一種基于塊加權約束的壓縮感知圖像重建方法及裝置的制造方法
【專利摘要】本發(fā)明提供了一種基于塊加權約束的壓縮感知圖像重建方法及裝置，所述方法包括，根據待重建圖像中的感興趣目標對待重建圖像進行劃分，確定感興趣目標區(qū)域；確定感興趣目標區(qū)域及非感興趣目標區(qū)域的懲罰權重；根據所述懲罰權重及約束項類型構造基于塊加權約束的壓縮感知圖像重建算法模型；求解所述基于塊加權約束的壓縮感知圖像重建算法模型，得到重建圖像。本發(fā)明能夠避免目標區(qū)域外高強度噪聲的影響，同時能夠保留目標區(qū)域內微小的邊緣細節(jié)信息不被過度平滑，能夠在欠采倍數很高同時噪聲強度較大的情況下準確地重建圖像中微小的邊緣細節(jié)信息。另省去了局部加權的約束項中計算權重的步驟，提高了算法效率，增加了靈活性。
【專利說明】
-種基于塊加權約束的壓縮感知圖像重建方法及裝置
技術領域
[0001] 本發(fā)明屬于磁共振成像領域，特別設及一種基于塊加權約束的壓縮感知圖像重建 方法及裝置。
【背景技術】
[0002] 磁共振成像技術已經成為臨床醫(yī)學檢查的重要手段之一，能夠為臨床醫(yī)學提供非 常有價值的診斷信息。磁共振成像技術與其它醫(yī)學影像技術相比，具有無福射危害、多方位 和多參數成像等優(yōu)點，其對軟組織的檢查非常敏感，不僅能夠顯示人體解剖結構的形態(tài)信 息，而且還能反映人體組織的某些生理生化信息。但磁共振成像技術的成像速度較慢，成像 過程中被檢者身體中的生理性運動都會使影像模糊，對比度失真，無法滿足屯、臟動態(tài)成像、 腦功能成像、人體運動成像W及屯、腦血管等快速成像的要求，因此如何高分辨率的實現(xiàn)快 速磁共振成像已經成為磁共振成像技術發(fā)展和應用的關鍵。
[0003] 加速磁共振成像的方法有許多種，其中最主要的一個方法就是減少采樣數據量， 同時又能準確地重建圖像。
[0004] 在最近=十多年的磁共振成像研究中，為了能夠大幅度地減少圖像重建所需的采 樣數據量，提高加速倍數，研究者提出了很多種基于壓縮感知成像(Compressed Sensing: CS)的正則化算法。壓縮感知作為一個新的采樣理論，它通過開發(fā)磁共振圖像的稀疏特性， 在遠小于Nyquist采樣率的條件下，用隨機采樣獲取信號的離散樣本，然后通過非線性迭代 算法完美的重建圖像。其中為了解決重建模型中的病態(tài)解問題，根據圖像本身的一些先驗 信息，例如圖像本身稀疏、邊緣突出、已知目標區(qū)域位置等特點，利用一些對應的約束項加 入到重建模型中能夠幫助準確地重建圖像。目前已經提出了多種約束項，例如Ll約束項、小 波變換約束項和全變差(Total Variation:TV)約束項等等。我們把運些約束項分為兩大 類:第一類是針對圖像全局的約束項，例如Ll約束項、小波變換約束項和全變差約束項等。 在重建過程中，運些約束項對圖像中所有像素點的懲罰權重是一致的，因此會導致圖像過 度模糊，或者微小細節(jié)信息丟失的問題。第二類是針對圖像局部加權的約束項，例如保邊全 變差巧dge-Preserving Total Variation:EPTV)約束項等，運種約束項是基于全變差的一 種圖像全局加權懲罰約束項。運種約束項對圖像中所有像素點進行加權，根據像素點的局 部梯度相應地改變其懲罰權重。因此能夠準確重建較明顯的組織邊緣，但是對于較高強度 的噪聲不能很好地去除，反而同時也會將對比度較低的微小細節(jié)信息作為噪聲模糊掉。
[0005] 目前基于壓縮感知上應用的各種約束項在加速倍數較高時，都存在著重建圖像中 組織邊緣模糊的問題?，F(xiàn)有的全局約束項給予圖像中每一個像素點同樣的懲罰權重，使得 圖像過度平滑，造成微小組織的邊緣模糊，丟失了細節(jié)信息；而像素點局部加權的約束項 中，容易受到高強度噪聲點影響，導致應該保留的邊緣細節(jié)信息被強度較大的噪聲所淹沒， 因此并不能在噪聲較嚴重W及欠采倍數較高的情況下很好地保留邊緣細節(jié)信息。
