Nothing Special   »   [go: up one dir, main page]

CN108022220A - 一种超声图像斑点噪声去除方法 - Google Patents

一种超声图像斑点噪声去除方法 Download PDF

Info

Publication number
CN108022220A
CN108022220A CN201711275034.1A CN201711275034A CN108022220A CN 108022220 A CN108022220 A CN 108022220A CN 201711275034 A CN201711275034 A CN 201711275034A CN 108022220 A CN108022220 A CN 108022220A
Authority
CN
China
Prior art keywords
mrow
msup
image
mover
msubsup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711275034.1A
Other languages
English (en)
Other versions
CN108022220B (zh
Inventor
周颖玥
臧红彬
方宏道
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN201711275034.1A priority Critical patent/CN108022220B/zh
Publication of CN108022220A publication Critical patent/CN108022220A/zh
Application granted granted Critical
Publication of CN108022220B publication Critical patent/CN108022220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种超声图像斑点噪声去除方法，在首次迭代中，利用噪声图像作为模型的输入，经过贝叶斯非局部平均滤波模型的滤波后得到了一幅粗糙的去斑图像；在第二次迭代中，将已获得的去斑图像作为滤波模型的输入，得到一幅更好的去斑图像；重复迭代过程，直到迭代次数达到预设的值为止。通过良性的迭代滤波过程最终输出一幅较好的去斑图像。本发明的优点在于：抑制了斑点噪声给临床诊断或后续图像处理带来的不良影响。结合斑点噪声的统计特性，推算出贝叶斯非局部平均滤波模型中的条件概率密度函数值，通过良性的迭代滤波过程将输出较好的去斑图像。为了降低算法的时间复杂度，采用块滤波、预选块及控制迭代次数三种手段，使得方法可以实用化。

