变分能量方法及其在医学图像处理中的应用

摘要

图像处理分析要解决的两个核心问题是:1）如何提高图像的质量和信息量;2)如何从大量的图像数据信息中快速地获取人们真正关心的信息。变分能量方法是应用数学领域中的一个重要方法，近三十年来在图像处理中得到广泛的应用和发展。图像超分辨和分割是（医学）图像处理中的两类典型问题，前者着眼于增大图像包含的信息量，后者主要是定量的提取目标物体的轮廓。本文主要是从这两类问题出发展开研究，利用医学数据特征、凸优化和低秩矩阵恢复的理论，建立了一系列高效的变分能量泛函，并提出了相应的快速求解算法。我们试图通过这些方法的建立作为搭建医学图像处理和临床医学之间桥梁的一个新的尝试。主要工作包括:
　　首先，针对医学图像中分割中的一类典型问题——肝脏CT图像分割，本文建立了一个基于图像表征的自适应混合变分模型。受到模糊的边界、复杂的背景、低对比度、组织间灰度重叠等因素的影响，肝脏CT图像分割是一个具有挑战性的问题。此外图像中有识别力的特征如灰度、边界等分布的不均匀性进一步增加了分割的难度。提出的模型在不同的图像区域有选择性地根据灰度、边界及局部上下文信息确定目标区域。针对周围组织粘连及模糊边界难于识别的问题，我们引入了一个基于整体和局部区域表征的势能场函数，它能够利用局部“上下文”信息有效地识别弱边界。实验表明通过有机的结合不同的图像信息，提出的模型能够很好地处理带有复杂背景、灰度重叠以及弱边界的医学分割问题。提出的模型具备较高的分割精度和较短的处理时间，能够很好地满足医学的实际需求。
　　其次，本文建立了一个带约束的凸的肝脏分割模型，并提出了一个改进的原始对偶算法。非凸模型由于一般只能局部求解，因此对初值有很大的依赖性。凸模型能够从任意初值出发得到全局解，但是很多模型的全局解缺少实际意义。对于带有复杂背景及灰度重叠的两区域肝脏分割问题，使得其全局最优解对应想要的分割。这需要有效地去除复杂背景的干扰，将全局解限制在目标分割上。对此我们提出了一个灰度-边界变分能量项，并结合了区域表征约束以及初始交互约束。我们给出了带交互约束的凸模型的解的松弛-阀值最优性。针对提出的非严格凸非光滑模型，我们提出了一个加速的原始对偶算法。大量的数据实验表明提出的模型能够有效地分割肝脏，而且仅仅需要很简单的交互初始化。
　　最后，本文提出了基于矩阵结构低秩正则化的单张图像超分辨能量模型。众所周知，由于大量的细节缺失，单张图像超分辨问题是一个严重不适定的反问题。为了得到稳定的解，人们往往引入正则化方法。一般的基于数据学习的超分辨模型的重建结果，不仅因训练集合和模型参数的不同而不同，而且存在很多异值(Outlier)噪声误差或不适当重建。本文中提出了一种基于重建矩阵结构低秩正则化的超分辨方法。该方法通过融合不同的粗糙超分辨结果得到干净的超分辨。在异值噪声随机、稀疏的假设下，我们提出的方法在保持图像结构的同时，能够有效地去除异值噪声误差。实验表明，提出的方法的结果不仅远远好于输入的粗糙超分辨结果，而且要优于当前主流的算法。

目录

声明

摘要

第一章 绪论

1．1 研究的问题及意义

1．1．1 医学及应用背景

1．1．2 图像分割

1．1．3 图像超分辨

1．2 研究历史及现状

1．2．1 连续的变分能量方法

1．2．2 离散的变分能量方法

1．2．3 先验信息与正则化的构建

1．2．4 变分能量的快速优化方法

1．3 文章的结构及创新点

1．3．1 研究内容和章节安排

1．3．2 主要创新点

第二章 一个基于区域表征的自适应肝脏分割模型

2．1 引言

2．2 本文提出的模型

2．2．1 基于灰度信息的项：J2(C)

2．2．2 基于区域表征的项：J3(C)

2．2．3 自适应的混合变分模型

2．3 算法设计

2．4 实验及验证结果

2．4．1 数据集及量化度量

2．4．2 参数设置

2．4．3 两维分割及比较结果

2．4．4 三维分割结果的验证与比较

2．4．5 对初始化鲁棒性的研究实验

2．5 本章小结

第三章 一个凸的肝脏分割模型

3．1 引言

3．2 本文提出的模型

3．2．1 区域表征项

3．2．2 灰度- 边界项

3．2．3 带约束的凸的变分分割模型

3．3 算法设计

3．4 数值实验

3．4．1 实验数据及模型参数设置

3．4．2 模型比较

3．4．3 定量化验证及比较

3．4．4 脾脏分割

3．5 本章小结

第四章 基于矩阵结构低秩的单张图像变分模型

4．1 引言

4．1．1 超分辨的数学模型

4．1．2 当前研究现状

4．1．3 当前方法存在的问题

4．1．4 符号定义

4．2 稀疏表示和低秩矩阵恢复

4．2．1 稀疏表示和字典学习

4．2．2 基于稀疏表示的超分辨方法(SC)

4．2．3 低秩矩阵恢复

4．3 本文提出的方法

4．3．1 “粗糙”超分辨生成及测试

4．3．2 基于矩阵结构低秩的正则化方法

4．4 算法设计

4．4．1 计算误差矩阵E

4．4．2 计算恢复矩阵Z

4．4．3 基于结构低秩正则化的单张图像超分辨(SLR-SR)

4．5 实验验证

4．5．1 实验设计

4．5．2 不同方法的比较结果

4．5．3 训练集大小及训练参数对重建的影响比较

4．5．4 大数据集验证

4．6 本章小结

第五章 结论与展望

5．1 论文工作总结

5．2 下一步工作展望

参考文献

发表文章目录

简历

致谢