【技术实现步骤摘要】
一种增强型低秩稀疏分解模型医学CT图像去噪方法
本专利技术属于医学图像去噪领域，尤其涉及一种增强型低秩稀疏分解模型医学CT图像去噪方法，该方法主要利用加权Schattenp范数和L1-2TV正则化约束来对医学CT图像进行去噪。
技术介绍
图像的噪声是阻碍信息理解和分析的主要因素，图像去噪长久以来备受关注。计算机断层扫描(ComputedTomography，CT)图像是计算机辅助医疗的重要影像数据之一，CT图像承载了大量临床诊疗信息，可以有效辅助医生进行病情诊断、手术计划制定、术后治疗评估。但医学CT图像在采集、压缩、传输等过程中由于环境、设备等多方面因素的影响，不可避免地导致图像信号受到噪声的污染而质量下降。这首先会影响图像的人眼主观评价，更重要地是会对医学图像后续的处理和分析带来困难，如感兴趣区域分割、特征提取、识别分类等。在医学图像的处理和分析过程中，去噪是一个不可缺少的重要环节。目前，针对医学CT图像的去噪方法局限性较大，常规的去噪技术主包括空间域去噪和变换域去噪两大类。空间域去噪方法，如中值滤波、均值滤波等...
【技术保护点】
1.一种增强型低秩稀疏分解模型医学CT图像去噪方法，该方法的步骤是：/n步骤1、对医学CT原始图像进行噪声水平估计，并以计算出的噪声强度估计值的大小为依据确定搜索窗口、图像块矩阵中相似块的数量和大小、及步骤3中迭代求解时最大迭代次数，遍历原始图像，进行非局部相似块匹配，将原始图像分成多个由非局部相似块组成的图像块矩阵；/n步骤2、对医学CT原始图像D∈R
【技术特征摘要】
1.一种增强型低秩稀疏分解模型医学CT图像去噪方法，该方法的步骤是：
步骤1、对医学CT原始图像进行噪声水平估计，并以计算出的噪声强度估计值的大小为依据确定搜索窗口、图像块矩阵中相似块的数量和大小、及步骤3中迭代求解时最大迭代次数，遍历原始图像，进行非局部相似块匹配，将原始图像分成多个由非局部相似块组成的图像块矩阵；
步骤2、对医学CT原始图像D∈Rm×n采用加权Schattenp范数进行低秩矩阵估计，并添加联合约束的L1-2TV正则化项，构建增强型低秩稀疏分解模型为下式；
式中λ1和λ2均为平衡调节参数，L∈Rm×n表示去噪后干净的低秩矩阵，S∈Rm×n表示稀疏噪声矩阵，为加权Schattenp范数，0＜p≤1；||·||1表示L1范数；为L1-2TV正则化项，表示各项异性TV，表示各项同性TV，α∈[0,1]为正则化参数；
步骤3、将步骤1得到的图像块矩阵依次输入增强型低秩稀疏分解模型中，利用交替方向乘子法进行迭代求解，得到相应图像块矩阵的低秩矩阵；
步骤4、聚合所有图像块矩阵对应的低秩矩阵，得到去噪后的干净图像。
2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括以下步骤：
步骤1.1：获取原始图像D∈Rm×n，它的秩记为rD，选取t＝3rD/5，对图像D进行噪声估计，计算噪声强度估计值σn；
步骤1.1.1：对原始图像D进行奇异值分解运算，计算出后t个奇异值的平均值为PD；
步骤1.1.2：对原始图像D添加噪声强度σD1＝30的零均值加性高斯白噪声，得到图像D1，再对D1进行奇异值分解运算，计算出后t个奇异值的平均值为PD1；
步骤1.1.3：对原始图像D添加噪声强度σD2＝60的零均值加性高斯白噪声，得到图像D2，再对D2进行奇异值分解运算，计算出后t个奇异值的平均值为PD2；
步骤1.1.4：根据下述公式计算出原始图像D的噪声强度估计值σn；
步骤1.2：根据噪声强度估计值σn，设定搜索窗口和当前图像块的大小，按步长step遍历整幅图像D，对图像进行非局部相似块匹配操作，得到图像块矩阵Dj；
步骤1.2.1：以欧式距离d为匹配准则，计算当前图像块Y(i,j)与搜索窗口之内其他图像块Z(i,j)之间的距离，计算公式为：
步骤1.2.2：对计算结果d从小到大进行排序，依据噪声强度估计值σn的大小设定相应数量的图像块作为相似块进行匹配，再令匹配的相似图像块堆叠为一个图像块矩阵，记为Dj，j表示得到第j个图像块矩阵。
3.根据权利要求1所述的方法，其特征在于...
【专利技术属性】
技术研发人员：夏克文，王斯洁，王莉，张江楠，周亚同，毛评生，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。