磁共振图像（MRI）在采集过程中可能会受到噪声干扰，傅里叶变换是MRI图像重建和去噪中的关键步骤。MRI原始数据通常是在k空间中采集的，而k空间数据本质上已经是图像的傅里叶变换表示。因此，对MRI进行去噪可以通过在频率域操作来实现。 以下是一个使用Python实现基于傅里叶变换的磁共振图像去噪程序的示例代码： ### 磁共振图像傅里叶变换去噪 ```python import numpy as np import matplotlib.pyplot as plt from scipy.fft import fft2, ifft2, fftshift, ifftshift from skimage import filters # 加载磁共振图像（假设为二维） def load_mri_image(path): # 使用matplotlib读取图像 image = plt.imread(path) if len(image.shape) == 3: # 如果图像是彩色的，转换为灰度图 image = np.mean(image, axis=2) return image # 添加高斯噪声模拟受污染的图像 def add_gaussian_noise(image, mean=0, std=0.1): noise = np.random.normal(mean, std, image.shape) noisy_image = image + noise return np.clip(noisy_image, 0, 1) # 傅里叶变换并移动DC分量到中心 def perform_fft(image): f_transform = fft2(image) f_shifted = fftshift(f_transform) return f_shifted # 构建低通滤波器（去除高频噪声） def create_lowpass_filter(shape, cutoff=30): rows, cols = shape crow, ccol = rows // 2, cols // 2 mask = np.zeros((rows, cols), np.uint8) x, y = np.ogrid[:rows, :cols] mask_area = (x - crow) ** 2 + (y - ccol) ** 2 <= cutoff ** 2 mask[mask_area] = 1 return mask # 应用滤波器并进行逆傅里叶变换 def apply_filter_and_ifft(f_shifted, mask): f_filtered = f_shifted * mask f_ishifted = ifftshift(f_filtered) img_back = ifft2(f_ishifted) img_clean = np.abs(img_back) # 归一化图像 img_clean = (img_clean - img_clean.min()) / (img_clean.max() - img_clean.min()) return img_clean # 主程序逻辑 def main(): # 加载图像 original_image = load_mri_image('path_to_mri_image.png') # 添加噪声 noisy_image = add_gaussian_noise(original_image) # 执行傅里叶变换 f_shifted = perform_fft(noisy_image) # 创建低通滤波器 mask = create_lowpass_filter(noisy_image.shape, cutoff=30) # 应用滤波器并重建图像 cleaned_image = apply_filter_and_ifft(f_shifted, mask) # 显示结果 plt.figure(figsize=(12, 6)) plt.subplot(131), plt.imshow(original_image, cmap='gray'), plt.title('Original Image') plt.subplot(132), plt.imshow(noisy_image, cmap='gray'), plt.title('Noisy Image') plt.subplot(133), plt.imshow(cleaned_image, cmap='gray'), plt.title('Cleaned Image') plt.show() if __name__ == '__main__': main() ``` ### 说明与分析 - **加载图像**：使用`matplotlib.pyplot.imread`加载图像，并将其转换为灰度图以简化处理。 - **添加噪声**：为了模拟实际MRI图像中常见的噪声情况，向图像中添加了高斯噪声。 - **傅里叶变换**：通过`scipy.fft.fft2`进行二维傅里叶变换，并使用`fftshift`将零频分量移至中心位置[^1]。 - **滤波器设计**：创建一个圆形低通滤波器，保留低频信息，抑制高频噪声。 - **逆变换**：应用滤波器后，执行逆傅里叶变换以恢复图像。 - **结果展示**：对比原始图像、含噪图像和去噪后的图像。 该方法适用于简单的傅里叶域滤波去噪，若需更高级的去噪效果，可以结合小波变换或深度学习方法进行进一步优化。 ---