[发明专利]基于动态加权稳态主成分分析的医学图像去噪的方法

说明书

本发明公开了基于动态加权稳态主成分分析的医学图像去噪的方法。在原始3DPI图像数据基础上，基于稳态主成分分析进行动态加权扩展，并经动态加权后得到低秩矩阵L和稀疏矩阵S，以达到对3DPI图像去噪的目的。本发明有益效果在于，所提出的DWRPCA的性能优于RPCA和WRPCA。具体来说，在单周期和多周期的数据分析中，对于时间相似性指标EGM和SPEGM，DWRPCA和WRPCA具有相同的实验结果；对于无偏差性能指标TAE和ARE，DWRPCA均显著优于WRPCA；对于空间相似度指标SSI和SGSI，DWRPCA能获得更好的空间波形。

技术领域

本发明属于计算机图像技术领域，特别涉及基于动态加权稳态主成分分析的医学图像去噪的方法。

技术背景

稳态主成分分析(Robust principal component analysis,RPCA)被广泛应用于图像及视频去噪，现有研究成果表明，RPCA可以用于三维脉波影像(three-dimensionalpulse image,3DPI)的去噪，RPCA能将一系列图像，分解为无噪声图像矩阵和噪声矩阵之和。其中，无噪声图像矩阵具有低秩性，而噪声矩阵具有稀疏性。利用矩阵低秩性可以较好复原真实数据矩阵，通过低秩矩阵来恢复原动态面，从而达到去除噪声的目的。然而，在现实应用场景中，受测者的呼吸和运动产生的噪声，常常同时以相同的规律出现在多个通道，并混杂于原始信号，有时甚至淹没原始信号。这样，在低秩分解的过程中，RPCA将无法对这些通道的脉搏波信号及带有一些规律的噪声进行正确的区分，也就难以完成信号提取和去除干扰的工作。

发明内容

基于现有技术中，RPCA和加权RPCA(WRPCA)不能有效地消除基面噪声。为了有效地处理基面噪声，本发明提出基于动态加权稳态主成分分析的医学图像去噪的方法，具体来说，本发明的方法利用低秩矩阵的奇异值和均值奇异值自适应地将加权值调整为核形式。并且通过利用3DPI的时空相似性、空间梯度相似性和无偏差指标评价，证明本发明在3DPI图像去噪中有着优异的表现。

为了实现上述目的，本发明采用的技术方案如下：

一种基于动态加权稳态主成分分析(DWRPCA)的医学图像去噪的方法，在原始3DPI图像数据基础上，基于稳态主成分分析进行动态加权扩展，并经动态加权后得到低秩矩阵L和稀疏矩阵S，以达到对3DPI图像去噪的目的。需要说明的是，所述动态加权的算法为：

需要说明的是，所述动态加权的加权值ω_i定义如下:

其中

上式中，σ_i(D)为D的第i个奇异值，为所有σ_i(D)的平均值，γ设为ε设为1.0×10^-6。

需要说明的是，所述σ_i和ω_i可自由设置。

本发明有益效果在于，所提出的DWRPCA的性能优于RPCA和WRPCA。具体来说，在单周期和多周期的数据分析中，对于时间相似性指标EGM和SPEGM，DWRPCA和WRPCA具有相同的实验结果；对于无偏差性能指标TAE和ARE，DWRPCA均显著优于WRPCA；对于空间相似度指标SSI和SGSI，DWRPCA能获得更好的空间波形。

附图说明

图1为本发明采用RPCA、WRPCA、DWRPCA处理多通道时间信号；

图2为本发明采用RPCA、WRPCA、DWRPCA处理五周期多通道时域信号；

图3为本发明RPCA、WRPCA、DWRPCA的单周期误差灰色矩阵(EGM)；

图4为本发明RPCA、WRPCA、DWRPCA的多周期误差灰色矩阵(EGM)；