一种基于局部方向统计特性的MRI影像噪声去除方法技术

本发明专利技术公开一种基于局部方向统计特性的MRI影像噪声去除方法，包括步骤：对存在噪声的MRI图像进行噪声估计，并获得类高斯函数；基于MRI图像获得多个积核大小下的多个方向下的梯度方向基础模型组；判断声点：对MRI图像的每一个像素点，根据梯度方向基础模型组判断其是否为噪声点；进行噪声点去除：如果是噪声点则通过所述类高斯函数进行去噪复原。本发明专利技术能够基于局部因素对MRI影像进行去噪，提高去噪效果，去噪结构更贴近实际情况。去噪结构更贴近实际情况。去噪结构更贴近实际情况。

A noise removal method of MRI image based on local directional statistical characteristics

【技术实现步骤摘要】
一种基于局部方向统计特性的MRI影像噪声去除方法


[0001]本专利技术属于MRI影像处理
，特别是涉及一种基于局部方向统计特性的MRI影像噪声去除方法。

技术介绍

[0002]MRI去噪方法大体可分为：滤波方法，如无偏非局部均值方法利用图像的相似性从而避免了失真，但存在着计算量大等问题；统计方法，如统计局部信息利用最小平均平方误差估计公式进行去噪的线性最小平均平方误差方法，具有速度快但存在着边缘失真的问题；以及变换域处理方法，比如小波变换等。
[0003]目前滤波方法的MRI去噪的方法大多都是基于噪声的方差已知，往往在处理开始会首先假设噪声的方差，这些方法有以下局限：(1)计算使用的参数不是图像的实际参数所以去噪的效果不佳；(2)同时之前的方法没有考虑MRI图像的局部区域对去噪效果的影响，很难满足实际需求；(3)传统的方法如统计排序滤波，最优陷波滤波等也存在着只对特定环境有较好的效果，对于大块的噪声比较难处理。因此，最后上诉的这些方法都只能在整体上进行复原，无法判断某个点是噪声还是正常点，无法做到像素级还原。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种基于局部方向统计特性的MRI影像噪声去除方法，能够基于局部因素对MRI影像进行去噪，提高去噪效果，去噪结构更贴近实际情况。
[0005]为达到上述目的，本专利技术采用的技术方案是：.一种基于局部方向统计特性的MRI影像噪声去除方法，包括步骤：
[0006]对存在噪声的MRI图像进行噪声估计，并获得类高斯函数；
[0007]基于MRI图像获得多个积核大小下的多个方向下的梯度方向基础模型组；
[0008]判断声点：对MRI图像的每一个像素点，根据梯度方向基础模型组判断其是否为噪声点；
[0009]进行噪声点去除：如果是噪声点则通过所述类高斯函数进行去噪复原。
[0010]进一步的是，为了应对局部图像的噪声变化，并且结合MRI图像的图像四周并不存在有效数据信息，对存在噪声的MRI图像进行噪声估计，并获得类高斯函数，包括步骤：
[0011]采集MRI图像的四周子图区域作为噪声子图像，计算子图像的方差；
[0012]利用方差估计噪声的类高斯函数。
[0013]进一步的是，对存在噪声的MRI图像进行噪声估计，包括步骤：
[0014]利用四周子图区域分别获得四个噪声子图像，计算四个噪声子图像中心矩；
[0015]通过中心矩来获得方差，方差为c＝(c1+c2+c3+c4)/4；其中，c1、c2、c3和c4分别为四个噪声子图像的方差；
[0016]利用方差估计噪声的类高斯函数，类高斯函数为＝255/(2*pi*c*c)；其中，c为方差，pi为圆周率。
[0017]进一步的是，基于MRI图像获得多个积核大小下的多个方向下的梯度方向基础模型组，包括步骤：
[0018]建立多组不同卷积核大小下的梯度方向图像组，每一组中包括多个方向；
[0019]通过MRI图像与每个卷积核进行卷积操作，获得每组核大小下的不同方向的梯度方向基础模型组。
[0020]进一步的是，基于MRI图像获得多个积核大小下的多个方向下的梯度方向基础模型组，包括步骤：
[0021]获取三组卷积核大小为3、5和7的梯度方向图像组，每一组分为0
°
、45
°
、90
°
和135
°
共4个方向；
[0022]通过MRI图像与每个卷积核进行卷积操作，获得核大小为3、5和7的不同方向的梯度方向基础模型组fn_α(x,y)，n为卷积核大小，α为方向。
[0023]进一步的是，判断声点：对MRI图像的每一个像素点，计算不同卷积核大小的梯度方向基础模型组的最大模型，若各个卷积核大小下的最大模型相等则判定其为信息点，否则为噪声点。
