基于原始对偶字典学习的磁共振复数图像去噪
基于自适应对偶字典的磁共振图像的超分辨率重建
基于自适应对偶字典的磁共振图像的超分辨率重建佚名【期刊名称】《光电技术应用》【年(卷),期】2013(000)004【摘要】为了提高磁共振成像的图像质量，提出了一种基于自适应对偶字典的超分辨率去噪重建方法，在超分辨率重建过程中引入去噪功能，使得改善图像分辨率的同时能够有效地滤除图像中的噪声，实现了超分辨率重建和去噪技术的有机结合。
该方法利用聚类—PCA算法提取图像的主要特征来构造主特征字典，采用训练方法设计出表达图像细节信息的自学习字典，两者结合构成的自适应对偶字典具有良好的稀疏度和自适应性。
实验表明，与其他超分辨率算法相比，该方法超分辨率重建效果显著，峰值信噪比和平均结构相似度均有所提高。
%In order to enhance images quality of magnetic resonance imaging (MRI), a super-resolutionde⁃noising reconstruction method is proposed based on adaptive dual dictionary. In the method, denoising function is used in super-resolution reconstruction process so that the noise in images is filtered effectively as the improve⁃ment of image resolution. And the integration of super-resolution reconstruction and denoising technology is im⁃plemented. Clustering-PCA algorithm is used in the method to extract main features of images to construct main-feature dictionary. Training method is used to design self-learning dictionary expressing detailed informa⁃tion of images. Adaptive dual dictionary constructed by combination of the two dictionaries has good sparseness and adaptability. Experimental resultsshow that super-resolution reconstruction effect is remarkable in the meth⁃od comparing with other super-resolution algorithms. Peak signal to noise ratio (PSNR) and mean structure simi⁃larity (MSSIM) are all improved.【总页数】6页(P55-60)【正文语种】中文【中图分类】R445.2【相关文献】1.基于K-SVD的自适应选择字典的超分辨率重建算法 [J], 薛冰;王春兴2.自适应正则化超分辨率磁共振图像重建 [J], 彭洁;徐启飞;冯衍秋;吕庆文;陈武凡3.基于K-SVD字典学习的核磁共振图像重建方法 [J], 刘平;刘晓曼;朱永贵4.基于自适应半耦合字典学习的超分辨率图像重建 [J], 黄陶冶; 孙恬恬; 周正华; 赵建伟5.基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建 [J], 夏皓;蔡念;王平;王晗因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的图像去噪与复原算法研究
基于深度学习的图像去噪与复原算法研究第一章研究背景与意义近年来，随着数字图像处理领域的快速发展，图像质量的提升成为人们关注的焦点之一。
然而，在日常生活中，我们常常会遇到各种各样的图像噪声，如摄像头拍摄时产生的高斯噪声、手机拍照时的运动模糊等。
这些噪声严重影响图像的质量，给视觉感知和后续处理带来很大的困扰。
因此，图像去噪和复原算法的研究变得至关重要。
深度学习作为一种新兴的机器学习方法，已经在图像处理领域取得了显著的成果。
其强大的特征提取和数据建模能力，使得深度学习在图像去噪和复原任务上展现出了惊人的潜力。
本文将重点研究基于深度学习的图像去噪与复原算法，旨在提高图像质量，为后续的图像处理任务打下坚实的基础。
第二章相关工作综述在图像去噪和复原领域，传统的方法主要基于数学模型和统计学原理。
例如，基于小波变换的去噪算法在过去的几十年中被广泛研究和应用。
然而，传统方法往往需要手工设计特征和人工选择模型，导致其性能在实际问题中受限。
与传统方法相比，深度学习方法通过大规模数据集的学习，自动学习图像特征和模型参数，从而减少了人工干预的需求，并在一定程度上提高了图像去噪和复原任务的性能。
目前，基于深度学习的图像去噪和复原算法已经取得了很多令人瞩目的成果，例如自编码器、卷积神经网络等。
第三章基于深度学习的图像去噪算法在图像去噪算法中，自编码器是一种常用的深度学习模型。
自编码器通过将输入图像编码成低维特征向量，再将特征向量解码成图像重建，从而实现图像去噪的目的。
同时，为了提高自编码器的去噪性能，可以采用不同的结构和损失函数进行训练。
另一种基于深度学习的图像去噪算法是卷积神经网络（CNN）。
CNN在图像处理领域具有很强的表达能力和灵活性，能够捕捉到图像中的局部特征和全局结构。
基于CNN的图像去噪算法可以通过多层卷积和池化操作，用于从输入图像中提取有用的特征，并利用反卷积操作进行图像重建。
第四章基于深度学习的图像复原算法除了图像去噪，图像复原也是深度学习的重要应用之一。
基于自适应对偶字典的磁共振图像的超分辨率重建
Ｌ Ｉ Ｕ Ｚ ｈ ｅ ｎ － ｑ ｉ ， Ｂ Ａ ０ Ｌ ｉ － ｊ ｕ ｎ ， Ｃ ＨＥ Ｎ Ｚ ｈ ｏ ｎ ｇ
ｒ Ｄｅ ｐ ａ ｒ ｔ ｍ ｅ ｎ ｔ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｘ ｉ ａ ｍｅ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｘｉ ａ ｍｅ ｎ ３ ６ １ ０ ０ ５ ， Ｃ ｈ ｉ ｎ ａ ）
刘振 圻 ， 包立君 ， 陈 忠
（ 厦 门大学电子科 学系， 福建 厦门 ３ ６ １ ０ ０ ５ ）
摘 要： 为了提高磁共振成像的图像 质量 ， 提 出了一种基于 自适应对偶字典的超分辨率 去噪重建方法 ， 在超分辨率重建过程 中引入去噪功能 ， 使 得改善图像 分辨率的同时能够有效地滤除 图像 中的噪声 ， 实现 了超分辨率重建和去噪技术 的有机结合 。该 方法利用聚类一Ｐ ｃ Ａ算 法提取图像的主要特征来构造主特征字典 ， 采用 训练方法设计 出表达图像 细节信 息的 自学 习字 典 ， 两者 结合构成的 自适应对偶字典具有 良好 的稀疏度和 自适应性 。实验表 明， 与其他超分辨率算法相 比， 该方法超分辨率重建效果显 著， 峰值信噪 比和平均结构相似度均有所提高。
第２ ８ 卷第 ４ 期
２ ０ １ ３ 年８ 月
பைடு நூலகம்光 电技术 应 用
ＥＬ ＥＣＴ ＲＯ一 ０Ｐ Ｔ Ｉ Ｃ Ｔ ＥＣＨＮＯＬＯＧＹ ＡＰ Ｐ ＬＩ ＣＡＴ１ ０Ｎ
Ｖ Ｏ１ ． ２８． ＮＯ． ４
Ａｕ ｇ ｕ ｓ ｔ ， ２ ０１ ３
・
信号 与信息处理 ・
