CN110942495A - 一种基于分析字典学习的cs-mri图像重构方法 - Google Patents
一种基于分析字典学习的cs-mri图像重构方法 Download PDFInfo
- Publication number
- CN110942495A CN110942495A CN201911276763.8A CN201911276763A CN110942495A CN 110942495 A CN110942495 A CN 110942495A CN 201911276763 A CN201911276763 A CN 201911276763A CN 110942495 A CN110942495 A CN 110942495A
- Authority
- CN
- China
- Prior art keywords
- image
- analysis dictionary
- reconstruction
- matrix
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 18
- 210000004556 brain Anatomy 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000011541 reaction mixture Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于分析字典学习的CS‑MRI图像重构方法,属于数字图像处理技术领域。它是一种利用分析字典学习提高对图像稀疏表示能力的方法,以解决传统固定变换自适应性不足的问题,且不会增加稀疏编码的复杂度。首先建立基于紧框架约束下过完备分析字典学习模型,再以图像块系数为对象建立MRI的重构模型,最后采用交替方向乘子法求解模型。本发明采用交替方向乘子法求解模型时,使分析字典、稀疏系数、重构图像获得持续更新,重构出的图像保留了大量细节信息,获得了较高的重构性能,因此可用于医学图像的恢复以解决传统固定变换自适应性差的问题。
Description
技术领域
本发明属于数字图像处理技术领域,它特别涉及利用分析字典学习实现CS-MRI图像重构,并提升图像的重构质量。
背景技术
压缩感知(CS)作为一种新兴的采样理论与传统的奈奎斯特采样定理相比,可以从更少的随机测量中精确重构出稀疏信号。由于磁共振成像(MRI)需要较长的扫描时间来获取图像频谱即K空间数据,不仅增加了患者不适的风险,而且运动伪影现象可能会出现在生成的图像中。因此,为缩短扫描时间,将CS理论应用于MRI中可利用随机欠采样的K空间数据重建图像,从而加快成像速度。
传统的CS-MRI重构方法利用了整图在固定变换下系数的稀疏性,并采用l1范数作为稀疏正则项,虽然可以恢复出特定的图像纹理结构,但由于固定变换难以适应于多样化的图像特征,因此极大限制了MRI图像重构的性能。为克服该缺陷,基于图像块的学习字典稀疏表示被用于CS-MRI重构中。在重构过程中,从目标重构图像中的图像块训练得到的学习字典能够自适应的稀疏表示重构图像中的特征结构,实现较低的稀疏表示误差,因此提高了MRI图像重构的性能。尽管学习字典相比固定变换更具有自适应性,但也会导致字典训练过程和相应的稀疏编码的复杂度较高,字典原子间存在较大相关性等缺点。
发明内容
本发明的目的在于利用学习字典对图像的自适应性,提出一种基于分析字典学习的CS-MRI图像重构方法。该方法可以提高字典对图像的表达能力,且不会增加稀疏编码复杂度;本发明首先建立基于分析字典学习的图像重构模型,然后采用交替方向乘子法有效地求解该模型。具体包括以下步骤:
(1)建立基于紧框架约束下过完备分析字典的学习模型:
其中是待训练的过完备分析字典,是傅里叶编码矩阵,是欠采样矩阵,是傅里叶变换矩阵,代表复数空间,K是分析字典的基底数,n是图像块包含的像素点个数,M是编码后的频点数,N是整张图像包含的像素点个数,x为待重构的图像,表示图像块提取矩阵,λ是正则化参数,表示向量的二范数的平方,||·||1表示向量的一范数,ΨH是Ψ的共轭转置,I是单位阵;
(2)引入图像块系数αi=ΨRix,建立关于图像块系数αi的图像重构模型
对上述重构模型采用交替方向乘子法进行求解,先建立重构模型对应的增广拉格朗日函数
(2e)更新惩罚参数μ(t+1)如下:
μ(t+1)=ρμ(t)
其中,ρ>1是μ的增大因子。
(2f)重复步骤(2a)~(2e),直到得到的估计图像满足条件或迭代次数达到预设上限。
本发明的创新点是为了利用学习字典自适应稀疏表示优势,建立了一个基于过完备分析字典学习的CS-MRI重构模型。该模型可以针对不同的目标重构图像训练出合适的分析字典,并且采用紧框架约束有效抑制了学习分析字典中基底间的相关性。这样既提高了稀疏表示的精度和图像系数的稀疏性,同时给重构图像的质量带了极大的改善。最后,针对提出的重构模型,采用了交替方向乘子法进行有效求解。
本发明的有益效果:从图像块中学***凡解且抑制了字典中基底间相关性;采用交替方向乘子法对重构模型进行求解,实现分析字典、稀疏系数、重构图像的持续快速更新。因此最终输出的重构图像保留了较多纹理结构,较好的去除平滑区伪影,具有较高的重构性能。
本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在MATLAB8.0上验证正确。
附图说明
图1是本发明的流程图;
图2是本发明仿真中使用的人体大脑MRI原图;
图3是采用不同方法对采样率为30%的人体大脑MRI图像的重构结果;
图4是对应于不同方法对采样率为30%的人体大脑MRI图像的重构结果的误差。
具体实施方式
参照图1,本发明是一种基于分析字典学习的CS-MRI图像重构方法,具体步骤如下:
