本文選題：圖像重建 + SART算法��； 參考：《天津職業(yè)技術(shù)師范大學(xué)》2016年碩士論文

【摘要】：在CT圖像重建領(lǐng)域中,重建算法的研究已然取得了傲人的成績。壓縮感知理論的提出為研究不完全角度重建問題提出了新的思路,CS理論只需少量的樣本點(diǎn)便能夠恢復(fù)出原來的信號。而K-SVD字典學(xué)習(xí)作為圖像稀疏的典型算法之一,通過稀疏分解與更新字典,能使稀疏信號與原始圖像匹配度提高。本文首先闡述了CT圖像重建算法,詳細(xì)介紹了幾種圖像重建算法及K-SVD算法,并給出了其仿真實(shí)驗效果與客觀評價分析。其次,鑒于通過K-SVD算法訓(xùn)練得到的自適應(yīng)字典構(gòu)造也與初始化字典的選取有關(guān),為此本文通過引進(jìn)了一個新的初始化字典矩陣,以使K-SVD算法能有更好的圖像表達(dá)能力,從而與圖像重建算法更好的契合。最后,考慮到圖像塊的結(jié)構(gòu)相似性,將結(jié)構(gòu)相似的圖像塊通過NLM算法將其聚類,分別對每一類圖像塊進(jìn)行字典學(xué)習(xí)。將改進(jìn)的K-SVD算法與SART算法結(jié)合,進(jìn)行仿真實(shí)驗,由具體的評價指標(biāo)表明,本文算法效果更好。
[Abstract]:In the field of CT image reconstruction, the research of reconstruction algorithm has made a proud achievement. The theory of compressed perception provides a new idea for the study of incomplete angle reconstruction. CS theory can recover the original signal with only a small number of sample points. As one of the typical algorithms of image sparsity, K-SVD dictionary learning can improve the matching degree between sparse signal and original image by sparse decomposition and updating dictionary. In this paper, the CT image reconstruction algorithm is introduced, several image reconstruction algorithms and K-SVD algorithm are introduced in detail, and the simulation results and objective evaluation analysis are given. Secondly, in view of the fact that the construction of adaptive dictionary trained by K-SVD algorithm is also related to the selection of initialization dictionary, a new initialized dictionary matrix is introduced in this paper, so that the K-SVD algorithm can have better image expression ability. Thus, it fits well with the image reconstruction algorithm. Finally, considering the structural similarity of image blocks, the image blocks with similar structure are clustered by NLM algorithm, and each image block is studied by dictionary. The improved K-SVD algorithm is combined with the SART algorithm to carry on the simulation experiment. The concrete evaluation index shows that the algorithm in this paper is more effective.
【學(xué)位授予單位】：天津職業(yè)技術(shù)師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁媛;齊宏亮;耿慶山;周凌宏;;先驗圖像約束的全變差正則化CT圖像重建算法[J];計算機(jī)工程與設(shè)計;2015年04期

2 �？〕�;徐伯慶;;基于FBP的迭代算法研究[J];信息技術(shù);2014年12期

3 姚偉;徐伯慶;;ART算法中投影序列訪問順序的研究[J];信息技術(shù);2014年09期

4 凌國;徐伯慶;;一種基于壓縮傳感和SART的圖像重建迭代算法[J];信息技術(shù);2013年07期

5 張瀚銘;王林元;閆鑌;李磊;席曉琦;陸利忠;;Image reconstruction based on total-variation minimization and alternating direction method in linear scan computed tomography[J];Chinese Physics B;2013年07期

6 鄒建成;車冬娟;;信號稀疏表示方法研究進(jìn)展綜述[J];北方工業(yè)大學(xué)學(xué)報;2013年01期

7 鄧建青;劉晶紅;劉鐵軍;;基于DSP系統(tǒng)的超分辨率圖像重建技術(shù)研究[J];液晶與顯示;2012年01期

8 陶敏;;快速交替方向乘子法求解基于全變分的圖像重建問題(英文)[J];Journal of Southeast University(English Edition);2011年04期

9 李樹濤;魏丹;;壓縮傳感綜述[J];自動化學(xué)報;2009年11期

10 練秋生;郝鵬鵬;;基于壓縮傳感和代數(shù)重建法的CT圖像重建[J];光學(xué)技術(shù);2009年03期

相關(guān)會議論文 前1條

1 馮禹;;基于不完全投影數(shù)據(jù)CT圖像重建中的TV算法研究[A];全國射線數(shù)字成像與CT新技術(shù)研討會論文集[C];2012年

相關(guān)碩士學(xué)位論文 前8條

1 趙可;基于稀疏表示的不完全投影重建算法研究[D];中北大學(xué);2014年

2 張勛;基于稀疏表示與字典訓(xùn)練的圖像著色與圖像修復(fù)算法研究[D];北京交通大學(xué);2014年

3 張娜;錐束體CT三維迭代重建算法的研究[D];東北大學(xué);2013年

4 梁昭;基于稀疏表示模型的非局部圖像去噪算法研究[D];安徽大學(xué);2013年

5 史懷林;CT迭代圖像重建技術(shù)若干問題的應(yīng)用研究[D];山東大學(xué);2012年

6 盧閆曄;基于迭代法和壓縮傳感原理的計算機(jī)斷層成像算法研究[D];河北大學(xué);2011年

7 王浩;CT不完全投影數(shù)據(jù)重建算法研究[D];大連理工大學(xué);2008年

8 冀東江;三維錐束CT迭代重建算法的研究[D];重慶大學(xué);2008年

，

本文編號：1913812