小波阈值去噪_【计算机系统应用】（第109期）基于自适应低秩去噪的磁共振图像重构...

最新推荐文章于 2023-06-27 17:36:17 发布
VIP文章 最新推荐文章于 2023-06-27 17:36:17 发布
阅读量1.1k 收藏 1
点赞数
文章标签： 小波阈值去噪
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39847244/article/details/111580762
版权
点击上方“ 蓝字”，关注我们吧！ 5c2fef5b3b7f71d934ccd74e3565d66d.png c89ea59c5cee31d9eabe393072ce3ca8.gif

本文提出了一种基于自适应低秩去噪的磁共振图像重构算法. 该方法使用去噪近似消息传递算法重构磁共 振图像, 将自适应加权 Schatten-p 范数最小化方法 (Weighted Schatten p-Norm Minimization, WSNM) 作为其降噪模 型, 研究图像的重构性能. 根据算法迭代过程中估计的噪声标准差自适应的设定 WSNM 的图像块大小及相似块个 数. 实验表明, 与近几年提出的磁共振图像重构算法比较, 本文提出的算法可以获得更高的峰值信噪比 (Peak Signal to Noise Ratio, PSNR) 和更低的相对 范数误差 (Relative   Norm Error, RLNE), 得到更好的重建效果.

8eee6794021e6f9b3d0ae26272ccaddb.png

1   引言 

磁共振成像 (Magnetic Resonance Imaging, MRI) 是以核磁共振 (Nuclear Magnetic Resonance, NMR) 为 物理基础的一种成像技术, 该技术通过在静磁场中将 一定频率的射频脉冲施加到人体上, 以刺激人体内的 氢质子引起共振现象. 与计算机 X 射线断层扫描成像 技术 (Computed Tomography, CT) 相比, MRI 不仅无需 使用造影剂和没有电离辐射, 而且可以直接做出横断面、矢状面和冠状面等优点[1] . 压缩感知[2] 理论的提 出, 打破了传统的奈奎斯特采样定律的限制. 基于压缩 感知的磁共振成像 (CS-MRI)[3] 技术大大推动了磁共 振成像的发展. 基于 CS-MRI 的重构问题可以表示如下:

10d318ee679cefe70acd87c689208e18.png

图像去噪是一个较为成熟的研究领域, 实现去噪 的途径之一是利用图像的稀疏性. 常用的图像稀疏方 法有傅里叶变换、全变差变换、小波变换以及字典学 习等. 近年来, 基于非局部自相似块思想[4] 的低秩去噪 方法在 CS-MRI 领域中得到应用. 非局部自相似性的 原理通过在图像中寻找与参考块相似的相似块组, 利 用该相似块组所组成的矩阵具有的低秩属性进行图像 去噪. 求解矩阵的秩函数是 NP 难问题, 常使用核范数 来近似代替秩函数的求解. 其中最经典的方法是核范 数最小化[5] 算法. NNM 通过对待修复的矩阵奇异值分 解, 对奇异值进行阈值处理来求解核范数最小化问题, 该方法称为奇异值阈值算法 (Singular Value Thresholding, SVT). 由于 NNM 平等的对每个奇异值进行收缩, 忽略 了矩阵奇异值的差异. 在此基础上, Dong 提出了加权 核范数最小化 (Weighted Nuclear Norm Minimization, WNNM)[6] 算法, 针对不同大小的奇异值, 设定不同的 权值进行收缩, 得到了更好的秩最小化问题的解, 实验 表明较 NNM 其保留更多原始图像的边缘信息, 去噪 性能更高. 研究表明, Schatten-p 范数是一种比核范数 更加逼近低秩矩阵的范数, Xie 等[7] 在 2016 年提出加 权 Schatten-p 范数最小化 (Weighted Schatten p-norm Minimization, WSNM) 去噪问题, 该方法比 WNNM 具 有更好的去噪性能。

