神经模糊系统提高脑图像质量的意义研究综述

Somashekhar偶像¹, P.K.Kulkarni²

印度卡纳塔克邦巴萨瓦卡良市巴萨瓦卡良工程学院维斯维斯瓦拉雅科技大学欧洲经委会系博士学者。
印度卡纳塔克邦卡拉布尔吉普贾·多达帕·阿帕工程学院欧洲经委会系

摘要

计算机断层扫描(CT)是一种利用x射线设备产生动物或人体内部部分的详细图像的技术。CT扫描对于发现人体内的癌症、肿瘤等疾病非常有益。但噪声和模糊是影响CT图像质量和诊断困难的主要因素。CT图像重构是克服这些问题的途径。本文对适用于CT图像重建的各种技术进行了研究，并对各种技术的性能进行了评价。本文主要介绍了目前最主要的滤波技术(离散小波、复小波和中值滤波)、用于图像重建的人工神经网络方法和中值滤波技术，并讨论了其他去噪和去模糊技术。这项调查的目的是为各种去模糊和去噪技术提供有用的信息，并激励研究实现有效的算法。

关键字

计算机断层扫描，去噪，去模糊

我的介绍。

计算机断层扫描，通常被称为CT或CAT扫描，类似于用于诊断医学测试的x射线，CT产生一系列身体图像或图片。CT扫描在医学领域对疾病的检测和分析具有重要作用。CT扫描用于检查胸部、损伤部位、肾脏等。CT图像提供了我们身体中所有类型组织的详细的横切面视图，这使得诊断更容易。但许多CT图像由于噪声、模糊等缺陷而导致图像质量下降。这些退化使分析变得困难。CT图像分析是决策的重要依据。错误的分析导致错误的决策，从而导致检测失败。去除噪声和模糊是非常重要的。几十年来，研究人员一直致力于CT图像的重建。

图像噪声是分布在图像各个区域的随机像素。噪音的来源一般来自相机和照明不足。噪声图像提供的信息较少。模糊是由于照明不佳、拍摄时相机移动或拍摄时物体移动造成的。去除噪声和模糊是图像重建中的一大难题。大多数算法都存在信息丢失、边缘信息丢失、空间结构小等缺点。CT重建中保持边缘和小空间结构是研究人员面临的一项具有挑战性的任务。鉴定肿瘤、癌细胞或小损伤是分析人员的主要目标。但早期发现肿瘤或癌细胞比较困难，因为早期肿瘤的空间结构非常小[2,14,17]。

各种类型的滤波技术用作去噪工具，如基于小波的滤波[5,7,16,19,22]，中值滤波[18]等。滤波是从变换后的图像中去除噪声成分的过程。对于去模糊过程，锐化图像以获得清晰的对象结构包括在内。所有研究者的目标都是在算法的性能上达到高效率和准确性。但它们各自的算法也有各自的优缺点。本文还简要介绍了一些重建技术。

2基于小波的滤波

滤波是图像去噪的传统方法。它是去除变换后图像的一些系数的过程，这些系数被视为噪声。根据图像的实际特征、噪声的统计特性和频谱分布规律，人们发展了许多降噪算法，这些算法大致分为空间和变换场。对原始图像进行的一种数据操作，称为空间场，对图像灰度值进行处理。变换场负责对图像进行变换，得到变换系数后对变换系数进行处理。最后通过反变换得到输出图像，如图1所示。小波变换的成功应用可以减小甚至完全克服噪声的影响。小波变换分为连续小波变换和离散小波变换两种。

A.离散小波变换(DWT)

Marcin KocioÃÂ ek等，[24]提出了一种基于小波变换的图像去噪技术。它是一种基于小波的去噪技术，广泛应用于图像构造领域。DWT本质上是线性的，它作用于一个数据向量，它的长度是2的整数次幂，将它转换成一个相同长度的数值上不同的向量。DWT是一种工具，它将数据分离为不同的频率分量，然后找到与其规模匹配的分辨率的每个分量。DWT是用一个滤波序列来计算的，然后是一个因子2子采样，如图2所示。

