CN112288832A - 一种角度受限及稀疏采样的层析成像图像重构方法 - Google Patents
一种角度受限及稀疏采样的层析成像图像重构方法 Download PDFInfo
- Publication number
- CN112288832A CN112288832A CN202011549248.5A CN202011549248A CN112288832A CN 112288832 A CN112288832 A CN 112288832A CN 202011549248 A CN202011549248 A CN 202011549248A CN 112288832 A CN112288832 A CN 112288832A
- Authority
- CN
- China
- Prior art keywords
- image
- linear programming
- vector
- tomography
- projection
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种角度受限及稀疏采样的层析成像图像重构方法,其包括基于图像非零像素稀疏性、图像连续性和像素灰度非负性约束,构造以投影误差、图像一阶梯度和图像灰度的L1范数构成的优化目标函数,提出一种非线性层析成像模型;将非线性层析重建问题转化为等价的线性规划问题,建立基于线性规划的层析成像模型;采用对偶内点法求解线性规划问题,得到层析重建图像。通过本发明的方法,能够克服采样角度受限、采样视图稀疏导致的重建图像边缘模糊、图像变形等问题,得到高质量的层析重建图像,具有广泛的应用前景。
Description
技术领域
本发明属于图像重构领域,具体为一种角度受限及稀疏采样的层析成像图像重构方法。
背景技术
层析成像是一种应用广泛的医学检测、无损检测技术,可用于提供高质量的样本内部结构图像。在低剂量层析成像、流场重建、光学显微镜等工程应用场景中,存在采样投影视图少(稀疏视图)、采样范围有限的问题。在180°全范围采样、采样数据充分多的情况下,可利用投影数据精确地重建物体内部图像。然而,在采样角度受限、采样数稀疏的层析成像问题中,较少的采样数和较小的采样范围会导致重建结果不唯一,这使层析重建成为一个严重的不适定逆问题。因此,在采样角度受限且稀疏数采样的层析成像问题中进行精确的图像重建是一项富有挑战性的工作。
当采样角度受限时,滤波反投影算法(FBP)、代数重建技术(ART)和联合代数重建技术等经典的层析成像算法的重建图像会变得模糊和扭曲,导致结构信息的丢失、图像严重变形。当投影数稀疏时,上述经典层析成像重建算法的重建结果存在严重的条纹伪影。全变差方法(TV)是一种用来从不完全的投影数据中恢复样本图像的常用方法。基于TV的方法不仅可以提高重建图像的平滑度,而且能有效抑制条纹伪影。然而,对于角度受限的稀疏层析成像问题,基于TV重建方法得到的图像在边缘附近会出现模糊,当采样角度较小、采样数较少时,基于TV的正则化方法不能得到高质量的重建图像。为在采样角度受限、采样视图稀疏的情况下进行高质量的样本图像重建,克服重建图像边缘模糊的情况,需要一种适用于采样角度受限、采样视图稀疏的层析成像方法。
发明内容
针对上述投影数据不完全导致的伪影、边缘模糊等问题,实现对样本内部图像的高精度重建问题,本发明提供一种角度受限及稀疏采样的层析成像图像重构方法。
本发明解决上述技术问题所采用的技术方案为:一种角度受限及稀疏采样的层析成像图像重构方法,包括如下步骤:
步骤1,建立非线性层析成像模型P0,
采用个大小相等的网格对断层进行划分,使用离散图像表示重建图像,假设第个网格对应的灰度值为,第条采样投影射线(21)在探测器(20)上的投影积分为,第条采样投影射线通过第 个网格的长度为,则层析成像投影模型可用以下离散线性系统近似:
基于L1正则化方法的求解模型P0:
和
步骤2,建立P1问题的线性规划求解模型P2,
所述P1问题可通过求解线性规划问题P2
进行求解,这里
和
通过P2问题的最优解得到P1问题的最优解;
步骤3,求解线性规划模型P2。
作为优选,所述步骤2中通过P2问题的最优解得到P1问题的最优解的方法具体为:
作为优选,所述步骤3采用对偶内点法求解线性规划模型P2,具体方法为:
为拟牛顿下降方向,
与现有技术相比,本发明具有以下有益效果:
1.本发明中通过在优化目标函数中加入图像连续性对应的L1正则项,能够有效地在投影数据不完全的条件下得到良好的层析图像,通过在优化目标函数中加入图像非零像素稀疏性对应的L1正则项,能够有效避免导致的重建图像边缘模糊的问题,提升图像边缘的重建质量。
2.本发明采用对偶内点法进行层析图像重建。由于对偶内点法可有效、精确地求解线性规划问题,可避免陷入局部极小值,因此,本发明提出的层析重建算法具有不依赖于迭代初始值、能够获得全局最优解的优点。
附图说明
图1是本发明中公式(1)中各物理量的说明示意图。
具体实施方式
下面将结合图1详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
本发明提出了一种采样角度受限且采样稀疏层析成像方法,所述方法包括:基于图像非零像素稀疏性、图像连续性和像素灰度非负性约束,构造了一种以投影误差、图像一阶梯度和图像灰度的L1范数构成的优化目标函数,提出了一种非线性层析成像模型P0;以该非线性层析成像模型P0为基础,将层析重建问题转化为与之等价的线性规划问题;采用对偶内点法求解线性规划问题,得到层析图像。
在实施过程中,本发明中的方法对采样角度受限、采样数稀疏的层析成像问题进行求解,包括以下步骤:
步骤1,建立非线性层析成像模型P0,
为重建图像,如图1所示,采用个大小相等的网格对断层进行划分,使用离散图像表示重建图像。假设第个网格对应的灰度值为,第条采样投影射线21在探测器20上的投影积分为,它通过第个网格的长度为,则层析成像投影模型可用以下离散线性系统近似:
本发明综合考虑投影误差、非零稀疏性和图像连续性先验知识,提出了基于L1正则化方法的求解模型P0:
