基于改进广义全变分的稀疏图像重建算法 下载: 1460次
1 引言
图像重建算法主要是通过类似反演计算等手段将探测器捕获到的投影信息恢复成原始图像中的像素[1]。稀疏采样是指在采集投影数据时受到空间或时间限制,所获取的投影数据完备性不足。稀疏采样下图像重建主要有解析类图像重建算法[2-3]和统计迭代类图像重建算法[4-9]。改进解析类图像重建算法通过提升投影数据的质量,进而提升重建图像的质量,但是此类算法对投影数据的完备性要求高,稀疏采样情况下极易丢失图像细节。统计迭代类重建算法向传统迭代重建模型中添加优化约束限制,利用投影数据的极大似然函数特征对求解目标进行最大近似处理,文献[ 4-5]引入纹理惩罚模型作为先验知识,并提出通过贝叶斯理论推理出最大后验图像作为输出的重建图像,使重建图像边缘效果得到显著的增益。统计迭代方法充分考虑了图像中的噪声情况并建立了数学优化模型,所以得到了许多研究的跟踪结果[6-10]。由于在稀疏采样环境下进行图像重建可以等同看作是欠采样数据恢复问题,文献[ 6]根据压缩感知理论,提出了最小化图像总变差迭代(TV-ART)算法,在每次代数重建后对图像的梯度图像进行了最小化约束,抑制了图像中高频噪声。在TV-ART算法基础上,文献[ 7]提出了一种结合先验图像的压缩感知(PICCS)图像重建算法,PICCS算法充分利用了图像自身的特征,将自身作为下次迭代的先验知识,使得重建的图像具有良好的结构性。但是ART算法迭代求解速度慢,通过迭代并不能获得最优解。为了更加快速地对问题进行求解,文献[ 8]基于TV最小化模型,使用Split-Bregman算法缩短了重建时间。
另一方面,针对TV模型容易产生阶梯效应的问题,文献[ 9]在TV重建模型中引入了非局部平均滤波修正思想,每次迭代时使用改进的非局部平均滤波修正当前重建的图像。该算法由于使用了非局部约束的思想,重建图像的边缘结构保持的更好,并且信噪比也更高。文献[ 10]将广义全变分(TGV)正则化应用于求解三维图像重建问题,有效避免了TV重建模型中的阶梯效应,保持了重建图像边缘的完整性,但没有很好地区分图像的不同结构,在图像光滑部分出现噪点。
针对目前稀疏采样情况下的图像重建过程中容易出现系统噪声和虚假边缘等问题,本文提出了一种结合图像非局部信息的多方向广义全变分图像重建算法。该算法首先通过非局部自相似性原理计算先验图像,并将其作为图像重建问题的先验知识,再使用增广拉格朗日方法对模型进行快速的迭代求解。实验结果表明,本文算法不仅可以保证重建图像具有良好的结构性质,还可以有效去除噪声。
2 广义全变分重建模型
稀疏采样情况下的图像重建问题可以建立模型,表示为
式中第一项为求解目标项,第二项为添加的惩罚约束项,
TGV模型由Bredies等[11]提出,借助高阶多项式进行了最小化逼近。对于任意的
式中
当
式中
二阶TGV模型包含的低阶差分算子有助于去除图像中的噪声,同时高阶差分算子有助于保持图像的边缘信息。为此,将(3)式所示的二阶TGV范数作为惩罚项代入到(1)式中,可以得到广义全变分图像重建模型,即:
3 改进的广义全变分图像重建模型
3.1 多方向TGV模型
传统TGV模型中仅在水平和垂直两个方向上计算梯度信息,但是由于图像中的边缘信息是多方向的,因此本文在
对于图像
式中Ñ
3.2 非局部先验约束
虽然MTGV模型可以更多地探测到图像中边缘信息,但是其仍然仅考虑了图像的局部信息,忽视了图像中的非局部结构信息。文献[ 12]利用图像的非局部自相似性性质提出了著名的三维块匹配(BM3D)算法,在变换域中对图像进行非局部约束,有效地去除了图像中的高频噪声。考虑到BM3D算法中第二次协同滤波处理对图像信噪比的提升是有限的,因此对BM3D算法进行改进,仅对图像做一次协同滤波处理,提出了利用图像块相似性的非局部滤波算法,称之块组相似性(PGS)方法,PGS方法仅对图像进行一次块匹配和协同硬阈值滤波处理,这样做的好处是显著缩短了非局部先验的计算时间。PGS方法基本步骤概括如下:
1) 将大小为
2) 对于每个图像块
3) 对步骤2)获得的相似块矩阵
4) 对处理过的相似块矩阵
PGS方法保护了图像结构和纹理细节,因此使用PGS方法对先验图像进行非局部约束,同时通过减法操作对优化目标进行稀疏化处理,得到非局部先验约束为
式中
3.3 非局部信息约束下的多方向广义全变分模型
进一步地,使用3.1节提出的MTGV约束代替(4)式中的TGV约束项,并加入3.2节所提出PGS非局部先验约束方法,得到非局部信息约束下的广义全变分图像重建模型(PGS-MTGV),表示为