H为高通滤波器，L为低通滤波器，↓2为子采样。这些滤波器的输出由公式(1)和(2)给出。

aj的元素用于下一层的转换，dj表示系数，决定转换结果。其中l[n]为低通滤波器系数，h[n]为高通滤波器系数。一个假设是，在j + 1尺度上，a和d个元素的数量在j尺度上只有一半。因此，应该进行转换，直到信号中只剩下两个aÃ¯Â¿Â½Ã¯Â¿Â½元素。最后得到了标度函数的系数。DWT机制对于所有二维图像都是相似的。DWT应用于行，然后应用于列。DWT的工作原理如图3所示。DWT提供了更好的图像形成的空间和光谱定位。

DWT仍然存在移不变和无相位信息两个严重的缺点。为了减少这些缺点，已经提出了几种解决方案，但最令人满意的解决方案是使用复小波变换[7]。

B.双树复小波变换(DTCWT):

Ashish Khare et.al，[7]提出了一种用于去噪和去模糊的双树复小波变换。复小波变换去噪和去模糊包括两个步骤，首先用小波变换去噪，然后应用去模糊算法得到去噪后的图像。DT CWT的工作原理如图4所示。

对于图像的去噪，采用了基于阈值的去噪方案。所用阈值性质复杂，且具有自适应性。它可以通过估计图像的噪声变化来计算。阈值分别计算到实域和虚域。本文采用软阈值法对小波系数进行修正。小波反变换得到输出(去噪)图像。这一阶段的去噪过程会在图像中引入少量的模糊，并且不会去除原始的模糊。采用前向算法从图像中去除噪声，但当存在非高斯噪声时，结果不准确。为了克服这一问题，作者修改算法如下:

Ã¯Â Â '对原始图像应用正则化逆滤波器。

Ã¯Â Â′估计噪声方差

Ã¯Â Â计算正则化逆滤波图像的复小波变换。

Ã¯Â Â通过自适应复阈值，通过软阈值缩小计算出的小波系数。

Ã¯Â Â对去模糊的图像进行小波域滤波，给出小波系数的实部和虚部

Ã¯Â Â′应用小波逆变换，得到结果的去模糊图像。

C.复小波结合滤波反投影(FBP):

V Thavavel等，[16]提出了一种正则化重构方法，该方法结合了滤波反投影(FBP)算法的特征和CWT中的正则化理论，滤波器具有复系数和实系数。然而，对于1级以上的复小波分解，如何实现完美重构还存在进一步的问题。利用双树复小波变换(DT CWT)，我们可以用两个独立的小波分解来计算信号的复变换。通过同时获得实系数和虚系数，我们可以得到更多的信息。FBP滤波部分在复小波域进行傅里叶域反演和消噪，实现了在病态系统下对原始图像的高效估计。

D. Haar小波和Daubechies小波:

Kanwaljot Singh Sidhu et.al，[23]提出的医学图像去噪方法采用Haar小波和Daubechies变换。工作包括小波选择、阈值选择、输入图像分解、图像重建和PSNR比较五个部分。在小波选择上，采用Haar小波和Daubechies变换对信号进行分解。在阈值选择中，测试了硬阈值和软阈值。哈尔小波是一种简单而古老的信号变换方法。Haar变换将非连续信号分解为两个独立的子信号。一个子信号是运行平均值，另一个子信号是运行差。Haar小波简单、快速、占用内存少。

Daubechies小波中的标度函数集是正交的。在Daubechies小波中频率响应是平衡的，相位响应是非线性的。它具有窗口重叠的特性，系数谱反映在高频变化上。它能有效地去除噪声，压缩音频信号。在下一步中使用阈值操作。利用阈值法可以从灰度图像的灰度值中生成二值图像。阈值分割的另一个用途是通过将强度值高于阈值的所有像素设置为前景值，并将所有剩余像素设置为背景值来分割图像。阈值划分分为两类:

