[发明专利]一种基于加权编码的低剂量CT图像去噪方法

说明书

本发明涉及图像处理技术领域，特别涉及一种基于加权编码的低剂量CT图像去噪方法。本发明首先利用灰色绝对关联度使噪点与边缘点、平滑区域的点进行分离并对噪点进行滤波处理，再通过稀疏非局部正则化加权编码的方法对每个噪声污染的块进行编码，利用适当的正则化同时去除混合噪声中的脉冲噪声和高斯噪声。本发明的去噪方法在噪声去除的效果和图像细节的保留均优于原方法，数值对比也说明该方法的去噪结果与原始图像的相似度更高，图像重建效果更好。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于加权编码的低剂量CT图像去噪方法。

背景技术

CT是X射线照相技术与计算机信号处理结合的产物，其基本原理是利用X射线机提供的一维射线信息重建二维断层影像。CT使用率的提高给医疗诊断带来了便捷，但需要付出的代价是使患者被暴露在比大多数其他诊断形式更强的电离辐射中，而且患者多次检查吸收的辐射剂量，在整个生命周期中是会累积的。在CT被广泛使用的背景下，如何在低剂量扫描的条件下获得质量好的CT图像是一个研究热点，其中，利用成像方法改善低剂量CT图像质量是一个代价小且有效的方式。

稀疏表示理论认为图像可以由过完备字典中少量元素线性表示，且CT图像中由于个人差异和组织器官差异而引起的学习字典的差异很小。2014年Chen等人在图像域使用稀疏表示的方法使得低剂量CT图像的重建质量得到显著的提高。2016年Cui等基于形态分量分析提出了可以自动生成自适应区别字典的学习方法，在稀疏表示的框架下有效地抑制了低剂量CT图像的伪影。2014年Jiang J等人提出了基于稀疏非局部正则化的加权编码的去噪方法，方法中没有明确的脉冲像素检测，通过预先学习的字典对每个噪声污染的块进行编码，以软脉冲像素检测的方式同时去除脉冲噪声和高斯噪声。通过学习一组PCA字典对图像补丁进行编码，并对编码残差进行加权，以抑制分布的重尾。加权被自适应地更新以确定像素是否被脉冲噪声严重破坏。同时，将图像稀疏性先验和非局部自相似性先验集成到单个非局部稀疏正则化项中，以增强加权编码的稳定性。提出的方法利用适当的正则化将使不适定去噪问题得以解决，但是该方法作用于低剂量CT图像的去噪时存在细节丢失和边缘被破坏的情况。

发明内容

通过减少扫描剂量来降低对病人的辐射危害而实行的低剂量CT成像技术在临床中发挥着重要的作用，但低剂量CT图像往往包含噪声和伪影，影响医生的临床诊断。

为改善低剂量CT图像的质量，本发明提出了一种基于灰色绝对关联度与稀疏非局部正则化加权编码的去噪方法，该方法首先利用灰色绝对关联度使噪点与边缘点、平滑区域的点进行分离并对噪点进行滤波处理，再通过稀疏非局部正则化加权编码的方法对每个噪声污染的块进行编码，利用适当的正则化同时去除混合噪声中的脉冲噪声和高斯噪声。

混合噪声模型的建立

对于尺寸为m×n图像x，记x_i,j为位于(i,j)处的灰度值，设y为图像x的观测图像，对于添加了高斯噪声，y中的像素点y_i,j被定义为y_i,j＝x_i,j+v_i,j，其中v_i,j是独立同分布的噪声；对于添加了椒盐脉冲噪声，由[d_min,d_max]表示观测图像y像素的动态范围，对于椒盐脉冲噪声的概率为s，0≤s≤1，那么y_i,j＝d_min的概率为s/2，y_i,j＝d_max的概率为s/2。因此混合了高斯噪声和椒盐脉冲噪声后的观测图像可以描述为：

基于灰色绝对关联度的方法处理