一种去除医学图像中金属伪影的新方法

基于图像中金属伪影的去除在对病患的诊断中被广泛应用,针对传统FBP图像混合重建算法对金属的投影数据不连续性敏感度不够的问题,提出了一种改进的OSEM迭代混合重建算法来去除金属伪影.该方法首先对含有金属伪影的图像采用自适应滤波器对其进行预处理,其次采用均值漂移和最大互信息熵差的方法分割出金属部分和伪影部分,然后使用FBP和改进的OSEM算法对两部分进行混合重建,最后通过实验结果表明该方法能够快速有效地对金属伪影进行抑制和去除.     

光栅相衬CT中吸收信号环形伪影的去除方法

提出一种光栅X射线相衬断层扫描中吸收信号环形伪影的去除方法。该方法采用正弦图域和重建图域结合的处理算法。对于弱伪影,通过正弦图域的排序和滤波去除。而对于强伪影,首先根据环形伪影在极坐标系的表现,计算残差图像,转换到笛卡尔坐标系得到伪影像素和样品的边界;进而使用基于机器学习的图像分割方法获取每一类样品的分布,同时为了保护边界信息,通过形态学操作获得样本的内部区域;最后再利用残差图像的分布特征定位伪影像素,并使用临近非伪影像素均值替代。实验结果表明该方法可以在不破坏样品边界的前提下有效地去除图像中的环形伪影。     

基于结构保持的MR图像运动伪影快速抑制方法

目前核磁共振图像运动伪影的校正方法普遍是基于K空间数据的方法,本文提出一种直接对核磁共振图像进行伪影校正的后处理方法.基于非局部均值总变差去噪的思想设计构造了结构保持的运动伪影校正模型,该模型由非局部均值正则项和块相似保真项构成,正则项可以有效去除运动伪影和噪声的同时保持图像的结构;将各向异性结构张量作为块相似保真项中的权函数,实现在不同区域有不同的扩散方式,在去除图像运动伪影的同时保留图像的细节信息.模型的数值求解采用分裂Bregman方法实现.本文提出的方法充分考虑了图像的几何结构特性,实验结果表明,该方法能有效去除运动伪影并保留有价值的图像细节信息,同时提高了运算速度.     

基于双域迭代残差网络的双能CT图像材料分解研究

针对在图像域将深度学习与迭代重建算法结合的深度迭代残差网络分解得到的材料图像受到噪声和伪影的影响,提出将迭代残差网络扩展到双域,即基于双域迭代残差网络的双能CT图像材料分解方法。该方法集成了两个并行交互的子网络CNN,同时在图像域和投影域进行材料分解操作,通过CNN直接向该网络提供投影数据,在不同域之间进行信息传递和融合,使用CNN丰富双域模型的数据保真度。实验结果表明,双域迭代残差网络相比于只在图像域进行材料分解能够更好地抑制噪声和伪影,提高图像质量和分解精度,做到细节保护。     

基于稀疏编码的鲁棒型人脸超分辨率重建

为了减少人脸超分图像的边缘伪影和图像噪点,利用基于稀疏编码的单幅图像超分辨率重建算法,在字典学习阶段,结合L1范数引入在线字典学习方法,使字典根据当前输入图像块和上次迭代生成的字典逐列更新,得到更加精确的超完备字典对,用于图像重建.实验中进行的仿真结果表明,改进算法超分结果的峰值信噪比(PSNR)和结构相似性(SSIM)比同类型的稀疏编码超分法(SCSR)和应用在线字典学习算法的超分方法(ODLSR)均有较大幅度提升,比后者平均提升0.72 dB和0.0187.同时,视觉上有效地消除了边缘伪影,且在处理含噪人脸图像时,具备更强的去噪能力和更好的鲁棒性.     

基于残差编解码器的通道自适应超声图像去噪方法

超声图像去噪对提高超声图像的视觉质量和完成其他相关的计算机视觉任务都至关重要。超声图像中的特征信息与斑点噪声信号较为相似,用已有的去噪方法对超声图像去噪,容易造成超声图像纹理特征丢失,这会对临床诊断的准确性产生严重的干扰。因此,在去除斑点噪声的过程中,需尽量保留图像的边缘纹理信息才能更好地完成超声图像去噪任务。该文提出一种基于残差编解码器的通道自适应去噪模型(RED-SENet),能有效去除超声图像中的斑点噪声。在去噪模型的解码器部分引入注意力反卷积残差块,使本模型可以学习并利用全局信息,从而选择性地强调关键通道的内容特征,抑制无用特征,能提高模型去噪的性能。在2个私有数据集和2个公开数据集上对该模型进行定性评估和定量分析,与一些先进的方法相比,该模型的去噪性能有显著提升,并在噪声抑制以及结构保持方面具有良好的效果。     

