實施例的對帶周期性噪聲圖像中的非周期性噪聲進行灰度補償?shù)姆椒ㄊ?基于SPX模型實現(xiàn)，通過該模型能在對壞線或壞點處像素值進行估計的同時考慮到周期性 柵影對圖像的影響，壞線或壞點處的像素值恢復中由于延續(xù)了周期性，使得在后續(xù)進行柵 影抑制時不會產生振鈴效應，從而可顯著改善圖像的質量。
[0095] 實施例2 :
[0096] 如圖6所示的實線部分，在本實施例中，對受周期性噪聲干擾的圖像中的非周期 性噪聲進行像素值恢復的方法(也就是對帶濾線柵的DR圖像中的壞線或壞點等稀疏噪聲 進行像素值恢復的方法）的大體流程是：首先獲取柵影方向（即周期性噪聲的方向，可以理 解為是周期性噪聲呈現(xiàn)在圖像中的視覺上的分布方向)，根據(jù)柵影方向情況確定是否需要 進行插值，然后估計出柵影的周期，以便在估計非周期性噪聲處的像素值時考慮這種周期 分量的影響，從而可恢復非周期性噪聲處的像素值。
[0097] 柵影方向的獲取可采用圖像處理的方法自動進行檢測得到；當然，也可以通過人 為的方式得到，如通過人工輸入、硬件開關等均可以得到方向信息。這些人為的方式可以參 考例如人機交互中通過界面輸入的方式實現(xiàn)，在此不做詳述。至于壞線的方向（即非周期性 噪聲的方向，可以理解為是非周期性噪聲如壞線呈現(xiàn)在圖像中的視覺上的分布方向），其可 以通過人眼觀察得到，也可以是通過標定的方式計算得到，具體的標定方法可以參考現(xiàn)有 的標定方法，此處不做詳述。
[0098] 本實施例提供了一種采用圖像處理的方法自動進行柵影方向檢測，以使得將輸入 圖像分為三種類型，即不存在柵影的圖像、第一方向柵影（即柵影的方向與壞線的方向平 行，本文中稱之為橫向柵影）圖像和第二方向柵影（即柵影的方向與壞線的方向平行，本文 中稱之為堅向柵影)圖像。在本實施例中，柵影方向檢測算法的基本流程如圖7所示，首先對 輸入的DR圖像提取小波特征，然后采用預先訓練好的第一個支持向量機（Support Vector Machine，SVM)分類器（圖示中的分類器1)進行有柵和無柵的分類；針對有柵的DR圖像，將 提取的特征再次輸入到第二個SVM分類器（圖示中的分類器2)，判斷出柵影是橫向還是堅 向。以下介紹一種具體舉例中涉及的特征提取和SVM分類器設計的方法。
[0099] 特征提取的目的是從圖像中提取出有利于柵影檢測和柵影方向分類的特征向量， 本例主要是提取小波特征進行分類，其提取算法包括如下步驟S11-S13 :
[0100] 步驟Sll，對于輸入圖像計算兩級二維小波變換，可選用Haar小波或者db小波，得 到水平方向的分解cHl、cH2和堅直方向的分解cVl、cV2 ;
[0101] 步驟S12,對于得到的四個分解中的每一個分解，按這種方式計算水平和堅直的梯 度，即，對于每個像素位置（i，j)，計算水平方向和堅直方向的梯度，統(tǒng)計所有像素位置中水 平方向梯度大于堅直方向梯度一定門限ε的像素個數(shù)N1，統(tǒng)計所有像素位置中堅直方向 梯度大于水平方向梯度一定門限ε的像素個數(shù)Ν2,對Nl和Ν2用圖像像素個數(shù)進行歸一化 并返回，作為本分解的兩個特征值；
[0102] 步驟S13,返回四個分解得到的八個特征值作為輸入圖像的特征向量。
[0103] 對于SVM分類器設計，本例的分類器根據(jù)訓練樣本訓練得到，分類器參數(shù)主要包 括支持向量、核函數(shù)的參數(shù)和偏置（bias)。分類的公式為：
[0105] 其中y為輸入圖像的變換后特征向量，{xJm.i為支持向量，Bi為加權系數(shù)，b為 偏置，g(yi，y)為核函數(shù)。特征向量的每一個值需要經過平移和縮放后再輸入，即
[0107] 其中為從圖像中直接提取的特征向量，z和1分別為縮放和平移參數(shù)向量。