【發(fā)明內容】
[0006] 本發(fā)明提供一種基于塊加權約束的壓縮感知圖像重建方法及裝置，用于解決現(xiàn)有 技術中磁共振成像重建圖像存在組織邊緣模糊，在噪聲較嚴重及欠采倍數較高的情況下不 能很好保留邊緣細節(jié)信息等問題。
[0007] 為了解決上述技術問題，本發(fā)明的技術方案為提供一種基于塊加權約束的壓縮感 知圖像重建方法，
[0008] 根據待重建圖像中的感興趣目標對待重建圖像進行劃分，確定感興趣目標區(qū)域；
[0009] 確定感興趣目標區(qū)域及非感興趣目標區(qū)域的懲罰權重；
[0010] 根據所述懲罰權重及約束項類型構造基于塊加權約束的壓縮感知圖像重建算法 模型；
[0011] 求解所述基于塊加權約束的壓縮感知圖像重建算法模型，得到重建圖像。
[0012] 本發(fā)明另提供一種對目標區(qū)域重建的磁共振成像裝置，
[0013] 區(qū)域劃分單元，用于根據待重建圖像中的感興趣目標對待重建圖像進行劃分，確 定感興趣目標區(qū)域；
[0014] 懲罰權重確定單元，用于確定感興趣目標區(qū)域及非感興趣目標區(qū)域的懲罰權重；
[0015] 模型生成單元，用于根據所述懲罰權重及約束項類型構造基于塊加權約束的壓縮 感知圖像重建算法模型；
[0016] 計算單元，用于求解所述基于塊加權約束的壓縮感知圖像重建算法模型，得到重 建圖像。
[0017] 本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建方法及裝置提出了一種塊加 權約束項，即對現(xiàn)有技術的圖像重建算法模型中的第二類約束項進行了改進，對圖像進行 了區(qū)域劃分，利用圖像的先驗信息，針對感興趣目標區(qū)域內的像素點給予相同的較小的懲 罰權重，給予其他區(qū)域像素點較大的懲罰權重。本發(fā)明能夠避免感興趣目標區(qū)域外高強度 噪聲的影響，同時能夠保留感興趣目標區(qū)域內微小的邊緣細節(jié)信息不被過度平滑，能夠在 欠采倍數很高同時噪聲強度較大的情況下準確地重建圖像中微小的邊緣細節(jié)信息。另省去 了局部加權的約束項中計算權重的步驟，提高了算法效率，增加了靈活性。
【附圖說明】
[0018] 為了更清楚地說明本發(fā)明實施例的技術方案，下面將對實施例描述中所需要使用 的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本 領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可W根據運些附圖獲得其他的 附圖。
[0019] 圖1為本發(fā)明一實施例的基于塊加權約束的壓縮感知圖像重建方法流程圖；
[0020] 圖2A~2B為本發(fā)明一實施例的目標區(qū)域分塊示意圖；
[0021] 圖3為本發(fā)明一實施例的基于塊加權約束的壓縮感知圖像重建裝置結構圖；
[0022] 圖4為本發(fā)明一實施例的改進的化epp-Logan仿真圖像；
[0023] 圖5為采用本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建方法與現(xiàn)有技術欠 采樣圖像重建方法重建的圖像的對比圖；
[0024] 圖6為采用本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建方法與現(xiàn)有技術欠 采樣圖像重建方法在不同加速倍數下重建圖像目標區(qū)域之間的標準均方誤差圖；
[0025] 圖7為采用全采樣方法獲得的磁共振圖像；
[0026] 圖8為采用本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建方法與現(xiàn)有技術欠 采樣圖像重建方法重建的圖像的對比圖；
