论文部分内容阅读
图像复原是计算机视觉中典型的问题之一,例如在自然图像领域,成像过程中往往受到高斯噪声、椒盐噪声等影响,在图像传输中又时常伴随着信息缺失、分辨率降低等问题。而在医学图像领域以磁共振成像为例,虽然在成像过程中既不用造影剂、也不用电子离辐射就可获得高对比度的清晰图像,但是为了尽可能的缩减采集时间、提高诊断的效率,学者们一直致力于磁共振的快速重建,而高倍的欠采往往会产生伪影从而影响最终的诊断。图像复原最根本的目标就是在去除噪声等干扰项的同时保留图像的结构和纹理细节,近些年来深度学习的兴起为图像复原提供了新的思路。本课题基于图像复原算法及深度学习网络的构建,针对深度学习网络分别在自然图像及医学图像上的复原展开了研究:(1)有监督深度学习下的自然图像椒盐去噪。针对图像采集及成像过程中经常存在的椒盐噪声去噪问题,我们提出一种有监督的深度学习网络去噪方法。利用经典的密集连接的卷积模型实现了网络的构建,对卷积层作为分布变换及预激活批量归一化的作用进行了讨论。所有的实验结果在视觉上和性能指标上均表明了提出的网络较对比算法具有更好的图像复原效果。(2)无监督深度学习网络先验信息驱动下的并行成像快速磁共振重建。针对减少采集数据来加速磁共振成像的问题,我们提出两种无监督深度学习先验信息驱动下的快速磁共振成像重建方法。在吸收有监督学习网络构建经验的基础上训练一个去噪自编码器模型用于先验信息的提取,再将提取出的先验信息应用于不同的迭代网络以达到快速重建的目的。通过深度学习网络来训练先验信息的学习能力,再与基于压缩感知的并行成像(Parallel Imaging based on Compressed Sensing,简称 CS-PI)迭代模型结合。根据实验结果可以看出,本文所提出的网络具有良好的性能。在自然图像去噪任务中,即使在噪声密度极高时也能获得纹理清晰且干净的图像;在快速磁共振重建任务中,在加速倍数较高时观察图像可以看到本课题提出的算法保留了更清晰的纹理,在用客观指标进行定量评价时也得到了最优的结果,实现了快速优质的重建,具有一定的临床和工程应用价值。