式中第一项为求解的目标项,第二项是非局部结构先验项,第三项是多方向广义全变分约束项。
4 基于增广拉格朗日算法的模型求解
通过引入辅助变量
使用中间变量
(9)式可以看作由三个极小化子问题组成,问题1是对辅助变量
4.1 辅助变量的更新
从(9)式中提取辅助变量
(11)式可以看作是对辅助变量
4.2 X方向子问题
从(9)式中提取变量
易见,(13)式对变量
通过快速傅里叶变换简化(14)式的求逆运算,得到求解
式中F代表傅里叶变换,diag表示取对角线元素,F-1代表傅里叶逆变换。当获得重建图像
4.3 p1~p4方向子问题
从(9)式中提取
对(17)式求
由于(18)式中没有复杂矩阵,可以直接使用快速傅里叶变换将(18)式等价变化为
式中
4.4 基于改进广义全变分模型的图像重建算法
概括上述求解、推导过程,本文提出基于改进广义全变分的稀疏图像重建(PGS-MTGV)算法。
Name:PGS-MTGV algorithm; Input:projection matrix Output:reconstructed image |
---|
1. Initialize reconstruction parameters: 2. Initialize 3. While (not convergence & 4. 5. Calculate non-local constraints on prior image by PGS method; 6. Update 7. Update 8. Update 9. Update 10. 11. End; 12. Return |
5 实验结果和分析
5.1 实验环境及参数设定
本文实验投影光线模拟为平行光光束,并且为了对所提出的稀疏图像重建算法重建效果的高效性和有效性进行验证,在有限投影角度和稀疏投影角度两种采样环境下,使用
图 2. 测试用的图像数据。(a) Sheep-Logan 图像;(b) Forbild-Head 图像;(c) Forbild-Abdomen 图像
Fig. 2. Image data used in the test. (a) Sheep-Logan image; (b) Forbild-Head image; (c) Forbild-Abdomen image
选取迭代次数为500,将本文算法与L1-Bregman算法[16]、交替方向全变分最小化算法(TV-ADM)TV-ADM算法[17]、基于拉格朗日的全变分最小化算法(TVAL3)TVAL3算法[18]以及交替方向广义全变分最小化算法(TGV-ADM)TGV-ADM算法[10]进行比较,初始化实验参数设置如
由于随着迭代次数的增加,非局部约束对于图像重建效果的影响逐渐减小,所以适当的降低非局部约束的权重,增加MTGV正则项所占的权重。设置
5.2 评价指标
为了对图像重建效果进行公平地评估,本文采用的定量评价指标为结构相似性(SSIM)、峰值信噪比(PSNR)和均方根误差(RMSE)。SSIM指标可以识别出图像中的结构信息,考虑到人眼的视觉特性对两幅图像在亮度和对比度上进行对比,SSIM越接近1表明对比的图像在视觉上越相似。PSNR和RMSE的定义分别为
式中
另外,为了测试图像的细节区域,分别选取了两个感兴趣区(ROI),如
图 3. 测试图像设置的ROI区。(a) Sheep-Logan图像;(b) Forbild-Head图像;(c) Forbild-Abdomen图像
Fig. 3. ROI regions of the test images. (a) Sheep-Logan image; (b) Forbild-Head image; (c) Forbild-Abdomen image
5.3 算法有效性分析
首先设置采样空间为135°,一共进行15次采样,模拟有限投影角度采样情形进行图像重建实验。
图 4. 有限角度各算法重建图像及ROI对比(Sheep-Logan)。(a)原始图像;(b) L1-Bregman 算法;(c) TV-ADM 算法;(d) TVAL3 算法;(e) TGV-ADM 算法;(f)本文算法
Fig. 4. Reconstructed image and ROI comparison of different algorithms in finite angle (Sheep-Logan). (a) Original image; (b) L1-Bregman algorithm; (c) TV-ADM algorithm; (d) TVAL3 algorithm; (e) TGV-ADM algorithm; (f) proposed algorithm
