基于非局部平均滤波的MRI去噪算法研究

摘要：高效的MRI去噪算法是一个极具价值的挑战性课题。介绍了非局部平均（NLM）滤波算法在MRI图像的应用及改进方法，探讨了发展趋势及应注意的问题。

关键词：磁共振成像；非局部平均；图像去噪

DOIDOI：10.11907/rjdk.151147

中图分类号：TP312

作者简介作者简介：陈创泉（1987-），男，广东潮州人，硕士，吉林大学珠海学院公共基础课教学与研究中心助教，研究方向为图像处理、数据挖掘。

0 引言

磁共振成像（Magnetic Resonance Image， MRI）是一种无创伤观察身体各组织解剖结构及能量代谢情况的成像方法。由于图像在获取过程中时间和技术上的限制， MRI图像通常呈现出噪声，这些噪声影响了图像的质量和医生诊断。因此，对被噪声污染的图像进行降噪处理具有重要的实用价值和临床意义。

图像去噪就是从一幅模糊图像得到一幅清晰图像。理想的去噪算法要具有以下特点：噪声必须完全去除；有效的信息（边缘、角形、纹理、对比度等）必须被保留，并不会产生人为添加部分[1]。

高斯滤波[2]是一种早期广泛应用于MRI图像预处理的方法，这种方法虽然能够消除部分噪声，但是同时消除了信号的高频部分，导致边缘模糊。为了克服上述问题，提出了边缘保护滤波方法――各向异性滤波[3]，并应用于MRI图像[45]。这类方法通过对局部梯度正交方向的像素平均从而保护边缘，但是通常只消除了图像中一些细小的纹理，增强了边缘，结果产生了不自然的图像。小波方法同样成功用于MRI图像去噪[67]，这种去噪方法的本质就是在变换域中对图像进行处理，但这类方法产生了人为添加部分。

近年来，基于自然图像的冗余性和周期性特点，提出了非局部平均（NLM）滤波方法[8]。这种方法用于MRI图像有较好的去噪效果，但尚有很大的改进空间[915]。本文主要介绍非局部平均（NLM）滤波方法在MRI图像中的应用及改进方向。

1 图像去噪方法

2 非局部平均（NLM）滤波

2.1 基本思想

传统的去噪算法，其基本思想都是局部平均滤波，它们都在每个像素的一定邻域内进行像素的加权平均。常见的局部平均滤波方法有：Gaussian滤波器、各向异性扩散滤波、Wiener滤波器等。局部平均滤波无法很好地保留图像一些细节、纹理以及精细的结构。非局部平均（NLM）滤波[8]不仅考虑局部邻域内两点间像素的空间距离，而且考虑整幅图像中具有相似分布的像素值。这种方法通过计算像素i和像素j为中心的两邻域间灰度值的相似性作为权重，进行加权平均滤波。

其中， 为去噪后的图像，σ表示噪声图像u的标准方差，σVST表示稳定变化后的标准方差， VST-1表示方差稳定逆变换。因此，含莱斯噪声的图像u的噪声首先被VST方法稳定了，进而使用NLM方法进行滤波，最后对滤波后的图像数据进行VST-1 变换。Manjon [9]等详细阐述了非局部平均滤波用于磁共振图像时，如何调整参数达到最佳去噪效果。进一步地，他们将非局部平均滤波应用于噪声随空间变化的MRI[10]、多谱MRI[11]。Wiest-Daessl[19]等将非局部平均滤波应用于DT-MRI。NLM算法用于MRI去噪在主客观性能上都优于常见的图像去噪算法，但算法存在两个不足之处：①算法计算复杂度较高；②关键滤波参数h设定不明确。

2.2 算法复杂度

2.3 确定滤波参数h

3 非局部平均（NLM）滤波方法改进

3.1 与旋转不变性（Rotationally invariant）相结合 MRI图像中存在一些仅仅旋转了不同角度的相似图像。传统的非局部平均方法仅仅采用平移操作进行图像相似性对比，这个操作会使仅仅旋转了不同角度的相似像素被赋予较小的权重。因此，考虑相似测度的旋转不变性是优化算法的有效途径。

Thaipanic [22]等提出了一种基于旋转匹配的NLM方法， 通过旋转适当的角度，使得原本NLM算法认为不相似的块在新模型中被认为是相似的。但因旋转角度有限，这种解决方法使得本来复杂度很高的NLM算法更加耗时。为了避免修正块状的方向性，块状旋转不变测度被应用于NLM算法，Grewenig[23] 等采用图像片的旋转不变矩来度量像素之间的相似性，但是这些描述量对噪声敏感，当噪声的强度增大时，它们能够代表的块状信息大大降低。

考虑MRI图像的几何结构相似性，将结构张量应用到非局部平均滤波算法中， 是进一步优化算法的有效途径。

4 结语

综上所述，用非局部平均滤波进行MRI图像去噪的关键在于：如何正确根据MRI图像的特点，如旋转不变性、几何结构特征等，建立与之匹配的非局部平均模型；同时，还要考虑算法的复杂度，从而使算法经济简洁，便于实现；最后，还要分析MRI图像的噪声方差与滤波参数h的关系，定量估计算法中滤波参数h的最优值，使MRI图像的去噪达到最佳效果。

参考文献：

[4] SAMSONOV A A， JOHNSON C R. Noiseadaptive nonlinear diffusion filtering of MR images with spatially varying noise levels[J]. Magnetic Resonance in Medicine， 2004，52

（4）：798806.

[6] PIZURICA A， PHILIPS W， LEMAHIEU I， et al. A versatile wavelet domain noise filtration technique for medical imaging[J]. IEEE Transactions on Medical Imaging， 2003，22

（3）：323331.

[8] BUADES A， COLL B， MOREL J M. A nonlocal algorithm for image denoising [C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition，Washington：IEEE Computer Society Press， 2005：6065.

[18] NOWAK R D. Waveletbased Rician noise removal for magnetic resonance imaging[J]. IEEE Trans Image Processing， 1999，8

（10）：14081419.

[20] FOI A. Noise estimation and removal in MR imaging：the variancestabilization approach[C].Chicago： IEEE ， 2011： 18091814.

[25] MENDRIK A M， VONKEN E J， RUTTEN A， et al. Noise reduction in computed tomography scans using 3d anisotropic hybrid diffusion with continuous switch[J]. IEEE Transactions Medical Imaging， 2009，28

（10）：15851594.

[26] 陈创泉，房少梅. 基于结构张量和非局部平均滤波的MRI图像去噪[J]. 佛山科学技术学院学报：自然科学版，2013， 31

（3）：3943.