[0027] 圖9為本發(fā)明一實施例的穿過冠狀動脈中屯、的16個像素點的標準化像素值的變化 圖；
[0028] 圖IOA~IOC為采用本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建方法與現(xiàn) 有技術欠采樣圖像重建方法在不同加速倍數下的標準化灰度值變化對比圖。
【具體實施方式】
[0029] 為了使本發(fā)明的技術特點及效果更加明顯，下面結合附圖對本發(fā)明的技術方案做 進一步說明，本發(fā)明也可有其他不同的具體實例來加 W說明或實施，任何本領域技術人員 在權利要求范圍內做的等同變換均屬于本發(fā)明的保護范疇。
[0030] 如圖1所示，圖1為本發(fā)明一實施例的基于塊加權約束的壓縮感知圖像重建方法流 程圖。
[0031] 本實施例根據先驗信息對圖像進行分塊加權，準確地將目標圖像的感興趣區(qū)域內 微小邊緣細節(jié)信息重建出來，克服了現(xiàn)有的約束項帶來的在高倍欠采時丟失細節(jié)信息的瓶 頸問題，同時大大縮短了成像時間，使其更能實際應用到磁共振成像中。
[0032] 具體的，基于塊加權約束的壓縮感知圖像重建方法包括：
[0033] 步驟101:根據待重建圖像中的感興趣目標對待重建圖像進行劃分，確定感興趣目 標區(qū)域；
[0034] 具體實施時，待重建圖像中的感興趣目標可通過觀察或分析欠采樣數據得到。
[003引假設圖像U被分割為N塊，即
，NEZ+而 且每一區(qū)域大小不等且互不相交，即
，對于Vi # 乂 1《i，j《N，其中 包含感興趣目標區(qū)域的塊為W。。'感興趣目標區(qū)域的個數可W為一個也可W為多個，本發(fā)明 對感興趣目標區(qū)域個數不做限制。
[0036] 步驟102:確定感興趣目標區(qū)域及非感興趣目標區(qū)域的懲罰權重；
[0037] 步驟103:根據所述懲罰權重及約束項類型構造基于塊加權約束的壓縮感知圖像 重建算法模型；
[0038] 步驟104:求解所述基于塊加權約束的壓縮感知圖像重建算法模型，得到重建圖 像。
[0039] 基于塊加權約束的壓縮感知圖像重建算法模型的求解可通過現(xiàn)有技術中非線性 最優(yōu)化迭代算法進行求解，如最速下降法、共輛梯度法、Bregman迭代法等，本發(fā)明對求解基 于塊加權約束的壓縮感知圖像重建算法模型的算法不做限制。
[0040] 本發(fā)明一實施例中，約束項類型選擇方法為:若所述待重建圖像在圖像域內稀疏， 則選取1-范數，計算公式為MuMi,其中U為重建圖像，M ? I Ii為1-范數;若所述待重建圖像 在小波域稀疏，則選取小波變換范數，計算公式為IlWu Ml，其中Wu為圖像的小波變換，U為 重建圖像;若所述待重建圖像在全變差域稀疏，則選取全變差范數，計算公式為Mu Mtv, ? I Itv為全變差范數。
[0041] 本發(fā)明一實施例中，感興趣目標區(qū)域的形狀是根據約束項類型確定的，如小波約 束項只能對矩形塊進行計算，而全變差約束項可W對不規(guī)則形狀進行計算。圖2A及2B表達 了根據不同的約束項可W選擇不同的目標區(qū)域的形狀。圖2A為一種規(guī)則矩形分塊方式，其 中矩形塊1為感興趣目標區(qū)域（即目標區(qū)域），其他區(qū)域2為非目標區(qū)域。圖2B所示則為一種 不規(guī)則的分塊方式，其中不規(guī)則形塊1為感興趣目標區(qū)域，其他區(qū)域2為非目標區(qū)域。
[0042] 因為每幅待處理圖像中目標區(qū)域的大小和位置可能是不一樣的，圖2A及圖2B只是 一種目標區(qū)域的大小和位置的安排方式，具體實施時，可根據需求設定目標區(qū)域大小及位 置，只要保證目標區(qū)域能夠將感興趣目標包含在目標區(qū)域內即可。
