标准差1/λ的估计量。具体抽样步骤如下:
①通过式(14)计算xt;
④令t=t+1并返回步骤①,直到达到采样次数Nsamps;
步骤3:利用迭代引导滤波对步骤2得到的初步去模糊图像xa进行噪声的去除,并通过步骤2估计的噪声标准差1/λ进行迭代次数的判断,得到滤波图像xfilter;
图像引导滤波是一个线性移可变的滤波过程,包括引导图像,输入图像和输出图像。其中引导图像是需要根据具体应用事先设定的,也可以直接取为输入图像。本发明中,迭代引导滤波的输入图像和引导图像均为xa,输出图像为xfilter。对于xfilter的第i个像素而言,其计算方法可表示为:
其中,i和j为像素标签,itr为迭代的次数,当itr=1时,xa itr就是xa;当itr>1时,上一次的滤波图像则作为下一次滤波的引导图像。Gij为滤波核函数,将Gij定义为:
步骤4:基于MCMC统计样本95%的置信区间,对步骤2得到的初步去模糊图像xa的负值像素进行非负处理,并在图像xfilter上,用处理后的值替换掉对应于xa负值位置上的值,同时抑制图像xfilter的振铃效应,得到图像本发明中,95%的置信图像由每个像素点上样本的0.025和0.975经验分位数计算得到。
图像的像素均不小于0。但步骤2的Gibbs抽样会产生负值,由于负值的影响,图像xfilter会存在振铃效应。为了抑制图像中的振铃,本发明利用非负插值来剔除负值。
最后,针对Loc_nv的Nnv个负值进行非负插值,具体步骤如下:
②如果或者即当的95%置信区间的上边界小于0或者大于0但小于ψ't窗口中的最小像素值时,计算得到ψ't窗口中符合要求的像素个数其中,表示正向取整操作;ρ的作用是控制在非负插值中起作用的像素的百分比。再计算 表示ψ't窗口中的像素集合,用代替xfilter中对应位置上的值,得到平滑图像
步骤4得到的和步骤2估计的正则化参数τ将会作为式(4)的暖启动,利用梯度投影稀疏重构算法(GPSR)(参照文献:Gradient Projection for Sparse Reconstruction:Application to Compressed Sensing and Other Inverse Problems)的改进方法——GPSR-BB算法对进行非盲去模糊,得到最后恢复的去模糊图像。良好的起点对梯度投影法具有很大的作用。本发明使用步骤4得到的和步骤2估计的正则化参数τ来初始化GPSR-BB,从而求得式(4)解附近的τ值。迭代的次数取决于τ值的近似值和解的近似值。利用这种暖启动技术,可以减少迭代的次数,并且有效地求解τ的一系列值。
虽然,这里的L2范数项不受u←u+s和v←v+s的影响。其中,s是移位向量。然而,这种变化增加了s这个变量。所以,式(20)可以用更标准的BCQP格式表示:
其中,
GPSR-BB算法的具体步骤如下:
②计算:
③线搜索:寻找标量λ(n),使得F(z(n)+λ(n)δ(n))在区间λ(n)∈[0,1]最小化,并设置z(n +1)=z(n)+λ(n)δ(n)。因为,F是二次方程式,所以线搜索参数λ(n)可以通过如下的解析表达式来计算:
当(δ(n))TBδ(n)=0时,则令λ(n)=1。引入λ(n)这个参数的作用是:消除了F在某些迭代中可能增大的可能性,它比GPSR的基础方法(将λ(n)直接设置为1)的性能更好。
④更新标量α:计算
γ(n)=(δ(n))TBδ(n); (25)
⑤进行收敛性测试,并运用如下的终止准则进行判断,当近似解z(n+1)满足要求时停止迭代,否则令n←n+1并返回步骤②:
其中,εt为一个正的常数;tolA为设定的停止阈值。
本发明提出了一种高能X射线图像非盲去模糊方法。首先,在频域上运用Gibbs抽样动态构造马尔可夫链,进行快速非盲去模糊,能够提高MCMC算法的计算速度,降低计算的复杂度;然后,通过MCMC采样获得噪声标准差的统计量,可以作为迭代引导滤波步骤中迭代次数的判断依据;接着,基于MCMC统计样本95%的置信区间进行非负插值,剔除MCMC采样后图像中残留的负值像素,同时抑制图像的振铃效应;最后,结合经过引导滤波和非负插值处理后的平滑图像以及通过MCMC采样获得的正则化参数作为稀疏引导正则项约束的目标函数的暖启动进行非盲去模糊,获得最终的高能X射线去模糊图像。相较于其他方法,本发明可以加速高能X射线图像的去模糊进程,更好地去除图像中的噪声和振铃,在保持平滑度的同时获得更加精确的去模糊结果及其不确定度的统计量,而不会产生额外的噪声。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种高能X射线图像非盲去模糊方法,其特征在于,获取高能X射线模糊图像y和预先已给定的模糊核K;
将高能X射线模糊图像y和预先给定的模糊核K作为输入至预先构建的频域上的最大后验概率模型,并设定该模型的采样次数Nsamps和老化的样本数Nb,初始化λ0和δ0,得到变量x,λ和δ的后验密度函数;