CS-MRI 重建算法的研究一直是 MRI

最低0.47元/天 解锁文章
weixin_39847244
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
三大种类矩阵范数：诱导范数，元素范数，Schatten范数，涵盖谱范数，2范数
安静到无声
06-11 4430
基于加权核规范最小化的3D量级磁共振图像降噪
03-31
提出了一种基于低秩矩阵逼近（LRMA）和加权核范数最小化（WNNM）正则化的去噪算法，以消除磁共振图像的Rician噪声。 该技术将来自嘈杂的3D MR数据的相似的非局部立方块简单地分组到一个补丁矩阵中，每个块按字典顺序矢量化为一列，计算该矩阵的奇异值分解（SVD），然后是LRMA的闭式解通过用不同的阈值硬阈值不同的奇异值来实现。 去噪块是从低秩矩阵的此估计中获得的，整个无噪声MR数据的最终估计是通过汇总彼此重叠的所有去噪示例块来建立的。 为了进一步提高WNNM算法的去噪性能，我们首先在两个迭代的正则化框架中实现了上述去噪过程，然后利用基于单像素补丁的简单非局部均值（NLM）滤波器来减少WNNM算法的去噪强度。均匀面积。 所提出的降噪算法与相关的最新技术进行了比较，并在合成和真实3D MR数据上产生了非常有竞争力的结果。
Schatten-p
Wu_whiteHyacinth的博客
12-30 2259
摘要 由于PCA对噪声和离群点敏感，很多后来提出的鲁棒PCA都是利用L2范数求均值后得到的中心化数据，但是由于在先前的目标函数的步骤里面是使用的L1范数，所以这样是不对了，这篇文章是基于损失函数利用L2,1范数和Schatten-p范数正则项。在损失函数中使用L_2,1可以移除噪声和离群点，此外，相比利用核范数近似矩阵的秩，Schatten-p范数的效果更好。因此相比其他，这个算法的性能自然更好...
基于深度卷积神经网络的图像去噪方法
热门推荐
qq_40716944的博客
04-26 6万+
基于深度卷积神经网络的图像去噪方法 摘要：图像去噪在图像处理中仍然是一个具有挑战性的问题。作者提出了一种基于深度卷积神经网络（DCNN）的图像去噪方法。作者设计的不同于其他基于学习的方法：一个DCNN来实现噪声图像。因此，通过从污染图像中分离噪声图像可以实现潜在清晰图像。在训练阶段，采用梯度裁剪方案来防止梯度爆炸，并使网络能够快速收敛。实验结果表明，与现有技术的去噪方法相比，所提出的去噪方法可以实...
Weighted Nuclear Norm Minimization with Application to Image Denoising——学习笔记
AZSNCRM的博客
07-11 5483
WNNM——学习笔记加权核范数最小化及其在图像去噪中的应用 加权核范数最小化及其在图像去噪中的应用 补充： 自然图像中非局部相似块形成的矩阵具有低秩性，可用于高性能的图像恢复任务。 图像非局部自相似性（NSS）的应用极大地提高了图像去噪性能。NSS先验是指在自然图像中，对于给定的局部斑块，可以在图像中找到许多与其相似的斑块。 软阈值函数 ...
图像降噪算法——低秩聚类：WNNM算法
weixin_44580210的博客
02-26 1万+
图像降噪算法——低秩聚类：WNNM算法图像降噪算法——低秩聚类：WNNM算法基本原理python代码结论 图像降噪算法——低秩聚类：WNNM算法 同样是为了完善自己知识版图的完整性，我决定再补充下低秩聚类算法的相关算法，低秩聚类算法同样是一大类算法，这篇博客是挑选了其中最经典的一种算法WNNM算法进行展开学习，由于没有在这方面做过太多相关的工作，因此可能理解相对肤浅，还请读者见谅 基本原理 python代码 结论 ...
【图像去噪】基于加权核范数最小化算法实现图像去噪附matlab代码
qq_59747472的博客
04-04 2413
1 简介 WNNM是一种约束矩阵奇异值稀疏性的低秩算法，在NNM理论基础上增加了核范数权重，有效利用了自然图像的先验信息并提高了核范数的灵活性. 2 部分代码 ​clcclear allclose allnSig = 100;O_Img = double(imread('Monarch.png'));​randn('seed', 0);N_Img = O_Img + nSig* randn(size(O_Img)); ..
小波阈值降噪及改进
2301_78913398的博客
06-27 712