基 于 自适应对偶 字典的磁共振 图像 的超 分辨率重建
基于深度学习的图像去噪与复原算法研究
基于深度学习的图像去噪与复原算法研究摘要：深度学习在图像处理领域中的应用日益广泛。
图像去噪和复原是图像处理领域的重要研究方向之一。
本文针对深度学习在图像去噪与复原任务中的应用，介绍了相关算法的研究现状和发展趋势，并对基于深度学习的图像去噪与复原算法进行了深入的研究与探讨。
一、引言图像噪声是指在图像获取、传输和处理过程中引入的不可避免的干扰，会影响图像的质量和视觉效果。
因此，图像去噪和复原一直是图像处理领域的重要问题。
传统图像去噪和复原方法常常依赖于手工设计的特征和模型，其性能受限于人工选择的特征和模型，很难取得更好的效果。
随着深度学习的兴起，基于深度学习的图像去噪与复原算法逐渐成为研究的热点。
二、深度学习在图像去噪与复原中的应用深度学习算法的出现，为图像去噪和复原任务带来了新的思路和方法。
深度学习模型具有强大的表达能力和自适应性，并能从大量数据中学习到图像的特征。
在图像去噪任务中，常用的深度学习方法包括深度卷积神经网络（DCNN）、自编码器（Autoencoder）和生成对抗网络（GAN）等。
这些方法具有较强的去噪和复原能力，并在多个图像处理任务中取得了优秀的成果。
三、基于深度学习的图像去噪算法研究基于深度学习的图像去噪算法主要分为单幅图像去噪和多幅图像去噪两大类。
单幅图像去噪是指通过训练深度神经网络，将带噪图像映射为去噪图像。
这类方法的核心思想是通过学习大量的带噪图像和对应的去噪图像样本，训练出能够准确重构图像的模型。
多幅图像去噪将多张带噪图像作为输入，通过建立他们之间的关联，利用他们之间的互补性信息进行图像去噪。
这类方法通常采用编码-解码框架，其中编码过程可以对输入图像进行特征提取，解码过程则是重建图像。
这些算法能够充分利用多幅图像之间的相关性，有效提高去噪结果的质量。
四、基于深度学习的图像复原算法研究图像复原是指通过深度学习方法对模糊、失真等问题造成的图像损坏进行修复的过程。
基于深度学习的图像复原方法有图像超分辨率重建、图像去雾、图像变色等。
基于人工智能的图像去噪与图像增强算法研究
基于人工智能的图像去噪与图像增强算法研究图像去噪与图像增强是计算机视觉领域中重要的研究方向之一。
近年来，随着人工智能技术的快速发展，基于人工智能的图像去噪与图像增强算法已经取得了一系列令人瞩目的成果。
本文将对基于人工智能的图像去噪与图像增强算法进行研究，探讨其原理、方法和应用。
一、图像去噪算法研究在实际应用中，图像中常常受到各种噪声的影响，如高斯噪声、椒盐噪声等。
图像去噪的目标是通过算法将图像中的噪声去除，使得图像更加清晰和可识别。
1. 基于深度学习的图像去噪算法深度学习是人工智能领域的热门技术之一，其强大的特征提取和学习能力使得其在图像去噪领域取得了突破性的进展。
深度学习图像去噪算法可以学习到图像中的潜在噪声分布，并通过神经网络实现去噪的过程。
2. 基于小波变换的图像去噪算法小波变换是一种时间-频率分析方法，在图像处理领域具有很大的应用潜力。
基于小波变换的图像去噪算法通过将图像转换到小波域中，并对小波系数进行滤波处理，实现去除图像中的噪声。
3. 基于稀疏表示的图像去噪算法稀疏表示是一种数学工具，广泛应用于图像信号处理领域。
基于稀疏表示的图像去噪算法通过对图像进行稀疏表示，利用一个稀疏的表示矩阵来恢复原始图像。
二、图像增强算法研究图像增强是指通过一系列的算法和技术手段，对图像进行处理，改善图像的质量和视觉效果，使其更加清晰、具有更多细节和更好的对比度。
1. 基于深度学习的图像增强算法深度学习在图像增强领域也发挥着重要的作用。
基于深度学习的图像增强算法往往采用卷积神经网络结构，通过学习图像的特征，并通过非线性映射函数实现图像的增强。
2. 基于直方图均衡的图像增强算法直方图均衡是一种经典的图像增强算法，通过调整图像的灰度分布，使得图像的对比度更加均衡。
该算法简单高效，适用于多种图像增强场景。
3. 基于边缘增强的图像增强算法边缘是图像中的重要特征之一，基于边缘的图像增强算法旨在提高图像的边缘信息，使得图像在各种分析任务中能够更好地展现和突出边缘特征。
基于字典学习的图像去噪研究
基于字典学习的图像去噪研究作者：程春燕来源：《电脑知识与技术》2018年第02期摘要：为了克服传统方法去噪会损失部分有用信息的缺点，该文采用稀疏编码和字典训练两个关键技术，准确又高效地区分开图像的有用信号和噪声信号，更好地实现了去噪。
针对字典训练的过程利用了K-SVD算法，研究了其原理和去噪流程，由于字典学习是通过机器学习获得而不是预先选定得到的，从而可以更完整地保留图像原有的信息，最终获取更高的峰值信噪比。
通过对不同算法的仿真分析，验证了该方法的有效性。
关键词：机器学习；字典学习；稀疏表示；K-SVD；图像去噪中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）02-0164-02Research on Image Denoising Based on Dictionary LearningCHENG Chun-yan（Faculty of Information Engineering，Jiangxi University of Science and Technology，Ganzhou 341000， China）Abstract：In order to overcome the disadvantages of the traditional methods denoising which lead to lose some of effective information，sparse coding and dictionary training are used as two key technologies. This method can distinguish the effective signal and noise signal of the image accurately and efficiently， and better realize the denoising.In view of the K-SVD algorithm that is used in dictionary training， the principle and denoising process are researched.Since dictionary learning is obtained by machine learning rather than pre-selected， it can not only better reserve the original information of the image， but also achieve higher Peak Signal to Noise Ratioultimately.The effectiveness of the method is verified by simulation analysis of different algorithms.Key words：machine learning；dictionary learning； sparse representation；K-SVD； image denoising1 概述图像去噪的目的在于降低噪声干扰的同时尽可能完整地保留图像本身的有效信息。
基于相似图像检索与字典学习的图像去噪算法
