基于深度先验及非局部相似性的压缩感知核磁共振成像

针对现有压缩感知核磁共振成像（CSMRI）算法在低采样率下重构质量低的问题,提出一种融合深度先验及非局部相似性的成像方法。首先,利用深度去噪器和块匹配三维滤波（BM3D）去噪器构建能够融合多种图像先验知识的稀疏表示模型;其次,将该模型作为正则化项,利用高度欠采样的k空间数据构建压缩感知核磁共振成像优化模型;最后,利用交替优化方法求解构建的优化问题。所提出的算法不仅能够通过深度去噪器利用深度先验,还能够通过BM3D去噪器利用图像的非局部相似性来进行图像重建。实验结果表明,与基于BM3D的重建算法相比,该算法在采样率为0.02、0.06、0.09及0.13情况下重构的平均峰值信噪比高出约1 dB;此外,从视觉角度,与现有的基于小波树稀疏性的核磁共振成像算法WaTMRI、基于字典学习的核磁共振成像算法DLMRI、基于字典更新及块匹配和三维滤波的核磁共振成像算法DUMRI-BM3D等相比,所提算法重构的图像包含大量纹理信息,与原始图像最接近。     

基于卷积盲降噪的混合式核磁共振成像

为了解决图像压缩感知重建研究领域中通过有效的图像先验信息重构与原图相似性高且保留细节消除伪影的高质量图像的问题, 针对不足采样的K空间数据, 在经典的CNN算法CBDNet算法的基础上, 通过融合深度学习先验信息及传统图像恢复各自优势的方法, 研究了基于深度神经网络去噪先验和BM3D块压缩感知算法的混合式重构算法. 该算法采用交互式方法训练多尺度残差网络抑制噪声水平, 借优化选择的方式将深度学习与传统块匹配多尺度结合以提取图像不同尺度的特征数据从而实现抑制伪影、快速重建高质量MRI. 实结果表明深度学习结合BM3D在MR图像重构领域能够有效降低伪影保留细节信息, 加强重构效果. 与此同时, 通过采用GPU的加速运算, 算法的计算复杂度较使用单一算法并未增加很多. 可见基于卷积盲降噪的混合式核磁共振成像效果更佳.     

基于奇异值分解的压缩感知核磁共振图像重构算法

针对传统压缩感知在核磁共振成像中存在着重构算法慢、成像时间长的缺点,利用核磁共振图像自身非满秩的特点,在压缩感知框架下以奇异值分解作为基底对图像稀疏表示进行了研究,并对重构算法进行了优化。实验结果表明,提出的奇异值方法在重构效果上能达到与小波稀疏变换法相近的峰值性噪比,且能有效缩短图像重构时间,达到加速核磁共振成像的目的。     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于变分贝叶斯推断的字典学习算法

传统的字典学习算法在对训练图像进行学习时收敛速率慢,当图像受到噪声干扰时学习效果变差.对此,提出一种基于变分推断的字典学习算法.首先设定模型中各参数的共轭稀疏先验分布;然后基于贝叶斯网络求出所有参数的联合概率密度函数;最后利用变分贝叶斯推断原理计算出各参数的最优边缘分布,训练出自适应学习字典.利用该字典进行图像去噪实验以及压缩感知重构实验,仿真结果表明,所提出的算法可显著提高字典学习效率,对测试图像的去噪效果和重构精度有很大改善.     

压缩感知和相似性约束的图像超分辨率重构算法

针对通过外部学习进行超分辨率存在图像质量不佳、细节不真实的问题提出一种压缩感知和相似性约束的单帧图像超分辨率算法。算法首先利用压缩感知中测量域与频域的线性关系对训练库图像在测量域分类,对不同类别图像块训练对应类别的字典,提高字典的表示能力;然后在重构时利用图像的非局部相似性,将图像在分类字典下的稀疏性和相似块信息同时作为先验信息联合约束重构过程,最后恢复出高分辨率图像。实验结果表明算法重构出的高分辨率图像具有丰富的细节以及清晰的边缘,重构图像主观质量良好。     

图像的多成分混合字典压缩感知表示及重构

信号分解的稀疏程度决定了压缩感知重构信号的精度,针对标准正交基稀疏程度的不足,提出了基于混合字典的压缩感知图像分解和重构方法。构建匹配图像边缘和纹理的二维Gabor字典,将图像在离散余弦字典与建立的二维Gabor字典上进行混合稀疏分解,得到图像的光滑成分、边缘成分和纹理成分。对得到的稀疏成分进行CS观测,通过求解一个优化问题重构图像。实验结果表明,构造的混合字典能够对图像进行更加稀疏的表示,在相同的采样率下,图像的重构质量优于标准正交基分解。     