通常采用软阈值或硬阈值的方法来确定阈值大小，其中软阈值方法将小于阈值的系数按比例缩小，硬阈值方法将小于阈值的系数直接置为零。小波阈值降噪是一种常用的信号降噪方法，其基本思路是利用小波变换将信号分解成多个尺度的分量，然后对每个分量进行阈值处理，将小于某个阈值的分量置为零，从而达到去除噪声的目的。小波阈值降噪方法具有较好的降噪效果，但也存在一些局限性，如对信号的局部特征较为敏感，对信号的边缘效果不佳等。小波阈值降噪是一种经典的信号降噪方法，但是它也存在一些问题，如降噪效果不够理想、处理效率较低等。
9.5 基于奇异值的范数
你的指尖有改变世界的力量
01-26 951
介绍了两种基于奇异值的范数：樊畿k-范数和沙滕p-范数。
多维图像去噪方法研究
SmartLab307的博客
05-04 2060
因此，HS图像丰富的空间和光谱信息极大地提高了地球观测的感知能力，这使得HS RS技术在精准农业（例如监测农作物的生长和健康）等领域发挥着至关重要的作用，太空探索（例如，寻找其他行星上的生命迹象）、污染监测（例如，检测海洋漏油）和军事应用（例如，识别军事目标）。综合实验证明：（i）BM3D系列用于各种去噪任务的有效性和效率，（ii）与张量算法相比，简单的基于矩阵的算法可以产生类似的结果，以及（iii）用合成高斯噪声训练的几个DNN模型在现实世界的彩色图像和视频数据集上显示出最先进的性能。
【图像去噪】基于加权核范数最小化算法实现图像去噪附matlab代码.zip
04-10
智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真
WNNM_MC_code.zip_MC-WNNM_WNNM_code_Wnnm算法_site:www.pudn.com_低水平的
07-15
对于低水平的视觉情况下，加权核规范最小化算法及其应用。
WNNM加权核范数最小化进行图像复原matlab代码
03-16
WNNM加权核范数最小化进行图像复原matlab代码，利用WNNM的方法进行图像去噪，图像复原等处理
WNNM_code.zip_WNNM matlab_wnnm去噪 matlavb_图像 去噪_核范数_核范数最小化
07-14
加权核范数最小化图像去噪的MATLAB代码
加权Schatten p-Norm最小化以实现图像降噪和背景减法
04-05
加权Schatten p-Norm最小化以实现图像降噪和背景减法
XiaoBo.rar_去噪_图像 小波阈值 去噪_图像小波去噪_小波阈值 图像_小波阈值去噪
07-15
小波变换去噪，利用的是小波阈值化图像消噪去噪，matlab开发的
wveletedenoise.zip_小波_小波 自适应_小波阈值matlab_小波阈值去噪_阈值去噪
07-15
多种方法（软硬阈值、自适应阈值等）进行小波去噪的matlab...
quzao.zip_wavelet threshold_图像 去噪_小波图像去噪_小波阈值去噪_软硬阈值去噪
07-15
实现数字图像小波阈值去噪，显示软硬阈值处理过后的信噪比
1.zip_matlab信号去噪_小波 MATLAB 阈值去噪_小波 阈值去噪_阈值去噪_阈值小波去噪
07-15
小波信号去噪例子,默认阈值去噪，强制去噪和软阈值去噪三种方法
具体matlab自适应小波阈值去噪的代码
最新发布
09-22
### 回答1： 以下是一个基于 MATLAB 的自适应小波阈值去噪的代码示例： ```matlab function [denoised_signal] = denoise_signal(signal, level) % signal: 待去噪的信号 % level: 小波分解的层数 % 小波分解 [c, l] = wavedec(signal, level, 'db4'); % 计算噪声标准差 sigma = median(abs(c)) / 0.6745; % 计算阈值 threshold = sigma * sqrt(2 * log(length(signal))); % 软阈值去噪 for i = 1:level start_index = l(i) + 1; end_index = l(i + 1); c(start_index:end_index) = wthresh(c(start_index:end_index), 's', threshold); end % 小波重构 denoised_signal = waverec(c, l, 'db4'); end ``` 这个函数接受一个待去噪的信号和小波分解的层数作为输入，返回一个去噪后的信号。