Description

一种超声图像斑点噪声去除方法
技术领域
本发明涉及超声图像处理技术领域，特别涉及一种超声图像斑点噪声去除方法。
背景技术
超声成像技术是一种方便快捷的成像技术，被广泛用于人体身体检查当中，尤其是肝、胆、胰、腹、乳腺等部位。与CT成像技术相比，超声成像要安全得多，免去了人体曝露于X射线下所可能造成的辐射损伤；与MRI成像技术相比，超声成像的费用要低得多，是体检或首轮疾病筛查的重要成像模态。然而，目前超声仪器所获取的图像都不可避免地受到斑点噪声的干扰，这种噪声是由超声系统成像的相干特性所引起的。斑点噪声的存在降低了图像的分辨率和对比度，降低了图像的质量，掩盖了某些细节信息，给临床诊断及后续的图像处理分析(例如：特征提取、病灶分割识别、图像配准等)造成了不利的影响，因此斑点噪声的抑制对医学超声图像分析具有非常重要的意义。与其他图像去噪技术问题类似，超声图像斑点噪声去除的目标是既要有效地去除噪声，又要尽可能多地保留图像中的关键细节纹理特征。但是斑点噪声与通常图像去噪问题中考虑的高斯噪声有一定的区别，从形态上看它呈现出颗粒状或蛇形斑点的效果，从噪声统计特性上看其噪声产生模型不同于加性高斯白噪声，因此无法直接将已有的去噪方法移用到斑点噪声的消除上，而是需要在去噪模型上充分考虑到斑点噪声的特性，改进既有模型，充分发挥已有去噪技术在斑点噪声去除上的作用。
发明内容
本发明针对现有技术的缺陷，提供了一种超声图像斑点噪声去除方法，能有效的解决上述现有技术存在的问题。
为了实现以上发明目的，本发明采取的技术方案如下：
一种超声图像斑点噪声去除方法，具体步骤如下：
步骤1：
基于
上式中，z就是B超仪器所获得的含有斑点噪声的图像，是估计的干净图像，i是图像空间Ω中像素的坐标位置；Δ(i)表示以坐标点i为中心、大小为β×β的邻域搜索区域，坐标点j属于Δ(i)中；z(j)表示以图像z中像素点j为中心、大小为α×α的图像块；z(i)表示以图像z中像素点i为中心、大小为α×α的图像块；p(z(i)|z(j))为在图像块z(j)的观察下图像块z(i)的条件概率密度函数值，为在图像块的观察下图像块z(i)的条件概率密度函数值；均表示以i为中心的图像块的无斑估计；将所有估计出的进行平均融合，得到去斑图像
上式含义为：在第一步滤波中，直接将噪声图像z作为输入，通过图像块的加权平均及组合可以得到对无斑图像的粗略估计；然后，再将该估计图像作为下一步滤波的输入，由此修正滤波结果；
根据式1计算出在斑点噪声环境下的p(z(i)|z(j))和即可得到去斑图像，由于其中n(i)为零均值、标准差为σ分布的高斯噪声，因此z(i)|u(i)～N(u(i),u(i)σ2)，则
步骤2：
考虑到图像块中像素点条件独立的假设，可以得到图像块的概率分布情况：
上式中|R|表示图像块中的像素个数，r表示图像块中的第r个像素。基于式2，式1第一步中的p(z(i)|z(j))可以计算为：
而第二步中的可计算为：
步骤3：
为了进一步提升去斑性能，将迭代次数扩展到K次，(2≤K≤4)，则完整的迭代滤波去斑模型如下式所示：
作为优选，所述步骤3中调节式5的h的值以获得最好的去斑效果，由于h与σ2相关，我们令h＝(C·σ)2，经多次实验总结，当C＝1时，去斑效果最好。在无法已知σ的情况下，h取值为8则效果最佳。
作为优选，调整图像块之间的重叠度，降低时间复杂度。
作为优选，在滤波时加入块预选机制，当发现邻域中的块的均值与目标图像块均值相差太大时，则不考虑该图像块对目标块估计值的贡献，即：
预设块平均值阈值设为μ，令μ＝0.7；
当超出了[μ,1/μ]范围时，则将块对的贡献置为0。
作为优选，迭代次数K控制在2到4的范围，并且随着斑点噪声程度σ增加，K逐渐降为2，较少的迭代次数控制了算法的时间复杂度增长。
与现有技术相比本发明的优点在于：在极大程度上抑制了斑点噪声给临床诊断或后续图像处理带来的不良影响。结合斑点噪声的统计特性，通过良性的迭代滤波过程将输出较好的去斑图像。同时，为了最大限度地降低算法的时间复杂度，采用块滤波、预选块及控制迭代次数三种手段，使得方法可以实用化。
附图说明
图1为头部噪声幻影图像(σ＝10)以及本发明方法在迭代过程中产生的中间去斑图；
图1a为头部噪声幻影图像(σ＝10)；
图1b为所提算法第一次迭代后的结果图像
图1c为所提算法第二次迭代后的结果图像
图1d为所提算法第三次迭代后的结果图像
图1e为干净的头部幻影图像；
图2为不同去斑算法对σ＝10的头部噪声幻影图像的去斑结果图；
图2a为头部噪声幻影图像(σ＝10)；
图2b为SRAD的去斑结果图；
图2c为SRBF的去斑结果图；
图2d为TBNLMF的去斑结果图；
图2e为OBNLMF的去斑结果图；
图2f为我们所提算法的去斑结果图；
图2g为干净头部幻影图像；
图3为仿真超声胎儿图像及去斑图像；
图3a为Field II Simulation Program生成的仿真超声胎儿图像；
图3b为所提算法对图3a的去斑图像；
图4为真实超声图像及去斑图像；
图4a为真实超声图像；
图4b为所提算法产生的去斑图像。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明做进一步详细说明。
传统意义上，斑点噪声被视为服从瑞利分布的乘性信号模型，然而由于成像机制的复杂性，这种模型不适合对真实斑点噪声建模。近些年来，一些学者提出了一种更加适合的斑点噪声模型，如下：
z(i)＝u(i)+uγ(i)n(i). (1)
上式中，z就是B超仪器所获得的含有斑点噪声的图像，u是我们期望恢复出的干净图像，n是服从零均值、标准差为σ分布的高斯噪声，i是图像空间Ω中像素的坐标位置，γ是与超声仪器相关的参数，通常取γ＝0.5。从式(1)可以看出，斑点噪声与加性高斯噪声是不同的，不能直接利用高斯噪声去除算法来处理斑点噪声，必须充分考虑到噪声的统计特性来修改算法以适应斑点噪声环境。
根据一种贝叶斯非局部平均滤波模型，为非局部平均滤波在非高斯噪声环境下的应用提供了可能。该模型如下所示：
这里，u(j)表示以图像u中像素点j为中心、大小为α×α的图像块；z(i)表示以图像z中像素点i为中心、大小为α×α的图像块；Δ(i)表示以坐标点i为中心、大小为β×β的邻域搜索区域，坐标点j属于Δ(i)中；表示以i为中心的图像块的无斑估计。将所有估计出的(i∈Ω)进行平均融合，得到去斑图像实际上，这是一种基于图像块的噪声滤波方式，与经典的基于块的非局部平均滤波模型形式上一致的。
很明显式子(2)中需要无斑图像u作为输入，这是无法做到的，因此为了实现该模型，有人提出了一种两步迭代模型，通过逐步精细化的过程巧妙地解决了该问题：
上式代表的含义为：在第一步滤波中，直接将噪声图像z作为输入，可以得到对无斑图像的粗略估计；然后，再将该估计图像作为下一步滤波的输入，由此修正滤波结果。
