低剂量计算机断层扫描(Computed Tomography,CT)可以减少对患者的辐射剂量,然而辐射剂量的降低往往会使投影数据受到噪声的污染,这样就会导致重建图像出现大量的条形伪影。近年来,在低剂量扫描的条件下重建出低噪声和高分辨率CT图像的研究受到越来越多学者的广泛关注。目前对重建图像中的噪声以及伪影进行修正的图像后处理算法是低剂量CT(Low-dose CT,LDCT)研究的一个非常重要的方向。此类算法的重要特点是不依赖于投影数据,可以直接对LDCT图像进行降噪处理。后处理算法在抑制图像噪声的同时还要尽可能多地保留图像的原始细节和边缘纹理信息。本文主要针对LDCT的后处理算法进行研究,主要工作安排如下:基于传统的Perona-Malik(PM)模型提出了一种结合直觉模糊熵和加权方差的改进各向异性扩散的LDCT图像的后处理算法,该算法克服了PM模型在去除图像噪声的同时带来阶梯伪影的缺点。直觉模糊熵可以有效地区分图像的平滑区域和细节区域,加权方差的引入可以在去除图像噪声的同时保留更多的细节信息,结合直觉模糊熵和加权方差提出一种新的各项异性扩散系数,进而可以更好地在去除图像条形伪影的同时保留图像更多的边缘细节信息和纹理结构。为了有效地抑制LDCT图像中的条形伪影和噪声,本文提出了一种耦合高斯滤波器的非局部均值降噪算法,利用高斯滤波器(Gaussian Filter,GF)对LDCT图像进行降噪处理,接着再利用降噪后的图像获得新的欧式加权距离,提高相似性度量的准确性。实验结果表明本文算法克服了原始非局部均值降噪算法的不足,能够在去除图像伪影和噪声的同时,保留更多的图像边缘和细节。本文提出了一种基于广义总变分的LDCT图像的后处理算法,首先,对LDCT图像进行小波分解;其次,在小波域的不同尺度上使用各向异性扩散算法对图像的低频、水平、垂直以及对角方向的分解系数进行预处理。最后,采用广义总变分正则化的降噪算法处理小波重构图像中残留的条形伪影。