[0108] 分類器1采用rbf核函數(shù)，即
[0110] 其中σ為rbf參數(shù)。分類器2采用多項式核函數(shù)，即
[0112] 分類器1的參數(shù)包括支持向量、加權系數(shù)、偏置、rbf參數(shù)。分類器2的參數(shù)包括 支持向量、加權系數(shù)和偏置。這些參數(shù)都是在訓練中得到。
[0113] 訓練的基本流程通?？梢悦枋鰹椋菏紫葴蕚浜萌糠謽颖荆謩e為無柵影的圖像 樣本、橫向柵影的圖像樣本和堅向柵影的圖像樣本；然后訓練分類器1，即將有柵影(包括 橫向柵影和堅向柵影）的圖像樣本作為正樣本，標號為+1，無柵影的圖像樣本作為負樣本， 標號為-1，按前述特征提取算法分別提取正負樣本的特征，輸入分類器訓練算法進行訓練， 得到分類器1的參數(shù)；最后訓練分類器2,即將橫向柵影的圖像樣本作為正樣本，標號為+1， 堅向柵影的圖像樣本作為負樣本，標號為-1，按前述特征提取算法分別提取正負樣本的特 征，輸入分類器訓練算法進行訓練，得到分類器2的參數(shù)。
[0114] 在線分類時，對于新輸入的圖像（即前述待處理圖像）按前述特征提取算法提取 特征，按照圖7的流程進行有無柵影檢測和柵影方向檢測。分類器的判別公式見上述公式 (7)。當分類器1的按照公式（7)計算的輸出大于0時判斷為有柵影，小于零時判斷為無柵 影。當分類器2的按照公式（7)計算的輸出大于0時判斷為橫向柵影，小于0時判斷為堅 向柵影。需要注意的是，訓練時正樣本或者負樣本的標號可以互換，相應地在線分類的得到 的標號也應該互換。
[0115] 本例中采用的小波特征并結合SVM進行分類，其中給出了具體的小波特征為通過 兩級二維小波變換而得到以及具體的SVM分類器的核函數(shù)，可以理解，在其它實施例中，還 可以通過改變本例的小波變換的類型如采用Gabor小波特征、特征的統(tǒng)計方式等來提取特 征，也可以對本例的支持向量機進行包括但不限于改變支持向量機的核、核函數(shù)等。此外， 在另外一些實施例中，柵影方向的檢測算法還可以采用已知的圖像特征如不變矩等，也可 以采用已知的分類器如神經網絡、fisher分類器等，只要是適于得到有無柵影及柵影方向 的特征和分類均可。
[0116] 在通過上述方法獲取柵影方向后，對柵影方向進行判斷。若是堅向柵影（即柵影 的方向與壞線的方向垂直)，則直接進行常規(guī)的插值處理如線性插值即可，無需進行柵影周 期計算及后續(xù)的壞線處灰度補償處理；若是橫向柵影（即柵影的方向與壞線的方向平行)， 則對壞線處進行灰度補償，具體補償方法可參考實施例1中的壞線或壞點處灰度補償?shù)牧?程。在此需要說明的是，當檢測到的非周期性噪聲為壞點時，無論柵影方向如何，均認為此 時柵影的方向與壞點平行（即為橫向柵影)，需要對壞點處進行灰度補償。
[0117] 檢測到橫向柵影后，在獲取非周期性噪聲附近的輸入數(shù)據(jù)之前，可根據(jù)獲取待處 理圖像時的數(shù)據(jù)存儲方式，通過旋轉圖像等方式對圖像進行調整，并使得調整后的圖像中 非周期性噪聲和周期性噪聲排列的方向與輸入數(shù)據(jù)的讀取方向垂直。例如，在如上所述以 每一行圖像數(shù)據(jù)作為輸入數(shù)據(jù)選擇基礎時，應使調整后的圖像中非周期性噪聲和周期性噪 聲呈列排列。在另一替代實施例中，若以每一列數(shù)據(jù)作為輸入數(shù)據(jù)選擇基礎，則使非周期性 噪聲和周期性噪聲呈行排列（非周期性噪聲為壞點時，單獨考察周期性噪聲的排列方向）。 本領域技術人員應該理解，上述對圖像調整的限定是基于所采用的具體數(shù)據(jù)存取方式，本 發(fā)明的數(shù)據(jù)獲取步驟并不應受限于此處描述的圖像調整方式。