随后，利用式子(2)所对应的模型对超声图像中的斑点噪声进行去除，根据斑点噪声的统计特性推导出了模型所需的概率密度函数，获得了不错的去斑效果。然而，在实现贝叶斯非局部平均滤波模型时，现有经典文献省略了后续精细化的步骤，所获去斑图像比较粗糙。针对这一问题，本专利提出一种超声图像斑点噪声去除方法，具体如下：
基于模型(3)，我们只需计算出在斑点噪声环境下的p(z(i)|z(j))和即可得到去斑图像。由于因此z(i)|u(i)～N(u(i),u(i)σ2)，则
考虑到图像块中像素点条件独立的假设，可以得到图像块的概率分布情况：
上式中|R|表示图像块中的像素个数，r表示图像块中的第r个像素。基于(4)，模型(3)第一步中的p(z(i)|z(j))可以计算为：
而第二步中的可计算为：
另外，为了进一步提升去斑性能，我们将迭代次数扩展到K次(2≤K≤4)，则完整的迭代滤波去斑模型如下所示：
注意上式中我们用变量h代替了2σ2，在实验中我们调节h的值以获得最好的去斑效果。最终所得的即为输出的由于h与σ2相关，我们令h＝(C·σ)2，经多次实验总结，当C＝1时，去斑效果最好。在无法已知σ的情况下，h取值为8则效果最佳。
为了降低迭代滤波算法的时间复杂度，本专利采用如下三个关键处理方式：
(1)从式子(7)可以看出，去斑算法需要迭代K次，因此每一次滤波不能花费太多的时间，否则算法的时耗就过长。实际上，基于图像块的滤波模式可以通过调整图像块之间的重叠度(或者说相邻图像块中心之间的距离，设为d)来有效控制其滤波时耗。根据相关文献的分析[12]可知：基于块的非局部平均滤波算法的时间复杂度为O((2α+1)2(2β+1)2((N-d)/d)2)，这里N是图像的边长。可见，若是将图像块之间的距离d设置为3，则可以使一次滤波的时间比d为1时缩短9倍左右，并且去斑性能也不会有太大差别。迭代K次，则可以节省9K倍的时间。
(2)在滤波时加入块预选机制，当发现邻域中的块的均值与目标图像块均值相差太大时，则可以不考虑该图像块对目标块估计值的贡献，即：超出了[μ,1/μ]范围时(μ为预设块平均值阈值，通常令μ＝0.7)，则将块对的贡献置为0，这样不仅缩短了相应的计算时间，也避免了累计误差对最终估计的不良影响。
(3)迭代次数K控制在2到4的范围，并且随着斑点噪声程度σ增加，K逐渐降为2，较少的迭代次数控制了算法的时间复杂度增长。
实验及结果分析：
为了测试所提去斑算法的性能，我们选取了三种测试图像，第一种是根据所假设的噪声模型而模拟的斑点噪声图像，第二种是模拟仿真的超声图像，第三种是从B超仪上直接获得的真实的超声图像。同时，选取了几种有代表性的去斑算法与所提算法做对比，它们分别是：SRAD,SRBF,traditional blockwise NLMF(TBNLMF),OBNLMF。对于本发明所提出的迭代滤波算法，为了获得较好的去斑效果，将参数设置如下：非局部邻域的范围Δ(i)设置为19×19；图像块的大小设置为5×5；当σ＜10时，迭代次数K设为4，当10≤σ＜20时K＝3，当σ≥20时K＝2；滤波模型中h设置为σ2；另外，当σ未知时，h的值将根据实际情况进行调整，而考虑到方便快捷的因素，K则设为2。下面我们通过三组不同的实验来验证所提算法的优势。
头部噪声幻影图像实验：
利用假定的斑点噪声模型模拟产生了若干张不同噪声程度的头部幻影图像，对于这些测试图像，由于已知对应的无斑点干净图像，因此可采用“全参考图像质量评价指标”来对不同算法输出的恢复图像的质量做量化评价。这里采用的指标为峰值信噪比(PeakSignal-to-Noise Ratio，PSNR)和特征相似度指数测度(Feature Similarity Indexmeasure，FSIM)。PSNR的计算式子为：
其中MN是图像的大小，FSIM是近些年来发展出的图像质量评价指标，其中图像的相位一致性和梯度幅度被用于衡量图像对的差异，。当恢复图像越接近于干净图像u时，FSIM的值越接近于1。
首先，为了测试所提迭代算法的正确性，我们设计了如下实验。在不同的噪声程度下，将迭代过程中所产生的恢复图像都记录下来，分别记为再计算其对应的PSNR和FSIM值，实验结果如表1所示。表中的粗体数据代表每一行最好的恢复结果值。从中可以看出，在任何σ下，肯定比要好，并且当σ较小时，随着迭代次数K的增加，会越来越好，这充分证明了所提迭代滤波去斑算法的正确性。同时，我们在图1中展示了所提算法处理σ＝10的头部噪声幻影图像的过程中产生的可以很清晰地看到每一次迭代对恢复图像的修正过程。
表1在处理“头部噪声幻影图像”时所提迭代算法的中间去噪结果(PSNRs,FSIMs)
接着，我们将不同噪声程度的头部噪声幻影图像输入到所选取的去斑算法中，得到了不同的去斑图像，计算其PSNR及FSIM值，结果如表2所示。同样，表中的粗体数据代表每一行最好的恢复结果值。可以看出，所提算法在PSNR和FSIM的图像质量评定指标下是最佳的算法。同时，我们在图2中展示了各算法对σ＝10的头部噪声幻影图像的去斑结果图，从视觉上可看出：SRAD算法对细节的保持能力较强，但是去斑图像中仍然留存了很多斑点；SRBF的去斑图像中有很多伪影的存在；TBNLMF算法能去除绝大多数斑点，但却丢失了很多细节特征；OBNLMF能在斑点去除和细节保持上达到一定的平衡，但图像背景中依然存在着噪声的痕迹；而我们所提出的算法不仅能去除绝大多数噪声，同时在细节和边缘的保持上也做得较好。
表2不同去斑算法对不同噪声程度的头部噪声幻影图像的去斑结果(PSNRs,FSIMs)
Field II Simulation Program模拟产生的超声图像实验：
Field II Simulation Program是根据超声成像原理所研发的超声图像仿真生成程序，具有较高的参考价值。在这一节实验中，我们选取了由Field II SimulationProgram仿真生成的“胎儿”图像，作为我们的测试图像，如图3a所示。接着将其输入到我们所提出的去斑算法中(注意：由于没有σ的信息，滤波模型中的h设为12)，输出的去斑图像如图3b所示。对比两幅图像，我们可以很明显地看出：右图中绝大多数斑点噪声已被去除，同时解剖结构依然清晰完整，这充分说明了所提去斑算法的有效性。
真实超声图像实验：
经过前两种实验的验证，我们肯定了所提算法的有效性，在这一节实验中采用真实的超声图像作为测试对象，如图4a所示。然后再利用所提算法对之进行去斑操作(注意：为了在去斑的同时尽可能多地保留细节，滤波模型中的h设为8)，所得图像如图4b所示。从图可以看出：去斑图像不仅去除了斑点噪声，而且对相邻解剖结构之间的边缘保持得很好，这无疑对于影像诊断师的诊断有非常大的益处。当然，这里要说明的是：一般对于医学图像处理来说，我们称之为“计算机辅助诊断”，医生希望结合原图以及处理后的图像共同做出诊断结果，而不是仅仅参考处理后的图，因为任何一种信号处理方式都或多或少地会损失信号潜在的细节特征，图像对照参考使得诊断更加准确。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种超声图像斑点噪声去除方法，其特征在于具体步骤如下：
