2. 河北工业大学医院, 天津 300401
2. Hebei University of Technology Hospital, Tianjin 300401, P. R. China
磁共振(MR)因具有功能强大、对人体伤害小的特点,目前广泛应用于医疗诊断。但MR成像过程复杂,硬件电路和人体散热等因素容易产生Rician噪声[1],噪声存在使得MR图像细节模糊,组织边界难以识别,对医学诊断造成困难,因此去噪处理很有必要。
传统MR图像去噪方法主要有滤波法[2]、变换域法[3]和统计法[4],这些方法在去除高斯噪声时效果显著,但对于MR图像中Rician噪声则去噪效果一般,尤其对医学MR图像细节边缘保护不好,容易丢失有用信息。目前小波变换和基于非局部滤波等方法已被广泛用于MR图像Rician噪声的去除。2008年程巧翠[5]在小波变换的基础上结合SURE硬阈值滤波和维纳滤波对MR图像去噪,但重建时易造成相位失真;2011年Foi[6]首次将方差稳定变换用于MR图像Rician噪声去除,取得良好效果;2015年陈创泉提出一种改进的非局部滤波算法[7]用于MR图像中Rician噪声的去除,算法结构复杂,不宜寻找最优参数[8]。2016年黄学优等[9]提出一种双数复小波域的MR图像去噪算法,该算法结合双边滤波器和基于Stein无偏误差估计[10]的领域收缩法,在去除MR图像Rician噪声方面取得突破性进展。
对于MR图像中的Rician噪声,利用方差稳定变换将Rician噪声变换成类加性高斯白噪声,减小噪声与原始图像依赖性,实验效果显著[11, 12]。方差稳定变换作为一种数学变换,可将异方差数据变为同方差数据,方便解决实际中的复杂问题。PGPD算法[13]采用非局部自相似性(non-local self-similarity,NSS)原理,将一幅图像划分成多个局部块,根据块组之间相似性,提取多个非局部块,两者结合构成新块组,进行NSS模型[14]学习。该算法与其它算法相比,在去除高斯噪声方面展现出很大优势。
PGPD算法学习阶段通过高斯混合模型学习原始图像先验NSS,去噪阶段选择高斯分量,都是针对方差恒定的高斯分布而言。而MR图像中的Rician噪声在信噪比低的部分服从瑞利分布,在信噪比高的部分服从高斯分布,因此传统PGPD去噪算法对于MR图像Rician噪声的去除无优势。
本文提出一种结合方差稳定变换和PGPD的新去噪算法。首先对含有Rician噪声的MR图像进行方差稳定变换,在变换域中使得噪声与图像独立,Rician噪声近似转化为加性高斯噪声。然后采用去除高斯噪声效果优异的PGPD算法去噪,最后经过方差稳定逆变换得到无偏去噪图像。
1 MR图像所含噪声分析MR因成像迅速、危害小等特点广泛用于医疗诊断中,但成像过程中常会引入噪声。检测对象和电路元件是产生磁共振图像噪声的两大主要来源。MR原始数据采集于K空间,K空间的数据由实部和虚部两部分信号构成,相位相差90度[15]。MR图像所含噪声在复数域呈高斯分布[16],通过应用计算机辅助图形分析,得到MR图像所含噪声整体服从Rician分布,实部和虚部分别含有均值为0、方差相同且相互独立的加性高斯噪声,具体为信噪比低强度区域呈瑞利分布,信噪比高强度区域服从高斯分布[17]。
对K空间数据进行傅里叶变换[18],得到变换图像。由于傅里叶变换只是将图像变换到频域中,噪声形式不会发生变化,因此得到的变换图像是复数信号,表达式如下:
(1) |
其中, Ic代表含有噪声的MR图像,Ir表示实部信号,Ii表示虚部信号,Nr和Ni分别表示实虚部噪声,各自服从均值为0、方差为σ2的高斯分布。为方便计算,一般将MR图像平方后再开方,得到幅值图像,即:
(2) |
MR图像经过平方再开方后,噪声已不再是加性高斯白噪声,而是与图像相关的Rician噪声。其分布函数为:
(3) |
