基于非局部全变差和部分支撑已知的CS-MR图像重建方法

提出一种基于压缩感知(CS)的磁共振(MR)图像重建方法.利用参考图像和目标图像结构的相似性,提取参考图像在小波域中L个大系数的索引集作为目标图像的已知支撑集,约束已知支撑集补集中小波系数的l₁范数.此外,采用非局部全变差(NLTV)作为规整化项构造目标函数,通过快速合成分离算法(FCSA)重建目标图像.仿真结果证明,该方法能有效保留图像的边缘和细节信息,抑制噪声干扰,在相同采样数据量下,重建性能优于经典CS-MRI和其他同类方法.      

基于局部像素嵌入的人脸图像超分辨率重构

利用像素点在邻域空间的线性嵌入关系作为先验约束来重构高分辨率(HR)人脸图像.算法从HR训练样本集中选择与输入人脸最相近的K个样本进行配准,并以配准后的样本作为参考,学习目标图像中像素点的局部嵌入系数.在学习过程中,算法通过自适应调整各参考样本的权重来减小配准误差的影响,并利用总变差最小化约束嵌入系数的平滑度.结合局部像素嵌入关系以及降质模型,算法可以在最大后验估计的框架下实现对目标人脸的超分辨率重构.实验表明,重建的HR图像拥有更加细腻、清晰的局部特征,其平均峰值信噪比和结构相似度分别比对比算法高出1.26dB和0.04.     

基于线性神经网络和多参数的蛋白质相似度算法

提出一种新的蛋白质结构相似度算法,目的在于通过比对蛋白质的结构寻找功能上的相似性.收集约1 000对蛋白质的PDB结构文件,采用RCSB PDB结构比对工具获取每一对蛋白的结构匹配相似度,并计算每一对蛋白质的9个参数的相似度.采用线性神经网络建立总体相似度和9个参数之间的数学模型.计算模型的仿真误差,并选取若干蛋白质对该算法模型进行应用验证.所建立模型仿真误差为8.76%,验证结果与已有工具结果基本相同,但个别有一定差异.该算法可用于比较蛋白质的结构相似度,且比对结果可以对蛋白质功能的相似性进行提示.     

一种基于非线性扩散的图像放大算法

针时传统图像放大处理过程中基于线性插值方法通常导致边缘模糊问题,分析了Tikhonov模型、全变差模型和高阶偏微分模型在图像处理中的优缺点,提出了一种全变差和高阶偏微分模型自适应结合的图像放大模型及推导算法.该模型对图像非平滑区域采用全变差模型处理,而平滑区域则采用高阶偏微分模型处理,最终新插入的图像点象素值由该点邻域象素自适应地各向异性加权得到,在保持图像边缘锐度的同时有效克服了平滑区域的阶梯效应.4种模型的实验比较验证了本文算法的有效性.     

基于快速分裂Bregman迭代的全变差正则化SENSE磁共振图像重建

在并行磁共振成像中，由于敏感度编码(SENSE)重建过程的病态性，当加速因子增大时，其重建图像的信噪比将会明显降低.通过深入分析全变差(TV)正则化的SENSE重建模型，引入一种高效快速的分裂Bregman迭代算法来得到优化解，进而有效改善图像重建效果.分别对磁共振的体模数据和大脑数据进行仿真实验研究.结果表明，与传统TV正则化SENSE重建相比，此算法不但迭代次数少、收敛速度快，而且能够有效消除混叠伪影，提高图像信噪比并减小归一化均方误差.     

基于快速分裂Bregman迭代的全变差正则化SENSE磁共振图像重建

在并行磁共振成像中,由于敏感度编码(SENSE)重建过程的病态性,当加速因子增大时,其重建图像的信噪比将会明显降低.通过深入分析全变差(TV)正则化的SENSE重建模型,引入一种高效快速的分裂Bregman迭代算法来得到优化解,进而有效改善图像重建效果.分别对磁共振的体模数据和大脑数据进行仿真实验研究.结果表明,与传统TV正则化SENSE重建相比,此算法不但迭代次数少、收敛速度快,而且能够有效消除混叠伪影,提高图像信噪比并减小归一化均方误差.     

一种基于最大后验概率与图像局部统计量的磁共振图像去噪模型

提出一种基于最大后验概率与图像局部统计量的磁共振图像去噪模型. 该模型针对射频场所引起的磁共振图像灰度值不均匀问题, 将在Rician噪声模型下的最大后验估计与全变差正则化模型相结合, 在模型中引入了瞬时变化系数. 根据Euler-Lagrange方程, 给出了模型的解及方程解的离散形式. 数值实验验证了所提算法的有效性.     

基于Tikhonov和变差正则化的磁感应断层成像重建算法

为了解决磁感应断层成像(MIT)逆问题的病态性和改善重建图像的质量,提出一种新的组合算法.该组合算法首先利用Tikhonov正则化算法对解的适定性产生初步的成像区域,之后再利用变差正则化算法对解的保边缘性和锐化作用进行图像重建.该组合算法与Tikhonov正则化算法及变差正则化算法相比,不仅有效地克服了磁感应断层成像(...     

