基于方差稳定变换和BM4D的MR图像莱斯噪声去除方法

磁共振图像(MR)通常含有莱斯(Rician)噪声,莱斯噪声是一种与信号相关的非加性噪声,不服从正态分布,难以去除。已有方法表明,方差稳定变换(VST)可以将方差不固定的莱斯分布转换为方差固定的高斯分布。首先,运用VST算法把莱斯噪声转换为高斯噪声,然后,运用在高斯去噪方面表现优良的三维块匹配去噪(BM4D)算法去噪,最后,运用方差稳定变换的逆变换(IVST)对去噪后的图像进行处理,得到最终的无偏的去噪后图像。仿真结果表明,研究所用方法不但在视觉上明显优于BM4D算法和小波去噪(wavelet)算法,而且在峰值信噪比(PSNR)和平均结构相似度(SSIM)两个客观指标上明显优于其他两种方法,其中PSNR高出10dB左右,SSIM高出30%以上,该方法有效地降低了噪声,较好地保留了图像的边缘及细节信息。

去除磁共振成像图像莱斯噪声的加权扩散

针对各向同性扩散易于造成图像边缘等特征区域的模糊以及相干增强扩散易于在图像背景区域内产生伪条纹的问题,提出了一种根据磁共振成像(MRI)图像莱斯噪声分布特点来对其进行降噪的加权扩散算法。该算法以MRI图像背景区域的莱斯噪声方差作为区分MRI图像背景区域和感兴趣的边缘特征区域二者特征差异的阈值。基于该阈值,该算法构造了一个加权函数,并用该函数对各向同性扩散和相干增强扩散进行加权。加权函数根据图像在不同结构区域的变化,自适应地调整两种扩散的权值,从而充分发挥两种扩散的优势并克服各自的不足。实验结果表明,该算法在峰值信噪比(PSNR)及平均结构相似度(MSSIM)的评价上优于一些经典算法。因此,该算法的降噪及保护、增强边缘的能力更为优越。

基于频域窄带莱斯噪声消除机制的OFDM网络信号发射精度增强算法

为改善当前OFDM网络信号精度增强算法中难以高效消除频域窄带莱斯噪声,且系统误码率较高的不足,提出了一种基于频域窄带莱斯噪声消除机制的OFDM网络信号精度增强算法.首先,基于128频相移键控调制方法,在获取信号时域特征的基础上,引入快速傅里叶变换,对信号进行离散化,并基于信号投影机制,构建正交星座图,实现信号投影矢量在预发射状态下的正交分层排序,消除了信源状态下频域窄带莱斯噪声对系统的干扰;随后,引入快速傅里叶逆变换,对预发射信号进行加密处理,且通过量化评估模型对信号精度进行优化提升,有效节约了传输带宽,提高了信号发射性能,改善了信道抗衰落效果.仿真实验表明,与当前常见的时间窗消除机制(time window elimination mechanism, TWE)、频率拓扑映射机制(frequency topology mapping, FT)相比,本文算法的误码率更低,且具有更高的信号增益效果.

方差稳定变换下曲波域MR图像莱斯噪声去除算法

磁共振图像往往含有莱斯噪声,不同于加性高斯噪声,莱斯噪声的分布与图像的数据相关,使其更为难以去除.已有方法表明,方差稳定变换可以将莱斯噪声分布变换为方差稳定的高斯分布.利用该特性,结合曲波变换这一新的多尺度变换理论,提出一种磁共振图像莱斯噪声去除算法.算法分别采用了硬阈值和贝叶斯软阈值两种曲波域去噪方法,并针对这两种方法对曲波域低频系数层未做有效去噪的缺陷,提出对低频系数层进行软阈值去噪的改进.实验结果表明,改进算法在峰值信噪比和平均结构相似度的评价上均有较大提高,证明该算法在去除莱斯噪声及保护图像信息上的有效性.