运用Gibbs抽样从变量x,λ和δ的后验密度函数中提取样本,动态构造马尔可夫链,当各变量的各条马尔可夫链达到平稳后,进行抽样,得到满足同分布的各变量,计算平稳后的各变量样本均值,得到初步去模糊图像xa、正则化参数τ和噪声标准差1/λ的估计量,其中变量x表示待估计的清晰图像,λ表示噪声精度参数,δ表示先验精度参数;
利用迭代引导滤波对初步去模糊图像xa进行噪声的去除,并通过噪声标准差1/λ进行迭代次数的判断,得到滤波图像xfilter;
基于x的统计样本的贝叶斯置信区间对初步去模糊图像xa的负值像素进行非负插值处理,并在滤波图像xfilter上,用处理后的值替换掉对应于xa负值位置上的值,同时抑制滤波图像xfilter的振铃效应,得到平滑图像
2.根据权利要求1所述的高能X射线图像非盲去模糊方法,其特征在于,所述高能X射线模糊图像y利用第一类弗雷德霍姆积分方程来表示,经过离散化后得到一个线性方程,其表达式为:
y=Kx+η (1)
其中,x∈RN为未知的清晰图像;y∈RM为高能X射线模糊图像;K∈RM×N为模糊核数值离散后得到的正向矩阵;η∈RM为加性噪声,RN和RM×N分别表示N维和M×N维的实数空间,x∈RN,y∈RM表示x,y分别为N×1和M×1的列向量,K∈RM×N表示为M×N的矩阵。
6.根据权利要求5所述的高能X射线图像非盲去模糊方法,其特征在于,
针对Loc_nv的Nnv个负值进行非负插值,具体步骤如下:
②如果的95%置信区间的上边界小于0或者大于0但小于ψ′t窗口中的最小像素值时,计算得到ψ′t窗口中符合要求的像素个数其中,表示正向取整操作;ρ的作用是控制在非负插值中起作用的像素的百分比,再计算 表示ψ′t窗口中的像素集合,用代替xfilter中对应位置上的值,得到平滑图像
8.根据权利要求7所述的高能X射线图像非盲去模糊方法,其特征在于,利用GPSR-BB算法将包含l1范数正则项的子目标函数转化为有界约束的二次规划方程进行求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914991.7A CN110599429B (zh) | 2019-09-26 | 2019-09-26 | 一种高能x射线图像非盲去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914991.7A CN110599429B (zh) | 2019-09-26 | 2019-09-26 | 一种高能x射线图像非盲去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599429A CN110599429A (zh) | 2019-12-20 |
CN110599429B true CN110599429B (zh) | 2022-09-13 |
Family
ID=68863578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914991.7A Active CN110599429B (zh) | 2019-09-26 | 2019-09-26 | 一种高能x射线图像非盲去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599429B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445404B (zh) * | 2020-03-23 | 2024-06-25 | 上海数迹智能科技有限公司 | 一种基于双频和概率模型的相位去模糊方法 |
CN112053307B (zh) * | 2020-08-14 | 2022-09-13 | 河海大学常州校区 | 一种x射线图像线性重建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008531A (zh) * | 2014-06-17 | 2014-08-27 | 中国电子科技集团公司第二十八研究所 | 一种基于混合型马尔科夫专家场的模糊图像盲复原方法 |
CN104021529A (zh) * | 2014-06-17 | 2014-09-03 | 中国电子科技集团公司第二十八研究所 | 一种模糊图像非盲复原方法 |
US20160321788A1 (en) * | 2014-12-30 | 2016-11-03 | Huazhong University Of Science And Technology | Direction-adaptive image deblurring method |
