[发明专利]一种基于多尺度图像域双能分解算法

摘要

本发明公开了一种基于多尺度图像域双能分解的算法。采用滤波反投影(FBP)算法根据实测高能与低能投影分别重建高、低能CT图像；针对高、低能CT图像，分别进行相同参数的图像域多尺度分解和方差图估计，得到各尺度下高、低能CT图像及方差图；针对多尺度分解中相同尺度高、低能CT图像及方差图，进一步做双能分解，得到对应尺度下各基材料的CT图像；把所有尺度下双能分解得到的各基材料CT图像分别进行累加，得到各基材料的CT图像。本发明的多尺度图像域双能分解的方法得到骨和软组织基材料图像与单尺度相比，在相同的噪声水平下，保持更好的对比度及空间分辨率，并且尺度因子越大，基材料图像的对比度和空间分辨率越高。

主权项

1.一种多尺度图像域双能分解算法，其特征在于，包括：步骤(1)，采用滤波反投影算法根据实测高能与低能投影分别重建高、低能CT图像；步骤(2)，针对高、低能CT图像，分别进行相同参数的图像域多尺度分解及方差图估计，得到各尺度下高、低能CT图像及方差图；步骤(3)，针对多尺度分解中相同尺度高、低能CT图像及方差图，进一步做双能分解，得到对应尺度下各基材料的CT图像，具体地，通过如下方法进行多尺度高、低能图像双能分解：步骤(3‑1)图像域多尺度分解的尺度总数S为大于1的整数，即s＝1,2,…,S；图像域双能分解的基材料总数为2，分别对应骨和软组织；步骤(3‑2)采用惩罚加权最小均方算法对高、低能图像双能分解，实现基材料边分解边降噪，其中极小化目标函数如下表示：其中，A为材料成分矩阵，不依赖于尺度s，维数为2N×2N，N为一个二维CT图像的像素总数；为2N×1维列向量，与分别是将两种基材料图像拉直后的列向量；为2N×1维列向量，与分别是多尺度分解得到的高、低能CT图像拉直后的列向量；V_s为对角矩阵，维数为2N×2N，对角元素分别是高、低能CT图像中每像素的噪声方差；为正则项，决定双能分解图像的变动强度；为尺度s下的初设正则系数，决定极小化目标函数中的保真项与正则项的平衡关系；步骤(3‑3)采用极小化目标函数对高、低能图像进行双能分解，对初设正则系数可通过如下方法调整：其中k_s为伸缩因子，影响双能分解得到图像的空间分辨率；为采用直接求逆得到的双能分解基材料图像；为梯度算子；||表示求梯度矢量幅度；步骤(4)，把所有尺度下双能分解得到的各基材料CT图像分别进行累加，得到各基材料的CT图像。