1.硬阈值

硬性门槛的程序是“保留或杀死”，可能更有吸引力。有时纯噪声系数可能会遇到硬阈值。硬阈值在医学图像处理中得到了广泛的应用。

2.软阈值

软阈值以绝对值压缩阈值以上的系数。软阈值可以克服硬阈值中的假结构。

PSNR(峰值信噪比)是通过比较退化的输入图像和恢复的图像来计算的。PSNR计算采用以下公式。

利用式(3)得到PSNR值后，与不同的变换技术进行比较。

E.平均滤波器或平均滤波器

在大多数定时器尺度中，重要的特征是跨尺度的大小波系数。Ghosh et.al，[5]提出了一种图像到图像的转换，旨在通过减少灰度级别的快速像素到像素变化来平滑或平坦图像。平滑可以通过应用平均或平均掩码来完成，该掩码计算邻域像素灰度的加权和，并用该灰度替换中心像素。图像是模糊的，其亮度保留为掩模系数全正和为1。均值滤波器是最基本的平滑滤波器之一。像其他卷积一样，它是基于核的，核表示要采样的邻域的形状和大小。计算均值时，只要中心像素灰度值的原始值与平均值的差值大于预设的阈值，就会改变中心像素灰度值，并进行平滑处理。这导致噪声被平滑，图像细节模糊较少。因此，均值滤波器在模糊和噪声去除方面得到了广泛的应用。模糊化通常是连接线或曲线间隙的预处理步骤，有助于在提取相关的较大对象之前删除不需要的小细节。

为了克服噪声和阴影的不良影响，需要选择合适的算法。大多数算法的局限性是它们只能在特定的数据集上显示有效的结果。考虑到上述问题，Shruti bhargava et.al，[19]提出了一种混合滤波器，将中值滤波器、平均滤波器和扩散滤波器等滤波器组合在基于自适应小波阈值的去噪医疗数据上，以增强结果。该算法在不同类型的医疗数据集上进行了测试，如超声，SPECT, MRI, CT和PET。

3中值滤波器

中值滤波是一种非线性方法，可以有效地减小脉冲噪声或椒盐噪声。此外，该方法在减少随机噪声的同时，也很容易保持图像的边缘。在超长信道中，由于随机比特误码会产生脉冲噪声或椒盐噪声。在超中值滤波中，一个窗口在图像上滑动，并且窗口之间像素的中值强度值成为被处理像素的输出强度。中值滤波不适用于遇到高脉冲噪声时。Suman Shrestha et.al，[18]提出了一种基于决策的中值滤波技术，该技术可以更有效地去除脉冲噪声。基于决策的中值滤波方法通过检测像素值是否为损坏的像素来处理损坏的图像像素。这个决策类似于自适应中值滤波技术的决策，即基于待处理像素值是否在待处理窗口内的最小值和最大值之间。如果像素值位于窗口中的最小值和最大值之间，则像素保持原样(即像素无噪声)，否则像素将被窗口的中值或其邻域像素值替换。基于决策的过滤算法如下所示:

四、神经网络方法

ANN是一种数学或计算模型，试图模拟生物神经网络的功能特征。这些网络由一组相互连接的人工神经元组成，用于处理输入信息。人工神经网络可以是一种自适应系统，它可以在学习阶段根据流经网络的外部或内部信息改变其结构。人工神经网络通常用于模拟输入和输出之间的复杂关系，这些关系可以用数学方法确定。人工神经网络具有良好的学习能力。学习算法在解空间中寻找，以找到一个代价函数，该函数能够最小地度量我们想要解决的问题的最优解有多远。图5表示了神经网络的结构。每个圆被视为节点，即人工神经元和箭头是映射到每个输入和输出节点的连接。

A.图像重建中的神经网络:

人工神经网络是一种用于模式识别的机器学习方法。人工神经网络用于图像去模糊[4,8,10]。Yazeed A等人，[8]提出了一种人工神经网络作为去噪工具。该技术包括使用平均值和中值统计函数来计算神经网络训练模式的输出像素。该系统使用不同类型的退化图像进行训练，并使用不同噪声水平的测试图像。

