[发明专利]基于结构聚类与稀疏字典学习的医学图像降噪方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及含有加性噪声的图像降噪技术领域中的一种基于结构聚类与稀疏字典学习的医学图像降噪方法。本发明可用于对医学计算机断层扫描（computed tomography CT）、核磁共振（magnetic resonance MR）图像进行降噪处理。

背景技术

图像降噪的目的是在去除噪声的同时能够很好地保护图像的特征信息，例如图像的边缘和纹理。在图像的采集、处理和传输的过程中，由于技术的限制和设备本身的固有特性，使得图像不可避免地含有各种噪声，导致图像质量严重下降，极大地影响后续的图像处理。因此，图像降噪具有非常重要的意义。

王昊，康晓东，刘玲玲，耿佳佳发表的论文“基于非下采样Contourlet变换的医学CT图像去噪”（《计算机工程与应用》，2012，48（27），150-154）中提出了一种基于非下采样Contourlet变换的医学CT图像去噪方法。该方法的具体步骤是：首先，对含噪的CT图像进行非下采样Contourlet变换，分解成低频系数矩阵和高频系数矩阵，再对高频系数矩阵利用Context模型处理系数子矩阵并进行阈值去噪处理，最后对去噪后的变换系数进行非下采样Contourlet逆变换得到去噪后的CT图像。该方法虽然弥补了Contourlet变换在平移不变性方面的不足，降低了去噪图像中的伪吉布斯现象，但仍然存在的不足是，该方法恢复得到的图像不够清晰，损失了部分细节信息，增加了后续图像解译的难度。

西安电子科技大学在其专利申请“基于稀疏自适应字典的图像去噪方法”（专利申请号：201310161279.7，授权公告号：CN103218791A）中提出了一种基于稀疏自适应字典的图像去噪方法。该专利技术利用从含噪图像中抽取得到的训练数据集迭代地训练字典，在迭代的过程中，将上次迭代所得的字典作为本次迭代的基字典，利用迭代完成后获得的最终字典和编码系数矩阵对噪声图像进行去噪。该方法虽然能够增强字典的自适应性，但仍然存在的不足是，字典学习方法忽略了图像块的结构相似性，不能有效的保持图像的边缘，对图像的均匀区域去噪效果不够理想。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于结构聚类与稀疏字典学习的医学图像降噪方法，增强了字典的自适应性和结构性，在有效去除噪声的同时，能够很好地保持图像的边缘和纹理等细节信息。

为实现上述目的，本发明的具体步骤如下：

(1)输入噪声图像：

输入任选的一幅含有加性高斯白噪声的噪声图像。

(2)预滤波：

采用广义K均值K-SVD方法，对噪声图像进行滤波处理，得到滤波后图像。

(3)结构聚类：

(3a)设定滤波后图像中以任一像素点为中心的邻域窗口大小为9×9，利用控制核回归权值公式，求出任一像素点与该像素点的邻域窗口内其他像素点的控制核回归权值向量，取控制核回归权值向量的均值向量作为当前邻域窗口的特征向量；

(3b)采用K均值聚类的方法，对滤波后图像中所有的邻域窗口的特征向量进行聚类，得到滤波后图像中各个邻域窗口的类别。

(4)提取各类训练样本集合：

(4a)从步骤（1）输入的噪声图像中提取大小为9×9的噪声图像块；

(4b)在滤波后图像中，找出与所提取的噪声图像块索引位置相同的邻域窗口，将该邻域窗口的类别作为该噪声图像块的类别；

(4c)合并噪声图像中类别相同的噪声图像块，得到6类噪声图像块集合，将6类噪声图像块集合中的每一个图像块向量化，得到6类图像块向量集合，将图像块向量集合作为训练样本集合。

(5)分类学习稀疏字典：

采用稀疏字典学习方法，利用6类训练样本集合进行稀疏字典学习，得到每一类训练样本集合最终更新后的稀疏字典和稀疏编码系数。

(6)得到最终的训练字典：

按照下式，得到每一类训练样本集合最终的训练字典：

Dic=Φ·S~]]>

其中，Dic表示每一类训练样本集合最终的训练字典，Φ表示基础字典，表示每一类训练样本集合最终更新后的稀疏字典。

(7)得到各类去噪估计值：