基于相似图像检索与字典学习的图像去噪算法胡占强;耿龙【摘要】In order to analyze and understand the image effectively, it's necessary to conduct denoising for image. Proposes a denoising method based on similar image retrieval and dictionary learning. Firstly, to have the better accuracy of image retrieval by improving noise signal ratio, denoising initially is executed for noise image; secondly, carry on image retrieval based on SIFT feature by using the initial noise image in the picture library and regard the similar image as a dictionary learning samples matched to improve correlation of dictionary and noise image; finally, the compensation of high frequency is needed. Satellite images are used to demonstrate the superiority of the proposed algorithm. Compared with the traditional denoising methods,the proposed method obtains better denoising effect,furthermore,it can effectively suppress the loss of high frequency information caused by the denoising procession.%为了更好地分析与理解图像，需对图像进行去噪。
基于局部自相似的字典学习图像去噪方法
基于局部自相似的字典学习图像去噪方法王爱齐;徐坤;宋爱民【摘要】A novel image denoising method is presented based on the sparse representation and the non-local self-similarity of natural images.This method clusters the given noisy image into regions of similar geometric structure and constructs a locally adaptive dictionary which can best describe the underlying image data.The experiment results show that this method can filter out noise while preserving edges and fine-scale details.%利用图像具有自相似的特点,结合稀疏表示理论,提出了一种新的图像去噪方法.该方法汇集相似的图像块,构造局部字典,能够更好的匹配图像的纹理和复杂结构.实验结果表明,该方法在抑制图像噪声的同时,能很好的保持图像的纹理和细节信息.【期刊名称】《大连交通大学学报》【年(卷),期】2017(038)004【总页数】4页(P192-195)【关键词】稀疏表示;字典学习;自相似性;图像去噪【作者】王爱齐;徐坤;宋爱民【作者单位】大连交通大学理学院,辽宁大连 116028;锦州师范高等专科学校,辽宁锦州 121000;大连交通大学理学院,辽宁大连 116028【正文语种】中文图像的稀疏表示理论被成功的应用到图像恢复和模式识别等方面，已经成为计算机视觉和图像处理领域一个非常活跃的研究课题. 稀疏表示模型假设小的图像块可以表示为少量字典原子的线性组合，即图像块在字典表示下是稀疏的. 一个基本问题是对于待处理的图像，如何构造合适的字典来稀疏表示所有的图像块？由Donoho和Candes等[1-2]的理论可知，图像块在字典下表示系数的稀疏性决定了图像恢复结果的质量，因此字典的选择就变得十分重要. 当前，构造字典的方法大致可分为两类[3]：解析方法和学习方法. 基于解析方法构造的字典通常是事先给定的、固定不变的，如离散余弦变换(DCT)、小波变换、Shearlet和Grouplet等. 该方法构造简单，计算复杂度低，但原子形态不够丰富，不能很好的匹配图像自身的纹理等复杂结构. 基于学习方法构造的字典一般是结合信号本身特点，设计一个字典学习代价函数，通过优化来获得能够对信号进行稀疏表示的字典. 与基于解析方法的字典相比，通过学习获得的字典形态更丰富, 能更好地与图像本身的结构匹配，具有更稀疏的表示，因此在图像去噪、图像修复、图像超分辨率等方面表现出更出色的性能. 然而，无论是解析方法还是学习方法，构造字典时都很少考虑图像块的自相似特点. 而图像的非局部自相似性[4]是图像的一个重要的特征，被广泛应用于图像处理的各个方面.. 本文结合图像块之间的自相似特点，构造局部自适应字典，能够更好的匹配图像的复杂结构，从而获得更高质量的图像恢复结果.设∈n×m为从图像y中选取的图像块的集合，其中yi是大小为的图像块按列排列后的n维向量. 字典学习的目的是构造字典∈n×k，使得信号yi能够表示为字典D 中若干个原子的线性组合，即yi=Dαi+εi，其中αi∈k为信号yi在字典D下的表示系数，εi为噪声. 如果αi中仅有s(s≪k)个非零分量，则称αi是s-稀疏的. 一般使用l0(或l1)衡量系数的稀疏性，于是经典的字典学习模型可以表示为或其中，k×m，‖是矩阵A的Frobenius范数，‖A‖0表示矩阵A中非零元素的个数，λ为规则化参数.对于优化问题(2)，一般采用交替迭代策略求解，具体步骤是(1)稀疏编码：已知字典D，求稀疏系数α，即(2)字典更新：已知稀疏系数α，求字典D，即确定了字典D和稀疏系数α，则去噪后的图像块集可以表示为Y*=Dα，进而可以得到去噪后的图像y*.2.1 算法的基本思想自相似性是图像的一个重要的特征，本文将稀疏表示与图像的自相似性相结合，构造局部自适应字典，以取得更好的性能. 具体过程如下,如图1所示.(1)将图像y分成N块相互重叠的大小为的小图像块yi, i=1,…,N. 对每一个yi，在其M×M的窗口内，选取K个与yi最相似的图像块yk, k=1,…,K，放在一起构成矩阵n×K.(2)对Yi进行奇异值分解，将得到的特征向量矩阵作为局部字典Di.(3)稀疏编码，即利用已知的字典Di，求稀疏表示系数α=(α1,…,αK).由于Yi是相似图像块的集合，因此系数α的列向量应该也具有相似性，即α的所有列向量的非零分量的位置应基本相同，也就是说α的行向量中应该有许多都是零向量. 但是由于受到噪声的干扰，α的这种模式特征遭到破坏. 为了利用α的这个特点，这里将稀疏编码公式(3)修改为其中,j为α的第j行，λj为规则化参数.定理若Di是正交矩阵，即=I，则优化问题(5)的最优解为其中,硬阈值函数 .证明由于Di是正交矩阵，故问题(5)等价于进而写成行向量的形式为对每一行来说，是标准的l0优化问题[5]，故问题得证.在式(5)中，字典Di是通过将Yi奇异值分解得到的特征向量矩阵，因此Di是正交的，故定理条件成立. 与优化问题(3)相比，优化问题(5)是对α的行向量进行约束，并且每一行的规则参数都不相同.2.2 规则参数的选取根据2.1节的分析可知，由于噪声的影响，使得α本应为零的行向量可能会出现一些非零分量. 但是由(6)可以看出，只要适当选取规则参数λj，就可以通过硬阈值函数f使得α的第j行重新变为零向量. 