其中x和μ为实际信号与带噪信号值,σ为标准差,I0为第零阶Bessel函数。
2 结合方差稳定变换和PGPD的新去噪算法FPGPD 2.1 经典PGPD算法原理基于块的图像去噪算法因其具有良好的去噪性能,近几年受到越来越多关注。2015年PGPD算法首次被提出,利用图像的非局部自相似性,将图像分成一定数量的局部块,其中任意局部块可提取出多个与此局部块相似的非局部块,它们共同组成新的块组,用于学习明确的NSS模型,利用此模型对含噪图像进行处理。PGPD算法在抑制高斯噪声方面较其它算法性能大幅提升。
PGPD算法包括学习阶段和去噪阶段。在学习阶段提取非局部相似块组,通过高斯混合模型的块组(PG-GMM)学习原始图像的先验NSS。在去噪阶段先进行高斯分量选择,再经加权稀疏编码去除噪声,最后将处理后的块组重建,得到去噪后的图像。
2.2 FPGPD去噪新算法MR图像噪声类型主要为Rician噪声,在信噪比低的部分Rician噪声呈瑞利分布,在信噪比较高的区域Rician噪声呈高斯分布。传统去除高斯噪声优异的PGPD算法对于MR图像中Rician噪声已不再适用。因此本文提出结合方差稳定变化和PGPD的一种新去噪算法,简称FPGPD。
2.2.1 方差稳定变换研究某一噪声的具体分布,需要分析其方差统计模型,一般情况下总是假定以下3点:(1)观测对象呈正态分布;(2)样本之间相互独立;(3)总体方差满足方差齐性,即方差为常数。当非常数的方差出现,可借助方差稳定变换,将异方差数据转变为同方差数据,使问题更容易解决。
方差稳定变换是一种常用的数学变换方法,在2009年由Foi首次提出,并于2011年用于医学图像去噪[6]。其基本原理如下:
假设图像的均值和方差为:
(4) |
寻找某一变换f(Y)使得方差变为常数,将f(Y)在μ处进行一阶泰勒公式展开,即:
(5) |
(6) |
(7) |
对两边求期望可得:
(8) |
(9) |
(10) |
经过上述变换,非常数的方差变为常数1。
MR图像中Rician噪声在低信噪比处趋近瑞利分布,在高信噪比处趋近高斯分布,概率密度图如图 1所示。
对于原始MR图像,分别加入9%的Rician噪声和9%的高斯噪声,作为参考对象。加入Rician噪声经过方差稳定变换得到的图像与参考对象做对比。
如图 2所示,(a)为原始MR图片,分别在原始图片上叠加相同噪声含噪的Rician噪声与高斯噪声,加噪后的图像分别为(b)和(c),对叠加有Rician噪声的图像进行方差稳定变换得到图(d), 变换后的图像从视觉角度看与加入高斯噪声的图像相似,与理论推导结果相同。
综上所述,首先将含Rician噪声的MR图像进行方差稳定变换,在变换域中噪声与图像之间依赖关系被解除,噪声和图像近似独立,同时噪声由原来的Rician分布近似转化为高斯分布,方差由变量转化为常数1。
2.2.2 去噪处理经方差稳定变换后,Rician分布的噪声近似转换为加性高斯噪声。叠加有Rician噪声的MR图像经过方差稳定变换后作为PGPD算法的输入,对输入图像进行块组分割,提取非局部相似块组,通过高斯混合模型块组(PG-GMM)学习原始图像的先验NSS。完成学习阶段后,进行高斯分量选择和加权稀疏编码抑制噪声,最后经方差稳定逆变换得到无偏去噪图像。
学习阶段,寻找非局部相似快组是关键。第一步选定任一局部块x0,以其为中心构建一大小适宜的局域窗,用欧式距离公式计算窗内块与块的间距,取最小距离的M块作为局域块的相似块,这M个相似块构成一集合,作为新的块分量,将其定义为xm=xm-μ,新的块组均值分量为μ=
去噪阶段,高斯分量选择直接影响去噪结果,对于每一X, 对其加入噪声V,构成新的含噪块组Y=X+V,从训练好的PG-GMM模型中选择最优高斯分量,假设噪声服从高斯分布,方差为σ2,则第k个块组的协方差为∑k+σ2I, 其中I为单位矩阵。通过后验概率对k个高斯分量进行选择。在PG-GMM中,相似块发生变化,变化的趋势相同均呈高斯分布。对块组Y中的每一个相似块ym稀疏编码,可得