图 5. 有限角度各算法重建图像及ROI对比(Forbild-Head)。 (a)原始图像;(b) L1-Bregman 算法;(c) TV-ADM 算法;(d) TVAL3 算法;(e) TGV-ADM 算法;(f)本文算法
Fig. 5. Reconstructed image and ROI comparison of different algorithms in finite angle (Forbild-Head). (a) Original image; (b) L1-Bregman algorithm; (c) TV-ADM algorithm; (d) TVAL3 algorithm; (e) TGV-ADM algorithm; (f) proposed algorithm
图 6. 有限角度各算法重建图像及ROI对比(Forbild-Abdomen)。 (a)原始图像;(b) L1-Bregman 算法;(c) TV-ADM 算法;(d) TVAL3 算法;(e) TGV-ADM 算法;(f)本文算法
Fig. 6. Reconstructed image and ROI comparison of different algorithms in finite angle (Forbild-Abdomen). (a) Original image; (b) L1-Bregman algorithm; (c) TV-ADM algorithm; (d) TVAL3 algorithm; (e) TGV-ADM algorithm; (f) proposed algorithm
观察
为了进一步地分析本文算法的可用性,下面模拟稀疏角度采样环境,设置总的采样空间为180°,同样地设置15个采样点。
图 7. 稀疏角度各算法重建图像及ROI对比(Sheep-Logan)。 (a)原始图像;(b) L1-Bregman 算法;(c) TV-ADM 算法;(d) TVAL3 算法;(e) TGV-ADM算法;(f)本文算法
Fig. 7. Reconstructed image and ROI comparison of different algorithms in sparse angle (Sheep-Logan). (a) Original image; (b) L1-Bregman algorithm; (c) TV-ADM algorithm; (d) TVAL3 algorithm; (e) TGV-ADM algorithm; (f) proposed algorithm
图 8. 稀疏角度各算法重建图像及ROI对比(Forbild-Head)。 (a)原始图像;(b) L1-Bregman 算法;(c) TV-ADM 算法;(d) TVAL3 算法;(e) TGV-ADM算法;(f)本文算法
Fig. 8. Reconstructed image and ROI comparison of different algorithms in sparse angle (Forbild-Head). (a) Original image; (b) L1-Bregman algorithm; (c) TV-ADM algorithm; (d) TVAL3 algorithm; (e) TGV-ADM algorithm; (f) proposed algorithm
图 9. 稀疏角度各算法重建图像及ROI对比(Forbild-Abdomen)。 (a)原始图像;(b) L1-Bregman 算法;(c) TV-ADM 算法;(d) TVAL3 算法;(e) TGV-ADM算法;(f)本文算法
Fig. 9. Reconstructed image and ROI comparison of different algorithms in sparse angle (Forbild-Abdomen). (a) Original image; (b) L1-Bregman algorithm; (c) TV-ADM algorithm; (d) TVAL3 algorithm; (e) TGV-ADM algorithm; (f) proposed algorithm
观察
总的来说,不管是在有限角度采样情形还是稀疏角度采样情形,本文算法重建的图像光滑度更好,细节上与原图更加接近。
5.4 算法高效性分析
为了表现本文算法重建图像的高效性,利用5.2节各评价指标对几种算法重建的图像进行客观评价。
