基于模块化降噪自编码器的视网膜OCT图像降噪方法

针对光学相干层析成像（OCT）过程中，光线散射、目标微动和硬件抖动等原因引起的噪声干扰，尤其是视网膜OCT图像中存在的严重噪声干扰问题，提出了一种基于模块化降噪自编码器的渐进式OCT图像降噪方法。使用多层卷积和反卷积构建自编码器，以模块化深度神经网络的架构为基础搭建了具有多个自编码器模块的神经网络，每个自编码器模块可依次输出降噪程度逐渐升高的过程结果，以满足不同的使用需求。以均方误差、峰值信噪比和结构相似度作为降噪结果的评价指标，对编码器模块数量T的研究结果表明，所设计的编码器在T=4时具有最佳性能。利用所提方法和各种主流方法对正常眼和病眼的视网膜OCT图像进行降噪处理，结果表明所提方法在各项指标上均取得最优结果，可以有效地对视网膜OCT图像进行降噪处理和大幅提升图像的质量。     

基于深度学习的视网膜OCT图像无监督去噪方法

以散斑噪声为主的噪声干扰严重影响视网膜光学相干层析（OCT）图像质量。深度学习是一种有效的去噪方法。但对活体成像而言,其很难获取多帧配准的真值图像,这影响了监督学习方法的效果。提出一种无监督深度残差稀疏注意力网络用于视网膜OCT图像去噪,并分别从视觉评价和数值评价两方面与传统的三维块匹配滤波去噪算法和经典的深度学习去噪网络进行对比。研究了监督学习与无监督学习策略下3种卷积神经网络的去噪性能,并利用公开的视网膜OCT图像数据集进行泛化能力测试。实验结果表明：所提算法的视觉评价和数值评价均具有良好的降噪效果,可以实现视网膜OCT图像高质量降噪,具有较强的泛化性,而且与监督学习相比,无监督学习在数据集不充分时仍能获得较好的降噪性能,可以有效地辅助医生进行准确高效的临床诊断。     

纯随机相位板散斑去相关光学相干层析成像

光学相干层析成像（OCT）的图像质量会受到散斑噪声的影响,限制了OCT在临床诊断中的应用。叠加取平均是一种降噪的常用方法,作为相干噪声,散斑降噪的关键在于降低用于叠加的图像之间的散斑相关度。提出了一种基于纯随机相位板的散斑去相关OCT系统（PSD-OCT）。利用纯随机相位板调制样品光的波前相位以实现散斑去相关,从而为采用叠加取平均降低OCT图像噪声的方法提供低相关数据。成像实验证明了纯随机相位板能够降低散斑相关度,提升叠加图像的散斑信噪比,使得生物样品的精细结构更为清晰明显。与传统OCT的相关叠加相比,PSD-OCT的去相关叠加可以大幅降低散斑噪声从而增强OCT图像的视觉可见性,且无需搭建复杂系统,具有广泛的生物医学成像应用前景。     

基于分数阶积分算法的OCT图像去噪研究

散斑存在于光学相干层析成像(OCT)信号中,不可避免地影响OCT图像质量。通过对OCT系统中的噪声源进行分析,提出了一种傅里叶域OCT图像散斑噪声降噪的分数阶积分算法。为了克服单纯主观视觉判别图像质量的局限性,均方误差、峰值信号噪声比和边缘保护系数被选为图像去噪评估标准。通过实验与中值滤波和维纳滤波方法进行比较,结果表明,该算法可以有效地保留OCT图像中的重要边缘细节信息,同时有效消除噪声,使图像细节清晰,提高图像质量。     

眼科光学相干层析成像的图像处理方法

光学相干层析成像(OCT)由于具有微米级高分辨率、非接触式成像以及瞬时性等特点,成为临床医学领域的研究热点,近些年得到迅速的发展,取得诸多进展与突破。本文简述了OCT技术在眼科医学中的各类应用及发展现状,分类讨论了OCT图像在空域和频域中的降噪方法,并重点总结了OCT眼前节和视网膜图像中各层组织的精确定位分层方法。其中深入分析了基于灰度值搜索方法、活动轮廓模型、图论和模式识别等分层方法,并针对现有分层方法的优缺点以及存在的问题展开深入讨论,提出相应的解决方法和优化方案。对眼科相关疾病的临床诊断指标分析评价,根据眼科临床医学需求和OCT图像处理现状,对未来OCT图像处理的发展趋势和发展水平做进一步讨论和分析。     

基于数学形态学的Contourlet变换域图像降噪方法

提出了一种基于数学形态学的Contourlet变换域图像降噪方法.首先对输入的带噪图像进行多尺度、多方向的Contourlet稀疏变换,然后利用数学形态学算子在Contourlet域对高频系数进行处理,去除图像中具有较小支撑域的噪音,有效保留具有连续支撑域的图像边缘信息.最后通过Contourlet反变换得到预降噪图像.仿真结果表明,该方法较一般的Contourlet域收缩阈值降噪方法的降噪效果好,提高了PSNR值并降低了MSE值,获得更好的图像恢复质量.     