(11) |
D代表特征向量构成的正交矩阵,α为系数编码系数构成的向量,V代表噪声,Λi为第i个特征值对应的特征向量,Λi的大小代表对应特征向量的重要程度,值越大所对应特征向量在调整分布中作用越大,对应的编码系数分布越稀疏,稀疏编码系数的获取表示如下:
(12) |
其中λi=Λi1/2,c为常数,编码后得到新的块组,重建构成去除噪声的图像。
由于去噪处理是在变换域中进行,最后得到的图像值会有偏差,所以最后一步要进行方差稳定逆变换,得到无偏去噪图像。
综上所述,本文提出的FPGPD算法实现流程如下:
第一步:输入原始MR图像;
第二步:对MR图像叠加不同含量的Rician噪声;
第三步:对叠加有噪声的MR图像进行方差稳定变换;
第四步:计算每个局域块与中心块的欧氏距离,构建搜索窗,寻找非局部相似块;
第五步:块组采样、抽取,构建新块组;
第六步:新块组进行高斯分量选择;
第七步:加权稀疏变编码;
第八步:重建得到去噪MR图像;
第九步:方差稳定逆变换,得到无偏MR图像;
第十步:输出无偏去噪MR图像。
3 MR图像去噪实验为验证FPGPD去噪算法的有效性,特做以下实验。实验在内存8 GB、CPU主频2.50 GHz、MATLAB(R2014a)的64位Windows7版个人笔记本电脑上运行。图片来源为BrainWeb及MR图像数据库(http://brainweb.bic.mni.mcgill.ca/cgi/brainweb)。
本文以3张不同大脑切片和3张身体其它部位的MR图像为例进行去噪实验。分别在图像实部、虚部中叠加均值μ=0、均方差σ=1、2、3、4、5、6、7、8、9的Rician噪声来研究MR图像去噪效果,从峰值信噪比(PSNR)、结构相似度(SSIM)和视觉角度这3个方面分析去噪效果。
(13) |
(14) |
PSNR表示峰值信噪比,其中S代表原始图像,
SSIM表示结构相似度,X、Y代表原始图像和去噪图像的像素集,μx是X的平均值,σx2是X的方差,μy是Y的平均值,μy2是Y的方差,σxy是XY的协方差,C1、C2为常数。SSIM作为衡量两幅图像相似度的指标,取值范围为-1~1,分别从亮度、结构和对比度这3方面评价图像的相似性,其值越接近于1,代表去噪后图像与原始图像越相似。
3.1 加噪实验原始MR图像由MR模拟滤波器生成,并非实际采集的人体MR图像,其生成原理与医学MR设备相同,除做特殊处理不含噪声外,其他数据均相同。研究中为尽可能还原实际MR图像,对原始无噪MR图像叠加不同量级的Rician噪声,结果如图 3所示。其中图 3(a)为原始不含噪的MR图像,图 3(b)~(j)分别为叠加不同含量Rician噪声的MR图像,噪声含量设置为1%、2%、3%、4%、5%、6%、7%、8%和9%。实际MR图像所含噪声不会太大,为便于实验分析,对原始MR图像叠加噪声范围取值为1%~9%。
选用3组大脑切片MR图像,分别叠加5%的Rician噪声,用原PGPD算法和本文提出的FPGPD算法分别去噪,结果展示如图 4所示。
通过上述3组大脑不同切片值的MR图像加噪去噪实验,从视觉角度分析如下:原PGPD算法去噪后图像过于平滑,比较模糊,视觉感较差。本文提出的FPGPD算法去除噪声干净,图像清晰,细节和轮廓保护好。对比PGPD算法,本文提出的FPGPD算法从视觉角度分析效果更好。
为进一步比较两种算法去噪性能,分别计算PSNR和SSIM两值,定量分析两种去噪算法性能,实验结果如图 5所示。图 5(a)为两种去噪算法对叠加有不同噪声含量的9幅图像去噪后的PSNR值,蓝色表示原PGPD算法去噪后的PSNR值,红色表示FPGPD算法去噪后的PSNR值。在噪声含量低的时候,FPGPD算法PSNR值要远远高于PGPD算法,随着噪声含量的增加,FPGPD算法的优势逐渐减少,当噪声含量大于7%后,两种去噪算法性能相差不大,说明在噪声含量较低时,本文提出的FPGPD算法对图像的保真度要高于原PGPD算法。