基于此，本文根据每一行的特点自适应的确定规则参数λi，具体方法如下：设Y，考察β的第j行j)，记sj=‖，若sj较小，则表明j 应该为零向量，故应取较大的阈值；反之，若sj较大，则表明j 应该为非零向量，故应取较小的阈值. 因此，可以设计规则参数λj为其中τ为常数.在图像处理中，抑制噪声的同时不破坏或模糊图像的结构细节可能是最重要的任务之一. 在去噪实验中，对本文提出的算法和K-SVD[6]、BM3D[7]、NLMSAP[8]、PGPD[9]等算法在去噪效果进行比较. 为了客观比较去噪效果，采用峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)作为评价标准.3.1 仿真参数设置仿真实验中，所加的仿真噪声均为零均值的加性高斯白噪声，其标准差分别为. 本文算法的参数设置如下：图像块的大小为7×7，搜索窗口的大小为30×30，选取相似图像块的个数为图像块大小的2倍，即K=2×7×7=98，参数τ由噪声标准差σ决定，通过实验发现，当τ=2σ时，一般均能取得较好的结果. 其它算法以文献所给的参数为准.3.2 仿真结果分析几种算法的去噪效果的PSNR如表1所示，从中可以看出，在去噪效果上，本文算法明显优于K-SVD、NLMSAP和PGPD，与当前最流行的BM3D算法十分接近，有时甚至更好. 为了从视觉上直观的比较各种算法的去噪结果，图2列举了实验中用到的一幅图像和相应的去噪结果，其中所加噪声是σ=20的高斯白噪声. 从中可以看出，K-SVD和NLMSAP在抑制噪声的同时，会有一定的模糊现象，而BM3D和PGPD也会减弱纹理的对比强度，与之相比，本文算法的去噪结果更加清晰，很好的保留了原始图像的细节信息.本文在稀疏表示理论的基础上，结合图像的自相似特点，提出了一种新的图像去噪方法. 该方法对每一个像素点处的图像块，计算与其相似的图像块集，并利用该相似集构造字典，这样，使得该字典具有很好的局部自适应性，能够更好的匹配图像的局部纹理和复杂结构，实验结果也验证了该方法的有效性.【相关文献】[1]DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.[2]CANDES E J, TAO T. Near optimal signal recovery from random projections: universal encoding strategies[J]. IEEE Transactions on Information Theory, 2006, 52(12):5406-5425.[3]练秋生, 石保顺, 陈书贞. 字典学习模型、算法及其应用研究进展[J]. 自动化学报,2015,41(2):240-260.[4]BUADES A, COLL B, MOREL J. A review of image denoising algorithms, with a newone[J]. SIAM interdisciplinary journal: Multiscale Modeling and Simulation, 2005,4(2): 290-530.[5]BAO C, CAI J F, JI H. Fast sparsity-based orthogonal dictionary learning for image restoration[C]. IEEE International Conference on Computer Vision, 2013:3384-3391. [6]ELAD M, AHARON M. Image denoising via sparse and redundant representations over learned dictionaries[J]. IEEE Transactions on Image Processing, 2006,15(12):3736-3745. [7]DABOV K, FOI A, KATKOVNIK V, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. Transactions on Image Processing,2007, 16(8):2080-2095.[8]DELEDALLE CA, DUVAL V, SALMON J. Non-Local Methods with Shape-Adaptive Patches[J]. Journal of Mathematical Imaging and Vision, 2012,43(2):103-120.[9]XU J, ZHANG L, ZOU W, et al. Patch Group Based Nonlocal Self-Similarity Prior Learning for Image Denoising[C]. IEEE International Conference on Computer Vision, 2015:244-252.。
基于深度学习的无监督磁共振图像去噪方法
基于深度学习的无监督磁共振图像去噪方法MRI图像是一种以不同灰度显示不同结构的解剖和病理的断面图像，广泛应用于疾病的检测、诊断以及治疗监测。
然而，MRI图像的成像过程往往伴随着随机噪声，这导致了低质MRI图像的产生。
MRI 图像的质量不仅会影响医生对患者病情的判断，还会降低图像配准、图像分割和图像分类等工作的准确性。
图像去噪可以提高给定图像的质量，解决随机噪声引起的图像退化的问题。
卷积神经网络在图像识别领域取得了良好的成果。
随后，基于卷积神经网络的图像去噪算法并也引起了研究人员的注意。
其中，DnCNN，PRI-PB-CNN，MIFCN等方法具有很强的扩展性，不仅对自然图像有很好的去噪效果，而且可以很好地应用于MRI图像去噪。
生成对抗网络在生成真实图像方面有很大的优势，因此研究人员将生成对抗网络和卷积神经网络结合起来进行图像去噪。
本文的主要贡献可以总结如下：1) 提出了一种基于生成对抗网络的无监督学习方法用于医学图像去噪，并且该方法不需要成对训练的数据；2) 用解缠表示分离低质MRI图像的内容信息和噪声信息。
在汉斯出版社《计算机科学与应用》期刊中，有学者提出了一种基于深度学习的无监督图像去噪方法来获得高质量的自然图像和MRI图像。
不为了验证我们提出模型的性能，我们将其与经典的图像去噪方法各向异性扩散滤波(AnisoticDiffusionFilter，简称ADF)和基于深度学习的无监督图像去噪方法CycleGAN进行了比较。
我们使用从SBD 获得的合成MRI数据(T1w和PDw)进行实验。
测试数据为带有5%、10%、15%、20%、25%、30%的莱斯噪声的T1w图像和PDw图像。
对比可以看出我们的去噪方法达到了良好的视觉效果。
随着莱斯噪声强度的增加，ADF去噪结果中包含的噪声越来越明显。
当噪声强度超过20%后，残余噪声已严重影响到了视觉性能。
CycleGAN和我们提出的方法能够有效地除去噪声。
为了证明我们提出方法的鲁棒性，我们对不同莱斯噪声水平的PDw图像进行了实验。
基于对偶方法的图像去噪和图像分解算法的开题报告
基于对偶方法的图像去噪和图像分解算法的开题报告一、研究目的和意义近年来，图像去噪和图像分解一直是图像处理领域中的热门研究课题之一。
图像去噪技术是一种减少图像中噪声影响的重要技术。
图像分解技术则是将一幅复杂的图像分解成若干个基本图像成分，更好地进行图像识别、分析和综合的重要手段。
基于对偶方法的图像去噪和图像分解算法，是一种当前图像处理领域热门的研究方向。
对偶方法是一种将优化问题分解成两个对偶问题进行求解的方法。
