一种基于非局部奇异值分解与估计的MRI图像重构方法技术

本发明专利技术公开了一种基于非局部奇异值分解与估计的MRI图像重构方法。属于医学图像处理技术领域。它是一种基于局部稀疏与非局部自相似性相结合的图像重构方法。首先寻找每个目标图像块对应的相似图像块集合，并对相似图像块集合进行奇异值分解得到对应的奇异值系数，然后基于线性最小均方误差准则实现奇异值的估计，并对该准则中所需的相似图像块集合噪声方差进行估计，以提高估计特征值的精确度；本发明专利技术对相似图像块集合进行奇异值分解得到奇异值系数并利用线性最小均方误差来估计，能够对图像的细节信息进行较好的估计，因此重构后的图像在整体效果和细节表现上更接近真实图像，可用于提高核磁共振图像的重构质量和视觉效果。

【技术实现步骤摘要】
一种基于非局部奇异值分解与估计的MRI图像重构方法
本专利技术属于医学图像处理
，它特别涉及基于非局部奇异值分解与估计的MRI图像重构方法，用于提高重构医学图像的质量和视觉效果。
技术介绍
核磁共振成像(MRI)以其观察人体解剖或物理结构的高清晰度和无创性而在医学界被越来越广泛地应用。传统的MRI图像需要对原始数据K空间按照奈奎斯特定理进行采样，然后将其傅里叶反变换成MRI图像，由于所需的采样数据非常庞大，导致采样时间较长。基于压缩感知的MRI成像(CS-MRI)则可以对原始数据K空间进行降采样，采样的数据量远小于依据奈奎斯特采样定理所需的数据量，从而可以极大地缩短采样时间。随着CS-MRI地应用，如何更好地从降采样数据中重构出清晰度高的MRI图像已成为近年来的研究热点。现有的一些CS-MRI图像重构方法是利用图像的稀疏性来重构MRI图像，一般使用固定基底(例如DCT字典，DWT字典，轮廓字典)来对图像进行稀疏表示，从而得到最后的重构结果。由于该类方法缺乏适应性，因此一些利用自适应学习字典(例如KSVD)的方法被应用到MRI图像重构上来，但KSVD训练的字典难以有效表示图像所有本文档来自技高网...

【技术保护点】
一种基于非局部奇异值分解与估计的MRI图像重构方法，其特征在于具体步骤如下：步骤一、非局部奇异值分解与图像重构为利用图像块之间的非局部相似性，首先从整幅图像中抽取出目标图像，再利用欧氏距离寻找与目标图像块xi距离最小的L‑1个相似图像块，并将目标图像块与相似图像块一起组成相似图像块集合Xi＝[x1,x2,…,xL]，然后对Xi进行奇异值分解：[D,γi,Φ]＝SVD(Xi)其中D和Φ分别表示奇异值分解后的左右正交变换矩阵，γi为奇异值系数，因此基于非局部奇异值分解与估计的MRI图像重构模型为：

【技术特征摘要】
1.一种基于非局部奇异值分解与估计的MRI图像重构方法，其特征在于具体步骤如下：步骤一、非局部奇异值分解与图像重构为利用图像块之间的非局部相似性，首先从整幅图像中抽取出目标图像，再利用欧氏距离寻找与目标图像块xi距离最小的L-1个相似图像块，并将目标图像块与相似图像块一起组成相似图像块集合Xi＝[x1,x2,…,xL]，然后对Xi进行奇异值分解：[D,γi,Φ]＝SVD(Xi)其中D和Φ分别表示奇异值分解后的左右正交变换矩阵，γi为奇异值系数，因此基于非局部奇异值分解与估计的MRI图像重构模型为：其中为估计后的奇异值系数，为图像块集合抽取矩阵，FU为傅里叶采样变换矩阵，Υ(·)表示奇异值系数约束项，该模型又可分解为奇异值系数估计模型：与图像重构模型：再分别对两个模型交替迭代求解以实现对MRI图像的重构；步骤二、奇异值系数估计为得到最终的重构图像，首先需要对步骤一中的奇异值系数估计模型求解，为从每次迭代中的相似图像块集合Wi所对应的奇异值系数γW中估计出真实图像的系数，可将降采样图像的奇异值系数视作分别由真实图像的奇异值系数与等效噪声的奇异值系数构成：γW＝γX+γV其中γX为真实图像的奇异值系数，γV为等效噪声的奇异值系数，然后采用线性最小均方误差准则对真实图像的奇异值系数γX进行估计：其中E[·]表示期望，Cov(·)表示协方差，假设Cov(γX)和Cov(γV)为对角阵，则中的第k个系数为：

【专利技术属性】
技术研发人员：刘书君，曹建鑫，沈晓东，宋健，张新征，张奎，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50