CN107871310A (zh) * | 2017-10-26 | 2018-04-03 | 武汉大学 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
-
2019
- 2019-09-26 CN CN201910914991.7A patent/CN110599429B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008531A (zh) * | 2014-06-17 | 2014-08-27 | 中国电子科技集团公司第二十八研究所 | 一种基于混合型马尔科夫专家场的模糊图像盲复原方法 |
CN104021529A (zh) * | 2014-06-17 | 2014-09-03 | 中国电子科技集团公司第二十八研究所 | 一种模糊图像非盲复原方法 |
US20160321788A1 (en) * | 2014-12-30 | 2016-11-03 | Huazhong University Of Science And Technology | Direction-adaptive image deblurring method |
CN107871310A (zh) * | 2017-10-26 | 2018-04-03 | 武汉大学 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110599429A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sreehari et al. | Plug-and-play priors for bright field electron tomography and sparse interpolation | |
CN110135580B (zh) | 一种卷积网络全整型量化方法及其应用方法 | |
Foi | Noise estimation and removal in MR imaging: The variance-stabilization approach | |
CN106127689B (zh) | 图像视频超分辨率方法和装置 | |
CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
CN106920220A (zh) | 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
CN112215773B (zh) | 基于视觉显著性的局部运动去模糊方法、装置及存储介质 | |
CN109003234B (zh) | 针对运动模糊图像复原的模糊核计算方法 | |
CN109671029A (zh) | 基于伽马范数最小化的图像去噪算法 | |
CN109360157B (zh) | 基于tv和小波正则化的空间变化模糊图像复原方法 | |
CN110378924B (zh) | 基于局部熵的水平集图像分割方法 | |
CN103559684B (zh) | 基于平滑校正的图像恢复方法 | |
CN112819723B (zh) | 一种高能x射线图像盲复原方法及系统 | |
CN110599429B (zh) | 一种高能x射线图像非盲去模糊方法 | |
CN111047544B (zh) | 一种基于非线性退化模型的饱和图像去模糊方法 | |
CN113793285B (zh) | 气动光学效应目标孪生图像的超快复原方法及系统 | |
CN110490814A (zh) | 基于光滑秩约束的混合噪声去除方法、系统及存储介质 | |
Arsigny et al. | A log-euclidean polyaffine framework for locally rigid or affine registration | |
Hao et al. | Canny edge detection enhancement by general auto-regression model and bi-dimensional maximum conditional entropy | |
CN110930324A (zh) | 一种模糊星图复原方法 | |
CN111028168B (zh) | 一种含噪声模糊的高能闪光图像去模糊方法 | |
CN114756535A (zh) | 基于复杂噪声的贝叶斯张量补全算法 | |
Xu et al. | Multiple norms and boundary constraint enforced image deblurring via efficient MCMC algorithm |
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 |