基于小波变换与NLTV的稀疏孔径ISAR成像

针对稀疏孔径逆合成孔径雷达(ISAR)成像问题,提出一种结合小波变换与非局部总变差(NLTV)的稀疏孔径ISAR正则化成像框架,给出了成像模型并推导了模型的优化求解方法.该方法通过对目标图像进行小波分解,并分别对低频分量和高频分量进行NLTV和l0范数正则化约束,在确保成像结果稀疏性的基础上更好保护图像的结构和轮廓特征.仿真和实测数据分析结果表明:所提方法在ISAR孔径数据缺失严重的情况下仍具有良好的成像性能.

基于高阶和非局部全变分的核磁共振图像重构算法

为了更好地提高核磁共振图像(magnetic resonance image,MRI)重构质量,提出了一种基于高阶和非局部全变分的混合重构算法。首先,该算法采用全局梯度提取法分离待重构MRI图像的平滑区和边缘纹理区;在算法的每次迭代过程中,先对平滑区采用高阶全变分(higher degree total variation,HDTV)算法,然后对边缘纹理区采用非局部全变分(non-local total variation,NLTV)算法;最后,将算法迭代结束后的平滑区和边缘纹理区图像合并就是重构图像。实验发现,该算法的重构效果大大优于TV(total variation,全变分)、HDTV、NLTV算法,其重构图像既能有效地滤除噪声和保留纹理细节信息,又大大抑制了全变分的阶梯效应。

自适应步长非局部全变分约束迭代图像重建算法

针对计算机断层成像(CT)系统中,全变分(TV)迭代约束模型易于产生阶梯效应以及不能很好地保存图像中精细结构的问题,提出一种自适应步长的非局部全变分(NLTV)约束迭代重建算法。考虑到NLTV模型能较好保存和恢复图像细节以及纹理的特点,首先将CT模型当成在满足投影数据的保真项的解集中寻找满足特定正则项即NLTV最小化的解约束优化模型;然后,使用代数重建(ART)算法和分离布雷格曼(SB)来确保重建结果满足数据保真项和正则化项的约束;最后,以自适应最速下降-投影到凸集(ASD-POCS)算法作为基础迭代框架来重建图像。实验结果表明,在不含噪声的稀疏重建条件下,提出的算法使用30个角度的投影数据已经可以重建出理想的结果。在含噪稀疏数据重建实验中,该算法在30次迭代时已得到接近最终收敛的结果,且均方根误差(RMSE)是ASD-POCS算法的2.5倍。该重建算法能在稀疏投影数据下重建出精确的结果图像,同时改善了TV迭代模型的细节重建能力,且对噪声有一定的抑制作用。

Poisson Noise Removal Based on Nonlocal Total Variation with Euler's Elastica Pre-processing

An enhancement-based Poisson denoising method for photon-limited images is presented. The noisy image is firstly pre-processed for enhancing incomplete object information, and then it is denoised while preserving the restored structural details. A variational regularization model based on Euler’s elastica (EE) is proposed for image enhancement pre-processing. A nonlocal total variation (NLTV) regularization model is then employed in the second stage of image denoising. The above two optimization problems are solved by the alternating direction method of multipliers (ADMM). For Poissonian images with low image peak values, experiments demonstrate the validity and efficiency of the proposed method for both restoring geometric structure and removing noise. © 2017, Shanghai Jiaotong University and Springer-Verlag GmbH Germany.