基于多尺度聚类和非局部自回归学习的医学图像超分辨率重建研究

摘要

医学图像在临床治疗上拥有广泛的应用，因为它能提供病人器官的必要信息，从而指导精确地治疗。医学图像数据能真实地呈现出病人器官的形态及其病变的位置，所以对病人的临床治疗有重要指导意义。然而，现有的医学设备获得的医学图像分辨率受放射剂量的影响较大，较高的图像分辨率就意味着患者需要受到更多的照射剂量，这无疑会对病人产生不好地影响。但是如果分辨率较低，就容易对医生的诊疗带来困难，从而对最终患者的治疗产生影响。图像处理技术包含的方面很多，超分辨率重建是其中的一项分支，它的作用是用来提高图像的分辨率。具体过程就是寻求单幅或多幅低分辨率图像的额外先验信息，将这些先验知识加入图像，从而提升图像的分辨率，重建出高分辨率图像。这项技术不是通过提高物理设备的配置，而是在得到图像后，用计算机处理图像的方法提高图像质量，这是一种提高图像分辨率的后序处理方法。　　本文在研究了图像的退化模型后，针对医学图像存在的问题，根据医学图像的特征，将超分辨率重建技术应用在医学图像上，提出了两种提高医学图像分辨率的方法：基于多尺度聚类的医学图像超分辨重建算法和基于非局部自回归学习医学图像超分辨重建算法。　　在基于多尺度聚类的医学图像超分辨重建算法中，算法首先利用四叉树分解的方法对图像做分块操作，这样就自适应地获得了不同尺度的图像块；然后，通过分析医学图像的特征，结合医学图像的特点，对图像块实行特征提取操作和聚类操作，在各个不同尺度上能够获得对应的图像块的聚类中心；最后，利用一个简单函数算法学习各个图像块对应相应的回归系数，利用聚类中心和学习到的系数，得到高分辨率图像。通过实验证明，本文方法无论从视觉评价还是定量评价方面都能得到令人满意的超分辨重建结果。　　在基于非局部自回归学习的医学图像超分辨重建算法中，我们利用医学图像中存在相似性的特点，将医学图像相似性的特点加入自回归模型中，再将自回归模型引入基于稀疏表示的医学图像超分辨率重建模型中来构建高分辨率的医学图像。同时在字典训练时，算法不是训练全局的字典，而是利用聚类算法得到分类的子字典，以此提高实验的效率。通过在医学图像上进行实验得出结论：本文方法可以使医学图像的分辨率得到提高，图像也更加清晰，能够识别的细节也更多。由峰值信噪比、结构相似性对比等方面的对比，也能证明本文算法能够提高图像质量。

目录

声明

第1章 绪论

1.1 研究的背景及意义

1.2 本文主要研究内容

1.3 论文章节安排

第2章 图像超分辨率重建技术

2.1 图像超分辨率技术

2.2 图像退化模型

2.3 图像SR与图像复原、图像增强和图像插值的比较

2.4 常用的实现图像超分辨率重建的方法

2.5 稀疏表示理论

2.6 超分辨率的应用领域

2.7 图像质量评价指标

2.8 本章小结

第3章 基于自适应块聚类的医学图像超分辨重建

3.1 基于四叉树的图像自适应分块

3.2 医学图像的特征

3.3 医学图像块特征提取和聚类

3.4 医学图像的超分辨重建

3.5 实验结果与分析

3.6 本章小结

第4章 基于非局部自回归学习的医学图像超分辨率重建

4.1 图像主成分分析

4.2 医学图像的相似性

4.3 非局部自回归的医学图像SR重建

4.4 实验结果与分析

4.5 本章小结

第5章 结论与展望

5.1 研究总结

5.2 研究展望

参考文献

攻读硕士学位期间发表的学术成果

致谢