[发明专利]一种基于稀疏字典学习的磁共振图像去噪方法

说明书

本发明提供一种基于稀疏字典学习的磁共振图像去噪方法，涉及计算机辅助诊断技术领域。该方法首先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；然后进行稀疏编码与稀疏字典更新，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；构建自适应原子字典学习模型，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，得到细节增强后的去噪图像。本发明方法的图像去噪效果对比度高，边缘纹理细节清晰，达到了去噪又保留边缘纹理细节结构的图像去噪目的。

技术领域

本发明涉及计算机辅助诊断技术领域，尤其涉及一种基于稀疏字典学习的磁共振图像去噪方法。

背景技术

在临床实验和实际治疗中，磁共振成像技术对中枢神经系统、四肢关节肌肉系统的诊断优势明显，磁共振成像的最大特征就是能够快速的对病变组织进行识别，给出比较科学的病理诊断信息和技术，如在临床应用中可以用来检测脑颅疾患，肝、胆疾患，心血管疾病等。这些年，伴随科技进步，如低温技术和超导技术等，磁共振成像技术和设备也在这一时期得到了较大程度的设计和开发，甚至可以说磁共振成像技术也在很多相关的领域得到了利用。磁共振成像由于无电离辐射、多参数、较高的组织密度对比等优点，受到患者和医生的青睐。磁共振图像在成像过程中由于扫描环境、扫描患者等客观因素的影响，不可避免的产生噪声，使得图像的质量大大降低，使组织边界模糊，细微结构难以辨认，图像对比度和清晰度低会影响医生诊断和后续的图像处理任务。所以磁共振图像去噪的目标是有效去除磁共振图像中的噪声并且保留纹理边缘细节结构，这有着重大的应用意义。近年来，稀疏表示理论得到了广泛的实际应用，涌现了很多稀疏字典学习去噪算法，该方法能去除图像中的噪声是因为能够对图像的有用信息进行稀疏表示而不能对噪声进行稀疏表示。稀疏字典学习进行图像去噪的一般过程是设计一个良好的字典，并求解图像对应的稀疏系数。

稀疏字典能够很好的表达数据的潜在信息，在图像去噪中有着更好的效果。首先结合字典学习能有效去除图像中的噪声和全变分模型的优点，提出全变分字典学习模型，即将全变分项作为惩罚项加入到字典学目标泛函，能有效的去除噪声的同时保留了边缘结构。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于稀疏字典学习的磁共振图像去噪方法及应用，实现对磁共振图像的去噪处理。

为解决上述技术问题，本发明所采取的技术方案是：一种基于稀疏字典学习的磁共振图像去噪方法，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α_ij，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，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；