其在图像处理、信号处理等领域中有广泛应用，发展迅速，取得了很好的研究成果和应用效果。
因此，本研究拟针对基于对偶方法的图像去噪和图像分解算法进行深入研究，以期为图像处理领域的发展提供借鉴和参考，推动图像处理技术的进一步发展和应用。
二、研究内容和方案1. 对偶方法的图像去噪算法研究基于对偶方法的图像去噪算法主要包括以下几个方面：对偶超平面算法、对偶灰度图像算法和对偶紫外可见光图像去噪算法等。
本研究将对这几种算法进行深入研究和探讨，结合实际数据进行仿真实验，分析其优缺点和适用性，并提出相关改进措施，以提高图像去噪的效果和准确性。
2. 对偶方法的图像分解算法研究对偶方法的图像分解算法主要包括：基于梯度的分解算法、基于傅里叶变换的分解算法和基于小波分解的分解算法等。
本研究将针对这几种算法进行分析、实验和比较，分析其适用场景和优缺点，并提出改进措施，以提高分解算法的准确性和可靠性。
3.实验方案（1）基于对偶方法的图像去噪算法：1）收集噪声数据和有噪声的图像数据。
2）运用对偶超平面算法、对偶灰度图像算法和对偶紫外可见光图像去噪算法对图像进行去噪处理，分析各算法的优缺点和适用性。
3）对去噪效果进行评估，比较各算法的去噪效果和准确性，并提出相关改进措施。
（2）基于对偶方法的图像分解算法：1）采集图像数据。
2）运用基于梯度的分解算法、基于傅里叶变换的分解算法和基于小波分解的分解算法对图像进行分解。
3）对图像分解结果进行评估，比较各算法的分解效果和准确性，并提出相关改进措施。
基于联合字典学习的图像去噪
基于联合字典学习的图像去噪余雷;满家巨;刘利刚【摘要】A novel approach of denoising is presented based on joint-dictionary learning .It is considered that there are always two versions of images with high and low quality in image restoration problems .The samples are taken from a pair of these images once a time for joint-dictionary training .As a result , a dictionary containing not only the samples'structure features but also the relationship between images of these two versions is obtained .So when a degraded image is to be recovered , the joint-learned dictionary will work as an assistance to help to get a more precise estimation to the original image .%提出了一种新的基于联合字典学习的图像去噪方法。
考虑图像复原问题总是涉及高、低质量两个版本的图像，从大量图像的两个版本中成对采样联合训练字典。
所得字典不仅具有某类样本图像的结构特征，更具有一般图像这两个版本之间的对应关系，因此使得图像复原估计更有指向性，复原结果与原图像在细节上也更接近。
【期刊名称】《湖南师范大学自然科学学报》【年(卷),期】2013(000)006【总页数】6页(P11-16)【关键词】去噪;联合字典学习;稀疏表达;边缘保持【作者】余雷;满家巨;刘利刚【作者单位】湖南师范大学数学与计算机科学学院，中国长沙 410081;湖南师范大学数学与计算机科学学院，中国长沙 410081;浙江大学数学系，中国杭州310027【正文语种】中文【中图分类】TP391.41图像去噪问题是由观测的退化图像估计原图像要求在有效去除噪声的同时能保证图像边缘等重要特征. 利用稀疏表达的思想进行图像去噪当前受到研究者们的关注.该方法最初只是考虑了单一小波系数的稀疏性，并由此提出一系列收缩算法[1-2].文献[3]利用冗余字典来保证移不变性质；文献[4-6]以具有方向性的多尺度冗余变换如curvelet, contourlet, wedgelet, bandlet作为字典的方法.这些算法均采用预先选取一组小波基作为字典.但是利用这些已知字典表示图像缺乏自适应性.目前比较流行基于学习的字典获取方式，如文献[7]中，作者进行了两组实验：分别从大量自然图像集和噪声图像本身学习出字典，均获得较好的去噪效果.一般利用贝叶斯方法求解图像处理中的反问题时，都会对图像做一个先验假设，例如图像的空间平滑性、最大(小)熵或者在某些变换域稀疏等.文献[8]提出利用稀疏表达进行图像上采样，文中作者通过从自然图像的高分辨率和低分辨率版本中成对采样学习字典，最终得到图像边缘和细节得到较好恢复的上采样结果.受该文献启发，本文尝试将自然图像和其经过预处理的噪声图像对作为样本联合训练构造一种新的字典，再利用图像在相应字典上的稀疏分解达到去噪声的目的.1 基于稀疏表达的图像去噪匹配追踪[9]和基追踪[10]去噪算法的提出将图像去噪问题转换成图像在冗余字典上的稀疏分解问题.通常图像去噪算法处理的是受均值为零的高斯白噪声污染的图像，即希望从以下观测图像y估计图像的清晰版本：y=x+N(0,δ).文献[7]提出的稀疏表示模型假设自然图像可以被某一字典D近似稀疏表示，即的解是稀疏的,其中‖α‖0表示向量α中非0元素的个数.可以通过求解下式构造最大后验概率估计以去除噪声：其中，T由用字典D稀疏表示图像的准确程度和图像噪声的标准差σ决定.该优化的求解可以采用诸如匹配追踪(MP[9])、正交匹配追踪(OMP[11])、基追踪(BP[10])、梯度投影法(GPSR[12])、FOCUSS等算法.因此便可以得到去噪图像基于稀疏分解的图像去噪算法需要事先确定一个字典(即一组基或者一种变换)，使得图像在其上有足够稀疏的表达系数.用随意选取的固定字典近似表示任意自然图像精度很难保证.近年广受关注的基于学习的字典获取方法在一定程度上解决了这个问题.该方法从大量自然图像经过学习得到具有某种结构特征的字典，本文称之为单字典.从统计意义上来讲，这种单字典中部分原子的线性组合可以表示任意一幅与训练样本具有类似结构特征的自然图像.但是具体到某一幅图像或者某一类特殊的应用时，其针对性不强.考虑到图像复原问题中总会涉及同一幅图像的两个版本，如果学习所得的字典能够记录两个版本之间的对应关系，那么从观测图像估计原图将会具有更强的指向性，从而所估计的图像也会在结构上与原图更加接近.2 基于多类型样本学习的联合字典假定我们已经搜集大量某种类型的无污染的自然图像版本(下文简称X版本)，对其模拟噪声干扰，再通过简单空间滤波得到所有图像的低质量版本(下文简称Z版本)，然后通过这两类图像样本联合学习以获得字典.由于滤波处理有一定的抑制噪声的作用，但同时模糊了图像细节.因此我们预先提取低质量图像的结构特征作为复原图像结构特征的近似估计，以此建立低质量与高质量图像之间的结构关系.为此，采用式(1)的4个特征提取算子对该Z版本图像进行处理，即图像库中的每一幅X版本图像，其Z版本在4个特征提取算子的作用下得到4幅相应的图像Zi1,Zi2,Zi3,Zi4.若在图像Xi中以(i,j)为中心的邻域内采样，那么应该同时在相应的4幅图像Zi1,Zi2,Zi3,Zi4中的相同位置采样.与单字典学习方法类似，若要分别以干净图像和经滤波处理的低质量图像为样本学习字典，可以采用以下形式的优化[27](文献[13-14]证明了采用l1范数替换l0范数的合理性).(1)(2)(3)其中A，X分别表示系数矩阵和样本矩阵.本文采用如图1的采样方式，将上述所有样本顺次连接，即将(2)(3)式统一成(4)：(4)其中n,m分别表示从不同版本图像采集样本的维数.