和
步骤2,建立P1问题的线性规划求解模型P2,
根据压缩感知理论,P1问题可通过求解线性规划问题P2
和
步骤3,求解线性规划模型P2,
本发明中使用对偶内点法求解线性规划模型P2,具体方法为:
为拟牛顿下降方向,
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只适用于帮助理解本发明实施例的原理;同时,对于本领域的一般技术人员,依据本发明实施例,在具体实施方式以及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种角度受限及稀疏采样的层析成像图像重构方法,其特征在于,包括如下步骤:
步骤1,建立非线性层析成像模型P0,
采用 个大小相等的网格对断层进行划分,使用离散图像表示重建图像,假设第个网格对应的灰度值为 ,第 条采样投影射线(21)在探测器(20)上的投影积分为 ,第条采样投影射线通过第个网格的长度为 ,则层析成像投影模型可用以下离散线性系统近似:
基于L1正则化方法的求解模型P0:
和
步骤2,建立P1问题的线性规划求解模型P2,
所述P1问题可通过求解线性规划问题P2
和
通过P2问题的最优解得到P1问题的最优解;
步骤3,求解线性规划模型P2。
3.根据权利要求2所述的一种角度受限及稀疏采样的层析成像图像重构方法,其特征在于,所述步骤3采用对偶内点法求解线性规划模型P2,具体方法为:
为拟牛顿下降方向,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549248.5A CN112288832B (zh) | 2020-12-24 | 2020-12-24 | 一种角度受限及稀疏采样的层析成像图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549248.5A CN112288832B (zh) | 2020-12-24 | 2020-12-24 | 一种角度受限及稀疏采样的层析成像图像重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288832A true CN112288832A (zh) | 2021-01-29 |
CN112288832B CN112288832B (zh) | 2021-03-23 |
Family
ID=74426087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011549248.5A Active CN112288832B (zh) | 2020-12-24 | 2020-12-24 | 一种角度受限及稀疏采样的层析成像图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288832B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091355A (zh) * | 2014-06-06 | 2014-10-08 | 华南理工大学 | 一种采样角度受限下的ct图像重建方法 |
CN105388476A (zh) * | 2015-12-28 | 2016-03-09 | 河南工业大学 | 一种基于联合稀疏模型的层析sar成像方法 |
CN108280859A (zh) * | 2017-12-25 | 2018-07-13 | 华南理工大学 | 一种采样角度受限下的ct稀疏投影图像重建方法及装置 |
CN109085589A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于图像质量引导的稀疏孔径isar成像相位自聚焦方法 |
EP3435334A1 (en) * | 2017-07-25 | 2019-01-30 | Tsinghua University | Method and device for reconstructing ct image and storage medium |
CN109522971A (zh) * | 2018-12-18 | 2019-03-26 | 重庆大学 | 一种基于分类图像块稀疏表示的cs-mri图像重构方法 |
US20200196973A1 (en) * | 2018-12-21 | 2020-06-25 | Canon Medical Systems Corporation | Apparatus and method for dual-energy computed tomography (ct) image reconstruction using sparse kvp-switching and deep learning |
CN111458300A (zh) * | 2020-04-02 | 2020-07-28 | 陕西师范大学 | 基于稀疏投影的Nesterov同伦摄动迭代的光学层析成像重建方法及系统 |
-
2020
- 2020-12-24 CN CN202011549248.5A patent/CN112288832B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091355A (zh) * | 2014-06-06 | 2014-10-08 | 华南理工大学 | 一种采样角度受限下的ct图像重建方法 |
CN105388476A (zh) * | 2015-12-28 | 2016-03-09 | 河南工业大学 | 一种基于联合稀疏模型的层析sar成像方法 |
EP3435334A1 (en) * | 2017-07-25 | 2019-01-30 | Tsinghua University | Method and device for reconstructing ct image and storage medium |
