摘 要：提出一种基于Osher-Sole-Vese(OSV)模型的迭代规则化医学图像去噪方法。该方法使用迭代规则化方式，通过加入分解出的纹理和细节震动信号以修正原始OSV模型的全变分去噪结果。在一定程度上克服了医学图像去噪过程中对细节和纹理信息的过渡平滑。同时给出了迭代规则化医学图像去噪方法的实现步骤。实验结果表明，新方法能较好地保护医学图像的细节和纹理信息。
关键词：图像处理；医学图像去噪；OSV模型；迭代规则化；纹理和细节
1 引 言
基于偏微分方程的医学图像去噪方法已公认为具有显著效果的去噪技术。常用的偏微分方程去噪方法虽然可以去除变化平缓的图像中的噪声，同时保持边缘结构信息，但对带有较多纹理和细节特征的医学图像的去噪效果却不太理想。目前有关纹理和细节医学图像去噪技术主要包含两类：一类是自适应调整参数的全变分方法，在不同尺度空间下去噪，从而保持纹理；另一类将医学图像空间由有界变差(BV)空间上升到对偶(G)空间以保持纹理和细节，两种方法均能在实例应用中达到一定的效果，但是如何较好地去除噪声，需进一步研究。
在第二类方法中，对于医学图像去噪和分解模型的工作主要集中在寻找适合于表示纹理和细节的震动信息的范数，同时减少阶梯现象。但其使用不同的范数依然会产生带有纹理和细节信息的丢失。本文将对Osher-Sole-Vese(0SV)模型”引入迭代规则化方法，修正丢失的纹理和细节信息，以达到较好的医学图像去噪效果。
2 基于OSV模型的迭代规则化去噪方法
首先引入Meyer提出的震动特征分解方法将图像分解为两个部分，即f=u+v，其中u表示图像分解中生成的图像结构特征信息，而v表示纹理合细节或噪声信息。该模型从理论角度阐述了震动分解，并在全变分最小化基础上建立了图像去噪与图像分解理论。该理论通过使用G空间对BV空间的进一步改进和延伸。
在此类方法中，对于医学图像去噪方法主要精力集中在寻找更适合表示纹理和细节信息v的范数，并将其分解出来，并使用全变差正则化对边缘保护，达到对纹理细节和基本结构的不同去噪效果。同时还能够进一步使用高阶导数们或者对偶范数等其他方法消除提取纹理时产生的阶梯现象，但其依然有改进的空间。
以上模型中使用半范数来计算v，当噪声估计为口，通过迭代选择出最佳的参数计算最小值，得出结果。但使用G空间时较之BV空间有很大的改进，能通过震动分解得到更多的图像纹理和细节特征，但在去噪过程中依然会把与噪声相似的纹理细节信号同时去除，在处理上的缺点是存在的。因此，可以设计一种迭代规则化方式，对在G空间上求出的去噪结果加以修正，使原去噪模型能够重新使用分离出的带有纹理和细节的震动信号，通过叠加后进行进一步去噪，以避免过度去噪。
3 实验仿真
使用纹理和细节信息较为丰富的心脏血管图像对算法进行检验。可以看出，使用原始非选代规则化方法能够保重主干血管，而对心脏血管的细节部分过渡平滑，而迭代规则化方法随着迭代次数的增加能够保留大部分较细的血管，其去噪效果在主观上比非迭代规则化方法有明显提高。使用信噪比(SNR)作为客观数据对不同成像模式图像进行比较，从表1的结果可看出，对心脏血管图像的去噪处理中非迭代规则化方法去噪得到结果的SNR为18．0885，迭代规则化方法4次迭代去噪得到结果的SNR为18．8391，8次迭代去噪得到结果的SNR为19．4425，即随着迭代次数的增加，能取得更好的去噪效果。
可以看出本文迭代规则化方法的结果在主观和客观上均取得改进，对医学图像纹理细节的保持达到较好效果。而针对不同方差噪声和噪声分布情况、不同成像模式的带有纹理和细节信息医学图像，如何设置迭代次数，以达到时间和效果的最优结果，将作为下一步研究与实验的内容。
4 结 论
基于OSV模型可进一步改进，比如使用其他的脑震荡函数分解噪音并进行迭代规则化去噪、对已知噪音分布情况的图像进行去噪，以及验证其迭代次数与最优去噪的结果的关系等。来源:
执业护士护理论文指导：基于OSV模型的迭代规则化医学图像去噪方法
来源： 作者： (查看评论)
- 考试辅导
