基于Anscombe变换的X射线图像序列盲源分离降噪

沈 帆，李翰林，孙 斌，喻春雨*

(1.南京邮电大学 电子与光学工程学院、微电子学院，江苏 南京 210023；2.南京邮电大学 自动化学院，江苏 南京 210023)

1 引 言

自1895年X射线被发现以来，X射线成像技术被广泛应用于工业、医疗等领域[1]。由于泊松噪声是影响X射线图像质量的主要因素，因此研究泊松噪声的消除方法及性能提高一直是恢复X射线图像质量的有效途径[2-3]。在此方面较为典型的研究有：Selesnick等人提出非高斯双变量分布，通过贝叶斯理论导出非线性阈值函数[4]，并结合隐马尔科夫模型实现对泊松噪声进行滤除[5]；Ma，LY等人将图像的稀疏表示用于图像恢复，基于像素总变差正则化和数据保真度获得泊松噪声统计，从而滤除泊松噪声[6]。此外，近年来还有对X射线图像进行Anscombe变换，将图像中泊松噪声变换为高斯噪声，然后利用相对成熟的高斯噪声降噪算法对其进行降噪[7]，如：Manduca等人提出将Anscombe变换结合双边滤波方法应用于低剂量CT投影数据降噪[8]；毕一鸣等人提出通过Anscombe变换和三维块匹配(Block-Matching 3D，BM3D)滤波相结合进行降噪，最后用滤波反投影算法重建图像[9]。

由于图像中信号和噪声被视为不相关分量，则基于盲源分离(Blind Source Separation，BSS)理论，将含噪声图像看作信号分量和噪声分量的组合；而且通过Anscombe变换可以将泊松噪声转化为高斯噪声进行消除，由此提出基于Anscombe变换的X射线图像序列盲源分离降噪方法(以下称本文降噪算法)，其算法思想是：首先取一序列X射线图像，并利用Anscombe变换将图像中泊松噪声变换为高斯噪声；然后将含噪声图像视为信号分量与噪声分量的混合，通过非线性主分量分析(Nonlinear Principal Component Analysis，NLPCA)[10]对图像序列进行BSS运算；在分离分量中取方差较大的进行Anscombe逆变换，得到降噪图像。

2 本文降噪算法介绍

首先获取一个X射线图像序列，该序列包含至少2张图像，然后对每张图像进行Anscombe变换；将图像中泊松分布噪声转化为高斯噪声。Anscombe变换是Anscombe于1948年提出的一种从泊松分布转到近似高斯分布的非线性变换方法[11-12]，如式(1)所示：

(1)

其中：x服从泊松分布，x′是近似服从方差为1的高斯分布。

通过式(1)产生一组新的含噪声图像序列。将每张图像视为一个观测信号，则该含噪声图像序列视为多个观测信号；每个观测信号是噪声分量与图像信号分量的混合，因此可以用BSS处理将图像信号分量从噪声中分离出来[13]。分离之后得到的是初步降噪图像，要通过Anscombe逆变换才可以得到最终降噪图像。这里采用NLPCA进行BSS处理，是因为主分量分析(Principal Component Analysis，PCA)用一系列直线来描述数据中的主要变化趋势，而NLPCA使用若干开放曲线或闭合曲线来描述数据变化趋势，更适合描述图像中信号和噪声之间的关系[14]，其优化条件如式(2)所示：

(2)

其中：wiTx′为非线性因子，g(x′)是非线性函数，其表达如式(3)所示：

g(x′)=x-G(x′)+G(ν),

(3)

其中：ν为高斯随机向量，取G(x)=tanh(ax)，a为一常数。

假设W是一个正交矩阵，令S=Wx′，则用于优化的指标函数如式(4)所示：

(4)

其中：算法采用非线性递归最小二乘学习规则[15]，它根据输入精度数据自动决定适合的学习速率参数，具有比随机梯度方法收敛快的优势[16]。

图1 本文降噪算法流程图

图1为本文降噪算法的流程图，算法流程依次为：对X射线图像序列中图像进行Anscombe变换；通过NLPCA对Anscombe变换后含噪声图像进行BSS处理，得到初步降噪图像；进行Anscombe逆变换，得到最终降噪图像。由此制定算法步骤如下：