[0043] 本發(fā)明一實施例中，確定感興趣目標區(qū)域及非目標區(qū)域的懲罰權重進一步包括： 對于感興趣目標區(qū)域外的懲罰權重?n,，i聲C可W設置較大，通常設置為1，從而使得整體解 足夠稀疏。而感興趣目標區(qū)域的權重?。。可W根據欠采造成的噪聲的強度設置，具體的，當 待重建圖像的欠采倍數大于預定欠采倍數(如預定欠采倍數為3)時，設定所述感興趣目標 區(qū)域的懲罰權重為非感興趣目標區(qū)域懲罰權重的10%~30%，從而平滑噪點同時保留感興 趣目標區(qū)域內微小的細節(jié)信息；當待重建圖像的欠采倍數小于或等于預定欠采倍數(如預 定欠采倍數為3)時，設定所述感興趣目標區(qū)域的懲罰權重為非感興趣目標區(qū)域懲罰權重的 1%~15%，從而使得感興趣目標區(qū)域內微小的邊緣信息不會過度平滑。
[0044] 使用上述規(guī)則設定感興趣目標區(qū)域及非目標區(qū)域的懲罰權重能夠在較少欠采樣 數據的情況下，保證感興趣目標區(qū)域內的微小的邊緣細節(jié)得W保留，同時也使得目標區(qū)域 外的結構足夠平滑，保留大體的結構信息。
[0045] 本發(fā)明對感興趣目標區(qū)域及非感興趣區(qū)域設定的懲罰權重的具體取值不做限制， 可根據需求設定。
[0046] 因為目標區(qū)域內的噪聲強度比區(qū)域外的強度小，所W可W對包含目標區(qū)域的塊再 進行細化加權，本發(fā)明一實施例中，確定感興趣目標區(qū)域的懲罰權重進一步包括，
[0047] 通過如下公式確定感興趣目標區(qū)域內不同像素點的懲罰權重，進行細化加權：
[004引
[0049] 其中，X為感興趣目標區(qū)域內的像素點，婦感興趣目標區(qū)域內的像素點X的 值;Oc為感興趣目標區(qū)域，O為平滑參數，V/f。(.V)為像素點X的梯度值，M ? I Ii為1-范數。
[0050] 本發(fā)明一實施例中，根據所述懲罰權重及約束項類型構造基于塊加權約束的壓縮 感知圖像重建算法模型(步驟103)進一步包括，
[0051] 步驟1031:根據所述懲罰權重及約束項類型得到待重建圖像的塊加權約束項；
[0052] 通過如下公式計算待重建圖像的塊加權約束項：
[0053] fb(u)=/Oof (u〇)d〇,
[0054] 其中，fb(u)為塊加權正則范數，f(u。)為塊u。的約束項范數，《。則為塊u。的懲罰權 重。
[0055] 進一步的，若感興趣目標區(qū)域內不同的像素點根據梯度值大小給予不同的權重， 上式中的打(U)表示為：
[0化6] ，
[0057] 其中：
。為感興趣目標區(qū)域內的像素點，M。-。的 為感興趣目標區(qū)域內的像素點X的值;Oc為感興趣目標區(qū)域，O為平滑參數，Vw。（.X-)為像素 點X的梯度值，I I ? I Ii為1-范數。
[0058] 步驟1032:根據待重建圖像的塊加權約束項構造基于塊加權約束的壓縮感知圖像 重建算法模型。
[0059] 通過如下公式得到基于塊加權約束的壓縮感知圖像重建算法模型：
[0060]
[0061] 其中，uGCnXn為待重建圖像像素矩陣，F(xiàn)為傅里葉編碼矩陣，y為采樣的數據矩陣，入 為平衡數值保真項和正則項之間的正則因子，打(U)為塊加權正則范數，Il ? Ih為矩陣的2- 范數。
[0062] 本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建方法提出了一種塊加權約束 項，即對現(xiàn)有技術的圖像重建算法模型中的第二類約束項進行了改進，對圖像進行了區(qū)域 劃分，利用圖像的先驗信息，針對目標區(qū)域內的像素點給予相同的較小的懲罰權重，給予其 他區(qū)域像素點較大的懲罰權重。本發(fā)明能夠避免目標區(qū)域外高強度噪聲的影響，同時能夠 保留目標區(qū)域內微小的邊緣細節(jié)信息不被過度平滑，能夠在欠采倍數很高同時噪聲強度較 大的情況下準確地重建圖像中微小的邊緣細節(jié)信息。另省去了局部加權的約束項中計算權 重的步驟，提高了算法效率，增加了靈活性。