自适应匹配追踪图像去噪算法

针对目前的稀疏去噪算法分解效率低、去噪效果不理想的问题,提出了一种基于自适应匹配追踪的图像去噪算法。该算法首先通过自适应匹配追踪算法求解稀疏系数,然后利用K奇异值分解算法将字典训练成能够有效反映图像结构特征的自适应字典,最后将稀疏系数与自适应字典相结合来重构图像。在重构过程中,将噪声对应的系数去除,最终达到去噪的效果。算法引入Spike-Slab先验来引导稀疏系数矩阵的稀疏性,并利用两个权重矩阵促使去噪模型更加真实。鉴于字典在稀疏算法中的重要性,将自适应字典与DCT冗余字典、Global字典进行比较。实验结果显示,选择自适应字典的去噪结果比传统字典在峰值信噪比上高出约4.5 dB;与目前6种主流的稀疏去噪方法相比,文中提出的方法在3种评价指标上均有不同程度的提高,其中峰值信噪比平均提高了约0.76~6.24 dB,特征相似度平均提高了约0.012~0.082,结构相似性平均提高了约0.015~0.108。对图像去噪算法进行定性的评价,结果显示所提算法保留了更多的有用信息,视觉效果最佳。实验充分证明了自适应匹配追踪图像去噪算法对图像去噪的有效性和鲁棒性。     

基于稀疏先验的非局域聚类图像去噪算法研究

图像去噪是一类典型的病态（ill-posed）逆问题求解,噪声掩盖下的真实图像并不确定,需要引入先验信息缩小病态问题的求解范围。为了将外部干净图像的先验信息引入去噪进程,提出了一种基于外部干净图像与内部噪声图像稀疏先验的非局域聚类图像去噪算法,通过联合外部干净图像与内部噪声图像的图像块得到类稀疏化表达字典;通过全局的相似块匹配,得到理想图像的稀疏系数估计;基于类字典和估计的稀疏系数,采用压缩感知技术的稀疏重建方法实现图像去噪。实验表明,与传统的非局域稀疏聚类图像去噪方法相比,所提算法显著降低去噪块效应,在保留更多细节的同时,图像平坦区域过渡更加自然;而理想图像先验来源的扩展则进一步提高了算法在强噪声下的去噪性能,对强噪声具有更强的抑制能力。     

基于稀疏度自适应的视觉图像三维清晰重构

针对当前方法重构视觉图像时,存在峰值信噪比低、重构时间长和图像分辨率低的问题,提出基于稀疏度自适应的视觉图像三维清晰重构方法,利用图像光度信息和几何信息划分图像,按照纹理类别和边缘类别对图像进行分类,在图像组类别和噪声水平的基础上训练自适应字典,根据字典获得图像非局部相似先验和稀疏表示,结合建立变分模型对图像进行去噪处理.对去噪后的图像进行奇异值分解字典训练,利用稀疏度自适应正则化正交匹配算法对分解后的图像重建,完成视觉图像的三维清晰重构.仿真结果表明,所提方法的峰值信噪比高、重构时间短、图像分辨率高.     

BM 3D 算法在低剂量CT图像去噪中的应用

Low-dose CT not only reduces the radiation to human body, but also affects the image quality. Aiming at the problem of large noise in low-dose CT images, BM3D algorithm is applied to the denoising process of CT images in this paper. Based on the idea of non-local block matching, the algorithm firstly looks for image similarity blocks through block matching, then stacks the im- age similarity blocks into 3D matrix and performs collaborative filtering processing, and then aggregates the processing results into the original image blocks to restore the image. Compared with the traditional denoising algorithms, BM3D algorithm has great ad- vantages, better visual effect and significantly higher PSNR value.     

基于Moreau-包络的近似平滑迭代磁共振图像重建算法

针对基于压缩感知（CS）的磁共振成像（MRI）稀疏重建中存在的两个非平滑正则项问题,提出了一种基于Moreau包络的近似平滑迭代算法（PSIA）。基于CS的经典MRI稀疏重建是求解一个由最小二乘保真项、小波变换稀疏正则项和总变分（TV）正则项线性组合成的目标函数最小化问题。首先,对目标函数中的小波变换正则项作平滑近似;然后,将数据保真项与平滑近似后的小波正则项的线性组合看成一个新的可以连续求导的凸函数;最后,采用PSIA对新的优化问题进行求解。该算法不仅可以同时处理优化问题中的两个正则约束项,还避免了固定权重带来的算法鲁棒性问题。仿真得到的体模图像及真实磁共振图像的实验结果表明,所提算法与四种经典的稀疏重建算法：共轭梯度（CG）下降算法、TV1范数压缩MRI（TVCMRI）算法、部分k空间重建算法（RecPF）和快速复合分离算法（FCSA）相比,在图像信噪比、相对误差和结构相似性指数上具有更好的重建结果,且在算法复杂度上与现有最快重建算法即FCSA相当。     

