| 【中文题名】 | 基于提升小波的MR图像自适应阈值去噪研究 |
| 【英文题名】 | Self-Adaptive Magnetic Resonance Image Denoising Based on Lifting Wavelet |
| 【学科专业】 | 电路与系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-17 |
| 【中关键词】 | 磁共振成像,图像去噪,小波变换,提升格式,Rician分布,自适应阈值 |
| 【英关键词】 | MRI,image denoising,wavelet transform,lifting scheme,Rician distribution,self-adaptive threshold, |
| 【分类导航】 | 工业技术>无线电电子学、电信技术>通信>通信理论>信号处理>图像信号处理 |
| 【论文摘要】 |
磁共振成像技术以其无创无损无污染、成像参数多以及能够观察人体内各组织解剖及能量代谢特征等独特优势被广泛应用于医学诊断和科研。然而，由于其成像机制、外部环境以及被测对象等都会给磁共振成像引入噪声，使得磁共振图像的处理和应用带来两个方面的问题：一是背景中的大量噪声会大大降低无损压缩率，不利于MR图像的传输；二是噪声的存在会大大降低磁共振图像的质量，使得一些组织的边界变得模糊，细微结构难以辨别，增加了对图像细节识别与分析的难度，因此，图像的后处理去噪对于提高图像质量非常重要。
传统的低通滤波方法在降低噪声的同时会模糊图像的细节，而基于小波变换的图像去噪方法凭借其良好的时频特性能够在降低图像噪声的同时较好地保持图像的细节，因此基于小波变换的图像去噪方法已成为当前图像去噪领域的主流技术。但是现有的基于小波的去噪方法大多是针对高斯噪声的，而磁共振图像中的噪声服从Rician分布，其不同于高斯噪声的最大特点是Rician噪声是信号依赖的，而非独立同分布，因而使得从信号中分离出噪声更加困难。本文在分析现有小波去噪方法的基础上，从小波去噪的基本理论、小波提升算法以及实际磁共振图像噪声统计分布特性三个方面展开，... |
| 【论文题纲】 |
|
摘要 |
4-6 |
|
Abstract |
6-10 |
|
第一章 绪论 |
10-13 |
|
1.1 课题研究意义 |
10-11 |
|
1.2 本文主要工作及结构安排 |
11-13 |
|
第二章 小波基本理论 |
13-22 |
|
2.1 小波的定义 |
14-15 |
|
2.2 连续小波变换 |
15-16 |
|
2.3 离散小波变换 |
16-18 |
|
2.4 多分辨分析 |
18-19 |
|
2.5 Mallat算法 |
19-22 |
|
2.5.1 Mallat算法 |
19-20 |
|
2.5.2 Mallat算法的频带分解特点 |
20-22 |
|
第三章 小波变换的提升算法 |
22-28 |
|
3.1 小波分解与重构的多相位表示 |
23-25 |
|
3.2 多相位矩阵的因子分解 |
25 |
|
3.3 提升算法 |
25-28 |
|
第四章 基于小波变换的磁共振图像去噪研究概况 |
28-38 |
|
4.1 MRI成像原理 |
28-29 |
|
4.1.1 MRI成像原理 |
28-29 |
|
4.1.2 MRI成像设备 |
29 |
|
4.2 MRI噪声分析 |
29-31 |
|
4.2.1 Rician分布 |
30 |
|
4.2.2 MRI噪声的分布特性 |
30-31 |
|
4.3 基于小波的图像去噪方法 |
31-36 |
|
4.3.1 基于小波变换的图像去噪原理 |
32 |
|
4.3.2 小波去噪算法 |
32-36 |
|
4.4 基于小波变换的磁共振图像去噪研究概况 |
36-38 |
|
第五章 基于提升小波的MRI图像自适应阈值去噪算法 |
38-52 |
|
5.1 小波基的选取 |
38-39 |
|
5.2 小波的提升 |
39-44 |
|
5.2.1 小波的提升 |
39-40 |
|
5.2.2 提升格式的设计 |
40-43 |
|
5.2.3 (9-7)小波提升系数的算法 |
43-44 |
|
5.3 阈值的选取 |
44-46 |
|
5.4 仿真及其结果分析 |
46-52 |
|
5.4.1 仿真 |
46 |
|
5.4.2 仿真结果分析 |
46-52 |
|
第六章 总结与展望 |
52-53 |
|
参考文献 |
53-57 |
|
在校期间发表的论文 |
57-58 |
|
致谢 |
58 |
|
| 【DOI】 | LunWen.ID:2.2008.350253 |