[0063] 如圖3所示，圖3為本發(fā)明一實施例的基于塊加權約束的壓縮感知圖像重建裝置結 構圖。
[0064] 該裝置包括:區(qū)域劃分單元301，用于根據待重建圖像中的感興趣目標對待重建圖 像進行劃分，確定感興趣目標區(qū)域；
[0065] 懲罰權重確定單元302，用于確定感興趣目標區(qū)域及非感興趣目標區(qū)域的懲罰權 重；
[0066] 模型生成單元303,用于根據所述懲罰權重及約束項類型構造基于塊加權約束的 壓縮感知圖像重建算法模型；
[0067] 計算單元304,用于求解所述基于塊加權約束的壓縮感知圖像重建算法模型，得到 重建圖像。
[0068] 本發(fā)明一實施例中，懲罰權重確定單元302具體用于，當待重建圖像的欠采倍數大 于預定倍數時，設定所述感興趣目標區(qū)域的懲罰權重為非感興趣目標區(qū)域懲罰權重的10 % ~30%;當待重建圖像的欠采倍數小于或等于預定倍數時，設定所述感興趣目標區(qū)域的懲 罰權重為非感興趣目標區(qū)域懲罰權重的1 %~15%。
[0069] 本發(fā)明一實施例中，懲罰權重確定單元302可進一步通過如下公式確定感興趣目 標區(qū)內不同像素點的懲罰權重，進行細化加權：
[0070]
[0071] 其中，X為感興趣目標區(qū)域內的像素點，（.0為感興趣目標區(qū)域內的像素點X的 值;0。為感興趣目標區(qū)域，O為平滑參數，^%>：)為像素點X的梯度值，M ? Mi為1-范數。
[0072] 本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建裝置提出了一種塊加權約束 項，即對現(xiàn)有技術的圖像重建算法模型中的第二類約束項進行了改進，對圖像進行了區(qū)域 劃分，利用圖像的先驗信息，針對目標區(qū)域內的像素點給予相同的較小的懲罰權重，給予其 他區(qū)域像素點較大的懲罰權重。本發(fā)明能夠避免目標區(qū)域外高強度噪聲的影響，同時能夠 保留目標區(qū)域內微小的邊緣細節(jié)信息不被過度平滑，能夠在欠采倍數很高同時噪聲強度較 大的情況下準確地重建圖像中微小的邊緣細節(jié)信息。另省去了局部加權的約束項中計算權 重的步驟，提高了算法效率，增加了靈活性。
[0073] 為了使本申請技術方案更加清楚，下面W兩組實驗結果來進行說明，第一組為仿 真實驗，第二組為健康志愿者實驗。需要說明的是，運兩組實驗選取的為全變差約束項。
[0074] 第一組仿真實驗：
[0075] 如圖4所示，圖4為改進的化epp-Logan仿真圖像，該圖像的大小為256 X 256，圖像 中屯、放置了一個微小的圓環(huán)，厚度大約為2~3個像素點，用于模擬微小的血管壁。圓環(huán)內壁 放置相鄰的3個灰度值較高的像素點，用于模擬血管壁內的斑塊。右側框內所示即為插值放 大后的細節(jié)圖像。運模擬的是圖像中微小的細節(jié)信息，本發(fā)明的目的即在重建圖像中準確 重建運些信息。另外，在合適的位置放置了2個圓和1個楠圓，目的是減少圖像整體的稀疏 性，W模擬真實圖像的稀疏性。
[0076] 對設計好的仿真圖像進行傅里葉變換，得到的數據作為k-space的全采樣數據。接 下來根據我們設計的采樣模式進行數據采集，即在相位編碼方向進行欠采，在k-space中間 密集采集24條相位線，邊緣稀疏隨機采集，據此來模擬欠采樣的k-space數據，欠采倍數分 別取為2、4、6和8。在運一組實驗中，我們用已有的常規(guī)TV、EPTV約束項W及本發(fā)明提出基于 塊加權的全變差約束項(Block-Wei曲ted Total Variation:BWTV)分別重建模擬數據，并 進行比較。結果如圖5所示。
