[發明專利]一種面向MR圖像超分辨的聯合字典訓練優化方法

有效

• 申請號: 202110488060.2
• 申請日: 2021-04-30
• 公開（公告）號: CN113327196B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 劉環宇;李君寶;楊一;邵明媚
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T11/00
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

本發明公開了一種面向MR圖像超分辨的聯合字典訓練優化方法，屬于MR圖像重建領域。步驟一：輸入訓練圖像塊對字典大小K，其中，表示空間X的訓練樣本，是空間Y的訓練樣本；步驟二：初始化和n＝0，t＝1；步驟三：循環，對于i＝1,2,....,N執行如下優化公式；且步驟四：更新歸一下的列向量，結束循環；步驟五：根據下面公式更新步驟六：輸出字典對和本方法有效減小了重構的誤差，提升了圖像的重構精度。

技術領域

本發明涉及一種面向MR圖像超分辨的聯合字典訓練優化方法，屬于MR圖像重建領域。

背景技術

字典學習方法被用于許多領域,包括醫學圖像分類、數據分類、人臉識別、診斷磁共振圖像超分辨率、影像再現、聯合稀疏主成分分析、補丁對齊、對象跟蹤、醫學圖像超限分辨光譜學量化、醫學圖像超限分辨。字典學習是構造稀疏表示模型的關鍵問題。在基于字典學習的圖像重建中，稀疏系數和字典是影響重建性能的重要問題。基于稀疏表示的信號表示是用其他不同信號的線性組合來近似一個信號，其中這些信號稱為原子，信號集稱為字典。因此，信號的稀疏編碼受到信號字典的影響。在信號處理領域，如圖像和音頻，優化字典學習是可行的，也是值得關注的。

學習字典的流行方法是基于迭代的最小化問題求解。在稀疏編碼階段，在求解稀疏系數時預先固定字典，在字典更新階段，根據得到的系數生成字典。在稀疏編碼階段，之前的工作中提出了很多字典學習方法。例如，將正交匹配追求(OMP)方法應用于基于MOD的字典學習，將迭代收縮閾值法應用于基于優化方法?(MM)的字典學習。MOD就是用偽逆的表示矩陣生成觀測矩陣，最大后驗概率(MAP)為基礎的字典學習方法應用梯度下降法和字典列的歸一化。

但是，所有的方法都沒有考慮代價函數的不確定參數，即正則化參數。作為字典學習的另一類，使用了基于機器學習的字典學習方法，如K-Singular值分解(K-SVD)。提取邊緣、紋理和結構的特征來生成字典。針對基于SR的圖像超分辨率，提出了一種基于約束的字典訓練方法。將迭代計算方法應用于基于稀疏域的圖像消噪，只訓練單一的高分辨率字典。在之前的工作中，我們在基于字典的稀疏表示中提出了稀疏表示的精確字典表示方法。這些字典學習方法直接從字典更新中直接稀疏編碼，因此這些方法不能快速、充分地提取字典的潛在表達式信息。

磁共振成像(MR)在疾病診斷中有著廣泛的應用。硬件成像受到分辨率的限制，磁的高輻射強度和時間會對人體造成傷害。基于軟件的圖像超分辨技術是解決這一問題的一種有前景的技術，特別是基于稀疏重構的圖像超分辨技術具有良好的性能。字典生成是影響超分辨算法性能的關鍵問題，因為字典生成過程中沒有考慮到可能存在的判別信息。針對這個問題，我們提出了訓練目標函數優化字典學習算法用于MR稀疏超分辨率重建。

發明內容

本發明的目的是提出一種面向MR圖像超分辨的聯合字典訓練優化方法，本方法優化了目標函數，考慮了高低分辨率字典個體重構誤差，摒棄了傳統的級聯計算方法，有效減小了重構的誤差，提升了圖像的重構精度提高，從而解決了字典聯合級聯訓練僅考慮聯合圖像塊對誤差而未考慮高低分辨率字典個體重構誤差的問題。

一種面向MR圖像超分辨的聯合字典訓練優化方法，所述優化方法包括以下步驟：

步驟一：輸入訓練圖像塊對字典大小K，其中，表示空間X的訓練樣本，是空間Y的訓練樣本；

步驟二：初始化和

步驟三：循環，對于i＝1,2,....,N執行如下優化公式；

且

步驟四：更新歸一下的列向量，結束循環；

步驟五：根據下面公式更新

步驟六：輸出字典對和

進一步的，在步驟三中，所述優化公式：