去除乘性噪声的重加权各向异性全变差模型

恢复含乘性噪声的图像是当前图像处理的重要研究课题.本文提出基于迭代重加权的各向异性全变差(Total variation,TV)模型.新模型中,假定乘性噪声服从Gamma分布.正则项采用加权的各向异性全变差,其中,自适应权函数由期望最大(Expectation maximization,EM)算法得到.新模型在有效去噪的同时,较好地保留了图像的边缘和细节信息,同时能够有效地抑制"阶梯效应".数值实验验证了新模型的效果.

应用变权全变分重建抑制CT金属伪影

提出一种基于变权全变分(RWTV)迭代重建的金属伪影校正算法以抑制CT系统重建图像中出现的金属伪影。该算法应用自定义的权值函数对全变分模型做加权惩罚,生成权值全变分模型;通过交替解权值全变分最小化过程和更新权值步骤实现变权全变分重建算法。应用该算法对数值模型和临床图像前向投影生成的投影数据分别进行了重建实验。数值模型实验结果表明:在60个采样角度下,用提出算法重建的图像具有最高的空间分辨率特性;且信噪比值较平滑插值金属伪影校正算法、全变分约束最优化算法的重建结果分别高出17.523 6和7.145 2dB。临床数据实验结果表明:该算法重建结果有效抑制了CT金属伪影,清晰重建出颅骨内的细节解剖结构,极大提高了重建图像的质量。