[0077] 從圖5可W看出當欠采倍數較低，如2倍時，現(xiàn)有技術(TV及EPTV約束項）和本發(fā)明 提出的塊加權約束的壓縮感知圖像重建方法(BWTV約束項)都能很好地保存重建圖像中模 擬的血管壁和斑塊。但隨著欠采倍數的加大，現(xiàn)有技術TV和EPTV重建的圖像中微小的細節(jié) 信息很快就會丟失，然而本發(fā)明提出的BWTV仍然能夠準確地重建運些信息。即使是達到最 高欠采倍數，如8倍時，相比現(xiàn)有技術重建的圖像中微小細節(jié)信息已完全丟失，本發(fā)明提出 的技術仍然能夠從重建圖像中清楚地看到模擬的血管壁和斑塊。
[0078] 如圖6所示，圖6為采用本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建方法與 現(xiàn)有技術欠采樣圖像重建方法在不同加速倍數下重建圖像目標區(qū)域之間的標準均方誤差 圖（normalized mean-squared erroriNMSE)。標準均方誤差越小，表明重建的圖像與原圖 越接近。由圖6可知，本發(fā)明提供的基于BWTV約束項構造的壓縮感知圖像重建算法模型得到 的重建圖像比現(xiàn)有技術重建的圖像要好，即時在最高加速倍數8倍時，與仿真原圖也非常接 近，具有誤差小的特點。
[0079] 第二組實驗中，采集了4名健康志愿者的冠狀動脈的數據。利用的是3D黑血序列結 合微小黃金角的徑向采樣軌跡，掃描參數包括:TR和TE分別為3.8和1.9毫秒，空間分辨率為 0.83 X0.83 X 2.Omm3,帶寬為992Hz/Pixel，采樣層數和徑向條數分別為12和240。全采樣的 參考圖像如圖7所示，圖像中微小的邊緣細節(jié)信息為圖像目標區(qū)域中屯、的冠狀動脈血管壁 (箭頭所指）。
[0080] 分別根據欠采倍數2、3和4對采集的數據進行欠采樣，然后分別用常規(guī)的TV約束 項、EPTV約束項W及本發(fā)明提出的一種塊加權約束項--BWTV約束項對運些數據進行重 建。具有代表性的結果如圖8所示，現(xiàn)有技術重建的圖像中冠狀動脈血管壁(箭頭所指)在欠 采倍數高于2倍時，不能很好地重建冠狀動脈血管壁，然而本發(fā)明提出的技術即使在欠采倍 數高達4倍時仍然能夠清楚地描述血管壁。
[0081] 如圖9所示，圖9為本發(fā)明一實施例的穿過冠狀動脈中屯、的16個像素點的標準化像 素值的變化圖。水平穿過冠狀動脈中屯、的16個像素點如圖9中白色虛線所示。如圖IOA~IOC 所示，圖IOA~IOC為采用本發(fā)明提供的基于塊加權約束的壓縮感知圖像重建方法與現(xiàn)有技 術欠采樣圖像重建方法在不同加速倍數下的標準化灰度值變化對比圖，用于比較=種技術 (TV約束項、EPTV約束項及BWTV約束項)重建的血管壁的精確程度。與全采樣參考圖像標準 化像素值變化曲線(黑色實線曲線)越相近的重建圖像質量越好，由圖IOA~IOC可W看出在 對微小的邊緣信息的重建精確度最好的是本發(fā)明提出的技術。
[0082] 本發(fā)明具有W下優(yōu)點：
[0083] 本發(fā)明相比于全局約束項來說只針對圖像的目標區(qū)域進行約束，可W有效地避免 了全局約束造成的重建圖像過度平滑，細節(jié)信息丟失的問題；同時，本發(fā)明相比與像素點局 部加權約束來說，可W避免了目標區(qū)域外高強度噪聲的干擾，同時還減少了計算權重的時 間，大大提高了算法的效率，增加了靈活性。
[0084] W上所述僅用于說明本申請技術方案，任何本領域普通技術人員均可在不違背本 發(fā)明的精神及范疇下，對上述實施例進行修飾與改變。因此，本發(fā)明的權利保護范圍應視權 利要求范圍為準。
【主權項】