CN108280859A (zh) * | 2017-12-25 | 2018-07-13 | 华南理工大学 | 一种采样角度受限下的ct稀疏投影图像重建方法及装置 |
CN109085589A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于图像质量引导的稀疏孔径isar成像相位自聚焦方法 |
CN109522971A (zh) * | 2018-12-18 | 2019-03-26 | 重庆大学 | 一种基于分类图像块稀疏表示的cs-mri图像重构方法 |
US20200196973A1 (en) * | 2018-12-21 | 2020-06-25 | Canon Medical Systems Corporation | Apparatus and method for dual-energy computed tomography (ct) image reconstruction using sparse kvp-switching and deep learning |
CN111458300A (zh) * | 2020-04-02 | 2020-07-28 | 陕西师范大学 | 基于稀疏投影的Nesterov同伦摄动迭代的光学层析成像重建方法及系统 |
Non-Patent Citations (2)
Title |
---|
孙 正: "采用稀疏测量数据的有限角度光声层析成像的研究进展", 《声学技术》 * |
高红霞: "角度受限下稀疏投影数据的改进粒子群优化随机CT重建", 《光学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112288832B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741256B (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
Jiang et al. | Super-resolution CT image reconstruction based on dictionary learning and sparse representation | |
CN108090871B (zh) | 一种基于卷积神经网络的多对比度磁共振图像重建方法 | |
CN108765511B (zh) | 基于深度学习的超声图像超分辨率重建方法 | |
CN108133465B (zh) | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 | |
CN110717956B (zh) | 一种有限角投影超像素引导的l0范数最优化重建方法 | |
WO2007027893A2 (en) | Kernel regression for image processing and reconstruction | |
CN108230249B (zh) | 基于各向异性的l1范数全变分正则化非均匀性校正方法 | |
CN108257108B (zh) | 一种超分辨率图像重建方法及系统 | |
Buccini et al. | Modulus-based iterative methods for constrained ℓp–ℓq minimization | |
Zang et al. | Super-resolution and sparse view CT reconstruction | |
Zhao et al. | A novel infrared image super-resolution method based on sparse representation | |
CN107767337A (zh) | 一种图像超分辨率重建方法、装置、移动终端及存储介质 | |
CN109461122A (zh) | 一种基于多视点图像的压缩感知图像重建方法 | |
CN108460723B (zh) | 基于邻域相似性的双边全变分图像超分辨率重建方法 | |
Mansour et al. | Image-to-image MLP-mixer for image reconstruction | |
CN106780423B (zh) | 一种基于少数波段高分辨率图像的光谱重建方法 | |
Zhang et al. | Video super-resolution with 3D adaptive normalized convolution | |
Gastineau et al. | A residual dense generative adversarial network for pansharpening with geometrical constraints | |
CN112837220B (zh) | 一种提高红外图像分辨率的方法及其用途 | |
Zhang et al. | Alternating direction method of multipliers for nonconvex log total variation image restoration | |
CN112288832B (zh) | 一种角度受限及稀疏采样的层析成像图像重构方法 | |
Zhao et al. | A variational Bayesian superresolution approach using adaptive image prior model | |
Chen et al. | Nonlocal low-rank matrix completion for image interpolation using edge detection and neural network | |
CN115239836A (zh) | 一种基于端到端神经网络的极端稀疏视角ct重建方法 |
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 |