图 5(b)为两种去噪算法对叠加有不同噪声含量的9幅图像去噪后的SSIM值,蓝色表示原PGPD算法去噪后的SSIM值,红色表示FPGPD算法去噪后的SSIM值,FPGPD算法去噪后的SSIM值总是比PGPD算法更接近于1,说明从亮度、结构和对比度3个方面衡量两幅图像的相似度时,FPGPD算法优于PGPD算法,去噪后的图像更接近原始图像。
如表 1所示,大脑切片值为50时的MR图像用PGPD算法和FPGPD算法去噪,并对两种算法从PSNR值和SSIM值两方面分析对比:噪声含量较低时,FPGPD算法PSNR值提高较多;随着噪声含量增加,PSNR值提高的百分比逐渐下降,当噪声大于7%时,PSNR值不再提高甚至下降。FPGPD算法的SSIM值始终高于PGPD算法,尽管随着噪声含量的增加,SSIM提高的百分比稍有下降,但依旧高于PGPD算法。
由于MR图像所含Rician分布的噪声,信噪比低的部分服从瑞利分布,信噪比高的部分服从高斯分布,方差稳定变换将Rician分布的噪声近似变为加性高斯噪声,对图像信噪比低的部分变换较明显,而对图像信噪比较高的部分变换相对不明显,体现为随着噪声含量增加,FPGPD算法去噪后的PSNR值和SSIM值提高的百分比逐渐降低。经过方差稳定变换后的图像发生偏差,需要乘以相应的系数恢复原始图像,表中所列变换系数为大量实验寻优所得结果。
3.2.2 不同组织的MR图像去噪实验为验证本文提出的FPGPD算法针对不同MR图像的去噪效果,分别选取不同组织的含噪MR图像进行去噪实验,选取的图像为:细节含量丰富的肝脏MR图像、细节含量中等的人体脊椎MR图像和细节含量较少的人体膝盖MR图像。分别叠加5%的Rician噪声,用原PGPD算法和本文提出的FPGPD算法分别去噪,结果展示如图 6所示。
根据实验结果,从视觉角度看,图 6(a)为人体肝脏MR图像,人体肝脏结构复杂,内部含有多个腔室和丰富的血管结构。经FPGPD去噪后图像稍有模糊,但依旧能够清晰看到腔室和血管组织结构,细节轮廓清晰,而PGPD去噪后图像模糊,内部结构几乎无法辨认。
图 6(b)为人体脊椎MR图像,人体脊椎含有较为丰富的骨骼结构,但不如肝脏结构细节丰富。经FPGPD去噪后,去除噪声干净,脊椎骨骼结构清晰可见,而PGPD算法去噪后,脊椎骨骼难以识别,图像比较模糊。
图 6(c)为人体膝盖MR图像,人体膝盖结构简单,细节含量少,轮廓清晰。经FPGPD算法去噪后,噪声去除干净,结构清晰,细节丢失少,与原始图像差别较小。PGPD算法去噪后,噪声去除干净,清晰度比FPGPD稍差,但整体效果良好,图像较为清晰。
综上所述,从视觉角度看,本文所提出的FPGPD算法对于MR图像去噪处理效果优于原PGPD算法。
为了更好的验证两种去噪算法性能,分别用PSNR和SSIM两个指标来定量分析,对比实验如图 7所示。
图 7(a)、(b)为人体肝脏MR图像经过两种去噪算法对叠加有不同噪声含量的9幅图像去噪后的PSNR值和SSIM值的分析比较,红色代表PGPD算法,蓝色代表FPGPD算法。从图(a)中看出,FPGPD算法的PSNR值始终高于PGPD算法。从图(b)中可以发现,FPGPD算法的SSIM值始终高于PGPD算法,且提高值保持0.1以上。
图 7(c)、(d)为人体脊椎MR图像经过两种去噪算法对叠加有不同噪声含量的9幅图像去噪后的PSNR值和SSIM值的分析比较。从图(c)中看出,FPGPD算法的PSNR值始终高于PGPD算法。从图(d)中可以发现,在噪声含量低于5%时,FPGPD算法的SSIM值高于PGPD算法,但是在噪声含量大于5%以后,FPGPD算法的SSIM值低于PGPD算法,原因是有用图像相对于背景区域而言所占比例较小,导致图像整体细节含量减少。