步骤1：
基于
上式中，z就是B超仪器所获得的含有斑点噪声的图像，是估计的干净图像，i是图像空间Ω中像素的坐标位置；Δ(i)表示以坐标点i为中心、大小为β×β的邻域搜索区域，坐标点j属于Δ(i)中；z(j)表示以图像z中像素点j为中心、大小为α×α的图像块；z(i)表示以图像z中像素点i为中心、大小为α×α的图像块；p(z(i)|z(j))为在图像块z(j)的观察下图像块z(i)的条件概率密度函数值，为在图像块的观察下图像块z(i)的条件概率密度函数值； 均表示以i为中心的图像块的无斑估计；将所有估计出的进行平均融合，得到去斑图像
上式含义为：在第一步滤波中，直接将噪声图像z作为输入，通过图像块的加权平均及组合可以得到对无斑图像的粗略估计；然后，再将该估计图像作为下一步滤波的输入，由此修正滤波结果；
根据式1计算出在斑点噪声环境下的p(z(i)|z(j))和即可得到去斑图像，由于其中n(i)为零均值、标准差为σ分布的高斯噪声，因此z(i)|u(i)～N(u(i),u(i)σ2)，则
步骤2：
考虑到图像块中像素点条件独立的假设，可以得到图像块的概率分布情况：
<mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>|</mo> <mi>u</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;Proportional;</mo> <msubsup> <mo>&amp;Pi;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>R</mi> <mo>|</mo> </mrow> </msubsup> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msup> <mi>u</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <mi>u</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>R</mi> <mo>|</mo> </mrow> </msubsup> <mfrac> <msup> <mrow> <mo>(</mo> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msup> <mi>u</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <mi>u</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
上式中|R|表示图像块中的像素个数，r表示图像块中的第r个像素，基于式2，式1第一步中的p(z(i)|z(j))可以计算为：
<mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>|</mo> <mi>z</mi> <mo>(</mo> <mi>j</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>R</mi> <mo>|</mo> </mrow> </msubsup> <mfrac> <msup> <mrow> <mo>(</mo> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>j</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>.</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
而第二步中的可计算为：
<mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>|</mo> <mover> <mi>u</mi> <mo>^</mo> </mover> <mo>(</mo> <mi>j</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>R</mi> <mo>|</mo> </mrow> </msubsup> <mfrac> <msup> <mrow> <mo>(</mo> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msup> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>j</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>.</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
步骤3：
为了进一步提升去斑性能，将迭代次数扩展到K次，(2≤K≤4)，则完整的迭代滤波去斑模型如下式所示：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>I</mi> <mi>n</mi> <mi>i</mi> <mi>t</mi> <mi>i</mi> <mi>a</mi> <mi>l</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> <mo>:</mo> <mi>k</mi> <mo>=</mo> <mn>1.</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>W</mi> <mi>h</mi> <mi>i</mi> <mi>l</mi> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>&amp;le;</mo> <mi>K</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>=</mo> <mo>=</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>:</mo> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>&amp;Delta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </msub> <mi>z</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>R</mi> <mo>|</mo> </