它使用了小波分解和软阈值去噪的方法，其中阈值是根据噪声标准差自适应计算的。 ### 回答2： matlab自适应小波阈值去噪是一种常用的信号处理技术，它能够有效地降低信号中的噪声。下面是一个示例代码： 1. 导入信号数据 ```matlab load noisySignal.mat % 假设导入的信号数据保存在noisySignal.mat文件中 signal = noisySignal; % 将信号数据保存在signal变量中 ``` 2. 对信号进行小波分解 ```matlab level = 4; % 指定小波分解的层数 [C, L] = wavedec(signal, level, 'db4'); % 使用db4小波进行分解 ``` 3. 通过计算小波系数的标准差估计噪声水平，并计算噪声阈值 ```matlab sigma = median(abs(C))/0.6745; % 估计噪声的标准差 threshold = wthrmngr('dw1ddenoLVL', 'penalhi', sigma, level); % 根据噪声水平和小波分解层数计算阈值 ``` 4. 对小波系数进行软阈值去噪 ```matlab denoisedC = wthresh(C, 's', threshold); % 对小波系数进行软阈值去噪 ``` 5. 重构信号 ```matlab denoisedSignal = waverec(denoisedC, L, 'db4'); % 使用db4小波进行重构 ``` 6. 可选步骤：显示处理前后的信号图像 ```matlab subplot(2,1,1) plot(signal) title('原始信号') subplot(2,1,2) plot(denoisedSignal) title('去噪后的信号') ``` 这是一个简单的matlab自适应小波阈值去噪的代码示例。根据你的实际需求，你可能需要根据自己的信号数据自定义参数和调整代码。希望对你有帮助！ ### 回答3： 自适应小波阈值去噪（Adaptive Wavelet Threshold Denoising）是一种常用于信号和图像处理的方法，用于去除噪声并恢复信号的原始特征。下面是一个简单的MATLAB代码示例，用于实现自适应小波阈值去噪： ```matlab % 1. 加载图像并添加噪声 originalImage = imread('input_image.jpg'); % 加载原始图像 noisyImage = imnoise(originalImage, 'gaussian', 0, 0.05); % 添加高斯噪声 % 2. 自适应小波阈值去噪 denoisedImage = zeros(size(noisyImage)); % 创建一个空数组，用于存储去噪结果 for i = 1:size(noisyImage, 3) % 对于彩色图像的每个通道 noisyChannel = noisyImage(:, :, i); % 获取当前通道的图像 [thr, sorh, keepapp] = ddencmp('den', 'wv', noisyChannel); % 通过Denoising Data Compression GUI获取阈值 denoisedChannel = wdencmp('gbl', noisyChannel, 'db4', 4, thr, sorh, keepapp); % 使用小波去噪函数进行去噪 denoisedImage(:, :, i) = denoisedChannel; % 将去噪结果存储到相应通道 end % 3. 显示结果 subplot(1, 2, 1); imshow(noisyImage); title('添加噪声的图像'); subplot(1, 2, 2); imshow(denoisedImage); title('去噪后的图像'); ``` 在上述代码中，首先加载原始图像并添加高斯噪声。然后，通过`ddencmp`函数获取小波去噪中使用的阈值，并使用`wdencmp`函数对每个通道进行去噪。最后，使用`imshow`函数显示添加噪声的图像和去噪后的图像。 请注意，这仅仅是一个简单的示例代码，你可能需要根据你的实际情况进行调整和改进。同时，为了更好地使用自适应小波阈值去噪，你可能需要深入了解其原理以及其他相关参数的设置方法。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值