绝对差值排序的全变分低剂量CT重建算法

针对传统全变分(Total Variation,TV)低剂量CT(Computed Tomography,CT)算法在重建图像时出现阶梯效应和模糊图像边缘的问题,提出了基于绝对差值排序(Rank-Ordered Absolute Differences,ROAD)和中值先验(Median Prior,MP)模型的TV低剂量CT重建算法.首先采用ROAD对传统TV模型中的扩散函数进行改进,然后将改进后的TV模型与MP模型结合得到新的惩罚项,最后将该惩罚项应用于基于惩罚加权最小二乘重建算法从而构造新的目标函数.实验结果表明,新算法不仅可以抑制阶梯伪影的产生,还能够很好地保留图像边缘细节信息.

基于ROAD和小波收缩的MLEM低剂量CT重建算法

针对低剂量CT(Computed Tomography)重建图像质量退化的问题,提出一种基于小波收缩和绝对差值排序各项异性扩散的MLEM(Maximum Likelihood Expectation Maximization)低剂量CT重建算法。算法在每次迭代中首先采用MLEM算法对低剂量CT投影数据进行重建。由于各项异性扩散对噪声敏感,所以算法先对重建后的图像进行小波变换,再在更稳定的低频小波域进行基于绝对差值排序的各项异性扩散处理,对小波高频系数进行软阈值降噪处理。然后将降噪处理后的系数进行小波反变换,得到降噪后的图像。最后使用中值滤波对图像进行处理,从而消除脉冲噪声点。实验结果表明,与其他几种常用重建算法相比,该算法重建的图像信噪比更高,归一化均方误差更小,处理后的图像更清晰,即可以在抑制噪声的同时,较好地保持图像的边缘和细节信息。

一种改进的基于偏微分方程图像的降噪算法

针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾,提出了一种改进的基于偏微分模型的图像去噪算法.引入了正则化、绝对差值排序检测法,结合Chao和Tsai模型,构造了一种新的扩散系数函数,兼具了正则化解决方程病态问题和绝对差值排序检测法有效区分噪声与边缘的优点.实验结果表明:与其他基于常用偏微分模型的去噪算法相比,所提算法能更加有效地去除噪声,保留了更多的细节信息,提高了图像去噪的信噪比.

自适应扩散系数优化的图像降噪算法

非线性扩散图像在降噪时纹理和细节通常会被削弱,为了解决这一问题,提出一种自适应扩散系数优化的图像降噪算法。利用经典的PM模型处理图像,利用扩散系数基于梯度幅值结合残差局部能量,可精确获取图像的纹理区域;利用绝对差值排序算子,进一步区分纹理部分及其存在的噪声;将图像梯度信息,残差能量及绝对差值排序算子融合到模型中,在去噪的同时很好地保留图像边缘、纹理等细节信息。实验结果表明,所提算法的SNR值为18.4714,RMSE值为15.8373,UQI值为0.8193,在降噪的同时较好地保留图像的纹理和细节,在视觉质量方面具有优越性能。

一种改进的基于模糊判别的非局部均值算法

针对传统的非局部均值去噪算法计算量较大以及噪声严重时均方误差较大的问题,提出了一种改进的基于绝对差值排序模糊判别的非局部均值去噪算法。首先由绝对差值排序判断像素属于噪声的隶属度,然后根据隶属度由像素和与像素具有相似窗口结构的像素重构像素。实验结果表明,该算法的均方误差和信噪比优于传统的非局部均值算法。