基于全卷积金字塔残差网络的能谱CT图像降噪研究

传统CT采用积分式探测器采集投影数据,反映的是物体的平均衰减特性,会在一定程度上造成信息损失,无法对物体进行较好的定性定量测量。基于光子计数探测器的能谱CT通过设定多个能量响应阈值能够探测不同能量范围内的X射线光子,采集更多被测物体的物质组成信息,有助于识别不同物理特性的材料,基于此,能谱CT被广泛的应用于小病灶、低对比度结构以及微细结构的成像。然而将整个能谱划分为多个能量段进行数据采集时,范围较窄能量范围内的有效光子数比例相对降低,导致图像中包含较多的噪声,图像质量较差,影响能谱CT的临床应用。为了有效的抑制能谱CT不同能量段内重建图像中的噪声,提出了一种基于深度学习的能谱CT图像降噪方法。我们将全卷积网络和金字塔残差网络结合为全卷积金字塔残差网络(FCPRN),实验中,利用能谱CT在不同的能量范围扫描小鼠样本,使用FDK算法和基于压缩感知的Split-Bregman算法进行重建并分别作为训练数据和标签数据训练全卷积金字塔残差网络。为了验证网络的降噪性能,选取了常见的降噪网络模型denoising convolutional neural networks(DNCN)以及residual encoder decoder convolutional neural network (REDCNN)进行对比,训练三种网络的使用的数据和实验配置都是完全相同的,实验结果表明训练模型可以有效抑制不同能量范围内重建图像的噪声,且使用的全卷积金字塔残差网络的降噪性能优于其他网络模型。模型训练好后,可以对FDK算法重建出的图像进行降噪,由此提高能谱CT图像降噪效率,保证能谱CT重建图像的质量。     

基于小波分解金字塔的OCT图像特征提取算法

糖尿病性黄斑水肿(DME)是导致失明的主要原因之一,由专业的医生通过检查光学相干扫描(OCT)图像是主要的诊断方法,但这一过程不仅耗时而且容易误判,提出一种辅助诊断模型来区分DME和正常黄斑。对原始OCT图像进行降噪、展平、裁剪预处理,得到易于分类的病灶区图像,在小波分解金字塔模型的基础上用局部二值模式方法对原图和低频子图像提取纹理特征;与提取细节图像的灰度-梯度共生矩阵特征融合形成最终的全局特征,并对其进行降维;用weka平台的序列最小优化模型进行分类。在杜克大学数据集和临床数据集上的试验结果表明,算法在两个数据集上验证的准确率分别为95.7%、95.3%,灵敏性分别为95.3%、95.5%,特异度分别为96.0%、95.1%。因此,所提方法能有效对OCT图像分类,为临床上视网膜疾病辅助诊断提供技术支撑。     

结合残差U-Net神经网络和DIP的PET图像降噪

由于正电子发射型计算机断层显像(PET)噪声较大,现有图像降噪效果不理想,提出了一种结合残差U-Net神经网络和深度图像先验(DIP)的PET图像降噪。在U-Net网络中引入残差学习,提高网络表达能力和收敛速度;提出一种无训练数据的DIP算法,将神经网络解释为图像的参数化,利用图像噪声参数化后呈现高阻抗的特性将其去除,达到降噪的目的;在BrainWeb脑部图像数据集上进行实验,并对实验结果进行了对比分析。分析结果表明,所提方法能够得到边缘清晰且平滑的图像,在不同噪声等级和时间帧中,其去噪效果均优于其他对比方法,可获得高质量的图像。     

光学相干层析成像眼底视网膜三维图像去抖动方法

眼底视网膜病变是大部分眼科疾病的来源。光学相干层析成像(OCT)具有无创性、成像安全快速等特点,在临床上被广泛用于眼科疾病的诊断。针对OCT视网膜三维图像因抖动产生的扭曲变形问题,提出一种基于曲线拟合的OCT视网膜三维重建图像去抖动方法,即通过预处理提取OCT视网膜图像的边界,再利用最小二乘法曲线拟合来计算各帧切片图像的偏移量。结果表明:所提方法对OCT视网膜三维重建图像扭曲变形具有明显的校正作用。     