[0024]进一步的是，还包括步骤：进行去噪后的MRI图像进行后处理：若图像四周存在噪声点，通过最大类间方差法进行阈值分割，保护中间已经复原的图像，对四周的噪声点进行去除。
[0025]采用本技术方案的有益效果：
[0026]本专利技术相比较现有的MRI去噪算法很难识别某个像素点是否为噪声点，所以往往是整体去噪；本专利技术通过局部方向的统计特性来判断噪点并进行去除，达到更好的效果。
[0027]本专利技术能够自适应的处理多种噪声的图像，也具有更高的鲁棒性和适应性，对比之前的方法也能有更快的计算速度。
附图说明
[0028]图1为本专利技术的一种基于局部方向统计特性的MRI影像噪声去除方法流程示意图；
[0029]图2为本专利技术实施例中MRI图像的噪声估计示意图；
[0030]图3为本专利技术实施例中梯度方向的基础模型组获取示意图；
[0031]图4为本专利技术实施例中判断噪点的流程图；
[0032]图5为本专利技术实施例中优化的一种基于局部方向统计特性的MRI影像噪声去除方法流程示意图。
具体实施方式
[0033]为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术作进一步阐述。
[0034]在本实施例中，参见图1所示，本专利技术提出了一种基于局部方向统计特性的MRI影像噪声去除方法，包括步骤：
[0035]对存在噪声的MRI图像进行噪声估计，并获得类高斯函数；
[0036]基于MRI图像获得多个积核大小下的多个方向下的梯度方向基础模型组；
[0037]判断声点：对MRI图像的每一个像素点，根据梯度方向基础模型组判断其是否为噪
声点；
[0038]进行噪声点去除：如果是噪声点则通过所述类高斯函数进行去噪复原。
[0039]作为上述实施例的优化方案1，为了应对局部图像的噪声变化，并且结合MRI图像的图像四周并不存在有效数据信息，对存在噪声的MRI图像进行噪声估计，并获得类高斯函数，包括步骤：
[0040]采集MRI图像的四周子图区域作为噪声子图像，计算子图像的方差；
[0041]利用方差估计噪声的类高斯函数。
[0042]具体的，对存在噪声的MRI图像进行噪声估计，包括步骤：
[0043]利用四周子图区域分别获得四个噪声子图像，计算四个噪声子图像中心矩；
[0044]如图2所示：
[0045]假设图像的大小分别为X,Y，k为采集的系数，则采集的图像四周子图区域∈(1～k*X，1～k*Y)，(X
‑
k*X～X,1～k*Y),(1～k*X,Y
‑
k*Y～Y),(X
‑
k*X～X,Y
‑
k*Y～Y)；
[0046]通过中心矩来获得方差，方差为c＝(c1+c2+c3+c4)/4；其中，c1、c2、c3和c4分别为四个噪声子图像的方差；
[0047]利用方差估计噪声的类高斯函数，类高斯函数为＝255/(2*pi*c*c)；其中，c为方差，pi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部方向统计特性的MRI影像噪声去除方法，其特征在于，包括步骤：对存在噪声的MRI图像进行噪声估计，并获得类高斯函数；基于MRI图像获得多个积核大小下的多个方向下的梯度方向基础模型组；判断声点：对MRI图像的每一个像素点，根据梯度方向基础模型组判断其是否为噪声点；进行噪声点去除：如果是噪声点则通过所述类高斯函数进行去噪复原。2.根据权利要求1所述的一种基于局部方向统计特性的MRI影像噪声去除方法，其特征在于，对存在噪声的MRI图像进行噪声估计，并获得类高斯函数，包括步骤：采集MRI图像的四周子图区域作为噪声子图像，计算子图像的方差；利用方差估计噪声的类高斯函数。3.根据权利要求2所述的一种基于局部方向统计特性的MRI影像噪声去除方法，其特征在于，对存在噪声的MRI图像进行噪声估计，包括步骤：利用四周子图区域分别获得四个噪声子图像，计算四个噪声子图像中心矩；通过中心矩来获得方差，方差为c＝(c1+c2+c3+c4)/4；其中，c1、c2、c3和c4分别为四个噪声子图像的方差；利用方差估计噪声的类高斯函数，类高斯函数为f(x)＝255/(2*pi*c*c)；其中，c为方差，pi为圆周率。4.根据权利要求1所述的一种基于局部方向统计特性的MRI影像噪声去除方法，其特征在于，基于MRI图像获得多个积核大小下的多个方向下的梯度方向基础模型组，包括步骤：建立多...

【专利技术属性】
技术研发人员：何刚，周大唐，俞文心，孙勤，许康，刘畅，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：