步骤1,建立基于分析字典学习的CS-MRI图像重构模型。
(1a)建立基于紧框架约束下过完备分析字典的学习模型:
式(1)中,是待训练的过完备分析字典,是傅里叶编码矩阵,是欠采样矩阵,是傅里叶变换矩阵,代表复数空间,K是分析字典的基底数,n是图像块像素点个数,M是编码后的频点数,N是整张图像包含的像素点个数,x是待重构图像,是图像块提取矩阵,λ是正则化参数,表示向量的二范数的平方,||·||1表示向量的一范数,ΨH是Ψ的共轭转置,I是单位阵。
(1b)引入图像块系数αi=ΨRix,建立关于图像块系数αi的图像重构模型:
步骤2,采用交替方向乘子法求解式(2)中重构模型。
(2a)建立式(2)中重构模型的增广拉格朗日函数:
可以采用奇异值分解法求解式(4),为简化表达,在以下求解步骤中将式(4)中迭代上标省略:
(2b1)该子问题为含有等式约束条件的优化问题,其拉格朗日函数为
将式(7)代入式(6)并增加约束条件Ω=ΩH,化简可得以下条件:
(2b2)计算式(8)中第一个等式右边矩阵的奇异值分解,可以得到:
ΨHPΔVH=VΔPHΨ 式(10)
当ΨHP=V或ΨHP=0时式(10)成立。再将该奇异值分解结果代入式(8)中第一个等式,可以得到:
ΨΨHP=P 式(11)
由于P为非零矩阵,因此ΨHP=0不成立,即只有ΨHP=V能使式(10)和(11)同时成立,将其代入式(11)得到的Ψ闭合解形式如下:
Ψ=PVH 式(12)
由于P和V为酉矩阵,因此ΨHΨ=VPHPVH=I,即式(8)中三个条件都得到满足。
可采用软阈值法对式(13)中的子问题求解,为简化表达,在以下求解步骤中将式(13)中迭代上标省略:
(2c1)该子问题为无约束凸优化问题,其一阶优化条件为
其中,[-1,1]表示当(αi)k=0,该次微分的第k维元素可取-1到1之间任意数;
其中,max(·,·)是最大值函数。
式(17)是一个最小二乘问题,为简化表达,在以下求解步骤中将式(17)中迭代上标省略:
(2d1)该子问题最优解可通过求解以下正规方程获得:
式(19)中,FH是F的共轭转置,UH是U的共轭转置,c>0为重叠因子。
(2e)更新拉格朗日乘子和惩罚参数:
式(20)中,ρ>1是μ的增大因子。
步骤3,重复(2b)~(2e)的过程,直到得到的估计图像满足条件或迭代次数达到预设上限。
本发明的效果可以通过以下仿真实验进一步说明:
一、实验条件和内容
实验条件:实验使用随机采样矩阵;实验图像采用真实的人体大脑MRI图像如图2所示;实验结果评价指标采用峰值信噪比(PSNR),其定义为:
实验内容:在上述条件下,采用在MRI重构领域目前处于领先水平的RecPF方法、DLMRI方法、PBDW方法与本发明方法进行对比。
实验1:用本发明方法与RecPF方法、DLMRI方法和PBDW方法分别对图2所示的MRI图像在相同条件下进行重构。其中RecPF方法将小波和全变分正则项相结合并采用算子分离算法求解模型,其重构结果如图3(a),重构误差如图4(a);DLMRI方法则是一个典型的综合字典学习方法,使用K-SVD方法对图像块学习一个冗余的综合字典,其重构结果为图3(b),重构误差为图4(b);PBDW方法则是对图像块训练方向小波和采用小波系数l1范数最小化的方法,其重构结果为图3(c),重构误差为图4(c);实验中对所有方法设置图像块大小n=8×8,保真项正则化参数为λ=106,对RecPF中全变分正则化参数设置为10-2,对PBDW和本方法的重叠因子设置为c=64,对DLMRI方法和本方法设置字典原子或基底数量为K=128,对本发明方法设置的其他参数为μ(0)=128,ρ=1.2,本方法最终重构结果如图3(d),重构误差如图4(d)。
图3中小方块中图像为选择的被放大区域,大方块中为其放大图像。从图3的重构结果及局部放大图可以看出,RecPF方法的重构结果存在较为严重的伪影现象;DLMRI方法在放大区域纹理结构模糊不清,细节信息损失较为严重;PBDW方法在放大区域出现明显的块状伪影;而从本方法的重构结果可以看出,其细节信息对比度和整体重构效果都优于其他重构方法。从图4的重构误差结果可以得到同样的结论,本方法的重构误差要明显小于RecPF方法、DLMRI方法和PBDW方法,所以本方法的重构效果最好。
表1不同重构方法的PSNR指标
图像 | RecPF方法 | DLMRI方法 | PBDW方法 | 本发明方法 |
人脑图 | 27.43 | 31.58 | 31.67 | 33.27 |
表1给出了各方法重构结果的PSNR指标情况,由表可见本发明方法的PSNR值比其他方法均有较大提高,说明本发明方法的重构性能最高,此结果与重构效果图相吻合。
表2不同重构方法的SSIM指标
图像 | RecPF方法 | DLMRI方法 | PBDW方法 | 本发明方法 |
人脑图 | 0.5559 | 0.6972 | 0.8507 | 0.8574 |
表2给出了各方法重构结果的SSIM情况,可见本发明方法对应的SSIM值最高,说明图像信息保护完整,此结果与重构效果图相吻合。
上述实验表明,本发明所获得的重构图像不仅细节信息完整,而且视觉效果及客观评价指标都较好,由此可见本发明对医学图像重构是有效的。
Claims (4)
1.一种基于分析字典学习的CS-MRI图像重构方法,包括以下步骤:
(1)建立基于紧框架约束下过完备分析字典的学习模型
其中是待训练的过完备分析字典,是傅里叶编码矩阵,是欠采样矩阵,是傅里叶变换矩阵,代表复数空间,K是分析字典的基底数,n是图像块包含的像素点个数,M是编码后的频点数,N是整张图像包含的像素点个数,x为待重构的图像,表示图像块提取矩阵,λ是正则化参数,表示向量的二范数的平方,||·||1表示向量的一范数,ΨH是Ψ的共轭转置,I是单位阵;
