[发明专利]一种基于自适应局部转向核的医学MRI图像上采样方法

权利要求书

1.一种基于自适应局部转向核的MRI图像上采样方法，其特征在于，采用一种自适应插值框架，以实现同时的图像上采样，去噪和细节增强，具体包括：

步骤1：输入数据，准备好需要上采样和去噪的待处理MRI图像；

步骤2：计算所述待处理MRI图像的局部转向核LSK，得到图像的局部结构信息，局部转向核的关键思想是获取邻域内所有像素和中心像素之间的空间关系,用于确定规范内核的形状和大小，局部转向核的模型如下：

其中,i∈[1,…,p²],p²是邻域内所有像素点的数量，h²是一个全局平滑参数，矩阵C_i是空间梯度向量的协方差矩阵；x_j表示邻域中的中心像素点在图像中的坐标；x_i是邻域中其他像素点的坐标，最终得到的局部转向核LSK即邻域中心像素的LSK值,是一个P×P的向量；

步骤3：自适应锐化，通过自适应锐化来增强待处理MRI图像上所述局部转向核分布的趋势，以模拟无噪声图像上的LSK分布，自适应的具体步骤为：对LSK值进行自适应锐化，将LSK值结合到权值矩阵W_i后，对W_i进行自适应锐化，将高通滤波后的权值矩阵的一部分加或减回到权值矩阵W_i，计算公式如下：

其中，矩阵H表示一个高通滤波器，λ是一个用于调整锐度的标量，其符号决定输入W_i是锐化还是平滑；

步骤4：局部转向核LSK对待处理MRI图像进行插值加权，将步骤3得到的权值矩阵与所述待处理MRI图像对应像素相乘并相加，加权平均框架的实现公式如下：

其中，y_i是需要估计的像素i的像素值,Ω是规定的像素i邻域内有限的搜索区域,y_k是搜索区域内的采样体素，w是像素k与i之间的相似性，Z是一个归一化常数；

步骤5：Rician偏差校正，校正由于直接将加权平均框架应用与MRI数据集时，Rician噪声分布的不对称性而产生的偏差，Rician校正的计算公式如下：

其中，为步骤3自适应锐化后的权值矩阵，z(x_i)代表高分辨率图像上体素x_i的估计像素值，y∈N(x_i)表示x_i的相邻采样体素,sum()是表示矩阵元素的总和的操作符,σ是待处理MRI图像噪声的标准差；

步骤6：输出重建图像，经过步骤2至步骤5，得到上采样、去噪和细节增强的上采样图像。

2.如权利要求1所述的图像上采样方法，其特征在于，所述方法还包括：在对权值矩阵进行自适应锐化之前，每个图像体素需要根据其相邻图像块的结构类型进行分类，所述结构类型至少包括平坦区域、弱纹理和强纹理区域。

3.如权利要求2所述的上采样方法，其特征在于，所述方法还包括：利用图像结构张量c_i来区分纹理体素和平面体素，c_i的两个特征值之间的相对差异反映了图像块内的梯度分布对某一特定方向的偏移程度，即平滑区域的体素特征值差异较小，纹理区域的体素特征值差异较大。