專利名稱：基于稀疏低秩與字典學習的心臟mri圖像去模糊方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及對醫(yī)學圖像的處理，特別是一種對心臟核磁共振成像MRI圖像的去模糊處理。
背景技術(shù)：
隨著醫(yī)學成像技術(shù)的飛速發(fā)展，大量高分辨率圖像紛紛涌現(xiàn)，比如磁共振造影MR1、計算機斷層掃描CT、腦磁圖MEG、三維超聲成像，解正電子發(fā)射斷層照相PET、單光子發(fā)射計算機斷層SPECT、漫射加權(quán)成像DW1、功能磁共振FMRI等，這些成像技術(shù)各有特點，它們分別能在不同的時空分辨率下給人們提供各種解剖信息和功能信息。但僅僅依靠這些設(shè)備所提供的信息遠遠達不到人們的要求，必須進一步通過圖像處理手段來對圖像進行分析和解譯。醫(yī)學圖像處理技術(shù)包括圖像去模糊、圖像增強，圖像分割和圖像重建等，其中，在醫(yī)學圖像獲取過程中引起的模糊大大降低了圖像的質(zhì)量，嚴重影響了圖像的視覺效果，為了獲取高清晰度的醫(yī)學圖像，有必要對醫(yī)學圖像進行去模糊處理。圖像去模糊技術(shù)用于提高模糊圖像的質(zhì)量，其目的是從獲取到的模糊圖像中重構(gòu)出隱藏的清晰圖像。圖像去模糊可分兩大類，一類是在圖像去模糊之前，退化函數(shù)已知，則稱該類圖像去模糊為非盲去模糊；另一類是在圖像去模糊之前，退化函數(shù)未知，需要從模糊圖像中獲取后驗知識，則稱該類圖像去模糊為盲去模糊。現(xiàn)實問題中，圖像退化函數(shù)一般是未知的，因此圖像盲去模糊技術(shù)一直是圖像處理技術(shù)領(lǐng)域研究的一個熱點。核磁共振技術(shù)采用分層成像方法，從短軸和長軸兩個正交方向獲取心臟在一個心動周期的序列圖像。通過對圖像序列的分析，能夠`重建左心室的表面并研究其形狀的變化。由于心臟的跳動和血液的流動，其MRI圖像中出現(xiàn)了弱邊界、偽影、局部梯度極大值區(qū)域等現(xiàn)象，嚴重影響了心臟核磁共振成像MRI圖像的質(zhì)量。由于圖像的空間采樣和圖像模糊核的不確定性都會導(dǎo)致振鈴效應(yīng)的產(chǎn)生，并且模糊核尺度越大相應(yīng)的振鈴效應(yīng)越嚴重，傳統(tǒng)的心臟核磁共振成像MRI圖像去模糊方法，常常因為圖像噪聲的影響，模糊核估計的不準確以及模糊核零值缺陷等因素的影響，使得去卷積的結(jié)果難以讓人滿意，在恢復(fù)的圖像中往往存在嚴重的振鈴效應(yīng)，大大降低了圖像去模糊的效果。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對心臟核磁共振成像MRI圖像模糊核的不確定性，提出一種基于稀疏低秩與字典學習的心臟MRI圖像去模糊方法，以提高心臟MRI圖像的質(zhì)量。為實現(xiàn)上述目的，本發(fā)明包括如下步驟:(I)輸入心臟核磁共振成像MRI序列圖像中的第i幀圖像Ii, i彡I且i為整數(shù)；(2)用交替迭代法對心臟核磁共振成像MRI圖像Ii進行稀疏低秩矩陣分解，分別得到稀疏圖像A和低秩圖像B;(3)在稀疏圖像A上手動選擇一個用來估計運動模糊核的子窗口 k'；(4)在子窗口 k'上用自適應(yīng)字典學習的方法估計運動模糊核K ；
(5)利用步驟⑷估計到的運動模糊核K，對心臟核磁共振成像MRI圖像1用Richardson-Lucy算法進行去卷積運算,得到清晰的心臟核磁共振成像MRI圖像Li。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點:1、本發(fā)明充分利用了目標的運動變化能夠在圖像的稀疏部分得到很好的體現(xiàn)，用圖像的稀疏部分估計得到的運動模糊核會更加準確；2、本發(fā)明在估計運動模糊核之前首先將圖像分解，可以避免模糊核估計過程中對圖像非模糊部分的影響，避免了去模糊后圖像失真；3、本發(fā)明利用心臟核磁共振成像MRI圖像自身的特性，用自適應(yīng)字典學習的方法估計運動模糊核，進一步提高了模糊核估計的準確性；4、本發(fā)明估計的運動模糊核具有很好的適應(yīng)性，通過心臟核磁共振成像MRI序列中任意一幀圖像估計出的模糊核能較好地推廣到其它幀圖像中。


