[发明专利]一种基于稀疏字典学习的磁共振图像去噪方法

权利要求书

1.一种基于稀疏字典学习的磁共振图像去噪方法，其特征在于：包括以下步骤：

步骤1：构建全变分字典去噪模型，对磁共振图像进行重建并应用TV范数进行校正，具体方法为：

步骤1-1：对稀疏字典学习添加全变分惩罚项，使得磁共振图像适合分段光滑去噪模型；所述基于稀疏字典的稀疏系数如下公式所示：

其中，D表示稀疏字典，M表示数字图像，TV为TV范数，为局部稀疏系数，整合起来的即为稀疏字典的稀疏系数X，β与γ为对应稀疏项的约束系数；

步骤1-2：使用滑动窗将图像分成图像块进行处理，并计算稀疏字典D下对应图像块的稀疏系数，然后对图像块进行重构，如下公式所示：

U_ij＝Dα_ij

其中，U_ij为重建后的图像矩阵块，α_ij为稀疏字典D下对应图像块的稀疏系数，i、j均为将图像分为n*n个矩阵块后的计量参数，i＝1，…，n，j＝1，…，n；

步骤1-3：运用TV范数对重构的图像块进行校正，如下公式所示：

其中，参数u是线性搜索最小化整体惩罚函数来选择的，本质是把损失的边缘信息通过迭代加回去，防止图像边缘结构过平滑，是从图像中提取图像块的操作矩阵；

步骤2：稀疏编码与稀疏字典更新，具体方法为：

步骤2-1：对给定的稀疏字典D找到稀疏系数X使得最小，通过使用L1范数求解获得对应图像矩阵块的稀疏系数的近似解，Y为用于更新稀疏字典的噪声图像；采用分数频率法把完备字典扩展成为过完备字典；

步骤2-2：使用梯度下降直线搜索方法对稀疏字典D的目标泛函进行最优化求解，实现对稀疏字典的更新；

步骤3：构建自适应原子字典学习模型，具体方法为：

步骤3-1：利用转向核回归权重系数和灰度共生矩阵构建图像的光度特征和几何特征，并根据这些特征对图像进行分组，把图像中的相似边缘结构分到一组；

步骤3-2：针对步骤3-1构建的光度特征和几何特征，采用K中心点算法进行图像分组，把图像分成平坦、纹理、边缘三组，计算K中心点算法中的统计系数以确定分组后的各部分是属于平坦区域、纹理区域或边缘区域；

步骤3-3：对于不同区域的图像块选择不同的原子大小进行字典学习，然后重建去噪后的图像；

设定平坦区域原子大小为(S+2)*(S+2)，边缘区域为原子大小S*S，纹理区域原子大小为(S-2)*(S-2)，S的大小跟图像中噪声强度有关；

步骤4：应用稀疏字典学习对待处理的磁共振图像进行图像去噪，并对去噪后的图像进行莱斯校正和多尺度分解细节增强，具体方法为：

步骤4-1：利用平方幅度图像的背景估计图像的噪声；

步骤4-2：应用稀疏字典学习对待处理的磁共振图像进行图像去噪，并利用偏差校正公式进行校正；

步骤4-3：采用莱斯校正提升重建后图像的对比度，并采用细节增强把损失的边缘信息加回图像中。