图 7(e)、(f)为人体膝盖MR图像经过两种去噪算法对叠加有不同噪声含量的9幅图像去噪后的PSNR值和SSIM值的分析比较。从图(e)中看出,FPGPD算法的PSNR值始终高于PGPD算法。从图(f)中可以发现,FPGPD算法的SSIM值始终高于PGPD算法,且提高值保持0.1左右。
通过多组实验对比,在噪声含量较低时,FPGPD算法去噪性能明显优于PGPD算法。从视觉角度看,FPGPD算法去噪后的图像细节清晰、图像保真度高、SSIM值高。在噪声含量较高时,两种去噪算法的PSNR值相当,图像细节含量越丰富,FPGPD算法去噪后的SSIM值越高于PGPD算法。在噪声含量较低时,本文所提出的FPGPD算法去噪性能明显高于PGPD算法。
4 结论本文提出一种结合方差稳定变换和PGPD的新算法FPGPD。由于MR图像中所含噪声为Rician分布的随机噪声,Rician噪声在信噪比较低时服从瑞利分布,在信噪比较高时服从高斯分布。首先将含噪MR图像经过方差稳定变换,在变换域中,服从Rician分布的噪声近似转化为高斯噪声,通过PGPD算法进行去噪,重建得到变换域中的去噪图像,最后经过方差稳定逆变换,得到无偏去噪图像。理论分析和实验结果表明,FPGPD算法在噪声含量较低时,能够有效去除MR图像中Rician噪声,更好的保护图像细节和边缘信息。对比PGPD算法,FPGPD算法的PSNR值和SSIM值均明显提高,从视觉角度观察效果更好。此结果证实,在处理医学MR图像中的Rician噪声方面,FPGPD算法优势明显。
[1] |
Jacobus F J, Walter H B, Klaas N, Kooi M E. 1HMR spectroscopy of the brain:absolute quantification of metabolites[J]. Radiology, 2006, 240(2): 318–322.
DOI:10.1148/radiol.2402050314 |
[2] |
吴建华, 李迟生, 周卫星. 中值滤波与均值滤波的去噪性能比较[J]. 南昌大学学报(工科版), 1998, 20(1): 33–36+62.
Wu J H, Li C S, Zhou W X. Comparison of denoising performance between median filter and mean filter[J]. Journal of Nanchang University (Engineering Edition), 1998, 20(1): 33–36+62. |
[3] |
石满红, 刘卫. 一种新的平移不变Shearlet变换域图像去噪算法[J]. 红外技术, 2016, 38(1): 33–40.
Shi M H, Liu W. A new translation invariant shearlet transform domain image denoising algorithm[J]. Infrared Technology Journal, 2016, 38(1): 33–40. |
[4] |
陈晓钢.基于统计分析的图像去模糊与图像去噪新方法研究[D].上海: 上海交通大学, 2013.
Chen X G. Research on image deblurring and image denoising based on statistical analysis[D]. Shanghai: Shanghai Jiaotong University, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10248-1014077486.htm |
[5] |
程巧翠.磁共振复数图像小波去噪研究[D].湖南: 湘潭大学, 2008.