mrow> </msubsup> <msup> <mrow> <mo>(</mo> <mrow> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <msup> <mi>hz</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>j</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>&amp;Delta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </msub> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>R</mi> <mo>|</mo> </mrow> </msubsup> <msup> <mrow> <mo>(</mo> <mrow> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <msup> <mi>hz</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>j</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;DoubleRightArrow;</mo> <mover> <mi>u</mi> <mo>^</mo> </mover> <mo>;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>k</mi> <mo>=</mo> <mi>k</mi> <mo>+</mo> <mn>1.</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>e</mi> <mi>l</mi> <mi>s</mi> <mi>e</mi> <mo>:</mo> <mover> <mi>u</mi> <mo>~</mo> </mover> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>&amp;Delta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </msub> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>R</mi> <mo>|</mo> </mrow> </msubsup> <msup> <mrow> <mo>(</mo> <mrow> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <mi>h</mi> <msup> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>j</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>&amp;Delta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </msub> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>R</mi> <mo>|</mo> </mrow> </msubsup> <msup> <mrow> <mo>(</mo> <mrow> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <mi>h</mi> <msup> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>j</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;DoubleRightArrow;</mo> <mover> <mi>u</mi> <mo>~</mo> </mover> <mo>;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>k</mi> <mo>=</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mover> <mi>u</mi> <mo>^</mo> </mover> <mo>=</mo> <mover> <mi>u</mi> <mo>~</mo> </mover> <mo>.</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mi>o</mi> <mi>p</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mover> <mi>u</mi> <mo>^</mo> </mover> <mo>.</mo> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
2.根据权利要求1所述的一种超声图像斑点噪声去除方法，其特征在于：所述步骤3中调节式5的h的值以获得最好的去斑效果，由于h与σ2相关，令h＝(C·σ)2，经多次实验总结，当C＝1时，去斑效果最好，在无法已知σ的情况下，h取值为8则效果最佳。
3.根据权利要求1所述的一种超声图像斑点噪声去除方法，其特征在于：调整图像块之间的重叠度，降低时间复杂度。
4.根据权利要求1所述的一种超声图像斑点噪声去除方法，其特征在于：在滤波时加入块预选机制，当发现邻域中的块的均值与目标图像块均值相差太大时，则不考虑该图像块对目标块估计值的贡献，即：
预设块平均值阈值设为μ，令μ＝0.7；
当超出了[μ,1/μ]范围时，则将块对的贡献置为0。
5.根据权利要求1所述的一种超声图像斑点噪声去除方法，其特征在于：迭代次数K控制在2到4的范围，并且随着斑点噪声程度σ增加，K逐渐降为2，较少的迭代次数控制了算法的时间复杂度增长。
CN201711275034.1A 2017-12-06 2017-12-06 一种超声图像斑点噪声去除方法 Active CN108022220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711275034.1A CN108022220B (zh) 2017-12-06 2017-12-06 一种超声图像斑点噪声去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711275034.1A CN108022220B (zh) 2017-12-06 2017-12-06 一种超声图像斑点噪声去除方法