圖1是本發(fā)明的總流程圖；圖2是本發(fā)明所使用的心臟核磁共振成像MRI序列中的第I幀圖像；圖3是本發(fā)明對圖2進行稀疏低秩矩陣分解后得到的稀疏圖像；圖4是本發(fā)明對圖3用自適應(yīng)字典學習方法估計的運動模糊核；圖5是本發(fā)明對圖2進行去模糊后的結(jié)果圖像；圖6是本發(fā)明所使用的心臟核磁共振成像MRI序列中的第20幀圖像；圖7是將圖4應(yīng)用于圖6后對圖6進行去模糊的結(jié)果圖。
具體實施例方式用本發(fā)明方法對一幀心臟核磁共振成像MRI圖像進行分解，該圖像來源于同一人的心臟核磁共振成像MRI序列圖像中的一幀。參照圖1，用本發(fā)明方法對一幀心臟核磁共振成像MRI圖像進行低秩分解去模糊的具體步驟如下:步驟1:輸入心臟核磁共振成像MRI序列圖像中的第i幀圖像Ii,該心臟核磁共振成像MRI序列包括20幀圖像，大小均為192 X 160，這里我們?nèi)≡撔呐K核磁共振成像MRI序列中的第I幀圖像，如圖2所示；步驟2:用交替迭代法對心臟核磁共振成像MRI圖像Ii進行稀疏低秩矩陣分解，得到稀疏圖像A和低秩圖像B ；2a)設(shè)定C為心臟核磁共振成像MRI圖像Ii,通過公式:
權(quán)利要求
1.一種基于稀疏低秩與字典學習的心臟MRI圖像去模糊方法，包括如下步驟: (1)輸入心臟核磁共振成像MRI序列圖像中的第i幀圖像Ii,i彡I且i為整數(shù)； (2)用交替迭代法對心臟核磁共振成像MRI圖像Ii進行稀疏低秩矩陣分解，分別得到稀疏圖像A和低秩圖像B ； (3)在稀疏圖像A上手動選擇一個用來估計運動模糊核的子窗口A'； (4)在子窗口A'上用字典學習的方法估計運動模糊核K; (5)利用估計到的運動模糊核K,對心臟核磁共振成像MRI圖像Ii用Richardson-Lucy算法進行去卷積運算，得到清晰的心臟核磁共振成像MRI圖像Li。
2.根據(jù)權(quán)利要求1所述的方法，其中步驟(2)所述的用交替迭代法對心臟核磁共振成像MRI圖像Ii進行稀疏低秩矩陣分解，按如下步驟進行: 2a)設(shè)定C為心臟核磁共振成像MRI圖像Ii，通過公式:
3.根據(jù)權(quán)利要求1所述的方法，其中步驟(4)所述的在子窗口 上用自適應(yīng)字典學習的方法估計出運動模糊核K，按如下步驟進行: 4a)隨機初始化一個高斯模糊核Ktl和一個DCT字典Dtl,將子窗口 A'分成圖像塊，塊的大小為8X8，用基本追蹤算法估計每個圖像塊的稀疏系數(shù)α 1 ； 4b)利用高斯模糊核Kci,對子窗口 A'用Richardson-Lucy算法進行去卷積運算,得到去卷積窗口 A"，將子窗口 A"分成圖像塊，塊的大小為8X8，然后固定高斯模糊核Ktl和稀疏系數(shù)α1，用子窗口 A"中的圖像塊通過K均值奇異值分解算法來更新DCT字典Dtl，得到更新后的新字典D1 ； 4c)固定新字典D1和稀疏系數(shù)α1，用公式更新高斯模糊核Ktl，得到新模糊核K1，其中，K指運動模糊核，D指清晰圖像的字典，D指模糊圖像的字典，α指圖像塊的稀疏系數(shù)， 指卷積運算符； 4d)設(shè)定迭代次數(shù)n=8，將新字典D1和新模糊核K1作為下一次迭代的初始模糊核和初始字典，重復(fù)步驟4a)-4c)，估計出η次迭代后的模糊核Kn，將其作為心臟核磁共振成像MRI圖像Ii的運動模糊核K。
全文摘要
本發(fā)明公開了一種基于稀疏低秩與字典學習的心臟MRI圖像去模糊方法，主要解決由心臟跳動造成心臟核磁共振成像MRI圖像質(zhì)量下降的問題。其實現(xiàn)過程是輸入一幅心臟核磁共振成像MRI圖像；對該圖像進行稀疏低秩矩陣分解，得到圖像的稀疏部分和低秩部分；在圖像的稀疏部分選擇一個子窗口；用自適應(yīng)字典學習的方法在該子窗口上估計運動模糊核；利用已估計出的運動模糊核對心臟核磁共振成像MRI圖像進行去卷積運算，得到清晰的心臟核磁共振成像MRI圖像。本發(fā)明具有準確估計運動模糊核的優(yōu)點，避免了因運動模糊核估計不準確而導(dǎo)致圖像去模糊結(jié)果失真。
文檔編號G06T5/00GK103093430SQ20131003003
公開日2013年5月8日 申請日期2013年1月25日 優(yōu)先權(quán)日2013年1月25日
發(fā)明者緱水平, 劉芳, 王越越, 唐曉, 焦李成, 王爽, 楊淑媛, 馬文萍, 馬晶晶 申請人:西安電子科技大學