再利用K-SVD算法求解该式，所得字典称之为联合字典.最后，按样本的组合方式对该联合字典进行拆分得到两个字典：Dclr,Dflt.由于此处所采用的样本来自于高质量图像块和相同位置低质量图像块的4幅结构特征图像的组合，一幅图像相同位置应该具有同样的结构特征.由字典的学习过程可知，字典本质上是训练样本更紧凑的一种表示形式.图3为本文训练所得的一个字典，可见其中包含指向不同方向的边缘.因此，采用这种方式搜集样本无疑可以帮助我们获得对拥有某类结构的图像更准确的表达.而且不难发现，通过一次训练获得的这两个字典不仅和单字典一样具有某类图像的结构特征，更重要的是它们之间具有该类图像不同版本之间的一种对应关系.另外，联合字典的学习过程表明一幅自然图像的两种版本X和Z被联合字典表示时共用一组表示系数.因此，当已知图像的Z版本时，可以先将其在相应的字典Dflt上进行稀疏分解，所得系数与同时训练所得字典Dclr组合即可作为对原图的估计.图2即为通过采用本文联合训练方法获得的一个字典的一部分.图1 联合字典学习的采样过程Fig.1 Sampling process of joint-dictionary图2 本文方法学习所得字典的Dclr部分Fig.2 A dictionary learnt with the method from this paper现将多类型样本的联合字典训练算法总结如下：(1)从不同版本的图像采样，初始化DC为高斯随机矩阵，并将矩阵的每一列规范化；(2)采用匹配追踪算法求解下式，找到样本C在字典DC上的分解系数A：(3)用K-SVD算法求解以下优化函数，得到联合字典DC：(4)重复2，3两步直到系数收敛到一组稳定值；(5)按照样本的组合方式对所得联合字典进行拆分，得到所需要的两个字典，它们分别对应于不同类型的图像样本.获得字典后，可以通过求解以下优化获得图像在该字典上的稀疏分解系数α:(5)其中F同样是式(1)的4个特征提取算子，需要保证处理方式与字典的训练过程一致.在实际操作中，为了避免优化函数的规模过大，以一定大小的图像块为单位进行估计，最后再将结果拼接整合得到最终的复原图像.如式(5)所示，在求每一个子图像块的表达系数时先对每一块提取特征，这一处理也包含了当前子块的邻域信息，所以部分重叠的依次处理图像中的每个子块后，它们能够很好的兼容在一起.现将基于联合字典的图像去噪算法流程总结如下.算法：(1)输入：离线训练的字典Dclr,Dflt以及噪声图像Y；(2)对图像Y做简单的滤波处理(本文分别采用了高斯滤波和双边滤波进行测试)得到低质量图像Z；(3)以扫描顺序从左到右，从上到下部分重叠的依次选取图像Z中的每一个k×k的子图像块zi(i=1,2,…,n)(n是子图总个数)，通过优化求得稀疏系数α;(4)由xi=Dclrα,(i=1,2,…,n)得到对应的子图像块x,并将其放入去噪图像(5)重复3,4两步直到Z中所有子图像块被处理完.输出去噪图像3 实验结果与分析本实验中，采用文献[8]中的图像库作为学习字典的训练集.分别采用高斯和双边滤波两种处理方式得到Z版本图像，训练出相应的两组联合字典.对于训练图像采用以下参数获取相应的X版本和Z版本：高斯白噪声选择δ=25,高斯滤波处理的模板大小与选取的子图像块大小相同，本文所有实验都采用5×5的子图像块，标准差为2(这个值越大平滑过后的图像越模糊)，双边滤波中控制颜色和距离的两个参数分别取为3和0.2.采用如图1的采样方式，从该图像训练集随机采集100 000组子图像对样本用于离线训练超完备子典.从计算时间和图像质量两方面权衡，本实验字典的原子个数取512，即对应于X版本图像的字典是25×512的矩阵.表1表示利用高斯滤波处理训练的字典和同样的预处理方式进行恢复结果.表2表示利用双边滤波处理训练字典的恢复结果.两种情况下，本文方法都比单纯采用对应的滤波方法恢复的结果好.表1 测试结果(PSNR：dB)Tab.1 Testing result(PSNR：dB)δCameramanBarbaraLeafGaussFiltSPRGaussFiltSPRGaussFiltSPR1022.923.723.523.926.527.32022.723.523.323.726.126.93022.423.022.923.425.526.2 5021.321.822.122.523.924.37020.220.621.121.422.022.4表2 测试结果(PSNR：dB)(δ表示噪声强度，σ表示双边滤波的一个参数，值越大图像越平滑)Tab.2 Testing result(PSNR:dB)(δ is noise intensity, σ is a parameter of bilateral filtering, the bigger the image will be smoother)σδ0.10.20.30.4BiFiltSPRBiFiltSPRBiFiltSPRBiFiltSPR1031.829.828.9 28.526.426.724.725.22027.327.927.928.126.126.524.525.03022.324.225.526. 625.225.924.124.75016.318.619.521.521.723.222.323.27013.215.515.517.61 7.919.719.620.9在本实验有限的测试过程中，随着噪声强度的增大，通过调节滤波器的参数使其达到一定的平滑程度后，用本文方法恢复的去噪结果在PSNR值上总可以比单纯的使用滤波方法高，但是从视觉上可接受的程度来讲，噪声强度太大导致损失掉的信息太多，此时无论什么方法都无法恢复出视觉上可接受的结果.图3和图4分别展示了不同噪声强度下利用高斯滤波作为预处理方法的去噪结果图像.从矩形框标记的部位可见本文方法在去噪的同时能够比单纯滤波更好的保持图像细节.图3和图4分别展示了不同噪声强度下利用双边滤波作为预处理方法的去噪结果.可见当噪声干扰较大的时候，尽管双边滤波可以通过调整参数控制图像的平滑程度，但过度平滑也是不可避免的，从而导致图像失真，这种情况下本文方法比单纯的双边滤波方法会使图像显得更加真实.图3 第1列表示δ=25的噪声图像，第2列表示高斯滤波的去噪结果，第3列表示本文方法的去噪结果Fig.3 Column 1st are noisy images with δ=25, column 2nd are denoise results by gaussian filtering, column 3rd are denoise results from this page图4 第1列表示δ=50的噪声图像，第2列表示σ=[3,0,3]的双边滤波去噪结果，第3列表示本文方法的去噪结果 Fig.4 Column 1st are noisy images withδ=50, column 2nd are denoise results by bilateral filtering with parameter[3,0,3], column 3rd are denoise results from this page4 结论本文提出采用联合字典学习的方法进行图像去噪.这种方法结合了字典训练能够学习获得图像的结构信息以及成对学习能够获取图像对之间的相关性这两者的优点.既能很好的提取图像的结构信息，同时学习得到的字典里包含的高、低质量图像对之间的关系也为我们提供了去噪图像的先验知识.从实验结果可见，本文方法在去噪的同时比单纯的滤波方法能够更好地保持图像的真实性.在某种意义上比一些传统的去噪算法更具优势.本实验同样启发我们相信通过对图像训练样本更有针对性的设计，本文方法同样适用于其他类似图像的复原问题.