四维计算机断层扫描(Four Dimensional Computed Tomography,4D-CT)成像技术通过数遍扫描正常呼吸状态下的人体组织(如肺、肝脏等器官),得到该组织在整个呼吸周期内不同相位的CT图像,然后按所属相位对CT图像进行归类、排序以及三维重建得到最终的4D-CT图像。4D-CT图像不仅具有空间分辨能力,而且具有时间分辨能力,能够很好地记录胸腹部器官的形体以及位置随呼吸运动发生的变化,因而被广泛应用到肺癌的辅助诊断和后期治疗。但受限于CT图像的高剂量特性,临床上只能通过降低釆样精度、减少扫描时间等方式,达到降低辐射量的目的。但是,采样层数的减少必然导致4D-CT图像的层间分辨率低于层内分辨率,造成基于临床上4D-CT数据重建得到的肺部冠、矢状面图像与肺部真实比例不符,给医生对肿瘤的诊断以及治疗带来较大的干扰。近几年,为了得到正常比例的肺部图像,基于重建的4D-CT图像超分辨算法得到广泛的研究。此类算法把从4D-CT数据中获取的不同相位下、多平面(冠、矢、轴状面)图像视作同一场景下的一系列低分辨率图像,通过重建类算法很好地融合不同相位图像间的冗余信息,从而提高了冠、矢状面图像质量。此类算法对不同相位低分辨率图像间配准精度有较高要求,且如何在重建的过程中尽可能地保留更多的高频细节信息也是亟待解决的问题。针对上述问题,本文首先利用一种基于局部和全局相结合的变分光流模型得到不同相位图像间更加精确的亚像素位移,并利用交替方向乘子法实现对光流场模型的快速求解。其次,基于不同相位图像间的位移信息,提出了两种用于提高肺部4D-CT数据多平面显示图像质量的算法:基于光流估计的肺部4D-CT图像超分辨重建算法和基于最大后验估计的肺部4D-CT图像超分辨重建算法。在基于光流估计的肺部4D-CT图像超分辨重建算法中,首先从低分辨率图像序列中选定一幅图像作为基准图像进行简单的插值放大,并对放大后的图像进行非局部滤波操作得到高分辨率初始估计图像;然后,利用局部和全局相结合的变分光流估计模型得到低分辨率图像序列间的位移信息;最后,迭代地将经过非局部均值滤波操作的误差图像反向投影到高分辨率估计图像,从而得到最终的超分辨重建结果。算法利用不同相位图像间的互补信息,很好地保留并增强了图像的细节。实验结果表明,与已有算法相比,本方法重建出的图像具有更加清晰的轮廓以及更加细腻的纹理结构。在基于最大后验估计的肺部4D-CT图像超分辨重建算法中,本文基于最大后验估计超分辨重建模型,利用图像先验知识分别对高分辨率图像和噪声进行建模,来提高重建图像质量。首先,基于医学图像固有的自相似性,本章利用非局部低秩先验知识对高分辨率图像进行建模;其次,相较于高斯分布,拉普拉斯分布能够更好地拟合图像中的噪声,故算法中利用拉普拉斯分布对噪声项进行建模;最后,利用交替方向乘子法求解该超分辨重建模型,得到重建结果图像。实验结果表明,本方法重建得到的结果图像更加清晰,能够辨认的细节也更多。通过图像平均梯度等指标的对比,也能证明本算法能够提高图像质量。