结构张量驱动的自适应稀疏角度CT重建算法提升图像质量

本文主要探讨了一种基于结构张量的自适应稀疏角度CT重建算法，针对传统全变差稀疏角度CT重建方法中存在的伪影问题和过渡平滑现象，提出了创新的解决方案。该算法首先通过边缘细化来提高结构张量边缘检测的精确度，结构张量作为一种图像局部纹理分析工具，能够有效地捕捉图像中的边缘和纹理信息。 算法的核心在于利用结构张量提供的结构方向信息，实现对方向全变差中的方向和权重的自适应更新。方向全变差是一种常用的纹理描述方法，通过考虑不同方向上的梯度变化，能够增强图像细节。通过自适应调整，算法能够更好地适应不同的图像区域，减少不必要的平滑处理，从而减少伪影。 进一步，算法采用了交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）作为优化框架，这是一种高效的求解大规模优化问题的策略。ADMM将大问题分解为更易处理的小问题，并通过迭代求解得到全局最优解。在此基础上，结合广义软阈值算法（Generalized Soft Thresholding, GST），这种算法能够同时实现稀疏性和保持信号的自然特性，有助于提高重建图像的质量。 实验结果显示，新提出的算法在主观和客观评估上均表现出明显的优势。它能够有效地抑制条形伪影，保持图像边缘的清晰度，从而提升稀疏角度CT重建图像的整体质量。这一研究对于改进医学成像中的CT扫描技术，尤其是在低剂量和快速扫描条件下，具有重要的实际应用价值。此外，该算法的自适应性质使其具有良好的通用性，可以适应各种复杂场景下的图像重建任务。