参考文献：[1] DONOHO D L, JOHNSTONE I M. Ideal spatial adaptation by wavelet shrinkage[J].Biometrika, 1994,81(3):425-455.[2] DONOHO D L. De-noising by soft thresholding[J].IEEE Trans Inf Theory, 1995,41(3):613-627.[3] COIFMAN R, DONOHO D L. Translation invariant de-noising[J].In Wavelets and Statistics, Lecture Notes in Statistics, 1995,125-150.[4] STARCK J L, CANDES E J, DONOHO D L. The curvelet transform for image denoising[J].IEEE Trans Image Proc, 2002,11(6):670-684.[5] ESLAMI R, RADHA H. Translation-invariant contourlet transform and its application to image denoising[J].IEEE Trans Image Proc, 2006,15(11):3362-3374.[6] MATALON B, ELAD M, ZIBULEVSKY M. Improved denoising of imagesusing modeling of the redundant contourlet transform[J].it Presented at the SPIE Conf Wavelets, Jul, 2005.[7] ELAD M, AHARON M. Image denoising via sparse and redundant representation over learned dictionaries[J].IEEE Trans Image Proc,2006,15(12):3736-3745.[8] YANG J, WRIGHT J, HUANG T, et al. Image super-resolution via sparse representation[J].IEEE Trans Image Proc, 2010,19(11):2861-2873.[9] MALLAT S, ZHANG Z. Matching pursuit in a time-frequency dictionary[J]. IEEE Trans Signal Proc, 1993,41:3397-3415.[10] CHEN S S, DONOHO D L, SAUNDERS M A. Atomic decomposition by basis pursuit[J].Soc Ind Appl Math Rev, 2001,43(1):129-159.[11] PATI Y C, REZAIIFAR R, KRISHNAPRASAD P S. Orthogonal matching pursuit:Recursive function approximation with applications to wavelet decomposition presented at the 27th Annu[M].Asilomar Conf Signals, Systems,and Computers,1993.[12] FIQUEIREDO M A T, NOWAK R D, WRIGHT S J. Gradient projection for sparse reconstruction:Application to compressed sensing and other inverse problem[J].IEEE J Selected Topics Signal Proc, 2007, 1(4):586-598.[13] DONOHO D L. For most large underdetermined systems of linear equations,the minimal l1-norm solution is also the sparsestsolution[J].Commun Pure Appl Math, 2006,59(6):797-829.[14] DONOHO D L. For most large underdetermined systems of linear equations,the minimal l1-norm near-solution approximates the sparsestnear-solution[J].Commun Pure Appl Math, 2006,59(7):907-934.。
基于原子曲线拟合的字典学习的信号去噪方法
基于原子曲线拟合的字典学习的信号去噪方法
高博;王俊;张各各
【期刊名称】《系统仿真学报》
【年(卷),期】2015(0)12
【摘要】在信号去噪问题中,利用K-means Singular Value Decomposition(K-SVD)等经典字典学习算法,对信号进行稀疏分解与信号重构,不能有效的消除噪声影响。
引入了非线性最小二乘和粒子群优化的方法对经典的字典学习去噪方法进行了改进。
利用K-SVD算法进行字典训练;利用非线性最小二乘的方法对字典中的每一个原子进行拟合,得到修正后的字典;利用粒子群优化的方法求解信号的稀疏表示,最终得到重构信号。
通过实验证明,该方法去除噪声的效果相较于K-SVD和RLS-DLA(递归最小二乘字典学习算法)有明显提高。
【总页数】7页(P2935-2941)
【作者】高博;王俊;张各各
【作者单位】西安电子科技大学雷达信号处理国家重点实验室
【正文语种】中文
【中图分类】TN911.4
【相关文献】
1.基于字典学习和稀疏编码的振动信号去噪技术
2.基于字典学习和原子聚类的图像去噪算法
3.模型约束下的在线字典学习地震弱信号去噪方法
4.基于双正交基字典学习的图像去噪方法
5.基于字典学习的遥感图像去噪方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进的字典学习算法的图像去噪方法
基于改进的字典学习算法的图像去噪方法谢勤岚;丁晶晶【期刊名称】《计算机与数字工程》【年(卷),期】2014(000)006【摘要】Two improvements of the MOD and K-SVD dictionary learning algorithms are proposed by modifying two main parts of these algorithms :the dictionary update and the sparse coding stages .A new dictionary-update stage is used to find both the dictionary and the representations while keeping the supports intact .According to the previous sparse-coding , it suggests to update the known representations .These two ideas are tested in practice and show how they lead to faster training and better quality outcome .Experimental results prove the effectiveness of the proposed method .%提出对基于MOD和K-SVD字典学习算法的图像去噪的两个方面的改进。