Step 1：利用X射线成像设备拍摄一组图像序列，所拍摄目标与场景相对静止，采样张数为n；

Step 2：利用Anscombe变换将X射线图像中泊松噪声转化为高斯噪声；

Step 3：将经过Anscombe变换后的二维图像转换为一维数组，得到n个观测变量；

Step 4：对观测到的混合信号进行中心化处理，即去均值处理[17]；

Step 5：取t=0，生成随机初始矩阵为W(0)；

Step 6：按照非线性递归最小二乘规则迭代；

Step 7：叠加次数t=t+1，判断此次是否满足|J(W(t))-J(W(t-1))|

Step 8：将分离得到的图像信号再通过Anscombe逆变换，得到最终降噪图像。

3 本文降噪算法性能分析

本文分别通过Shepp-Logan头模型图像和自制X射线机拍摄的图像对本文降噪算法进行性能分析。采用Shepp-Logan头模型图像是因为由它可以随机生成任意张数、任意噪声强度的含噪声图像，这有利于对本文降噪算法的降噪局限进行分析；采用真实低质量X射线图像来分析降噪方法可以验证算法的实用性。本文降噪算法的计算平台为Intel(R) Core(TM)i7-6700 CPU、@3.40 GHz 3.40 GHz四核处理器、8 GB内存的PC机。

3.1 采用Sheep-Logan头模图像对本文降噪算法进行性能分析

如图2(a)，Sheep-Logan头模型被用来表示一个脑部断层图像，它由10个位置大小、方向、密度各不相同的椭圆组成，通过不同的椭圆来表征不同形状，利用不同灰度值模拟不同组织的衰减系数[18]。

图2 原始图、含噪声图及降噪图

图2(a)为Sheep-Logan原始图像；图2(b)为含泊松噪声图像，其噪声是以图2(a)中像素值为均值随机生成的，其峰值信噪比(Peak Signal to Noise Ratio, PSNR)为28.289 4 dB、结构相似性(Structural Similarity Index, SSIM)为0.700 7；图2(c)～图2(i)对应采样序列中含不同图像数目时的分离降噪图像；n表示采样序列中图像数目。由图2看出：随着采样序列中图像数目的增加，降噪图像的质量得到明显改善。

表1 降噪图像性能随采样序列中图像张数的变化

Tab.1 Denoising performance varies with number of images in sequence

采样数/张PSNR/dBSSIMRuntime/s231.859 80.790 20.122 91036.105 30.932 70.279 12036.795 60.951 90.399 63037.045 70.958 20.551 25037.267 80.963 80.738 48037.184 50.962 41.371 412036.829 40.958 61.943 6

表1所示为降噪图像的PSNR、SSIM和Runtime。当采样序列中n数值从2增加到50时，降噪图像的PSNR和SSIM值明显提高，PSNR由31.859 8 dB提高到37.267 8 dB、SSIM由0.790 2提高到0.963 8。当采样序列中n数值增加到50时，本文降噪算法通过13次迭代即可以完成收敛，运行时间为0.738 4 s；继续增加采样张数，算法运行时间增加，降噪效果无明显改善。

图3 降噪图像PSNR、SSIM随序列中图像张数的变化

相应于表1的代表性数据，图3截取本文降噪算法对Sheep-Logan头模型的降噪效果随采样序列中图像张数的变化规律曲线中[2,120]段：在图像采样数目处于[2, 20]时，随着图像数目增加，降噪效果提升明显；图像采样数目处于[20, 50]，图像的PSNR值以及SSIM值提升缓慢，图像采样数目为50，降噪效果最佳；图像采样数目处于[50, +∞)，降噪效果无明显提升，但可以通过改变算法精度完善。

图4 不同降噪算法的降噪效果图

此外，图4给出本文降噪算法同几种常见消除泊松噪声的算法降噪效果比较。图4(a)为含噪声图像；图4(b)为软阈值小波(Wavelet)降噪图像；图4(c)为双边滤波(Bilateral filter)降噪图像；图4(d)为Anscombe+BM3D降噪图像；图4(e)为参考文献[19]的SVD+Sequence降噪图像[19]，序列中图像数目为9；图4(f)为本文降噪算法的降噪图像，序列中图像数目同样取9。在视觉效果上比较：图4(b)噪声残留较多；图4(c)细节轮廓不全；图4(d)图像亮度较差；图4(e)和图4(f)在图像亮度和细节轮廓保留上有优势，且图4(f)效果最优。