一种融合残差机制和注意力机制的深度语音去噪方法

针对深度网络模型进行端到端语音去噪时存在对 语音底层信息表示能力不足以及网 络只采用卷积级联的方式造成参数冗余的问题,提出了一种融合残差机制和注意力机制的生 成对抗网络去噪模型(Attention Res-UNetGAN)。模型在波形域对语音进行去噪,其生成网 络为U-Net结构,包含下采样层、中间层和上采样层。中间层为改进的嵌套残差模块(Resid ual-Residual Block,RRB),是由两块基础残差块进行残差拼接而形成的。对称的下采样 层 和上采样层之间采用注意力跳连和直接跳连进行连接。在VCTK(Voice Bank corpus)数据集 进行去噪后并经PESQ等六种客观语音质量评价指标进行评价,Attention Res-UNetGAN相比 原生成对抗网络模型各指标值平均提升了9.13%。     

基于遗传算法去除磁共振图像的运动伪影

病人在磁共振成像扫描过程中的运动会在图像中产生运动伪影,影响图像质量与临床诊断。提出了一种去除磁共振图像运动伪影的图像重建方法,通过遗传算法筛选出受运动影响较小的k空间数据,利用压缩感知进行重建。设计了一种无需参考图像的图像质量评估方法,与全参考图像质量评价指标呈强相关性。实验结果表明,算法可减轻运动伪影,提高图像质量。     

多值压缩编码孔径超分辨率成像方法

针对近期提出的基于压缩感知(CS,compressed sensing)理论的压缩编码成像方法在重建后引入较多类似于噪声的伪影(artitacts)问题,为了使压缩编码成像方法获得更好成像质量的图像,本文提出一种改进的压缩编码成像方法。本文方法将多值模板(MVM)代替二值模板来增强编码质量,并利用自适应全变分(TV,total variation)去噪方法去除重建后的高分辨率图像的伪影。实验结果表明,这种方法很好地改进了压缩编码孔径(CCA)的成像质量,并且大幅提高了图像的信噪比(SNR)。     

基于改进生成对抗网络的低剂量CT去噪算法

针对低剂量计算机断层扫描(computerized tomography,CT)在图像采集过程中引入较多噪声,造成图像质量严重下降的问题, 提出一种基于残差注意力机制与复合感知损失的低剂量CT去噪算法。在该算法中,利用生 成对抗网络完成对低剂量CT图像的去噪,在网络框架中引入多尺度特征提取及残差注意力 模块,以融合图像中不同尺度的信息,提高网络对噪声特征的区分能力,避免在去噪过程中 丢失图像细节信息。同时采用复合感知损失函数,以加快网络收敛速度,促使去噪图像在感 知上与原图像更接近。实验结果表明:与现有的算法相比,所提算法能够有效抑制低剂量 CT图像中的噪声,并恢复更多的纹理细节;对比低剂量CT图像,所提算法处理后的CT 图像峰值信噪比(peak signal-to-noise ratio,PSNR) 值提高了31.72%, 结构相似性(structural similarity,SSIM)值提高了13.15%,可以满足更高的医学影像诊断要求 。     

小样本图像处理方法赋能的宽带频谱感知

针对强噪声环境下频谱感知方法计算复杂度高、难以获取大量标注样本、检测准确率低等问题,该文提出由图像去噪和图像分类思想驱动的频谱感知方法(IDCSS)。首先,对感知用户的接收信号进行时频变换,将无线电数值信号转换为图像。强噪声环境下感知用户接收信号图像与噪声图像相关度高,因此搭建生成对抗网络(GAN)来增加低信噪比下接收信号样本的数量,提高图像的质量。在生成器中,利用残差-长短时记忆网络取代生成网络U-Net结构中的跳跃连接,对图像进行去噪、提取感知用户接收信号图像的多尺度特征、建立基于熵的损失函数来构建网络的抗噪能力;在判决器中,设计适用无线电图像信号的多维度判决器来增强生成图像的质量、保留低信噪比感知用户信号的图像细节。最后利用分类器识别频谱占用状态。仿真结果表明,与现有频谱感知算法相比,所提算法具有较好的检测性能。     

基于循环生成对抗网络的超分辨率重建算法研究

为了提高图像超分辨率重建的效果,该文将注意力机制引入多级残差网络(Multi-level Residual Attention Network,MRAN)作为CycleGAN的重建网络,提出了基于循环生成对抗网络(CycleGAN)的超分辨率重建模型MRA-GAN.MRA-GAN模型中重建网络负责将低分辨率(LR)图像...     

基于多通道GAN的图像去噪算法

针对图像采集和传输过程中所产生噪声导致后续图像处理能力下降的问题,提出基于生成对抗网络(GAN)的多通道图像去噪算法。所提算法将含噪彩色图像分离为RGB三通道,各通道基于具有相同架构的端到端可训练的GAN实现去噪。GAN生成网络基于U-net衍生网络以及残差块构建,从而可参考低级特征信息以有效提取深度特征进而避免丢失细节信息;判别网络则基于全卷积网络构造,因而可获得像素级分类从而提升判别精确性。此外,为改善去噪能力且尽可能保留图像细节信息,所构建去噪网络基于对抗损失、视觉感知损失和均方误差损失这3类损失度量构建复合损失函数。最后,利用算术平均方法融合三通道输出信息以获得最终去噪图像。实验结果表明,与主流算法相比,所提算法可有效去除图像噪声,且可较好地恢复原始图像细节。     

锥束CT去除环形伪影的方法研究

环状伪影是CT技术人员经常遇到的影响重建图像质量的一种伪影,造成环形伪影的因素很多,其中探测器缺陷引起的环形伪影最为常见。环形伪影表现在原始图像结构上是圆环或者是圆弧,理论认证发现探测器响应效率不一致,会使锥束三维CT重建结果产生环形伪影。环形伪影影响了CT图像的分析和后续处理,因此去除环形伪影显得非常具有使用价值。本...     