一种基于双分支改良编解码器的图像去噪算法

针对传统图像去噪算法多噪声去除难，深层卷积神经网络去噪模型网络复杂、训练时间长等问题，提出一种基于自编码器结构的双分支改良编解码网络，实现高效图像去噪。双分支结构之一采用降-升采样实现点噪声消除，另一分支专注于宏观的图像修复和伪像去除，后端利用残差结构进行整合，实现数字图像混合噪声去噪。实验结果显示:对于含有标准差为15，均值为0的高斯噪声、噪声密度为5%的椒盐噪声和散粒噪声的混合噪声图像测试集，实验去噪效果相较于输入混合噪声图像峰值信噪比，平均提升了5.3%。与12层全卷积神经网络相比，去噪效果相当，训练速度提升了25.4%，体现了其“轻量级”的优点。实验表明:该方法相较于深层卷积神经网络，训练速度快，网络简单；相较于传统图像去噪算法，噪声去除效果也较为明显。该算法可应用于轻量级视觉平台后端去噪。     

多局部残差连接注意网络的图像去模糊

针对现有的基于卷积神经网络的图像去模糊算法存在图像纹理细节恢复不清晰的问题,提出了一种基于多局部残差连接注意网络的图像去模糊算法。首先,采用一个卷积层进行浅层特征提取;其次,设计了一种新的基于残差连接和并行注意机制的多局部残差连接注意模块,用于消除图像模糊并提取上下文信息;再次,采用一个基于扩张卷积的成对连接模块进行细节恢复;最后,利用一个卷积层重建清晰图像。实验结果表明：在GoPro数据集上的PSNR (peak signal to noise ratio)和SSIM (structure similarity)分别为31.83 dB、0.927 5,在定性和定量两方面都表明所提方法能够有效地恢复模糊图像的纹理细节,网络性能优于对比方法。     

一种基于信息保留网络的图像去噪算法

由于成像设备等各种因素影响, 图像在成像或传感过程中会受到噪声干扰。图像去噪旨在减少或消除噪声对图像的影响, 这一过程往往会导致高频信息的丢失。为了在去除图像噪声的同时保护图像的边缘信息与纹理细节, 文章提出了一种计算复杂度相对较低的含有信息保留模块的卷积神经网络, 直接对含噪声图像进行降噪。信息保留模块通过残差学习提取局部长路径和局部短路径的混合特征信息。该文采用峰值信噪比(PSNR/dB)和结构相似性(SSIM)两项评价指标对实验结果进行量化, 这两项指标值越大, 说明去噪效果越好。实验结果表明, 在峰值信噪比和结构相似性2项评价指标的均值可达到30.36 dB和0.828 0, 相比其他对比算法, 2项评价指标分别平均提升了2.15 dB和0.072 9。该算法对不同种类、不同水平的噪声都具有良好的去噪效果, 且速度优于所对比的一般算法, 对基于卷积神经网络的去噪工作的进一步发展有一定的作用。     

基于小波变换与卷积神经网络的图像去噪算法

图像在生成或传感过程中往往会受到噪声干扰，噪声干扰会给后续图像处理工作增加难度，甚至会给某些生产活动带来巨大的经济损失。结合平稳小波变换与卷积神经网络的优势，提出了一种有效的图像去噪算法。训练阶段，采用提出的算法对图像进行尺度为1的平稳小波分解后，分别把高、低频分量输入4个设计好的残差网络进行训练；在测试阶段使用小波逆变换来获得最终的预测图像。实验结果表明:在高斯白噪声水平达到σ=50时，去噪后图像的峰值信噪比（peak signal to noise ratio, PSNR）均值和结构相似性（structural similarity index method, SSIM）均值可以达到28.37 dB和0.808 0，提出的算法可以有效去除可见光图像中的高斯白噪声、自然噪声，以及遥感图像在传感过程中产生的噪声，并且在去除图像噪声的同时能较好地保留图像的边缘与纹理细节。     

MRI denoising using progressively distribution-based neural network

Magnetic Resonance (MR) images often suffer from noise pollution during image acquisition and transmission, which limits the accuracy of quantitative measurements from the data. Noise in magnitude MR images is usually governed by Rician distribution, due to the existence of uncorrelated Gaussian noise with zero-mean and equal variance in both the real and imaginary parts of the complex K-space data. Different from the existing MRI denoising methods that utilizing the spatial neighbor information around the pixels or patches, this work turns to capture the pixel-level distribution information by means of supervised network learning. A progressive network learning strategy is proposed via fitting the distribution of pixel-level and feature-level intensities. The proposed network consists of two residual blocks, one is used for fitting pixel domain without batch normalization layer and another one is applied for matching feature domain with batch normalization layer. Experimental results under synthetic, complex-valued and clinical MR brain images demonstrate great potential of the proposed network with substantially improved quantitative measures and visual inspections.     

