莱斯校正的NLM算法在扩散加权图像中的应用

扩散张量成像技术是一种非侵入活体获取脑白质结构的技术,其广泛应用于人体大脑的神经纤维跟踪.扩散张量图像是由扩散加权图像计算得到的,而扩散加权图像对噪声较为敏感,从而影响后续处理.扩散加权图像具有两个特点,一是图像的自相似性程度高,纹理和结构具有重复出现的特性且细节纹理较多,二是图像中所含噪声为莱斯噪声.基于这两个特点,我们提出了莱斯校正的非局部均值滤波算法.并将此算法应用于扩散加权图像的降噪中.算法首先针对图像中的莱斯噪声进行莱斯校正,然后再对校正后的图像使用非局部均值滤波器对其进行降噪.为了验证本文算法,通过实验将本文算法与传统的降噪算法进行比较.实验结果表明,本文算法能够更有效的减少扩散加权图像中的噪声,更好的保存了图像的纹理细节,提高了数据准确度.

加权核范数降噪算法在扩散加权图像中的应用

目的扩散加权成像技术是一种能够检测活体组织内水分子扩散运动的无创方法,其对数据的准确度要求较高且对噪声较为敏感。扩散加权图像的自相似性程度高,纹理细节较多且纹理和结构具有重复出现的特性。而获取图像的过程中受到不可避免的噪声干扰会破坏图像的数据准确度,因此对扩散加权图像进行降噪是十分必要的。方法根据扩散加权图像的特点,提出将加权核范数降噪算法应用于扩散加权图像的降噪。加权核范数降噪算法由于能够利用图像的自相似性,通过对图像中的相似块进行处理从而实现对图像的降噪,该算法能够保存图像中大量的纹理细节信息。结果通过模拟数据实验和真实数据实验,将加权核范数降噪算法与传统的扩散加权图像降噪算法如各向异性算法进行比较,结果表明,加权核范数降噪算法相较于其他算法得到的峰值信噪比至少高出20 dB,结构相似性值也至少高出其他算法0.2~0.5,再将降噪后的图像进行神经纤维跟踪处理,得到的神经纤维平均长度较其他算法至少要长0.2~0.8且纤维更为平滑。结论加权核范数降噪算法不仅能够更好地减少扩散加权图像中的噪声,同时也能够最大限度地保存扩散加权图像的纹理细节,降噪效果理想,提高了数据的准确度及有效性。