Neeraj Kumar等人，[4]提出了一种带有反向传播的三层神经网络算法。为了利用神经网络重建增强图像，我们需要有一个模糊图像和相关的原始图像。他们认为原始图像为马尔可夫随机场(MRF)，模糊图像为退化版本的马尔可夫随机场。复杂的是在原始图像与有噪声的模糊图像之间建立函数映射，这通常是非线性的。为此，方法需要从模糊图像中选取3×3补丁，并从原始图像中选取相应补丁的中心像素。通过将模糊的patch作为神经网络的输入，将原始patch的中心像素作为输出来学习所需的映射。对于模糊的patch(训练输入)和原始patch(目标输出)，分别将3×3 patch的中心像素向任意方向移动一个像素，生成训练样本。该系统利用少量的sigmoid基函数实现了理想的映射。系统检查习得的映射是否捕捉到了穿过原始补丁的边缘中心的方向和距离。如图6所示。 Like this, the function can efficiently reconstruct the edge in the deblurred patch.

P.Subashini et.al，[10]提出了一种用于图像去模糊的反向传播神经网络。沿着这一梯度体面规则被使用，它由三层组成。该方法使用高度非线性的反向传播神经元进行图像恢复，得到高质量的恢复图像，神经计算速度快，由于使用的神经元数量少，计算复杂度低，无需长时间训练算法，收敛速度快。与传统的图像重建方法相比，该算法取得了较好的效果。

五、其他重建方式

A.基于多分辨率的方法:

Gerald zauner et.al，[1]提出了一种基于多分辨率的图像去噪技术，该技术使用小波滤波器和血小板。它聚焦于CT图像中的微小物体。由于像小孔这样的小物体的噪音，痕迹变得隐藏起来，人眼看不见。为了克服这个问题，使用了血小板过滤。尽管小波在各种应用中提供了有效的结果，但它仍然存在边缘信息较少的问题。此外，大多数基于小波的方法都是基于高斯近似，当遇到低计数水平时，结果很差。通过观察这种情况，提出了一种新的基于血小板的多尺度图像表示方法。血小板是基于楔形let方法的。每个楔子被定义在一个具有特定边点的动态正方形上。代替恒定的近似划分，平面是由血小板引入的，以这种方式增加梯度。 This representation is coded in tree structure and its adaptive ‘pruning’ process removes portion of noisy signals. Compared to Linear filter method, the platelet filter has got better result. After the linear filtering, small spatial structures have been almost removed. Platelet filter still holds the information of small spatial structures.

B.边缘保持重建技术:

大多数图像重建算法都存在信息丢失的问题。在重建过程结束后，噪声将被去除，但一些重要的信息，如边缘，微小的空间结构也将被去除。图像边缘的保留是图像重建的难点之一。使用非局部正则化[2,14]，我们可以保留图像中的边缘。Daniel Yu等人[2]提出了一种具有非局部正则化的保边层析重建算法。重建过程包括平滑，有时会减少边缘信息。通常，相邻像素之间的小差异通常是由于噪声，而较大的差异是由于边缘。这种观察是许多边保持算法的基础。大多数边缘保持算法都是基于大的线-点模型。在每个像素中传递局部邻域信息来估计边缘，即为组的每个像素分配一个惩罚。

Ming Jiang等，[14]提出了一种基于边噪比的盲去模糊算法，并应用于提高螺旋CT图像的质量。由于用于量化边缘和噪声影响的差异测量是不对称的，有几种方法来制定边缘-噪声比。Daniel Yu等人对所提出的去模糊算法进行了不同边噪比的对比研究。

C.拉普拉斯锐化滤波和迭代Richardson-Lucy算法:

Zohair Al-Ameen等人，[3]提出了一种结合Laplacian锐化滤波器和迭代Richardson Lucy算法来去除CT图像中的高斯模糊的算法。在模糊算法的基础上，加入高斯模糊对CT图像进行降级。去模糊过程包括减少模糊和将图像转换为锐化形式。结合拉普拉斯锐化滤波和迭代Richardson - Lucy算法对CT图像进行处理。该算法通过人工(高斯模糊)和自然模糊降级的几个医学CT图像进行了测试。

1.拉普拉斯锐化滤波器:

