基于Shearlet的泊松噪声自适应降噪方法

目的:为了照顾患者,我们研究了一种新的降噪方法,可从降级图像中去除泊松噪声,以改善低剂量CT图像的图像质量。方法:我们首先通过基于剪切波的多重方差稳定变换(SMVST)将泊松噪声转换为近似高斯噪声。其次,基于相邻的小波系数的相关性,通过自适应去噪方法找到非噪声的小波系数的位置。其中,假定图像的剪切波系数遵循拉普拉斯先验分布,并且通过MAP估计(最大后验估计)获得非噪声系数的位置。最后,使用基于混合梯度下降(HGD)的迭代方案,根据非噪声系数的位置估计降噪后的图像。主要贡献在于将基于相邻小波系数相关性的自适应去噪方法与迭代方案相结合。结果:对具有不同泊松噪声量的CT图像进行了许多实验,实验结果表明,与文献方法相比,该方法获得的去噪图像的SNR(信噪比)提高了6%。与文献方法相比,该方法的MSSIM(均值结构相似度)提高了2%。结论:实验结果表明,该方法在视觉效果和定量评估上均优于传统的基于小波的去噪方法。