Publications (2)

Publication Number Publication Date
CN108022220A true CN108022220A (zh) 2018-05-11
CN108022220B CN108022220B (zh) 2021-04-20

Family

ID=62078607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711275034.1A Active CN108022220B (zh) 2017-12-06 2017-12-06 一种超声图像斑点噪声去除方法

Country Status (1)

Country Link
CN (1) CN108022220B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087266A (zh) * 2018-08-09 2018-12-25 苏州大学 一种结合双边滤波的图像散斑迭代减少方法
CN110390646A (zh) * 2019-06-12 2019-10-29 西南科技大学 一种细节保持图像去噪方法
CN114037616A (zh) * 2021-09-22 2022-02-11 南京莱斯电子设备有限公司 一种sar图像噪声抑制方法及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5594807A (en) * 1994-12-22 1997-01-14 Siemens Medical Systems, Inc. System and method for adaptive filtering of images based on similarity between histograms
CN101661611A (zh) * 2009-09-25 2010-03-03 西安电子科技大学 基于贝叶斯非局部均值滤波器的实现方法
US7744534B2 (en) * 2002-06-07 2010-06-29 Verathon Inc. 3D ultrasound-based instrument for non-invasive measurement of amniotic fluid volume
CN102609904A (zh) * 2012-01-11 2012-07-25 云南电力试验研究院（集团）有限公司电力研究院 双变量非局部平均滤波x射线图像消噪方法
CN103886563A (zh) * 2014-04-18 2014-06-25 中南民族大学 基于非局部平均和异质性测量的sar图像斑点噪声抑制方法
US20140193095A1 (en) * 2013-01-04 2014-07-10 Samsung Electronics Co., Ltd. Method and apparatus for image correction
CN103927715A (zh) * 2014-03-14 2014-07-16 中瑞科技（常州）有限公司 一种超声图像斑点噪声抑制方法
US8928813B2 (en) * 2010-10-28 2015-01-06 Microsoft Corporation Methods and apparatus for reducing structured noise in video
CN107220941A (zh) * 2016-12-15 2017-09-29 西南科技大学 一种去除图像冲击噪声的方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5594807A (en) * 1994-12-22 1997-01-14 Siemens Medical Systems, Inc. System and method for adaptive filtering of images based on similarity between histograms
US7744534B2 (en) * 2002-06-07 2010-06-29 Verathon Inc. 3D ultrasound-based instrument for non-invasive measurement of amniotic fluid volume
CN101661611A (zh) * 2009-09-25 2010-03-03 西安电子科技大学 基于贝叶斯非局部均值滤波器的实现方法
US8928813B2 (en) * 2010-10-28 2015-01-06 Microsoft Corporation Methods and apparatus for reducing structured noise in video
CN102609904A (zh) * 2012-01-11 2012-07-25 云南电力试验研究院（集团）有限公司电力研究院 双变量非局部平均滤波x射线图像消噪方法
US20140193095A1 (en) * 2013-01-04 2014-07-10 Samsung Electronics Co., Ltd. Method and apparatus for image correction
CN103927715A (zh) * 2014-03-14 2014-07-16 中瑞科技（常州）有限公司 一种超声图像斑点噪声抑制方法
CN103886563A (zh) * 2014-04-18 2014-06-25 中南民族大学 基于非局部平均和异质性测量的sar图像斑点噪声抑制方法
CN107220941A (zh) * 2016-12-15 2017-09-29 西南科技大学 一种去除图像冲击噪声的方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PIERRICK COUP´等: "BAYESIAN NON LOCAL MEANS-BASED SPECKLE FILTERING", 《IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING: FROM NANO TO MACRO》 *
YUMING FANG等: "Video Saliency Incorporating Spatiotemporal Cues and Uncertainty Weighting", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
韩寒等: "超声图像去噪方法", 《计算机工程与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087266A (zh) * 2018-08-09 2018-12-25 苏州大学 一种结合双边滤波的图像散斑迭代减少方法
CN110390646A (zh) * 2019-06-12 2019-10-29 西南科技大学 一种细节保持图像去噪方法
CN110390646B (zh) * 2019-06-12 2023-10-17 西南科技大学 一种细节保持图像去噪方法
CN114037616A (zh) * 2021-09-22 2022-02-11 南京莱斯电子设备有限公司 一种sar图像噪声抑制方法及设备
CN114037616B (zh) * 2021-09-22 2024-04-05 南京莱斯电子设备有限公司 一种sar图像噪声抑制方法及设备