(2)引入图像块系数αi=ΨRix,建立关于图像块系数αi的图像重构模型:
对上述重构模型采用交替方向乘子法进行求解,先建立重构模型对应的增广拉格朗日函数
(2e)更新惩罚参数μ(t+1)如下
μ(t+1)=ρμ(t)
其中,ρ>1是μ的增大因子;
(2f)重复步骤(2a)~(2e),直到得到的估计图像满足条件或迭代次数达到预设上限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911276763.8A CN110942495A (zh) | 2019-12-12 | 2019-12-12 | 一种基于分析字典学习的cs-mri图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911276763.8A CN110942495A (zh) | 2019-12-12 | 2019-12-12 | 一种基于分析字典学习的cs-mri图像重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110942495A true CN110942495A (zh) | 2020-03-31 |
Family
ID=69910190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911276763.8A Pending CN110942495A (zh) | 2019-12-12 | 2019-12-12 | 一种基于分析字典学习的cs-mri图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942495A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112768069A (zh) * | 2021-01-07 | 2021-05-07 | 金陵科技学院 | 基于ad-svm的智能养老机器人***设计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934398A (zh) * | 2017-03-09 | 2017-07-07 | 西安电子科技大学 | 基于超像素聚类和稀疏表示的图像去噪方法 |
CN106972862A (zh) * | 2017-03-21 | 2017-07-21 | 南开大学 | 基于截断核范数最小化的组稀疏压缩感知图像重构方法 |
CN107169934A (zh) * | 2017-05-10 | 2017-09-15 | 河海大学 | 一种基于不同冗余字典的图像修补方法 |
US20170272639A1 (en) * | 2016-03-16 | 2017-09-21 | Ramot At Tel-Aviv University Ltd. | Reconstruction of high-quality images from a binary sensor array |
US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
CN107993205A (zh) * | 2017-11-28 | 2018-05-04 | 重庆大学 | 一种基于学习字典与非凸范数最小化约束的mri图像重构方法 |
US20190073748A1 (en) * | 2016-03-15 | 2019-03-07 | Lin Lu | Method and Apparatus to Perform Local De-noising of a Scanning Imager Image |
CN109522971A (zh) * | 2018-12-18 | 2019-03-26 | 重庆大学 | 一种基于分类图像块稀疏表示的cs-mri图像重构方法 |
CN109712069A (zh) * | 2018-11-08 | 2019-05-03 | 宁波大学 | 一种基于cca空间的人脸图像多层重构方法 |
CN110503614A (zh) * | 2019-08-20 | 2019-11-26 | 东北大学 | 一种基于稀疏字典学习的磁共振图像去噪方法 |
-
2019
- 2019-12-12 CN CN201911276763.8A patent/CN110942495A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190073748A1 (en) * | 2016-03-15 | 2019-03-07 | Lin Lu | Method and Apparatus to Perform Local De-noising of a Scanning Imager Image |
US20170272639A1 (en) * | 2016-03-16 | 2017-09-21 | Ramot At Tel-Aviv University Ltd. | Reconstruction of high-quality images from a binary sensor array |
US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
CN106934398A (zh) * | 2017-03-09 | 2017-07-07 | 西安电子科技大学 | 基于超像素聚类和稀疏表示的图像去噪方法 |
CN106972862A (zh) * | 2017-03-21 | 2017-07-21 | 南开大学 | 基于截断核范数最小化的组稀疏压缩感知图像重构方法 |
