1.一种低剂量CT图像去噪方法,其特征在于,包括以下步骤:步骤1,将低剂量CT图像的噪声分为两层,一层是不具有低秩特性的斑点噪声,一层是具有结构纹理特性的条纹噪声,且认为其具有旋转低秩特性;
步骤2,利用加权核范数最小化算法去除斑点噪声得到初步去噪的图像;
步骤3,将初步去噪的图像进行旋转,同时引入方向总变分正则项,再利用低秩方法,在变换域对条纹噪声进行提取,得到旋转后的条形伪影图像;
步骤4,对旋转后的条形伪影图像进行旋转逆变换,用初步去噪的图像减去旋转逆变换后的条形伪影图像,即可得到最终的去噪图像;
所述步骤3中将初步去噪的图像进行旋转,同时引入方向总变分正则项,结合低秩方法,在变换域对条纹噪声进行提取,得到旋转后的条形伪影图像,具体步骤为:步骤3.1,将初步去噪的图像看作两层,表示为:(7)
其中,为初步去噪的图像,为干净图像,表示条纹噪声图像;
步骤3.2,将初步去噪的图像进行旋转变换,公式(7)演变为:(8)
其中,为旋转算子,为旋转后的干净图像,为旋转后的条纹噪声图像;
步骤3.3,在变换域对其进行图像信息去除,通过引入方向总变分作为一个约束项,得到整体的旋转低秩模型:(9)
其中,,为约束系数,,分别表示水平和垂直方向上的导数算子,表示核范数;
步骤3.4,通过交替迭代求得,即旋转后的条形伪影图像;
所述交替迭代求得,的具体步骤为:对公式(9)在当前估计的周围进行线性化:(10)
其中,是初步去噪的图像通过旋转变化后对于旋转参数的雅克比矩阵,公式(9)的非凸优化问题转换为如下的凸优化问题:(11)
公式(11)通过交替最小化转化为3个最小化子问题:更新:条纹噪声估计:根据拉格朗日乘子理论,将约束的凸优化问题变为非约束凸优化问题:(12)
其中,是拉格朗日乘子,是常数,公式(12)通过奇异值收缩算法求解;
更新:旋转后的去噪图像估计:
(13)
其中,是拉格朗日乘子,是常数,公式(13)通过ADMM算法和奇异值收缩算法得到求解;
更新:
(14)
公式(14)通过TILT算法得到求解;
通过以上的交替迭代更新求得,实现条纹噪声的去除。
2.根据权利要求1所述的一种低剂量CT图像去噪方法,其特征在于,所述步骤2中利用加权核范数最小化算法去除斑点噪声得到初步去噪的图像,具体步骤为:步骤2.1,对于低剂量CT图像中的一个图像块,,首先在图像块的非局部范围内搜索相似块,将每个相似块重排列成一个列向量,然后将所有列向量组合得到相似块组矩阵,得到如下等式:(1)
其中,为含噪图像矩阵,是的近似低秩矩阵,即恢复图像矩阵,为噪声矩阵;
步骤2.2,利用加权核范数最小化算法来估计,得到以下的优化公式:(2)
;
其中,为的近似估计,表示矩阵的F范数,表示矩阵的加权核范数,是矩阵的第个奇异值,为含噪图像的方差,为系数,是权重向量,,定义如下:(3)
其中,,为非零正常数,为相似块的数量,即矩阵的列数,为一个小的正的常数因子;
假设斑点噪声在U和V两个基空间中均匀分布,得到的估算初始值,如下:(4)
其中,是矩阵的第个奇异值;为含噪图像的方差,表示矩阵的行数,即组成低秩矩阵的每个图像块中的像素的个数;
得到全局解,如下:
(5)
其中,是矩阵的奇异值分解,是对奇异值进行不同程度的软阈值收缩,如下:(6)
其中,为对角矩阵,为矩阵第行第列的对角线元素,为矩阵第行第列的对角线元素,为第个权重系数;
步骤2.3,对含噪声图像中的所有图像块进行步骤2.1~步骤2.2,然后把所有经过处理的图像块聚合到一起,得到初步去噪的图像。