基于补偿特征图滤波算法去除光学相干层析造影成像俯视图的运动伪影

运动伪影是光学相干层析造影成像(OCTA)俯视图中的一个重要问题.提出一种补偿特征图像滤波(CEF)算法去除光学相干层析造影成像俯视图的运动伪影.首先,利用奇异值分解(SVD)将光学相干层析造影成像俯视图展开为一系列的特征图像;然后,利用高通特征图像和从第一特征图像中抽取得到的正交补偿积这两部分来重建恢复图像.实验结果表明,CEF算法能较好地去除条纹噪声,经CEF算法复原得到的图像有着较传统特征图滤波算法更好的图像质量.该算法为其他扫描成像系统去除类似的条纹噪声提供了新的参考.     

一种基于广义Jaccard系数的MsGOMP红外图像去噪算法

针对红外图像去噪效果差的问题,对压缩感知理论中的信号重构问题进行分析,并提出了一种基于广义Jaccard系数的多候选集广义正交匹配追踪红外图像去噪算法。本文采用广义Jaccard系数的相似性匹配准则,计算感知矩阵和残差的最佳匹配原子,并将选择的原子作为多个候选集,迭代时分别将多个原子添加到相应的候选集中,从多个候选集中选择残差最小的一个作为最终支撑集来重建图像,对红外图像具有较好的去噪效果。仿真结果表明,此方法比传统算法收敛速度更快,峰值信噪比更高,并且还具有更好的主观去噪效果。     

基于生成对抗网络的遥感图像超分辨率重建改进算法

为了获取包含更多高频感知信息与纹理细节信息的遥感重建图像，并解决超分辨率重建算法训练难和重建图像细节缺失的问题，提出一种融合多尺度感受野模块的生成对抗网络（GAN）遥感图像超分辨率重建算法。首先，使用多尺度卷积级联增强全局特征获取、去除GAN中的归一化层，提升网络训练效率去除伪影并降低计算复杂度；其次，利用多尺度感受野模块与密集残差模块作为生成网络的细节特征提取模块，提升网络重建质量获取更多细节纹理信息；最后，结合Charbonnier损失函数与全变分损失函数提升网络训练稳定性加速收敛。实验结果表明，所提算法在Kaggle、WHURS19、AID数据集上的平均检测结果较超分辨率GAN在峰值信噪比、结构相似性、特征相似性等方面分别高出约1.65 dB、约0.040(5.2%)、约0.010(1.1%)。     

基于NSCT域压缩感知模型的路面病害图像滤波算法

针对目前路面图像滤波算法复杂度高且难以耦合噪声抑制和信号平衡的缺点,提出一种基于非下采样Contourlet变换(NSCT)域压缩采样的滤波算法。首先,使用NSCT对含噪路面病害图像进行分解,得到变换后的低频子带系数和高频子带系数;然后,对高频子带系数建立压缩感知(CS)去噪模型,并采用伪随机傅里叶矩阵对系数进行观测,之后使用分裂Bregman迭代方法对系数进行重构,得到去噪模型重建后的高频子带系数;最后,采用逆NSCT对低频子带系数和高频子带系数进行重构,得到滤波后的图像。实验结果分析表明了本文算法的有效性。     

一种Enlighten-GAN网络的指纹超分辨率重建方法北大核心CSCD

将低分辨率(LR)图像重建为高分辨率(HR)图像的主流模型是生成对抗网络(GAN)。然而,由于基于GAN的方法利用从其他图像中学习到的内容来恢复高频信息,在处理新的图像时往往会产生伪影。由于,指纹图像的特征比自然图像更加复杂。因此,将以前的网络应用于指纹图像,尤其是中等分辨率的图像,会导致收敛不稳定伪影效果更加严重。针对以上弊端,本文提出了一种Enlighten-GAN超分辨率方法,来解决指纹图像的重建问题。具体来说,我们设计了启发块来控制网络收敛到一个可靠的点,并利用自我监督分层感知损失以改进损失函数提升网络性能。实验结果证明Enlighten-GAN方法在指纹图像的重建效果性能上具有更加卓越的效果。     

一种基于压缩感知全变差算法的图像去噪方法

压缩感知技术突破了奈奎斯特准则的局限性,在图像处理方面有着广泛的应用。提出一种改进的基于压缩感知的图像去噪方法。该方法中,对混有噪声的图像首先进行稀疏变换,然后对变换后的部分系数采用测量矩阵进行测量,最后通过全变差(TV)重建算法进行图像重建。仿真结果证实全变差重建算法在图像去噪中优于其他压缩感知重建算法,可以有效地去除图像中混有的噪声,实现图像的良好去噪。