基于高斯混合模型的医学图像去噪方法研究.pdfVIP

摘 要 摘 要 医学成像设备获取的医学图像广泛应用于临床诊断中。随着科技的进步，医学成 像技术突飞猛进，医疗人员可以从中获取很多病理信息。通过计算机提取出病灶区域， 帮助医生分析患者病情，大大提高了诊断的准确性和效率。但是在图像的采集和传输 过程中，不可避免地受到外界环境的干扰使图像融入了噪声，这使图像的视觉效果下 降，同时也影响了后面的图像处理。因此，图像去噪是非常必要的。 常用的去噪技术一般分为两类：频域法和空域法。但是这些方法对图像的处理有 局限。近年来，信号处理领域有一个很热门的理论叫做稀疏表示模型。理论基础是在 适当的过完备字典中，具有一定程度平滑度的图像具有稀疏表示。它的主要思想是用 过完备字典中的少量基信号的线性加权和来表示信号。稀疏表示模型逐渐被用来做医 学图像的分析与处理并取得了不俗的成绩。 为了尽可能地抑制噪声，提高医学图像的准确性清晰性，本文提出了一种基于高 斯混合模型的医学图像去噪方法。本文的主要研究内容如下： 一、本文提出了把高斯混合模型应用到医学领域，提出了基于 EM 算法 (Expectation Maximization Algorithm,最大期望算法) 的高斯混合模型。本文分析了高斯 混合模型，研究了该模型的聚类方法和EM 算法，理论和实验结果表明，基于高斯混 合模型的聚类算法非常适合对医学图像块进行分类。 二、本文提出利用GMM 模型(Gaussian Mixture Model，高斯混合模型)研究学习 医学图像块组，并对高斯分量的协方差进行SVD(Singular Value Decomposition,奇异值 分解) ，使用由其特征向量组成的矩阵作为子字典，特征值的大小被用作加权稀疏系 数的根据。并将其应用于稀疏表示模型，构建一个新的去噪模型，并将其应用于医学 图像去噪领域。本文提出的改进方法可以保持纹理等细节信息，PSNR 值高于其他典 型方法。 三、把一幅图像分成若干个小块时，考虑到边缘细节缺失导致重构时图像模糊， 因此相邻的块有一部分重叠，导致一个像素点对应多个不同的像素值，针对这个问题， 本文提出了截断加权函数的方法，在像素邻域距离小的时候赋予较大的权重，因为邻 域距离小的像素相关性强。并且当像素邻域距离变大时，所占得比例应该逐渐减少直 到为0 。该函数对不同邻域赋予不同的权重会对去噪的视觉效果产生很大的影响。 关键词：医学图像去噪；稀疏表示；高斯混合模型；块组；字典学习 i 基于高斯混合模型的医学图像去噪方法研究 目 录 1 1 第 章 绪论 1.1 引言1 1.2 研究背景与意义1 1.3 医学图像的存储 2 1.4 噪声图像模型及噪声特性3 1.4.1 含噪模型3 1.4.2 噪声及其特性4 1.5 去噪性能的评价8 1.5.1 主观评价法8 1.5.2 客观评价法9 1.6 本文主要研究内容及组织结构 10 第2 章 图像去噪综述及稀疏表示理论 11 2.1 引言 11 2.2 传统去噪方法介绍 11 2.3 稀疏表示理论 14 2.3.1 稀疏表示理论背景 15 2.3.2 稀疏表示模型 16 2.3.3 稀疏分解算法 17 2.4 字典学习 18 2.4.1 字典学习理论 18 2.4.2 字典学习算法 19 2.5 本章小结 2 1 第3 章 高斯混合模型及EM 算法22 3.1 概