[發(fā)明專利]一種基于分類圖像塊稀疏表示的CS-MRI圖像重構方法

有效

• 申請?zhí)枺?/td>: 201811546463.2
• 申請日: 2018-12-18
• 公開（公告）號: CN109522971B
• 公開（公告）日: 2023-04-28
• 發(fā)明（設計）人: 劉書君;宋健;曹建鑫;周喜川;張奎
• 申請（專利權）人: 重慶大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06T11/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于分類圖像塊稀疏表示的CS?MRI圖像重構方法。屬于數(shù)字圖像處理技術領域。它是一種以聚類后的圖像塊集合為訓練對象獲得正交學習字典后，對圖像塊進行稀疏表示，并對系數(shù)作非凸約束的圖像重構方法。首先對預重構圖像進行圖像塊聚類，然后對每一類圖像塊集合分別訓練正交字典，并采用lsubgt;p/subgt;范數(shù)對圖像塊在對應字典下的稀疏系數(shù)進行非凸約束，并重構出MRI圖像。本發(fā)明針對圖像塊提出正交字典學習與非凸系數(shù)約束的統(tǒng)一模型，并采用交替方向迭代法求解該模型，使字典、系數(shù)、圖像獲得持續(xù)更新，重構出的圖像保留了大量細節(jié)信息，獲得了較高的重構性能，因此可用于醫(yī)學圖像的恢復。

技術領域

本發(fā)明屬于數(shù)字圖像處理技術領域，它特別涉及在變換域對圖像塊進行增強稀疏表示以及非凸約束來對圖像重構的方法，用于醫(yī)學圖像高質(zhì)量恢復。

背景技術

MRI技術可以對病人的各部位進行多角度、多平面成像。由于MRI圖像具有分辨率高的特點，能具體地顯示人體內(nèi)的不同解刨組織的聯(lián)系，對病變組織區(qū)域能更準確地定位，因此MRI技術可有效提高病癥的診斷效率。

由于MRI成像過程中，儀器采集到的是圖像經(jīng)過全局傅里葉變換后的數(shù)據(jù)，即每一個單獨的數(shù)據(jù)都在某種程度上包含了全圖像的信息。利用壓縮感知(CS)理論可以從很少一部分數(shù)據(jù)中恢復全局數(shù)據(jù)的特性，即可將CS理論應用到MRI成像技術中，形成了CS-MRI技術。該技術是利用MRI圖像具有稀疏性和可壓縮性以及其他圖像的先驗條件來進行圖像的恢復和重構，從而縮短采樣所需要的時間。

傳統(tǒng)壓縮感知重構方法利用了整圖在固定變換下的稀疏性，雖然具有低復雜度的優(yōu)勢，但因固定變換難以稀疏表示多樣化的圖像細節(jié)，極大限制了重構性能。為了能自適應的稀疏表示待重構圖像，利用圖像自身信息學習的字典被應用于稀疏表示局部的圖像塊，得到的編碼系數(shù)具有較高的稀疏度，其重構性能相比傳統(tǒng)重構方法獲得了顯著提升。其中如何約束字典中原子間的互相關性是有效提升字典稀疏表示能力的重點。

另外，有效的約束圖像系數(shù)的稀疏性，并精確求解稀疏系數(shù)也影響最終重構圖像質(zhì)量。現(xiàn)有方法大多采用一范數(shù)作為稀疏正則函數(shù)，并采用大量凸優(yōu)化算法求解系數(shù)。但因其稀疏約束力度有限，采用一范數(shù)需要較多的K空間原始數(shù)據(jù)實現(xiàn)高質(zhì)量重構。因此為增強稀疏約束，采用非凸的稀疏正則函數(shù)開始被關注，相比一范數(shù)可獲得重構性能的提高。而有效的精確求解產(chǎn)生的非凸優(yōu)化問題，是實現(xiàn)在低采樣率下重構性能的關鍵。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有CS-MRI圖像重構方法存在的不足，提出一種基于分類圖像塊稀疏表示的CS-MRI圖像重構方法。該方法采用了正交字典學習和非凸范數(shù)約束的統(tǒng)一模型，利用改進的K-means方法將圖像塊聚類，并對每類圖像塊學習正交字典，不僅提高了字典表達能力而且簡化了稀疏編碼；同時對圖像系數(shù)采用非凸范數(shù)約束，增強了稀疏約束力度，提高了最終的重構圖像質(zhì)量。具體包括以下步驟：

(1)輸入一幅MRI圖像的K空間數(shù)據(jù)和采樣模板，對輸入數(shù)據(jù)y采用傳統(tǒng)的FCSA方法對MRI圖像進行預重構，得到初始重構圖像

(2)在預重構圖像中提取圖像塊，采用改進的K-means方法進行聚類，得到K個類的質(zhì)心及m個圖像塊的聚類指示矩陣

(3)以每一類的圖像塊集合為訓練對象，學習相應的正交字典，并采用l_p范數(shù)對圖像塊在對應字典下的稀疏系數(shù)進行非凸約束；

(4)對于(3)中的重構模型，利用交替方向迭代法求解：

其中F_u為欠采樣傅里葉編碼矩陣，表示第k類圖像塊集合，表示相應于第k類圖像塊集合訓練出的正交字典，表示在正交字典D_k下的稀疏系數(shù)矩陣；是的l_p范數(shù)，λ和β為正則化參數(shù)。利用交替方向迭代法對重構模型進行求解：