基于带权核范数最小化和混合高斯模型的去噪模型

非局部自相似性（NSS）先验在图像恢复中发挥重要作用,如何充分利用这一先验提高图像恢复性能仍值得深入研究,提出一种基于带权核范数最小化和混合高斯模型的去噪模型。首先,采用混合高斯模型（GMM）对无噪声的自然图像非局部自相似图像块进行训练,再用训练好的混合高斯模型指导退化的图像产生非局部自相似图像块组;然后,结合带权的核范数最小化技术实现图像的去噪,并对模型的保真项进行一般性扩展,给出收敛的求解算法。仿真实验表明,所提方法与基于3D滤波的块匹配（BM3D）算法、同时稀疏编码学习（LSSC）算法和带权的核范数最小化（WNNM）模型相比,峰值信噪比（PSNR）提高0.11~0.49 dB。     

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。     

基于自适应低秩去噪的磁共振图像重构

本文提出了一种基于自适应低秩去噪的磁共振图像重构算法.该方法使用去噪近似消息传递算法重构磁共振图像,将自适应加权Schatten-p范数最小化方法（Weighted Schatten p-Norm Minimization,WSNM）作为其降噪模型,研究图像的重构性能.根据算法迭代过程中估计的噪声标准差自适应的设定WSNM的图像块大小及相似块个数.实验表明,与近几年提出的磁共振图像重构算法比较,本文提出的算法可以获得更高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和更低的相对${L_2}$范数误差（Relative${L_2}$Norm Error,RLNE）,得到更好的重建效果.     

基于字典学习和非局部相似的超分辨率重建

为提高单帧降质图像的分辨率,提出了一种基于字典学习和非局部相似性的超分辨率重建算法。该算法主要将高分辨率图像减去利用迭代反投影重建结果得到差值图像,再利用K-奇异值分解(K-SVD)算法和联合字典生成的思想形成的字典训练方法,训练差值图像块和低分辨率图像块得到对应的高、低分辨率字典用于超分辨重建。此外,引入非局部相似性的正则项约束以提高重建图像的质量。实验结果表明,所提算法重建得到的图像在主观视觉效果和客观评价上优于基于例子学习的超分辨率算法。     

磁敏感加权成像的后处理算法与临床应用

磁敏感加权成像可以无创地显示颅内静脉结构,对脑肿瘤、血管畸形等疾病具有重要临床意义。该文分析磁敏感加权独特的成像后处理和重建算法的具体步骤,通过仿真图像验证其有效性。该方法对幕上微小静脉结构、肿瘤及血管畸形病灶的显示敏感性优于传统磁共振成像法。     

基于形状自适应PCA的三维块匹配图像去噪

三维块匹配法中3-D变换真实信号的稀疏表达能力较弱,针对该问题,提出一种关于图像去噪的三维块匹配(BM3D)改进算法。采用形状自适应的图像块(邻域)代替BM3D算法中的平方窗图像块,对3-D变换处理的形状自适应图像块进行PCA变换。实验结果证明,该算法能够有效去除图像的高斯噪声,提高图像的峰值性噪比和结构相似度,且在保持图像的边缘等细节信息方面性能较好,图像视觉效果有明显改善。     

Dual-Prior Integrated Image Reconstruction for Quanta Image Sensors Using Multi-Agent Consensus Equilibrium

Quanta image sensors (QIS) are a new type of single-photon imaging device that can oversample the light field to generate binary bit-streams. The reconstruction for QIS refers to the recovery of original scenes from these binary measurements. Conventional reconstruction algorithms for QIS generally depend solely on one instantiated prior and are certainly insufficient for capturing the statistical properties over high-dimensional space. On the other hand, deep learning-based methods have shown promising performance, due to their excellent ability to learn feature representations from relevant databases. However, most deep models only focus on exploring local features while generally overlooking long-range similarity. In view of this, a dual-prior integrated reconstruction algorithm for QIS (DPI-QIS) is proposed, which combines a deep prior with a non-local self-similarity one using the multi-agent consensus equilibrium (MACE) framework. In comparison to the approaches that utilize a single prior, DPI-QIS fits the reconstruction model sufficiently by leveraging the respective merits of both priors. An effective yet flexible MACE framework is employed to integrate the physical forward model allying with the two prior-based models to achieve an overall better result. Extensive experiments demonstrate that the proposed algorithm achieves state-of-the-art performance in terms of objective and visual perception at multiple oversampling factors, while having stronger robustness to noise.