拉普拉斯滤波器通常通过突出图像的边缘信息来锐化图像。这里3x3矩阵是拉普拉斯核它与图像卷积。卷积的结果被视为掩码，即退化图像与原始图像的差值。有各种各样的拉普拉斯核。新的内核排序如图7所示。

优化和自适应技术，这使得它在控制问题中非常有吸引力，特别是对动态非线性系统。sugeno型模糊系统是一种常用的非线性建模工具，因为它非常适合优化调优，而且它采用多项式型输出隶属函数，极大地简化了去模糊化过程。对输入的脉冲噪声图像逐像素进行模糊推理。每个非线性噪声像素分别经过基于决策的切换中值滤波器(DBSMF)和canny边缘检测器处理，然后应用于模糊网络。因此，在提出的算子的结构中，我们可以给出三个阶段的输入，一个是多噪声，第二个是模糊，第三个是两者的组合。我们可以用任何方便的符号来表示。每种可能的输入组合及其关联的隶属度函数都用模糊网络规则库中的规则表示。

六。结论

为了获得准确的信息，去噪和去模糊是非常必要的。本文综述了图像重建的主要方法，特别是在医学图像处理领域。所有算法都能有效地提高退化图像的质量。算法必须更有效，以获得更准确的诊断信息。此外，还需要改进算法以使系统健壮。鉴于此，本文提出了关于不同类型医学图像去噪和去模糊的各种方法的充分信息。