基于超螺旋精度提升机制的OFDM网络信道噪声消除算法

为解决当前OFDM网络信道噪声消除算法难以规避信道中的窄带莱斯噪声,且抗信道衰落能力不强,以及信道间普遍存在严重的频率干涉问题,提出了一种基于超螺旋精度提升机制的OFDM网络信道噪声消除算法.首先,根据各个传输子信道具有差异化的频率载波特性,将传输子信道等价为接收背景中的接收点,从而构建了超螺旋接收结构,有效消除不同传输子信道间存在的频率干扰特性,降低信道窄带莱斯噪声对信号预发射过程的衰落影响;随后,基于角度识别方式进行锐-钝识别,并结合拐点思想,采用序列重排技术,将待发射信号进行消波处理,并进行自旋精度提升,从而提高了其抗窄带莱斯噪声的性能.仿真实验表明:与常见的超高频精度自适应机制(UHF adaptive,UHFA)、共线度自旋精度提升机制(the degree of accuracy of collinear spin,DACS)相比,本文算法与理想状态下的OFDM功率谱密度曲线最为接近,具有更高的信号增益水平与更低的信道误码率.

偏差校正的DCT子空间非局部均值MRI图像去噪算法

针对直接采用高斯白噪声去噪算法去除MRI图像中的莱斯(Rician)噪声仅能取得次优去噪效果这一问题,在DCT子空间非局部均值去噪算法基础上,提出一种偏差校正的DCT子空间非局部均值MRI图像去噪算法。首先分析MRI图像中Rician噪声的特性,给出在MRI模值平方图中估计噪声偏差的方法;然后使用偏差校正的DCT子空间非局部均值MRI图像去噪算法在MRI图像的模值平方图上进行去噪处理。在模拟MRI图像上进行实验,其结果表明,该算法在有效去除Rician噪声的同时,很好地保留了器官和软组织的细节纹理信息,取得了较好的去噪效果。

核磁共振图像归一化互相关非局部自适应去噪

为了更好地去除核磁共振(MR)图像中莱斯(Rician)分布的噪声,首先提出使用图像局部归一化互相关(NCC)作为几何结构相似性的一个表征,对传统非局部算法中使用灰度计算像素相似性权值的方法进行有效补充;然后,将改进方法分别应用于非局部均值算法和非局部最小线性均方误差估计算法,并根据局部信噪比(SNR)动态自适应地计算非局部算法中待滤波像素自身的加权值或者像素之间相似性阈值,达到对核磁图像自适应降噪的目的。实验结果表明,该算法可以更好地抑制核磁图像中的莱斯噪声,有效保留图像中细节信息,对核磁共振图像进一步的分析研究以及应用于临床诊断等具有非常重要的应用价值。

一种基于MRI图像的相干增强张量扩散方程离散方案

相干增强张量扩散方程的离散方案对图像的去噪效果尤为重要。在保持空间导数算子旋转不变性的前提下,根据大脑MRI图像的结构特征,并考虑MRI图像的噪声服从莱斯(Rician)分布的特点,以峰值信噪比(PSNR)和结构相似性(MSSIM)为目标函数对空间导数算子的取值进行优化。实验结果表明,提出的离散方案在峰值信噪比和结构相似性方面均优于其他旋转不变性离散方案。

基于无噪图像块先验的MRI低秩分解去噪算法研究

针对核磁共振图像中存在莱斯噪声的现象,提出一种基于无噪图像块先验的MRI低秩分解去噪算法。该算法首先利用高斯混合模型学习无噪核磁共振图像块的先验;然后将带有无噪核磁共振图像块先验的高斯混合模型用于噪声核磁共振图像块聚类,并将聚类后每个高斯类中的核磁共振图像块叠在一起构成低秩矩阵并对其进行低秩分解操作来达到除去噪声的目的;最后根据去噪后的数据重建清晰核磁共振图像。实验结果表明相较于各项异性滤波,非局部均值滤波和权重核范数最小化复原算法,文中方法在PSNR值、SSIM值和视觉上有较大提升,在去除噪声的同时,能较好地保留图像本身的纹理细节信息。

基于深度学习的无监督磁共振图像去噪方法

近年来,基于深度学习的方法在医学图像去噪方面取得了很好的表现。然而,大多数基于深度学习的方法都需要成对的训练数据,这将影响如新型冠状病毒肺炎等病症的临床诊断。本文提出了一种用于磁共振成像(magnetic resonance image,简称MRI)去噪的无监督学习方法。首先,我们通过内容编码器和随机噪声编码器分离受噪声影响的低质MRI图像的内容信息和噪声信息。其次,利用Kullback-Leibler (KL)散度损失对噪声的分布进行正则化。第三,向模型加入对抗损失,使生成的去噪图像看起来更加真实。最后,我们增加了循环一致损失和感知损失来确保带噪图像和去噪图像内容信息的一致性。实验结果表明,我们提出的方法取得了良好的视觉效果。