针对X射线CT成像系统在低剂量扫描协议下出现的噪声和伪影问题, 提出一种基于动态优化的CT低剂量成像算法。文中使用一族双曲正切函数集构造分数阶全变分的动态复合函数模型, 结合统计迭代重建框架, 并通过动态优化过程实现CT低剂量扫描数据的重建。应用所提算法对数值模型和动物模型低剂量扫描生成的投影数据分别进行了重建实验。数值仿真实验结果表明, 在180个投影角度下, 文中算法重建结果的信噪比与滤波反投影法、分数阶全变分法、自适应变权全变分法的重建结果相比分别高出29.51, 8.03, 9.15, 6.81 dB。动物模型实验结果表明, 该算法重建结果有效抑制了CT噪声和伪影, 清晰重建出软组织边界细节, 极大提高了低剂量数据重建图像的质量。

在分析不同能谱对应的公共能量段下多能投影之间关系的基础上,研究了基于减影融合的多谱CT成像算法。该方法在分析不同射线源参数下射线能谱之间关联性的基础上,建立了递变能量多能投影序列减影融合模型,并通过递变能量获取工件的多个多能投影序列,结合减影融合模型,对所得投影图像进行减影融合,去除公共能量段投影信息,获取近似窄能谱的投影信息。最后采用统计迭代算法进行图像重建,减小噪声干扰,提高重建质量。实验结果表明,所提方法能通过多谱投影减影融合得到近似窄谱投影,有效抑制射束硬化伪影。

在CT硬化伪影校正、 双能CT图像重建以及CT辐射剂量计算等实际应用中, X射线的能谱信息具有重要的作用。 然而, 由于透射测量方程组系数矩阵的病态性、 X光子的统计涨落和噪声的干扰, 使得EM等能谱估计方法难以获得较精细的能谱刻画。 针对该问题, 提出一种基于加权TV正则化的X射线CT系统能谱估计方法。 首先采用能谱能量范围内带有不同K-edge的材料作为体模以降低投影测量方程之间的相关性。 然后, 利用CT成像系统的几何参数来获取投影测量数据所对应的准确透射长度信息来减小投影方程的测量误差。 最后, 综合利用透射衰减测量数据的保真性、 轫致辐射能谱部分的连续性、 特征辐射能谱部分的离散性、 能谱的非负性和归一性以及平均有效衰减系数等信息, 使用加权TV正则化方法建立目标函数, 利用正则化理论中的L曲线准则通过黄金分割参数搜索策略求得最优正则化参数及对应的能谱估计结果。 分别通过不同统计波动模型下的仿真能谱和实际测量数据对算法性能进行了验证, 结果表明该方法与EM等方法相比, 不受初始能谱的影响, 有效提高了能谱估计结果的稳定性和准确性。

针对常规 CT系统中 X射线是连续宽能谱而导致重建图像中衰减特性相近组分对比度较低的问题，论文提出一种分解多电压 X射线图像序列获取新投影的方法，用新投影重建的图像有效地提高了对衰减特性相近组分的区分能力。该方法依据 X射线成像规律，将各电压下图像看作多个窄能谱图像的叠加，借鉴非负矩阵分解，以分解的误差平方和最小为目标对多电压 X射线图像分解。用硅铝材质的圆柱体实验，新投影重建的图像相比直接重建图像，硅与铝对比度明显提高，表明了方法的有效性。

针对传统的X射线CT系统因采用积分探测器难于区分材质细微差别的关键技术问题, 基于MARS X射线能谱CT系统, 开展了彩色CT成像技术研究。研究结果表明, 对被碘溶液腐蚀的橡胶管和注射有新型造影剂(金纳米微粒)的小老鼠进行多个X射线能量段的CT断层扫描, 提取和量化不同能量范围橡胶管投影数据和小老鼠的CT图像, 重建出橡胶管彩色投影图像和小老鼠胸腔彩色CT图像, 展现了橡胶管内部复杂结构及金纳米微粒主要集中于小老鼠胸腔上部血管的信息, 显示了X射线能谱CT刻画物质信息的细微差别能力和呈现物质不同组成成分的能力。

为了精确测量X射线CT成像系统的投影旋转中心坐标，校准投影几何坐标系，消除由其定位误差引起的CT图像伪影，在概述现有方法优缺点的基础上，分析推导了两个引理：“质点扫描一圈，其投影地址的积分为零”以及“任意两质点扫描投影正弦线的交点坐标之和为零”。依据上述引理，设定合适阈值对扫描得到的正弦图进行二值化分割，根据分割结果得到所有穿过物体射线的投影地址，计算这些投影地址的均值获得了投影旋转中心的坐标。实验结果表明，该方法能够高精度地测量投影旋转中心，有效地提高旋转中心校正后的重建图像质量，重复测量精度为0.08个像素。

提出一种基于小波域内统计建模的低剂量计算机X 线断层(CT) 图像去噪新方法。利用非下采样Contourlet 变换(NSCT)获得具有平移不变性的多尺度、多方向频率子带；结合噪声特点,通过统计参数预置改进隐马尔可夫树(HMT)模型,加速构建层间、方向间不同子带系数的概率转移矩阵,采用期望最大(EM)算法训练获得边缘概率密度；设计Bayes 最大后验概率(MAP)估计器对图像噪声进行建模与滤除。实验表明:相比小波HMT 去噪、Contourlet 软阈值去噪等同类方法,该方法提高了噪声估计精度,使图像峰值信噪比(PSNR)明显增加,细节信息更清晰。