CN107169934A (zh) * | 2017-05-10 | 2017-09-15 | 河海大学 | 一种基于不同冗余字典的图像修补方法 |
CN107993205A (zh) * | 2017-11-28 | 2018-05-04 | 重庆大学 | 一种基于学习字典与非凸范数最小化约束的mri图像重构方法 |
CN109712069A (zh) * | 2018-11-08 | 2019-05-03 | 宁波大学 | 一种基于cca空间的人脸图像多层重构方法 |
CN109522971A (zh) * | 2018-12-18 | 2019-03-26 | 重庆大学 | 一种基于分类图像块稀疏表示的cs-mri图像重构方法 |
CN110503614A (zh) * | 2019-08-20 | 2019-11-26 | 东北大学 | 一种基于稀疏字典学习的磁共振图像去噪方法 |
Non-Patent Citations (3)
Title |
---|
WEISHENG DONG ET AL: "Simultaneous Sparse Coding:Where Structured Sparsity Meets Gaussian Scale", 《INTERNATIONAL JOURNAL COMPUTER VISION》 * |
刘书君 等: "基于群稀疏系数估计的图像重构算法", 《仪器仪表学报》 * |
鲁亚琪: "基于稀疏表示的图像重建与去噪方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112768069A (zh) * | 2021-01-07 | 2021-05-07 | 金陵科技学院 | 基于ad-svm的智能养老机器人***设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
Sandić-Stanković et al. | DIBR synthesized image quality assessment based on morphological wavelets | |
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
CN105046672B (zh) | 一种图像超分辨率重建方法 | |
CN110443768B (zh) | 基于多重一致性约束的单帧图像超分辨率重建方法 | |
CN106952317B (zh) | 基于结构稀疏的高光谱图像重建方法 | |
CN107274462B (zh) | 基于熵和几何方向的分类多字典学习磁共振图像重建方法 | |
CN104574336B (zh) | 基于自适应亚模字典选择的超分辨率图像重建*** | |
CN111080567A (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及*** | |
CN105118078B (zh) | 欠采样的ct图像重建方法 | |
CN111047661B (zh) | 一种基于稀疏流形联合约束的cs-mri图像重构方法 | |
CN105957029B (zh) | 基于张量字典学习的磁共振图像重建方法 | |
CN107301630B (zh) | 一种基于排序结构组非凸约束的cs-mri图像重构方法 | |
CN108765280A (zh) | 一种高光谱图像空间分辨率增强方法 | |
CN111598786B (zh) | 一种基于深度去噪自编码网络的高光谱图像解混方法 | |
CN103093433A (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN112581378B (zh) | 基于显著性强度和梯度先验的图像盲去模糊方法和装置 | |
CN111754598B (zh) | 基于变换学习的局部空间邻域并行磁共振成像重构方法 | |
Cao et al. | CS-MRI reconstruction based on analysis dictionary learning and manifold structure regularization | |
CN109934884B (zh) | 一种基于变换学习和联合稀疏性的迭代自一致性并行成像重构方法 | |
CN106296583B (zh) | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 | |
CN106254720A (zh) | 一种基于联合正则化的视频超分辨率重建方法 | |
CN109920017B (zh) | 基于特征向量的自一致性的联合全变分Lp伪范数的并行磁共振成像重构方法 | |
CN115239573A (zh) | 一种基于系数张量核范数最小化的彩色图像复原方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220323 Address after: 401120 Fortune Garden, No. 7 Fortune Avenue, Yubei District, Chongqing Applicant after: HUANGHU SCIENCE AND TECHNOLOGY CO.,LTD. Address before: 400030 No. 174 Sha Jie street, Shapingba District, Chongqing Applicant before: Chongqing University |
|
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220715 |