1. 一種基于塊加權約束的壓縮感知圖像重建方法，其特征在于，包括， 根據待重建圖像中的感興趣目標對待重建圖像進行劃分，確定感興趣目標區(qū)域； 確定感興趣目標區(qū)域及非感興趣目標區(qū)域的懲罰權重； 根據所述懲罰權重及約束項類型構造基于塊加權約束的壓縮感知圖像重建算法模型； 求解所述基于塊加權約束的壓縮感知圖像重建算法模型，得到重建圖像。2. 如權利要求1所述的基于塊加權約束的壓縮感知圖像重建方法，其特征在于，確定感 興趣目標區(qū)域的懲罰權重進一步包括： 當待重建圖像的欠采倍數大于預定欠采倍數時，設定所述感興趣目標區(qū)域的懲罰權重 為非感興趣目標區(qū)域懲罰權重的10%~30% ; 當待重建圖像的欠采倍數小于或等于預定欠采倍數時，設定所述感興趣目標區(qū)域的懲 罰權重為非感興趣目標區(qū)域懲罰權重的1 %~15%。3. 如權利要求2所述的基于塊加權約束的壓縮感知圖像重建方法，其特征在于，確定感 興趣目標區(qū)域的懲罰權重進一步包括， 通過如下公式確定感興趣目標區(qū)域內不同像素點的懲罰權重：其中，X為感興趣目標區(qū)域內的像素點，〃σ_ (.V)為感興趣目標區(qū)域內的像素點X的值;σ。 為感興趣目標區(qū)域，σ為平滑參數，▽~（.Ο為像素點X的梯度值，M · I Ii為卜范數。4. 如權利要求1所述的基于塊加權約束的壓縮感知圖像重建方法，其特征在于，根據所 述懲罰權重及約束項類型構造基于塊加權約束的壓縮感知圖像重建算法模型進一步包括， 根據所述懲罰權重及約束項類型得到待重建圖像的塊加權約束項； 根據待重建圖像的塊加權約束項構造基于塊加權約束的壓縮感知圖像重建算法模型。5. 如權利要求4所述的基于塊加權約束的壓縮感知圖像重建方法，其特征在于，通過如 下公式計算待重建圖像的塊加權約束項： fb(u)=/〇0f(u〇)d〇, 其中，fb (u)為塊加權正則范數，f (u。)為塊u。的約束項范數，ω。則為塊u。的懲罰權重。6. 如權利要求5所述的基于塊加權約束的壓縮感知圖像重建方法，其特征在于，通過如 下公式得到基于塊加權約束的壓縮感知圖像重建算法模型：其中，ueCnXn為待重建圖像像素矩陣，F(xiàn)為傅里葉編碼矩陣，y為采樣的數據矩陣，λ為平 衡數值保真項和正則項之間的正則因子，fb(u)為塊加權正則范數，U · I |2為矩陣的2-范 數。7. 如權利要求1所述的基于塊加權約束的壓縮感知圖像重建方法，其特征在于，所述約 束項類型的確定進一步包括， 若所述待重建圖像在圖像域內稀疏，則選取1-范數； 若所述待重建圖像在小波域稀疏，則選取小波變換范數； 若所述待重建圖像在全變差域稀疏，則選取全變差范數。8. -種基于塊加權約束的壓縮感知圖像重建裝置，其特征在于，包括， 區(qū)域劃分單元，用于根據待重建圖像中的感興趣目標對待重建圖像進行劃分，確定感 興趣目標區(qū)域； 懲罰權重確定單元，用于確定感興趣目標區(qū)域及非感興趣目標區(qū)域的懲罰權重； 模型生成單元，用于根據所述懲罰權重及約束項類型構造基于塊加權約束的壓縮感知 圖像重建算法模型； 計算單元，用于求解所述基于塊加權約束的壓縮感知圖像重建算法模型，得到重建圖 像。9. 如權利要求8所述的基于塊加權約束的壓縮感知圖像重建裝置，其特征在于，懲罰權 重確定單元具體用于， 當待重建圖像的欠采倍數大于預定欠采倍數時，設定所述感興趣目標區(qū)域的懲罰權重 為非感興趣目標區(qū)域懲罰權重的10%~30% ; 當待重建圖像的欠采倍數小于或等于預定欠采倍數時，設定所述感興趣目標區(qū)域的懲 罰權重為非感興趣目標區(qū)域懲罰權重的1 %~15%。10. 如權利要求9所述的基于塊加權約束的壓縮感知圖像重建裝置，其特征在于，懲罰 權重確定單元進一步通過如下公式確定感興趣目標區(qū)內不同像素點的懲罰權重：其中，X為感興趣目標區(qū)域內的像素點，\ 為感興趣目標區(qū)域內的像素點X的值; 為感興趣目標區(qū)域，σ為平滑參數，為像素點X的梯度值，M · I Ii為1-范數。
【文檔編號】G06T5/00GK106023116SQ201610370865
【公開日】2016年10月12日
【申請日】2016年5月30日
【發(fā)明人】謝國喜, 陳中舟, 劉新, 鄭海榮
【申請人】中國科學院深圳先進技術研究院