基于ASD-POCS框架的高阶TpV图像重建算法.docxVIP

基于ASD-POCS框架的高阶TpV图像重建算法

摘要：总变差（TV）最小化模型目前已广泛应用于图像重建领域，其通过最小化一阶图像梯度大小变换的L1范数实现，能在稀疏投影采集下得到精确的重构。然而，TV模型是基于分段平滑的图像的假设提出的，有时会产生阶梯效应。研究发现，高阶总变差（HOTV）模型可以有效压制阶梯效应，提高重建精度。此外，TpV模型使用Lp范数来逼近L0范数，有望进一步提高稀疏重建能力。鉴于此，本文将HOTV模型与TpV模型结合，提出一种新的高阶TpV（HOTpV）重建模型，采用自适应梯度下降-投影到凸集（ASD-POCS）算法进行求解，分别在理想和有噪声条件下对灰度渐变仿真模体以及真实CT图像仿真模体进行稀疏重建实验。实验结果显示，相比于TV、TpV以及HOTV三种重建模型，HOTpV能得到精度最高的图像。

关键词：高阶总变差；稀疏重建；压缩感知；ASD-POCS算法

自1973年计算机断层成像（computedtomography，CT）技术诞生以来，CT在医疗诊断以及工业无损检测中得到了广泛的应用。以滤波反投影（filteredbackprojection，FBP）算法[1]为代表的解析法是一类经典的医学图像重建算法。然而，当投影数据不满足Nyquist采样要求时，使用滤波后的反投影算法重建X射线CT图像就不可避免得会产生条纹伪影[2]。随着压缩感知（compressedsensing，CS）理论[3]的提出，迭代法逐渐成为重建领域中的一个研究热点，这是由于通过假设，CT图像可以用分段常数函数很好地逼近，其在梯度变换域中表现出稀疏性。基于该理论，Sidky等[4]于2006年提出了一种经典的迭代式重建算法，即总变差（totalvariation，TV）最小化算法。近年来，TV在扇形束CT[4]、锥形束CT[5]、C-armCT[6]、短扫描CT[7]、正电子发射成像（positronemissiontomography，PET）[8]及电子顺磁共振成像（electronparamagneticresonanceimaging，EPRI）[9]中均展现了其高精度图像重建能力。

然而，TV算法会将平滑区域也转换为分段常数区域，因此有时会引入不理想的阶梯效应，此现象在图像恢复以及图像去噪中则更加显著。为解决该问题，2000年，Chan等[10]提出一种用于图像恢复的高阶总变差（high-ordertotalvariation，HOTV）模型，该模型明显减少了阶梯效应，同时更好地保留了边缘信息。2013年，Zhang等[11]提出TV与HOTV

结合的图像重建复合模型，通过对加权函数的控制克服了单纯使用TV方法的缺点。2017年，胡悦等[12]针对HOTV模型运算复杂度高，耗时长的缺点，将增广拉格朗日乘子引入HOTV图像去噪中，在保留了图像细节等信息的基础上提高了算法的运行速度。2020年，席雅睿等[13]提出了一种HOTV图像重建模型，同时采用Chambolle-Pock（CP）算法对其进行求解，有效压制了TV算法引入的阶梯效应。

此外，TV算法通过最小化图像的L1范数实现[14]，其稀疏重建能力有限。理论上，正则化距离L0越近，重建中得到的图像质量越高，但是L0范数问题是典型的NP难问题。于是2014年，Sidky等[15]提出了约束总p变差（totalp-variation，TpV，0p≤1）最小化重建模型，使用Lp范数近似L0范数，利用图像梯度幅值的稀疏性，在明显降低CT投影数据采样率的情况下进行了精确的图像恢复。2017年，Cai等[16]提出一种新的基于TpV的重建模型，将TpV与kullback-leibler（KL）数据散度结合，与常用的二次项相比，具有更好的噪声抑制能力。2018年，Ma等[17]将自适应Lp范数用于

电容层析成像（electricalcapacitancetomography，ECT）中，在节省了采样时间的同时提升了图像质量。同年，宋洁等[18]利用交替方向乘子-Lp（alternatingdirectionmethodofmultipliers-Lp，ADMM-Lp）算法实现了对非凸优化模型的求解，证明了Lp范数的稀疏重建能力。

图1fs,t相邻像素位置关系Fig.1Positionrelationoffstadjacentpixel