表 2. 有限投影角度下各算法重建图像的客观评价参数对比
Table 2. Comparison of objective evaluation parameters of reconstructed images of various algorithms under finite projection angle
|
从
表 3. 稀疏投影角度下各算法重建图像的客观评价参数对比
Table 3. Comparison of objective evaluation parameters of reconstructed images of various algorithms under sparse projection angle
|
为了更进一步地分析稀疏采样角度下各算法的重建效果,
图 10. 各算法重建图像第135列纵向剖面图对比。(a) Sheep-Logan 图像;(b) Forbild-Head 图像;(c) Forbild-Abdomen 图像
Fig. 10. Comparison of vertical cross-sectional views of 135th column of each reconstruction image. (a) Sheep-Logan image; (b) Forbild-Head image; (c) Forbild-Abdomen image
6 结论
提出了基于多方向广义全变分和非局部先验的PGS-MTGV图像重建算法,该算法充分利用了图像非局部自相似性的特点,从而有效地提升重建图像的结构特性。与现有的4种经典算法进行实验对比,实验结果表明,在有限角度采样情况下,本文算法重建图像的SSIM、PSNR和RMSE指标都较对比算法有优势;在稀疏角度采样情况下,本文算法的SSIM指标更接近1,重建图像有较好的结构特性。本文算法可以在稀疏采样环境重建出高质量的图像,并有较高的通用性,但是本文使用的非局部约束方法过于繁琐,因此在未来工作中考虑进一步改进非局部先验方法,提高算法在稀疏采样坏境下的性能。
[1] Herman GT. Fundamentals of computerized tomography: image reconstruction from projections[M]. Berlin: Springer Science & Business Media, 2009.
[3] 马晨欣, 胡君杰, 闫镔. CT扇形束滤波反投影图像重建算法优化[J]. 激光与光电子学进展, 2012, 49(9): 091103.
[6] 练秋生, 郝鹏鹏. 基于压缩传感和代数重建法的CT图像重建[J]. 光学技术, 2009, 35(3): 422-425.
[8] 张煜林, 孔慧华, 潘晋孝, 等. 基于Split-Bregman算法的能谱计算机层析图像重建[J]. 光学学报, 2017, 37(4): 0411003.
[9] ErtasM, AkanA, YildirimI, et al. An iterative reconstruction for tomosynthesis imaging using non-local means[C]∥Proceedings of IEEE International Conference on Imaging Systems and Techniques, 2014: 325- 328.
[11] Bredies K, Kunisch K, Pock T. Total generalized variation[J]. SIAM Journal on Imaging Sciences, 2010, 3(3): 492-526.
[13] 王林元, 张瀚铭, 蔡爱龙, 等. 非精确交替方向总变分最小化重建算法[J]. 物理学报, 2013, 62(19): 198701.
Article Outline
班晓征, 李志华, 李贝贝, 徐敏达. 基于改进广义全变分的稀疏图像重建算法[J]. 激光与光电子学进展, 2018, 55(11): 111103. Xiaozheng Ban, Zhihua Li, Beibei Li, Minda Xu. Sparse Image Reconstruction Based on Improved Total Generalized Variation[J]. Laser & Optoelectronics Progress, 2018, 55(11): 111103.