参考文献

Gerald Zauner, Michael Reiter和Johann Kastner，“基于多分辨率方法的计算机断层图像去噪”，ECNDT, 2006
Daniel F. Yu和Jeffrey A. Fessler，“具有非局部正则化的边缘保持层析重建”，IEEE，第21卷，第2期，2002
Zohair Al-Ameen, Ghazali Sulong和Gapar Johar，“通过使用锐化滤波器和迭代去模糊算法的组合来减少Ct医学图像中的高斯模糊伪影”，理论与应用信息技术杂志，第46卷，第1期，2012
Neeraj Kumar, Rahul Nallamothu和Amit Sethi，“基于神经网络的图像去模糊”，IEEE, 2012
S. Rakshit, A. Ghosh, B. Uma Shankar，“快速均值过滤技术”，模式识别学会。由Elsevier Ltd出版，第48卷，2010年第2期
V N Prudhvi Raj和T Venkateswarlu，“基于全变分方法的医学图像去噪”，国际医学杂志，2012年第3卷第2期
Ashish Khare和Uma Shanker Tiwary，“一种利用复小波变换的医学图像去模糊和去噪的新方法”，IEEE, 2005
Yazeed A和al - sbu，“人工神经网络评估作为图像去噪工具”，ISSN, 2012
Sreejith。S和Tripty Singh，“生物医学应用中的图像增强新技术”，ISSN，第2卷，2014年第2期
P.Subashini, M.Krishnaveni, Vijay Singh，“基于反向传播神经网络的图像去模糊”，《计算机科学与信息技术》，2011年第1卷，第6期
Anja Borsdorf, Steffen Kappler, Rainer Raupach和Joachim Hornegger，“CT图像各向异性去噪的解析噪声传播”，IEEE, PP 5335-5338, 2008
Idris A. Elbakri和Jeffrey A. Fessler，“多能x射线计算机断层扫描的统计图像重建”，IEEE，第21卷，第2期，2002年
郑国金，Jeffrey A. Fessler和郑亚，“x射线CT快速迭代图像重建的前向投影架构”，IEEE，第60卷，第10期，2012
姜明，王戈，Margaret W. Skinner, Jay T. Rubinstein和Michael W. Vannier，“螺旋CT图像的盲去模糊-边噪比的比较研究”，医学物理，第29卷，第5期，2002
Issam El Naqa, Daniel A. Low, Jeffrey D. Bradley, Milos Vicic和Joseph O. Deasy，“用反褶积方法去模糊胸部PET图像中的呼吸运动伪影”，医学物理学，第33卷，第10期，2006
V.Thavavel和R. Murugesan，“使用复杂小波的正则化计算机断层扫描”，国际磁共振成像杂志，第1卷，第1期，2007年
Daniel E Yu和Jeffrey A. Fessler，“非局部正则化的边缘保持层析重建”，IEEE，第21卷，第2期，2002
Suman Shrestha，“基于自适应中值滤波器的图像去噪”，《国际期刊》(SIPIJ)， 2014年第5卷，第4期
Shruti bhargava和Ajay Somkuwar，“基于自适应小波阈值算法的医学图像去噪”，《国际计算机应用杂志》第83卷，第3期，2013年
马丽燕，Lionel Moisan, Yu Jian, Zeng Tieyong，“一种基于字典学习的Poisson图像去模糊方法”，IEEE，第32卷，第7期，2013
Sachin D Ruikar, Dharmpal D Doye，“基于小波的图像去噪技术”，国际先进计算机科学与应用，第2卷，第3期，2011
S. kother Mohideen, S. Arumuga Perumal和M.Mohamed Sathik，“基于离散小波变换的图像去噪”，《国际计算机科学与网络安全杂志》，2008年第8卷第1期
Kanwaljot Singh Sidhu, Baljeet Singh Khaira和Ishpreet Singh Virk，“在小波域使用Haar和DB3滤波的医学图像去噪”，国际工程科学杂志，第1卷，第1期，2012年
Marcin Kociolek, Andrzej Materka, Michal Strzelecki和Piotr Szczypinski，“离散小波变换-衍生特征的数字图像纹理分析”，国际信号与电子系统会议，2001
Gayatri P. Bhelke, V. S. Gulhane，“一种有效的噪声检测算法在退化图像中的检测和降低”，国际计算机应用技术与研究，第3卷第2期，105 - 108,2014,ISSN: 2319-8656
V N Prudhvi Raj, Dr. T Venkateswarlu，基于多分辨率的计算机断层图像去噪方法，信号与图像处理，国际期刊(SIPIJ) Vol.3, No.4, 2012年8月
Anil A patil，图像去噪的曲线变换:一种边缘保存方法，科学与工业研究杂志
吴志伟，吴志伟，陈志伟，基于复杂小波的正则化计算机层析成像，国际磁共振成像杂志，2007年第1卷，第1期，pp. 027-032, ISSN 1749-8023(印刷)，1749-8031
Aleksandra PiÃÂ¾urica, Ljubomir Jovanov, Bruno Huysmans，“光学相干层析成像的多分辨率去噪:回顾和评估”
韩祖利，IEEE学生会员，拉波德-拉贺格，孟福瑞尼，狄尔索
PIECZYNSKI, d.s visvikis, m.t hatt，“基于多观测和多尺度马尔可夫树模型的PET/CT图像去噪和分割”
Maria V. Storozhilova, Alexey S. Lukin, Dmitry V. Yurin, Valentin E. Sinitsyn，“3D医疗ctimage中噪声滤波的两种方法”
Adrian Taruttis, Jing Claussen, Daniel Razansky, Vasilis Ntziachristos，“小鼠心脏多光谱光声断层成像图像的运动聚类”，生物医学光学杂志17(1)，016009(2012年1月)
Stefan Weber, Thomas sch¨ule, Attila Kuba和Christoph Schn¨orr，“去模糊的二进制断层扫描”，U. Eckardt等人(编):IWCIA 2006, LNCS 4040, pp. 375-388, 2006。c 2006年柏林海德堡斯普林格出版社
克里斯蒂安·汉森，“用稀疏矩阵旋转图像去模糊”BIT数值数学DOI: 10.1007/s10543-013-0464-y
蒋明，王戈，“螺旋CT图像的盲去模糊”，《医学影像学报》，第22卷，第7期，2003年7月
Empar Rollano-Hijarrubia*， Rashindra Manniesing，和Wiro J. Niessen, IEEE高级成员，“颈动脉CT血管造影中改善钙化可视化和量化的选择性去模糊:使用Micro-CT的验证”
Ankit Gupta, Neel Joshi, C. Lawrence Zitnick, Michael Cohen和Brian Curless，“使用运动密度函数的单幅图像去模糊化”
Oliver Whyte, Josef Sivic, Andrew Zisserman, Jean Ponce，“抖动图像的非均匀去模糊”