表2 不同降噪算法性能对比

表2为对应图4的算法性能参数对比，对比评价参数：本文降噪算法在降噪效果上最优，且在运行时间上也具有明显优势。

3.2 真实X射线图像对本文降噪算法的性能分析

在使用真实X射线图像对本文降噪算法进行性能分析时，选用实验组自制的X射线机拍摄9帧像素为768×576的X射线图像组成图像序列。由于无“干净”原图像做降噪对比，这里采用信噪比(Signal Noise Ratio，SNR)、信息熵(Entropy)、标准差(Standard Deviation, SD)和运行时间(Runtime)作评价参数，与参考文献[19]的SVD+Sequence降噪方法做对比。

图5 两种算法在不同采样图像数目下的降噪效果对比

图5中，图5(a)为采用本文降噪算法的降噪效果及其边缘检测图，图5(b)为采用SVD+Sequence降噪算法的降噪效果及相应边缘检测图。

图6 SNR，SD，Entropy和Runtime上的对比

图6给出了本文降噪算法和参考文献[19]降噪算法的对比曲线，横坐标均为序列中采样图像数目。图6(a)为SNR对比，由此可见当序列中图像数目由2增加到9时，本文降噪算法的SNR值由30.355 1 dB提高到65.949 8 dB，高于SVD+Sequence算法的SNR值；图6(b)为SD对比，可见本文降噪算法的降噪图像SD较低，说明其受像素值干扰较小；图6(c)为Entropy对比，可见当序列中图像数目由2增加到9时，本文降噪算法图像Entropy从5.923 5提高到6.022 3，值优于SVD+Sequence算法，说明本文降噪算法更有效保留细节信息；图6(d)为Runtime对比，可见本文降噪算法运行时间较长，采用9张X射线图像降噪时，迭代16次，Runtime为1.311 s，同样满足实时观测需要。

由图5和图6得出结论：当参与降噪的图像张数增加时，两种算法的降噪效果均有改善且图像边缘更完整；本文降噪算法在降噪效果及边缘细节保留上更优；本文降噪算法在运算时间上不占优势。

图7 其他常用降噪算法的降噪效果图

图7给出本文降噪算法同其他几种常用降噪算法的降噪效果对比，这里采样序列中图像数目为9。图7(a)，7(d)分别为Wavelet降噪图及对应边缘检测图；图7(b)，7(e)为Bilateral filter降噪图及对应边缘检测图；图7(c)，7(f)为Anscombe+BM3D降噪图及对应边缘检测图。由对比看出，相比较图5(a)中本文降噪算法(n=9)，常见的这3种算法得到的降噪图像中噪声残留更多，图像细节、边缘保留较差。这说明：当序列中取适当数量含噪声图像时，本文降噪算法更具性能优势，不仅可以有效分离噪声，还可以有效保留图像的轮廓边缘和细节信息。

表3为图7所示图像的SNR，Entropy，SD以及Runtime。图像SNR值高说明算法对于噪声滤除更有效；Entropy高则说明降噪后图像中细节信息保存较多；图像SD大说明像素值受干扰较大。分析数据说明：本文降噪算法在降噪和信息保留上均优于其他算法，同时算法运行时间也满足实时需要。

表3 常用降噪算法降噪性能对比

Tab.3 Denoising performance comparison of common algorithms

降噪算法SNR/dBEntropySDRuntime/sWavelet55.304 45.959 870.7960.299Bilateral filter47.274 35.903 470.8151.625Anscombe+BM3D51.377 55.962 571.0354.596SVD+Sequence[19]47.233 75.863 670.8340.381Proposed denoising65.94986.022 370.7821.311

4 结 论

本研究介绍一种基于Anscombe变换的X射线图像序列盲源分离降噪方法，并分别利用Sheep-Logan模型图像和真实X射线图像对该降噪方法的性能进行评价分析。分析结果表明：随着图像序列中采样张数增加，本文算法降噪效果显著提高，并在采样张数达到50的时候，降噪性能达到最优；增加图像序列中采样张数会提高降噪性能，但也会增加算法运行时间，需要根据实际情况找到运行时间和降噪性能的平衡；本文降噪算法性能可以通过GPU得以大大改善，是一种实用的降噪方法。