在字典更新阶段，采用一种新的字典更新方式，在保持支集完备的同时寻找字典和表示法。
在稀疏编码阶段，根据前一次追踪过程产生的部分系数进行修正和更新。
分别对这两种改进进行了验证，并说明了如何进行更快速的训练以及取得更好的结果，实验结果证实了论文方法的有效性。
【总页数】4页(P1071-1074)【作者】谢勤岚;丁晶晶【作者单位】中南民族大学生物医学工程学院武汉 430074;中南民族大学生物医学工程学院武汉 430074【正文语种】中文【中图分类】TP391【相关文献】1.基于局部自相似的字典学习图像去噪方法 [J], 王爱齐;徐坤;宋爱民2.基于过完备字典学习的全变分图像去噪方法 [J], 张晓严;马杰;武利涛3.基于字典学习的残差信息融合图像去噪方法 [J], 董明堃;蒋爱民;孙娟4.基于双正交基字典学习的图像去噪方法 [J], 刘伟华;刘聪5.基于双正交基字典学习的图像去噪方法 [J], 刘伟华;刘聪因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｎ ｏ ｉ ｓ ｅ ｉ ｎ ＭＲ ｃ ｏ ｍｐ ｌ ｅ ｘ ｉ ｍａ ｇ ｅ ｓ ｒ ｅ ａ ｌ ａ ｎ ｄ ｉ ｍａ ｇ ｉ ｎ ａ ｒ ｙ ｐ ａ ｒ ｔ ｓ ｉ ｓ ａ ｄ ｄ ｉ ｉ ｔ ｖ ｅ ａ ｎ ｄ ｕ ｎ ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｅ ｄ ｚ ｅ ｏ－ ｒ ｍｅ ａ ｎ Ｇ ａ ｕ ｓ ｓ ｉ ｎ ａ ｎ ｏ ｉ ｓ ｅ ，ｗ ｅ ｉ ｆ ｒ ｓ ｔ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ｈ ｅ ｎ ｏ ｉ ｓ ｅ ｉ ｎ ｍａ ｎｅ ｇ ｔ ｉ ｃ ｒ ｅ ｓ ｏ ｎ ａ ｎ ｃ ｅ（ ＭＲ） ｍａ ｎｉ ｇ ｔ ｕ ｄ ｅ ｉ ｍ ａ ｇ ｅ ｓ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｓ ａ ｓ ｉ ｎａ ｇ ｌ — ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ Ｒ ｉ ｃ ｉ ａ ｎ
Ｘｕ Ｘｉ ａ ｏ ｌ ｉ ｎ ｇ， Ｌ ｉ ｕ Ｙ ｉ ｌ ｉ ｎ ｇ， Ｌ ｉ ｕ Ｑｉ ｅ ｇ ｅ ｎ，ａ ｎ ｄ Ｚ ｈ ｎｇ ａ Ｍｉ ｎ ｇ ｈ ｕ ｉ
Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ，Ｎ ａ ｎ ｃ ｈ ａ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｎａ ｎ ｃ ｈ ａ ｎ ｇ ３ ３ ０ ０ ３１ ，Ｊ ｉ ａ ｎ ｇ ｘ ｉ Ｐ ｒ ｏ ｖ ｉ ｎ ｃ ｅ ，Ｐ． Ｒ． Ｃｈ ｉ ｎ ａ
典的基 于非局部相似块的三维块 匹配滤波 （ ｂ ｌ ｏ ｃ ｋ — ｍ ａ ｔ ｃ ｈ ｉ ｎ ｇ ｎｄ ａ ３ Ｄ ｉ ｆ ｌ ｔ ｅ ｉ ｒ ｎ ｇ ， Ｂ Ｍ ３ Ｄ ）算法相 比，在噪声水平 较低时 Ｐ Ｄ Ｌ算法略优 于 Ｂ Ｍ ３ Ｄ算法，噪声水平较高时 Ｂ Ｍ ３ Ｄ算法略优 于 Ｐ Ｄ Ｌ算法，两者总体比较接近． 关键词 ：图像处理 ；字典学习；对偶字典学习算法； 磁共振 复数 图像去噪 ；莱斯分布 ； 核奇异值分解 算 法 ；三 维块 匹配滤波 算 法
ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ，ｗｈｉ ｃ ｈ ｉ ｓ ｑ ｕｉ ｔ ｅ ｄ ｉ ｆ ｉ ｃ ｕ ｌ ｔ ｔ ｏ ｒ ｅ ｍｏ ｖ ｅ． Ｗ ｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ａ ｎ ｏ ｖ ｅ ｌ ｄ ｅ ｎ ｏ ｉ ｓ ｉ ｎ ｇ ａ ｐ ｐ ｒ ｏ ａ ｃ ｈ ｔ ｏ ＭＲ ｉ ｍａ ｇ ｅ ｓ ．Ｓ ｉ ｎｃ ｅ ｔ ｈｅ
第３ ３卷 第 ６期
２ ０ １ ６年 １ １ 月
深 圳 大 学 学 报 理 工 版
Ｊ ＯＵＲＮ ＡＬ ＯＦ Ｓ ＨＥ ＮＺ ＨＥＮ ＵＮ Ｉ ＶＥ ＲＳ ｒ Ｉ Ｙ Ｓ Ｃ Ｉ ＥＮＣ Ｅ Ａ ＮＤ Ｅ ＮＧＩ ＮＥ ＥＲ Ｉ Ｎ Ｇ
Ｖ０ １ ． ３ ３ Ｎｏ ． ６ Ｎ Ｏ Ｖ ．２ ０ ｍ ａ ｇ ｎ ｅ ｉ ｔ ｃ ｒ ｅ ｓ ｏ ｎ ａ ｎ ｃ ｅ ，Ｍ Ｒ） 幅度 图像 中带 有 不 易去 除 的与信 号 相 关 的 莱斯 （ Ｒ ｉ ｃ ｉ ａ ｎ ）噪声问题 ，利用其复数 图像 中的实部与虚部所含噪声为不相关的加 性高斯 白噪声这一特性 ，代替 对 幅度 图像 直接 去 噪 ，提 出将原 始 对偶 字典 学 习 （ ｐ ｒ ｅ ｄ ｕ ａ ｌ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｙ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ，Ｐ Ｄ Ｌ ） 算 法 用 于对 ＭＲ复数 图
去除 Ｍ Ｒ图像噪声的 同时能较好地保持图像 中的细节．与经典的字典学习算法核奇异值分解 （ ｋ ｅ ｒ ｎ ｅ ｌ ｓ ｉ ｎ ｇ ｕ —
ｌ ａ ｒ ｖ ａ ｌ ｕ ｅ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｉ ｔ ｏ ｎ ，Ｋ — Ｓ Ｖ Ｄ） 相 比 ，Ｐ Ｄ Ｌ算法去 噪效 果优 于 Ｋ — Ｓ ＶＤ算法 ，而运 算速 度提 高约 ５倍 ．与经
【 电子与信息科学 ／Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ 】
基 于 原 始 对 偶 字 典 学 习 的 磁 共 振 复 数 图 像 去 噪
徐 晓玲 ，刘 沂玲 ，刘且 根 ，张 明辉
南 昌大学信息工程学 院 ，江 西南 昌 ３ ３ ０ ０ ３ １
像 的 实部 与虚 部 分别进 行 去 噪 ，然后 组 合 得 到 幅度 图像 的 方 法． 经仿 真 实验 和 在 Ｈ Ｔ — ＭＲ Ｓ Ｉ ５ ０ － ５ ０（ ５ ０ ｍ ｍ）
１ ． ２ Ｔ小动物 核磁 共振 系统 中的 实际应 用 ，证 明所 提 方 法较 直 接 对 幅度 图像 去 噪取 得 更好 的效 果 ，在 有 效
中 图分类 号 ：Ｎ ３ ４ 文 献标 志码 ：Ａ ｄ ｏ ｉ ：１ ０ ． ３ ７ ２ ４ ／ Ｓ Ｐ ． Ｊ ． １ ２ ４ ９ ． ２ ０ １ ６ ． ０ ６ ５ ７ ８
Ａ ｎ ｏ ｖ ｅ ｌ ＰＤＬ ｄ ｅ ｎ ｏ ｉ ｓ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｆ ｏ ｒ ｍａ ｇ ｎ ｅ ｔ ｉ ｃ ｒ ｅ ｓ ｏ ｎ ａ ｎ ｃ ｅ ｃ ｏ ｍｐ ｌ ｅ ｘ ｉ ｍａ ｇ ｅ ｓ
ａ ｐ ｐ ｌ ｙ ｈｅ ｔ ｐ ｒ ｅ ｄ ｕ ａ ｌ ｄ ｉ ｃ ｉ ｔ ｏ ｎ ａ ｒ ｙ ｌ ｅ ａ ｎｉ ｒ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｈｍ （ ｔ Ｐ Ｄ Ｌ ）ｔ ｏ ｒ ｅ ｓ ｐ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｄ ｅ ｎ ｏ ｉ ｓ ｅ ｈｅ ｔ ｒ ｅ ａ ｌ ａ ｎ ｄ ｉ ｍ ａ ｇ ｉ ｎ ａ ｒ ｙ ｐ ａ ｒ ｔ ｓ ｏ ｆ ｈｅ ｔ ＭＲ