[0118] 基于本實施例的方法，本發(fā)明還提供了一種對圖像中的非周期性噪聲進行灰度補 償?shù)难b置，其包括：
[0119] 圖像獲取模塊，用于獲取待處理圖像，所述待處理圖像為被周期性噪聲干擾的圖 像；
[0120] 方向確定模塊，用于確定所述周期性噪聲的方向，如果所述周期性噪聲的方向與 非周期性噪聲的方向垂直，對所述待處理圖像進行插值處理并結束灰度補償操作，如果所 述周期性噪聲的方向與非周期性噪聲的方向平行，將確定出的方向輸送到周期確定模塊；
[0121] 所述周期確定模塊，用于確定所述周期性噪聲的周期；
[0122] 數(shù)據(jù)獲取模塊，用于檢測待處理圖像中的非周期性噪聲，獲取非周期性噪聲附近 的數(shù)據(jù)作為輸入數(shù)據(jù)；
[0123] 值恢復模塊，用于將所述周期性噪聲的周期和輸入數(shù)據(jù)代入信號分離模型，對信 號分離模型進行優(yōu)化求解，得到對應于所述輸入數(shù)據(jù)的干凈圖像信號、周期性噪聲和非周 期性噪聲，根據(jù)得到的結果恢復所述輸入數(shù)據(jù)中非周期性噪聲處的像素值。
[0124] 以上各模塊的具體實現(xiàn)可參考上述方法實施例中相應的描述，在此不作重述。
[0125] 綜上，除了具有實施例1的優(yōu)點外，本實施例首先檢測柵影方向，根據(jù)柵影方向確 定是否對壞線進行插值以恢復壞線處的像素值，盡量減小后續(xù)灰度補償時壞線的影響。
[0126] 實施例3:
[0127] 本實施例仍以對帶濾線柵DR圖像的進行灰度補償為例進行說明，本實施例基于 上述實施例1或2實現(xiàn)，但其中涉及的確定柵影周期采用的是一種基于SPX模型實現(xiàn)的算 法。
[0128] 實施例中柵影周期的大小基于前述的SPX模型及其數(shù)學優(yōu)化問題實現(xiàn)，可通過如 下算法得到：
[0129] 對于輸入的待處理圖像，選取其中一塊感興趣區(qū)域進行周期掃描，尋找最佳的周 期，候選周期為經驗值，例如可以設置為5-10的范圍，或根據(jù)實際情況進行調整。感興趣區(qū) 域最好應選擇周期比較明顯的區(qū)域，避開由于劑量不足或過剩導致周期信號太弱的區(qū)域， 或者采用隨機選取的方式。由于包含柵影的圖像經過傅里葉（DFT)變換到頻域后，柵影在頻 域內分布在多個頻率(高頻、中頻、低頻）與圖像信息變換后的部分頻率重合，導致在頻譜上 可見數(shù)個頻率點能量分布較其周圍高，所以這個頻率幅度較高之處對應地即為柵影所處的 頻率區(qū)域；基于此，可以選擇出柵影區(qū)域，即周期比較明顯的區(qū)域，該區(qū)域即為感興趣區(qū)域。
[0130] 最佳周期的衡量方法為：最終計算出來的周期信號越強，則周期越接近真實周期； 即計算周期信號的L 2范數(shù)I |p| I215L2范數(shù)的計算方法為：取向量各元素的平方和再開根號。 因此，取分解出來的周期信號最強的模型對應的周期即為柵影的周期，即，以前述的優(yōu)化函 數(shù)(見式（3))為例，在數(shù)學上的表現(xiàn)是：
[0131] 首先計算
[0134] 其中argmin表示的是使目標函數(shù)取最小值時的變量值，體現(xiàn)在這里是指，求使代 價函數(shù)取最小值時候的u值；
[0135] 然后根據(jù)計算得到的u值計算
[0137] 這里涉及到的公式和表達式中，d表示的是感興趣區(qū)域的圖像數(shù)據(jù)，t表示的是預 先設定的候選周期，將預先設定的某個范圍內的候選周期代入此處涉及的公式和表達式進 行計算，求解出來的周期性噪聲信號最強的模型對應的那個候選周期為最佳周期，即需要 求取的周期性噪聲的周期；其它各參數(shù)的含義參見前述實施例，在此不作重述。由于估計周 期時