Cheng Q C. Research on wavelet denoising of magnetic resonance complex image[D].Hunan: Xiangtan University, 2008. http://cdmd.cnki.com.cn/Article/CDMD-10530-2008180557.htm |
[6] |
Foi A. Noise estimation and removal in MR imaging: the variance-stabilization approach[C].IEEE International Symposium on Biomedical Imaging.Chicago: IEEE, 2011.1809-1814.
http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5872758 |
[7] |
孙伟峰.基于非局部信息的信号与图像处理算法及其应用研究[D].济南: 山东大学, 2010.
Sun W F. Signal and image processing algorithm based on nonlocal information and application[D]. Jinan: Shandong University, 2010. http://cdmd.cnki.com.cn/Article/CDMD-10422-2010102604.htm |
[8] |
陈创泉, 房少梅. 基于增强的同质相似性和旋转不变性的MRI去噪[J]. 佛山科学技术学院学报(自然科学版), 2015, 33(4): 14–21.
Chen C Q, Fang S M. MRI denoising based on enhanced homogeneity and rotation invariance[J]. Journal of Foshan University of Science and Technology (Natural Science Edition), 2015, 33(4): 14–21. DOI:10.3969/j.issn.1008-0171.2015.04.004 |
[9] |
黄学优, 张长江. 双树复小波域的MRI图像去噪[J]. 中国图象图形学报, 2016, 21(1): 104–113.
Huang X Y, Zhang C J. MR image denoising in double-tree complex wavelet domain[J]. Chinese Journal of Image and Graphics, 2016, 21(1): 104–113. |
[10] |
Luisier F, Blu T, Wolfe P J. A CURE for noisy magnetic resonance imgaes:chi-square unbiased risk estimation[J]. IEEE Transactions on Image Processing, 2012, 21(8): 3454–3465.
DOI:10.1109/TIP.2012.2191565 |
[11] |
Yu G. Variance stabilizing transformations of Poisson, binomial and negative binomial distributions[J]. Statistics & Probability Letters, 2009(79): 1621–1629.
|
[12] |
王小平. 医药统计中的方差齐次性变换[J]. 数理医药学杂志, 2007, 20(5): 615–617.
Wang X P. Homogeneous transformation of variance in medical statistics[J]. Journal of mathematical medicine, 2007, 20(5): 615–617. DOI:10.3969/j.issn.1004-4337.2007.05.010 |
[13] |
Xu J, Zhang L, Zuo W, Zhang D, Feng X. Patch group based nonlocal self-similarity prior learning for image denoising[C]. IEEE International Conference on Computer Vision, 2015. 244-252.
http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=7410393 |
[14] |
Wang S, Liu Z W, Dong W S, Jiao L C, Tang Q X. Total variation based image deblurring with nonlocal self-similarity constraint[J]. Electronics Letters, 2011, 47(16): 916–918.
DOI:10.1049/el.2011.1409 |
[15] |
程巧翠, 高协平. 平移不变的小波域近邻系数阈值MR图像去噪[J]. 中国图象图形学报, 2009, 14(7): 1284–1290.
Cheng Q C, Gao X P. Translation-invariant wavelet domain nearest neighbor coefficient threshold MR image denoising[J]. Chinese Journal of Image and Graphics, 2009, 14(7): 1284–1290. |
[16] |
周亚同, 陈子一, 马尽文. 从高斯过程到高斯过程混合模型:研究与展望[J]. 信号处理, 2016, 32(8): 960–972.
Zhou Y T, Chen Z Y, Ma J C. Mixed model from Gaussian process to Gaussian process:research and prospect[J]. Signal processing, 2016, 32(8): 960–972. |
[17] |
樊勇.基于高斯噪声的图像去噪算法研究[D].重庆: 西南石油大学, 2014.
Fan Y. Research on image denoising algorithm based on Gaussian noise[D]. Chongqing: Southwest Petroleum University, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10615-1014415832.htm |
[18] |
王芳.基于双树复小波变换的微弱生物医学信号处理及其应用研究[D].重庆: 重庆大学, 2014.
Wang F. Weak biomedical signal processing based on double-tree complex wavelet transform and its application[D]. Chongqing: Chongqing University, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10611-1014044322.htm |