[发明专利]基于改进的多路径匹配追踪算法的磁共振图像去噪方法

说明书

一种磁共振图像去噪方法，涉及图像处理。本方法在多路径匹配追踪算法每次迭代求解与局部图像特征相匹配的多个候选原子过程中引入自适应遗传算法寻优，有机结合了自适应遗传算法和多路径匹配追踪算法的优点，不仅能够避免遗传算法易陷入局部最优的缺陷，得到较高精度的最佳匹配参数，而且有效地降低了多路径匹配追踪算法的计算量，克服了因计算量太大不能推广应用的缺点。

技术领域

本公开属于图像处理领域，特别涉及一种磁共振图像去噪方法。

背景技术

磁共振成像(Magnetic resonance imaging，MRI)是一种采用静磁场和射频磁场使人体组织成像的技术，所形成的图像解剖结构逼真，对病变部位显示更清楚、直观，且具有较高的软组织对比率特点。近年来，在临床上得到了广泛应用。但是MR图像在扫描过程中，由于受刺激的人体组织以及电子原器件的影响，图像中始终存在随机噪声，且呈现出灰度不均匀、边界模糊等一系列问题，这为后续图像的处理带来了诸多不便。因此，去除原始MR图像中的噪声一直是一个挑战性的问题，许多去噪方法和技术被应用于MR图像的去噪中。

传统的MR图像去噪方法可以在空间域和频率域中进行。中值滤波是空间域中一种典型的基于排序统计理论的非线性去噪方法。该方法是将局部区域中的像素按灰度等级排序，取该区域中的中值作为当前区域的灰度值，算法原理简单，可以有效保持图像的边缘特性。这类方法的主要思想是将图像中噪声信息作为高频部分去掉，从而保留图像中的低频信息来达到去噪的目的。但是，图像中有一些细节和边缘信息也存在于高频部分，这样处理会丢失图像信息。近年来，利用稀疏表示的思想进行图像去噪得到了广泛应用。1993年，Mallat和Zhang首次提出稀疏表示思想来获取图像在某一变换域上的稀疏表达，并提出匹配追踪(Matching Pursuit，MP)算法来实现信号稀疏分解。稀疏分解理论的去噪原理是采用原子来表征图像的有效信息，而噪声是随机的，不存在固定结构，故不能用原子进行表示，因而将含噪图像的有效信息和噪声可以分离，从而达到去噪的目的。在基于稀疏表示的图像去噪算法研究中，核心任务是原子字典的生成和稀疏重构算法。1995年，Mallat首次将MP算法应用在图像中来获取图像的稀疏表示，但由于算法中残差(信号)在已选择的原子上投影并不一定是正交的，使得每次迭代的结果并非最优，需多次迭代才会收敛。针对这一缺点，Pati等人在MP算法的基础上对每一次所选择原子进行正交化处理，提出正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法，在保证算法精度的情况下，加快算法的收敛。此后，有许多学者在OMP算法的基础上，提出一些改进算法。上述算法在每次迭代后只会存在一个候选原子支撑集，若在某一次迭代过程中出现差错，那么最终重建的结果会受影响。Kwon等人受到组合树搜索问题的启发，提出了一种称为多路径匹配追踪的算法。该算法结合了组合方法和贪心算法的思想，使得算法无论在有噪声环境下还是无噪声环境下都有很好地重建性能。但是由于在每一步中都需要对具有不同尺度、频率、时间和相位的原子逐一筛选以寻找匹配信号结构的最佳原子，导致很大的计算量。

发明内容

为了解决上述问题，本公开提供了一种磁共振图像去噪方法，包括如下步骤：

S100：输入待重建图像y并初始化；

S200：根据待重建图像的原子的参数的上下限生成初始种群W；

S300：初始化迭代次数，利用自适应遗传算法加速搜寻L个最优原子，并利用这L个最优原子分别进行残差信号的匹配，更新原子的候选支撑集集合和残差信号，求得此次迭代的候选支撑集集合，如果迭代次数小于最大迭代次数则重复执行S300；

S400：对所得的候选支撑集集合进行二次筛选；

S500：当达到迭代要求时，找到对应残差最小的候选支撑集集合，进行重建信号的恢复，输出重建结果图