Imaging of subcutaneous microcirculation vascular network by double correlation Optical Coherence Tomography

Spatial distribution of superficial blood vessels in human skin in vivo has been observed by using the double correlation Optical Coherence Tomography (OCT). To remove background noise, reduce the artifacts associated with patient motions and to increase the overall quality of the experimental OCT images an adaptive Wiener filtering technique has been employed. Fourier domain correlation has been subsequently applied to enhance spatial resolution of images of vascular network in human skin in vivo. Image processing has been performed on Graphics Processing Units (GPUs) utilizing Compute Unified Device Architecture (CUDA) framework in the frequency‐domain. This approach allows carrying out image processing in parallel significantly speeding up the computations. The presented results show that the double correlation method permits obtaining 2D/3D OCT images of subcutaneous microcirculation vascular network and its spatial distribution within the human skin with higher spatial resolution compare to the other OCT correlation‐based techniques developed earlier.     

基于结构字典学习的图像复原方法

本文提出一种新的结构字典学习方法,并利用它进行图像复原。首先给出结构字典学习的基本内容和方法,然后将傅里叶正则化方法和结构字典学习方法有效整合到图像复原算法中。结构字典学习方法是先将原图像进行结构分解,再分别学习出每个结构图像中的字典,最后利用这些字典对原图像进行稀疏的表示。结合傅里叶正则化,提出了一种有效的迭代图像复原算法:第一步在傅里叶域利用正则化反卷积方法得到图像的初步估计;第二步采用结构字典学习的方法对遗留的噪声进行去噪处理。实验结果表明,提出的方法在改进信噪比和视觉质量上都要优于6种先进的图像复原方法,改进的信噪比平均提升0.5 d B以上。     

基于Curvelet变换的软硬阈值折衷图像去噪

与小波变换相比,Curvelet变换更好地表达图像的边缘和细节,因此更适合多尺度图像去噪。针对软阈值和硬阈值去噪方法存在的不足,提出了基于Curvelet变换域的软硬阈值折衷去噪法,并采用不同的阈值自适应地对不同的Curvelet子带进行阈值化。实验结果表明该方法对图像中的边缘、弱的直线和曲线特征有更好的恢复。去噪后图像PSNR值更高,视觉效果更好。     

去除乘性噪音的主成分分析算法

雷达成像系统的进一步应用依赖于对图像中噪音的有效抑制.在目前现有消除噪音方法的基础上,基于图像的局部相似性,结合主成分分析法,提出一种新的有效去除乘性噪音的滤波算法.乘性噪音经对数变换后可转化为加性噪音处理.分析了对数域中噪音的类型.首先在图像的对数域,通过非局部方法选取局部相似块作为训练样本,利用主成分分析法提取出信号的主要特征.然后基于统计理论中最小均方误差估计法给出了一种适用于图像信息的阈值原则.最后分析了变换过程引起的偏差,由对数域的偏估计得到滤波图像.数值实验验证了新算法的有效性.对比于目前提出的变分方法,新算法处理后的图像有更高的信噪比和更好的视觉效果,且具有一定的实用性.     

基于梯度和小波变换的水下距离选通图像去噪

水体的散射效应、激光光斑、成像器件的非理想化等因素使得图像出现大量无规律粒状噪声,它们增加了水下距离选通图像的背景噪声,模糊了目标轮廓,掩盖了目标细节,降低了图像的信噪比。针对上述问题本文提出了一种基于梯度和小波变换的去噪方法。首先对图像进行余弦小波变换,得到不同频率空间的图像集。低频空间引入新的图像梯度强化方法以提高图像的纹理信息量;对应非均匀性条带的LH或HL空间做曲面拟合处理以消除非均匀性条带的影响;在HH空间去噪过程中,低层空间做非局部均值处理以保留图像相似信息,高层空间做分数阶积分处理以保留图像细节信息。最后小波逆变换得到结果图像。从实验水槽中采集水下图像进行算法验证,将改进方法与已有算法比对分析。实验表明,本文所研究的水下去噪算法,能够平滑噪声且更大限度地保留图像细节纹理,在客观评价指标上提升了6%。