基于图像加权的多能光子计数X线CT全能谱图像重建改进方法

为了提高基于图像加权的多能光子计数X线CT全能谱重建图像的质量,提出了一种图像重建改进方法.首先,对每个能量段的投影数据采用最大后验概率(MAP)统计重建算法进行图像重建;然后,对各能量段图像进行优化加权求和,获得全能谱图像.仿真实验结果表明,MAP统计重建算法可显著提高全能谱重建图像的对比噪声比(CNR).与滤波反投影算法相比,当能量段数分别为2,4,6,9时,MAP统计重建算法使得钙图像的CNR分别提高659.7%,643.4%,621.2%,586.1%,碘图像的CNR分别提高663.8%,648.6%,635.1%,600.9%,软组织图像的CNR分别提高596.2%,638.5%,592.6%,596.3%;与能量积分法相比,当能量段数分别为2,4,6,9时,M AP统计重建算法使得钙图像的CNR分别提高43.3%,49.1%,49.3%,44.5%,碘图像的CNR分别提高43.2%,45.7%,45.7%,40.2%,软组织图像的CNR分别提高21.5%,28.9%,25.5%,26.2%.     

基于截断完全最小二乘法的生物发光断层成像

提出了一种基于截断完全最小二乘法(TTLS)的生物发光断层成像(BLT)重建算法,并在扩展广义交叉验证(GCV)的基础上,设计了一种用于确定最佳截断水平的混合广义交叉验证方案(HGCV).与现有的只考虑测量噪声的重建算法不同,这种TTLS结合HGCV的重建算法可将模型离散、解剖结构获取以及光学参数测定中的误差与表面测量误差同时处理,仿真及物理仿体实验验证了该算法的有效性和鲁棒性.     

基于L1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法.采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度.     

基于小波变换的图像边界问题的研究

首先简要地介绍了一维信号对称边界延拓方式及二维信号双正交小波分解重构算法，然后在一维信号边界延拓方式的基础上，研究了在小波变换过程中，当高、低通滤波器长度为奇数且关于0对称时，数字图像能够精确重构的边界延拓问题。给出了数字图像的小波变换及边界延拓的步骤。最后，通过仿真实例验证了该对称边界延拓方式能够保证数字图像在小波变换中精确重构。     

基于双字典自适应学习算法的低采样率CT重建

在医疗诊断中,稀疏采样能减少CT扫描过程中辐射对患者的伤害.但直接对稀疏采样后的投影数据进行重建,会使CT重建后的图像出现失真、伪影等问题.为保证低采样率下重建图像的质量,提出了双字典自适应学习算法,参照Sparse-Land模型的双字典学习框架,将K-SVD算法与双字典学习算法框架相结合得到补全投影数据,利用FBP算法进行重建得到高质量的重建图像.实验结果表明,在低采样率下使用所提方法进行CT重建的图像质量优于COMP双字典学习算法和MOD双字典学习算法,并且此方法有效提高了CT图像重建在低采样率时的性能.     

电磁层析成像技术图像重建的仿真研究

电磁层析成像（EMT）技术的逆问题至今没有完全解决，在简单图像重建的基础上改进了EMT的反投影算法，应用了可以解第一类Fredholm积分方程病态问题的Landweber迭代法，通过重建结果的比较，Landweber迭代法是目前重建精度较高的EMT重建算法。     

MART算法快速高质量图像重建研究

ART(Algebraic Reconstruction Technique)算法是一种典型的迭代图像重建算法,适合于不完全投影数据图像重建。为了提高乘型ART(Multiplicative ART, MART)算法的重建质量,提出了一种基于亚像素的图像重建方法。首先将原始图像中的每个像素等分解为四个亚像素,然后提出一种高效的射线与像素的求交算法来计算权因子和亚像素索引,利用MART算法重建得到高分辨率重建图像,最后通过合并亚像素图像得到原始分辨率的高质量重建图像。实验结果表明文中提出的方法非常有效,与传统方法相比取得了3倍以上的重建加速比,图像重建质量显著提高。     

基于自适应小波基和Smoothed-l0的压缩感知图像重构算法

使用压缩感知进行图像重构的意义在于能显著减少采样次数,节约系统资源。从提高图像重构质量和算法执行速度角度出发,在已有的算法基础上加以改进,提出了基于自适应小波基和Smoothed-l0的图像重构算法(AWSL0),即根据测量矩阵行向量的个数,自适应地选择合适的小波基进行图像稀疏化,并使用Smoothed-l0算法进行图像重构。仿真结果表明,该算法在图像重构质量上和执行速度上都比原算法有较大的提升,且在鲁棒性上也有明显的改善。     

基于学习的人脸图像超分辨率重构算法

提出了一种新的基于学习的人脸图像超分辨率重构算法,利用高分辨率图像和低分辨率图像的拓扑结构相似性,将现有的低分辨率人脸图像在低分辨率人脸图像字典中展开,在保持系数不变的同时将字典换为高分辨率人脸图像字典,最终得到待重构的高分辨率人脸图像.在系数估计时,使用主成分分析的方法,同时加入了最小全变分作为约束,算法充分利用了不同人脸图像之间的相似性和人脸图像本身的内部相关性.实验结果表明,结果既保持了对原有图像的忠实性,又比较适合人眼观察.