Also Published As

Publication number Publication date
CN108022220B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
US7720268B2 (en) System and method for ultrasound specific segmentation using speckle distributions
KR101017611B1 (ko) 초음파 - ｃｔ 영상 정합을 위한 3차원 초음파 간 영상의 해부학적 특징을 추출하는 시스템 및 방법
JP3995854B2 (ja) 画像処理方法および装置並びに記録媒体
Coupe et al. Bayesian non local means-based speckle filtering
KR101070981B1 (ko) 경계선 성분 분류 기반 신경회로망 모델을 이용한 영상 화질 개선방법
JP5037705B2 (ja) 画像処理装置および方法並びにプログラム
CN105813572A (zh) 基于图像信息的图像复合
US8139891B2 (en) System and method for structure enhancement and noise reduction in medical images
CN108022220A (zh) 一种超声图像斑点噪声去除方法
JP2005169077A (ja) 第１データセットのデータポイントを第２データセットのデータポイントと関係付ける変換を見つける方法、およびその方法を実行するコンピュータプログラム
US11145032B2 (en) Image processing apparatus, method and storage medium for reducing color noise and false color
CN114240797A (zh) 一种oct图像去噪方法、装置、设备及介质
Prasath Quantum noise removal in X-ray images with adaptive total variation regularization
CN106127716A (zh) 基于数学形态的四阶偏微分方程图像去噪方法
CN104036472A (zh) 用于3d图像质量增强的方法和设备
CN113989338B (zh) 图像配准方法及装置、存储介质及计算机设备
KR20100097858A (ko) 예제 기반 신경회로망을 이용한 고해상도 영상 확대
Vijikala et al. Identification of most preferential denoising method for mammogram images
KR102119138B1 (ko) 카메라를 위한 베이지안 기반 영상 복원 방법
KR100778823B1 (ko) 초음파 영상 처리 시스템 및 방법
US20070242864A1 (en) System and Method For Feature Detection In Ultrasound Images
JP5537266B2 (ja) エネルギーサブトラクション処理装置および方法ならびにプログラム
Iftikhar et al. A novel extension to non-local means algorithm: application to brain MRI de-noising
KR101341576B1 (ko) 등고선 기반 관심영역 결정방법 및 장치
Azzabou et al. Spatio-temporal speckle reduction in ultrasound sequences

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant