基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法
【專利摘要】本發(fā)明公開了一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，包括以下步驟：1)利用噪聲成像系統(tǒng)采集噪聲圖像的包絡(luò)信號(hào)，建立醫(yī)學(xué)超聲圖像模型；2)對(duì)所述的步驟1)得到的對(duì)數(shù)變換后的醫(yī)學(xué)超聲圖像模型利用金字塔濾波器組進(jìn)行多尺度多方向分解，3)對(duì)所述的步驟2)得到的每一個(gè)子帶圖像中高頻部分的二維離散shearlet變換系數(shù)進(jìn)行閾值法自適應(yīng)收縮處理；4)利用三邊濾波器對(duì)步驟2)中低頻部分的shearlet系數(shù)做濾波處理；5)對(duì)經(jīng)步驟3)和步驟4)處理后全部系數(shù)作shearlet逆變換處理，得到去噪后的醫(yī)學(xué)超聲圖像。本發(fā)明能很好的抑制斑點(diǎn)噪聲，同時(shí)還能更好的幫助醫(yī)師進(jìn)行病情分析。
【專利說明】
基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法。屬于醫(yī)學(xué)超聲圖 像去噪領(lǐng)域，尤指一種適用于醫(yī)學(xué)超聲圖像的基于正態(tài)逆高斯模型的Shearlet變換醫(yī)學(xué)圖 像去噪方法。
【背景技術(shù)】
[0002] 隨著科技的發(fā)展，在醫(yī)學(xué)成像領(lǐng)域，超聲成像、CT、MRI等成像技術(shù)已應(yīng)用于醫(yī)學(xué)臨 床診斷中。由于超聲成像技術(shù)憑借高分辨率，操作簡單，即時(shí)性等優(yōu)點(diǎn)快速發(fā)展，具有無創(chuàng)、 無放射性損害、快捷方便等特性，已經(jīng)成為一種廣泛使用且高度安全的醫(yī)療診斷技術(shù)。尤其 對(duì)人體的身體器官檢查及腫瘤組織，超聲成像技術(shù)的使用更為重要。
[0003] 由于超聲成像機(jī)理的限制，斑點(diǎn)噪聲的存在嚴(yán)重影響了超聲圖像的質(zhì)量，導(dǎo)致了 超聲圖像質(zhì)量較差。斑點(diǎn)噪聲的產(chǎn)生是由于超聲成像中的基本分辨單元內(nèi)存在大量的隨機(jī) 散射現(xiàn)象，在圖像上表現(xiàn)為空間域內(nèi)相關(guān)的形狀各異的小斑點(diǎn)，它將掩蓋那些灰度差別很 小的圖像特征。對(duì)于臨床醫(yī)生而言，斑點(diǎn)噪聲對(duì)他們的準(zhǔn)確診斷造成了很大的干擾，特別是 對(duì)于經(jīng)驗(yàn)不是很豐富的醫(yī)生造成的影響更大。因此，從臨床應(yīng)用的角度出發(fā)，需要研究去除 斑點(diǎn)噪聲的算法，為醫(yī)生做出更準(zhǔn)確的診斷提供技術(shù)支持，降低人工診斷的風(fēng)險(xiǎn)。
[0004] 由于醫(yī)院資源的局限性，特別是醫(yī)生每天進(jìn)行人工診斷病人的數(shù)量無法滿足社會(huì) 整個(gè)階層的需求，即面臨著病人多醫(yī)生少的情況。因此，各種自動(dòng)診斷儀器的需求越來越 大，自動(dòng)診斷儀器的出現(xiàn)，一方面可以節(jié)約醫(yī)生資源，另一方面可以方便更多的病人進(jìn)行診 斷。隨著當(dāng)今社會(huì)經(jīng)濟(jì)的飛躍發(fā)展，人們自身健康情況卻不容樂觀，所以人們對(duì)家用型醫(yī) 療自動(dòng)診斷儀器的需求也非常大，例如家用超聲圖像自動(dòng)診斷儀等。但是超聲圖像自動(dòng)診 斷儀同樣面臨著圖像質(zhì)量不高的問題，并且自動(dòng)診斷儀需要對(duì)超聲圖像做后期的智能分 析，如特征提取、邊緣檢測和圖像分類識(shí)別等。因此，從自動(dòng)化診斷技術(shù)的角度出發(fā)，需要研 究去除斑點(diǎn)噪聲的方法，為圖像的后期智能處理提供技術(shù)保障，促進(jìn)自動(dòng)診斷技術(shù)的發(fā)展。
[0005] 綜上所述，研究醫(yī)學(xué)超聲圖像去噪方法具有非常重要的意義：
[0006] (1)提高醫(yī)學(xué)超聲圖像的質(zhì)量，改善視覺效果；
[0007] (2)方便醫(yī)生更加準(zhǔn)確地針對(duì)病灶區(qū)域做出判斷，降低輔助診斷的風(fēng)險(xiǎn)；
[0008] (3)促進(jìn)超聲圖像自動(dòng)化診斷技術(shù)的發(fā)展，具有不可估量的價(jià)值。
[0009]在數(shù)字圖像處理領(lǐng)域，濾波常用來修改或增強(qiáng)圖像，對(duì)圖像的某些特征，如輪廓、 邊緣、細(xì)節(jié)和對(duì)比度等進(jìn)行銳化，提高圖像的視覺質(zhì)量。由于抑制斑點(diǎn)噪聲具有非常重要的 意義，眾多科研工作者在此問題上投入了大量的精力。
[0010]近年來圖像稀疏表示在信號(hào)與圖像處理中得到了廣泛的應(yīng)用，為變換域的消噪提 供了思路。小波分析為信號(hào)和圖像的稀疏奠定了基礎(chǔ)，小波變換能夠最優(yōu)的逼近的零維奇 異特性，但其優(yōu)良性能難以推廣到二維圖像及更高的數(shù)據(jù)空間。
[0011]多尺度幾何分析理論克服了小波分析處理高維數(shù)據(jù)稀疏能力的不足。由于MCA方 法具有多分辨、多尺度、多方向性和時(shí)頻局部性，將其應(yīng)用于圖像消噪會(huì)產(chǎn)生很好的效果。

【發(fā)明內(nèi)容】

[0012]本發(fā)明目的在于提供了一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，本 發(fā)明一方面對(duì)基于廣義高斯分布的拉普拉斯模型進(jìn)行改進(jìn)，提出了新的正態(tài)逆高斯模型， 該模型解決了丟失過多高頻系數(shù)的問題，基于此模型進(jìn)行多尺度、多方向分解的shearlet 變換，同時(shí)在采用中也提出了一種新自適應(yīng)收縮算法，來提高去噪效果；另一方面，本發(fā)明 利用三邊濾波器對(duì)低頻部分進(jìn)行了過濾處理，解決了雙邊濾波器的梯度失真問題。同時(shí)針 對(duì)醫(yī)學(xué)超聲圖像的特點(diǎn)，這種結(jié)合的方法不僅能很好的抑制斑點(diǎn)噪聲，同時(shí)還能夠保留圖 像中病灶邊緣等的細(xì)節(jié)部分，能更好的幫助醫(yī)師進(jìn)行病情分析。
[0013]本發(fā)明為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是：
[0014] 一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，包括以下步驟：
[0015] 1)利用噪聲成像系統(tǒng)采集噪聲圖像的包絡(luò)信號(hào)，通過對(duì)數(shù)變換，建立醫(yī)學(xué)超聲圖 像模型；經(jīng)二維離散shear let變換后得到二維離散shear let系數(shù)，所述的二維離散 shearlet系數(shù)包括無噪聲圖像二維離散shearlet系數(shù)和斑點(diǎn)噪聲圖像二維離散shearlet 系數(shù)；
[0016] 2)對(duì)所述的步驟1)得到的對(duì)數(shù)變換后的醫(yī)學(xué)超聲圖像模型利用金字塔濾波器組 進(jìn)行多尺度多方向分解，得到k+Ι個(gè)與醫(yī)學(xué)超聲圖像模型大小相等的子帶圖像，所述的子帶 圖像包括一個(gè)低頻部分和K個(gè)高頻部分，利用步驟1)得到的二維離散shearlet系數(shù)推出高 頻部分的二維離散shearlet變換系數(shù)；
[0017] 3)對(duì)所述的步驟2)得到的每一個(gè)子帶圖像中高頻部分的二維離散shear let變換 系數(shù)進(jìn)行閾值法自適應(yīng)收縮處理；
[0018] 4)利用三邊濾波器對(duì)步驟2)中低頻部分的shearlet系數(shù)做濾波處理；
[0019] 5)對(duì)經(jīng)步驟3)和步驟4)處理后全部系數(shù)作shearlet逆變換處理，得到去噪后的醫(yī) 學(xué)超聲圖像。
[0020] 所述的步驟1)具體為:所述的超聲成像系統(tǒng)能夠?qū)δ切┯绊懧暡üβ实囊蛩刈龀?恰當(dāng)?shù)膭?dòng)態(tài)補(bǔ)償，其中所述的超聲成像系統(tǒng)采集的包絡(luò)信號(hào)包括有意義的體內(nèi)組織的反射 信號(hào)和噪聲信號(hào);其中所述的噪聲信號(hào)分為相乘噪聲與相加噪聲，所述的相乘噪聲與超聲 信號(hào)成像的原理有關(guān)，主要來源于隨機(jī)的散射信號(hào)，所述的相加噪聲是系統(tǒng)噪聲，主要來源 于傳感器的噪聲;所述的包絡(luò)信號(hào)的通用模型模型定義如式(1)所示：
[0021] s(x,y)=r(x,y)n(x,y) (1)
[0022] 其中所述的(x,y)分別代表圖像的橫縱坐標(biāo)，r(x,y)表示無噪聲信號(hào)，n(x,y)表示 相乘噪聲；
[0023] 然后對(duì)所述的超聲成像系統(tǒng)采集到的包絡(luò)信號(hào)進(jìn)行對(duì)數(shù)壓縮處理，以適應(yīng)超聲成 像系統(tǒng)顯示屏幕的動(dòng)態(tài)顯示范圍，即通過對(duì)所述的式(1)變?yōu)橄嗉拥哪Ｐ停缡?2)所示：
[0024] log(s(x,y)) = log(r(x,y))+log(n(x,y)) (2)
[0025] 此時(shí)，得到的信號(hào)log(s(X，y))即為醫(yī)學(xué)超聲圖像模型；
[0026] 由于小波變換是線性變換，shearlet變換是小波變換在高維的拓展，因通過對(duì)所 述的式(2)模型經(jīng)過二維離散shearlet變換后得到模型如式(3)所示：
[0027] S/k =R,[k +N/k Q,k)eZ2 (3)
[0028] 其中$匕、巧4.和分別表示含有噪聲圖像的shearlet系數(shù)、無噪聲圖像的 shear let系數(shù)和斑點(diǎn)噪聲的shear let系數(shù);其中上標(biāo)j為shear let變換的分解層數(shù)，下標(biāo) (l，k)為變換域內(nèi)的坐標(biāo)。
[0029] 所述的步驟2)具體為:首先對(duì)步驟1)得到的對(duì)數(shù)變換后的醫(yī)學(xué)超聲圖像模型利用 金字塔濾波器組進(jìn)行多尺度二維離散shearlet分解，圖像經(jīng)過k級(jí)采樣金字塔，得到k+Ι個(gè) 與醫(yī)學(xué)超聲圖像模型大小相等的子帶圖像;對(duì)得到的各尺度子帶圖像使用剪切濾波器組進(jìn) 行方向分解;經(jīng)過二維離散shearlet分解后的無噪信號(hào)的變換系數(shù)符合正態(tài)逆高斯模 型(NIG)，主要由一個(gè)逆高斯分布和一個(gè)具有不同均值的高斯分布，其概率分布如式(4)所 示：
(4)
[0031]式中，f (/-)=~'α2 一，+ 典卜")? q(r) = ^2+(r2-·)是索引為 1 的第 二類修正的貝塞爾函數(shù);參數(shù)!'，<1，04,5分別為無噪聲圖像二維離散811631'161：變換系數(shù)、特 征因子、偏斜因子、平移因子以及尺度因子，當(dāng)偏斜因子為零時(shí)，分布為對(duì)稱分布;對(duì)于分解 后圖像系數(shù)一般為對(duì)稱分布，假定NIG中參數(shù)β，μ為零，則對(duì)于NIG的概率密度函數(shù)簡化為如 式(5)所示：
(5)
[0033]同時(shí)所述的斑點(diǎn)噪聲的shearlet系數(shù)乂）服從零均值高斯分布，如式(6)所示：
(6)
[0035 ]式中ση為變換域內(nèi)噪聲的標(biāo)準(zhǔn)差，參數(shù)η為斑點(diǎn)噪聲圖像。
[0036]所述的步驟3)具體為:在shearlet變換去噪中，閾值函數(shù)的選擇會(huì)直接影響到最 終的圖像去噪結(jié)果。當(dāng)閾值選擇較小時(shí)，一部分大于該閾值的噪聲系數(shù)會(huì)被當(dāng)作有用信號(hào) 保留下來，這就導(dǎo)致去噪后的圖像依然存在大量噪聲；當(dāng)閾值選擇較大時(shí)，會(huì)將很多系數(shù)很 小的有用信息當(dāng)作噪聲而置零，這將使得去噪后的圖像變得很平滑，損失很多細(xì)節(jié)信息。因 此選擇恰當(dāng)?shù)拈撝岛瘮?shù)非常重要。
[0037]經(jīng)典的收縮方法有軟閾值法和硬閾值法，但是在軟閾值法中，較大的shear 1 et系 數(shù)總是被閾值縮減，因此收縮后的信號(hào)的數(shù)學(xué)期望與收縮之前不同，所以處理后的圖像相 對(duì)平滑一些。硬閾值法的缺點(diǎn)是在零值域附近的shearlet系數(shù)被突然置零，導(dǎo)致了數(shù)據(jù)的 不連續(xù)性，并且這使得信號(hào)的方差更大了，這些變換對(duì)于圖像中的細(xì)節(jié)影響較大。但是在實(shí) 際應(yīng)用中，特別是噪聲水平很高時(shí)，硬閾值法處理后的圖像在不連續(xù)點(diǎn)周圍會(huì)產(chǎn)生震蕩，影 響圖像的去噪效果。
[0038] Donoho等人提出了一種典型的閾值選取方法，并且從理論上證明了該閾值與噪聲 的標(biāo)準(zhǔn)差成正比，改閾值函數(shù)又稱為統(tǒng)一閾值函數(shù)，其公式如下
(7)
[0040]其中，Μ即是對(duì)應(yīng)變換域內(nèi)變換系數(shù)的總體個(gè)數(shù)，〇"是噪聲的標(biāo)準(zhǔn)差。在這種閾值 函數(shù)中，閾值T受變換系數(shù)的個(gè)數(shù)影響較大，即當(dāng)Μ過大時(shí)，較大的閾值可能會(huì)平滑掉那些系 數(shù)較小的有用信息。
[0041] 在式(7)的基礎(chǔ)之上，本發(fā)明提出了一種
[0042] 首先采用超聲圖像的閾值函數(shù)，其公式如式(8)所示：
[0043] = ? y 2 log Μ ( 8 )
[0044] 其中，〇η是噪聲的標(biāo)準(zhǔn)差，k代表j層的自適應(yīng)參數(shù)，Μ即是對(duì)應(yīng)變換域內(nèi)變換系數(shù) 的總體個(gè)數(shù)，ση是噪聲的標(biāo)準(zhǔn)差;這是種常見的閾值改進(jìn)的方法，的選取是根據(jù)實(shí)驗(yàn)決定 的，在shearlet分解后，在不同層分解的變換系數(shù)具有不同的分布，由此k的選擇基于j層 的選擇，但這種選擇不是最佳的，如果適當(dāng)?shù)倪x擇，所提出的方法將反射更多的優(yōu)越性。
[0045] 在shearlet變換去噪方法中，首先選定一個(gè)給定閾值，然后按照一定的規(guī)則對(duì) shearlet系數(shù)進(jìn)行收縮，便完成了對(duì)shearlet系數(shù)的去噪。即給定一個(gè)閾值，所有絕對(duì)值小 于這個(gè)閾值的系數(shù)被當(dāng)作噪聲，然后對(duì)其作置零處理;對(duì)絕對(duì)值大于閾值的shearlet系數(shù) 用一定的方法進(jìn)行縮減，然后得到縮減后的新值。
[0046] 由于經(jīng)典的閾值收縮方法不能滿足對(duì)醫(yī)學(xué)超聲圖像去噪的要求，所以本發(fā)明對(duì)收 縮方法做了改進(jìn)。
[0047] 為了得到變換域內(nèi)的信號(hào)估計(jì)值，使用貝葉斯最大后驗(yàn)估計(jì)的方法來估計(jì)無噪聲 圖像二維離散shearlet變換系數(shù)r可得如式(9)所示： Λ
[0048] r(.?) = arg max prJr \ s) (' 9)
[0049] 經(jīng)過一系列計(jì)算之后，這個(gè)式子可以寫成如式（10)所示：
[0050] r{s) ^ arg. (.v | r)pr{r)] = argmax[/;"(.v-r)/Λ.(r)] (10) r- J r
[0051] 在后驗(yàn)概率的計(jì)算過程中，使用貝葉斯最大后驗(yàn)估計(jì)的方法來估計(jì)無噪聲圖像二 維離散shearlet變換系數(shù)沒4.，如式（11)所示：
(11)
[0053] 將式(5)、式(6)帶入(11)式，為了得到最大后驗(yàn)概率，將ln(pr|s(r |s))-階導(dǎo)數(shù)的 方程置零，最后得到如式(12)所示：
[0054] r(,v) = sgn(.v) max(| v |-ΒσΙ .〇) (12)
[0055] 為r的估計(jì)，
.，Kd( ·)是索引為d的第二 類修正的貝塞爾函數(shù)，這樣就得到新的收縮方法的收縮函數(shù)如式(13)所示：
[0057]得到的收縮函數(shù)在曲線圖像上表現(xiàn)的更加平滑，尤其當(dāng)shearlet系數(shù)大于 shear let閾值的區(qū)間范圍內(nèi)。
[0058]所述的步驟4)具體為:經(jīng)過多次實(shí)驗(yàn)，發(fā)現(xiàn)低頻域內(nèi)的小波系數(shù)依然具有很多斑 點(diǎn)噪聲，傳統(tǒng)的雙邊濾波器的優(yōu)點(diǎn)是邊緣保留，但通常會(huì)導(dǎo)致梯度失真，更重要是無法解決 脈沖噪聲。為了更有效地濾除低頻域內(nèi)的斑點(diǎn)噪聲，本發(fā)明選擇三邊濾波器對(duì)低頻域內(nèi)的 shearlet系數(shù)作濾波處理。我們提出了一個(gè)新的想法，原始的雙邊濾波器的高斯距離權(quán)重 和灰度權(quán)重基礎(chǔ)上，增加了 "脈沖"權(quán)重，也稱為質(zhì)量權(quán)重。此外，由于脈沖量在一定程度上 表示了圖像的梯度信息，三邊濾波器解決了梯度失真的問題。
[0059]三邊濾波器由傳統(tǒng)的雙邊濾波器結(jié)構(gòu)發(fā)展而來，結(jié)構(gòu)如式14所示：
[0061] 其中加權(quán)函數(shù)如式15所示：
[0062] w(x,C) =ws(x,C)wr(x,C) (15)
[0063] ws(x, ξ)表示區(qū)域?yàn)V波器，wr(x, ξ)表示值域?yàn)V波器。Ω x(N): = {x+ (i , j): -N彡i , j <N}表示一種連接關(guān)系。在實(shí)際效果中，我們選擇Ω = Ωχ(1);ξ表示中心像素點(diǎn)；
[0064] 為實(shí)現(xiàn)三邊濾波器，利用用加權(quán)函數(shù)計(jì)算出出圖像中的噪聲點(diǎn)。
[0065]首先引用函數(shù)fm(x)來估計(jì)像素 X是邊緣點(diǎn)還是噪聲點(diǎn)，(Κχ，ξ)表示X和ξ之間的像 素差的絕對(duì)值，如式(16)所示：
[0066] ?(χ,ξ)=|f(x)-f(ξ) (16)
[0067] fm(x)設(shè)置為如式（17)所示：
[0068] (17)
[0069] gi(x)為除(1(χ，ξ)外第ith個(gè)最小值。
[0070] 其想法為：如果一個(gè)像素點(diǎn)是為圖像中邊緣點(diǎn)，則其鄰域中至少有一半左右的點(diǎn) 和其灰度值差不多，從而有比較小的fm(x);否則，若其為被脈沖噪聲污染的點(diǎn)，則其他點(diǎn)和 這點(diǎn)灰度值差別較大，故有比較大的匕(4函數(shù)值。所以在增加脈沖量后，雙邊濾波器的加 權(quán)函數(shù)如式(18)所示：
[0071] w' (χ,ξ) = ws(x,C)wr(x,C)1_h(x,^wi(C)h(x,^ (18)
[0072] ws(x，|)表示區(qū)域?yàn)V波器，WR(x，|)表示值域?yàn)V波器；
表示脈沖權(quán)重函數(shù)，根據(jù)
可 知，當(dāng)X為邊緣點(diǎn)，Η(χ，ξ)~0,當(dāng)X為噪聲點(diǎn)，!^，1)~1。參數(shù)〇1決定補(bǔ)償匕(1)高值的近似閾 值，參數(shù)〇h控制函數(shù)Η (X，ξ)的形狀。
[0074]綜上所述，經(jīng)三邊濾波器去噪后的圖像h(x)被表示如式（19)所示：
[0076] Σ υ·' 表示增加脈沖權(quán)重函數(shù)后的加權(quán)函數(shù)，?·(ζ)表示中心像數(shù)值。 作?
[0077]所述的步驟5)具體為:經(jīng)過閾值收縮處理和三邊濾波器處理就可以得到去噪后的 shearlet系數(shù)，為了得到去噪后的超聲圖像，需要對(duì)shearlet系數(shù)進(jìn)行shearlet逆變換，從 而可以得到利于醫(yī)師分析的去噪后的圖像，通過實(shí)驗(yàn)也驗(yàn)證了本發(fā)明確實(shí)可以滿足對(duì)于醫(yī) 學(xué)超聲圖像去噪的要求。
[0078]本發(fā)明的有益效果是:本發(fā)明的shearlet變換具有多分辨率、方向性、局部性、各 向異性，是圖像最稀疏的表示，并已在圖像處理領(lǐng)域得到了廣泛的應(yīng)用。針對(duì)拉普拉斯模型 是廣義高斯分布的特例，運(yùn)用該模型會(huì)丟失過多的高頻系數(shù)，影響去噪效果，所以本發(fā)明提 出了正態(tài)逆高斯模型，能夠描述任意形狀的曲線，可以對(duì)不同程度拖尾的分解系數(shù)準(zhǔn)確建 模，適合作為圖像分解系數(shù)的先驗(yàn)?zāi)Ｐ?。雖然快速雙邊濾波器在去噪的過程中也能很好保 持邊緣信息，但存在"梯度失真"現(xiàn)象，難以用于實(shí)時(shí)系統(tǒng)。隨著圖像的分辨率越來越大，這 在很大的程度上限制了快速雙邊濾波的應(yīng)用空間。三邊濾波器替換掉雙邊濾波器，極大提 高去噪性能。對(duì)于三邊濾波器，一方面可以去除低頻部分的脈沖噪聲和斑點(diǎn)噪聲，另一方面 保持圖像邊緣細(xì)節(jié)，并且可以解決梯度失真的問題。具體思路如下:根據(jù)shearlet變換的原 理以及超聲圖像及斑點(diǎn)噪聲的統(tǒng)計(jì)特性，基于正態(tài)逆高斯模型，進(jìn)行多尺度和多方向分解， 產(chǎn)生高頻子帶和低頻子帶，把高頻子帶通過改進(jìn)的閾值法，求出shearlet系數(shù)，通過提出的 三邊濾波器去除低頻噪聲，最后把求出的全部系數(shù)進(jìn)行shearlet逆變換。本發(fā)明一方面對(duì) 基于廣義高斯分布的拉普拉斯模型進(jìn)行改進(jìn)，提出了新的正態(tài)逆高斯模型，該模型解決了 丟失過多高頻系數(shù)的問題，基于此模型進(jìn)行多尺度、多方向分解的shear 1 e t變換，同時(shí)在采 用中也提出了一種新自適應(yīng)收縮算法，來提高去噪效果;另一方面，本發(fā)明利用三邊濾波器 對(duì)低頻部分進(jìn)行了過濾處理，解決了雙邊濾波器的梯度失真問題。同時(shí)針對(duì)醫(yī)學(xué)超聲圖像 的特點(diǎn)，這種結(jié)合的方法不僅能很好的抑制斑點(diǎn)噪聲，同時(shí)還能夠保留圖像中病灶邊緣等 的細(xì)節(jié)部分，能更好的幫助醫(yī)師進(jìn)行病情分析。
【附圖說明】
[0079]圖1為本發(fā)明的步驟流程圖；
[0080] 圖2為實(shí)施例1中的實(shí)驗(yàn)示意圖；
[0081] 圖3為實(shí)施例1中的實(shí)驗(yàn)仿真無噪圖像；
[0082] 圖4為實(shí)施例1中的實(shí)驗(yàn)仿真噪聲圖像；
[0083] 圖5為實(shí)施例1中仿真圖像的去噪效果的脊波變換圖；
[0084] 圖6為實(shí)施例1中仿真圖像的去噪效果的曲波變換圖；
[0085] 圖7為實(shí)施例1中仿真圖像的去噪效果的輪廓波變換圖；
[0086] 圖8實(shí)施例1中仿真圖像的去噪效果的小波變換與雙邊圖；
[0087]圖9實(shí)施例1中仿真圖像的去噪效果的shear let變換和雙邊圖；
[0088]圖10為實(shí)施例1中仿真圖像的去噪效果的shearlet變換與三邊圖；
[0089] 圖11為實(shí)施例1中肝臟臨床超聲圖像；
[0090] 圖12為實(shí)施例1中肝臟臨床超聲圖像的去燥效果的脊波變換圖；
[0091]圖13為實(shí)施例1中肝臟臨床超聲圖像的去燥效果的曲波變換圖；
[0092] 圖14為實(shí)施例1中肝臟臨床超聲圖像的去燥效果的輪廓波變換圖；
[0093] 圖15為實(shí)施例1中肝臟臨床超聲圖像的去燥效果的小波變換與雙邊圖；
[0094]圖16為實(shí)施例1中肝臟臨床超聲圖像的去燥效果的shearlet變換和雙邊圖；
[0095]圖17為實(shí)施例1中肝臟臨床超聲圖像的去燥效果的shearlet變換與三邊圖；
[0096] 表1為實(shí)施例1中六大算法的去噪性能比較表。
【具體實(shí)施方式】
[0097] 實(shí)施例1
[0098]如圖1所示，本實(shí)施例的一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，如 圖1所示，包括以下步驟：
[0099] 1)利用噪聲成像系統(tǒng)采集噪聲圖像的包絡(luò)信號(hào)，通過對(duì)數(shù)變換，建立醫(yī)學(xué)超聲圖 像模型；經(jīng)二維離散shear let變換后得到二維離散shear let系數(shù)，所述的二維離散 shearlet系數(shù)包括無噪聲圖像二維離散shearlet系數(shù)和斑點(diǎn)噪聲圖像二維離散shearlet 系數(shù)；
[0100] 2)對(duì)所述的步驟1)得到的對(duì)數(shù)變換后的醫(yī)學(xué)超聲圖像模型利用金字塔濾波器組 進(jìn)行多尺度多方向分解，得到k+Ι個(gè)與醫(yī)學(xué)超聲圖像模型大小相等的子帶圖像，所述的子帶 圖像包括一個(gè)低頻部分和K個(gè)高頻部分，利用步驟1)得到的二維離散shearlet系數(shù)推出高 頻部分的二維離散shearlet變換系數(shù)；
[0101 ] 3)對(duì)所述的步驟2)得到的每一個(gè)子帶圖像中高頻部分的二維離散shearlet變換 系數(shù)進(jìn)行閾值法自適應(yīng)收縮處理；
[0102] 4)利用三邊濾波器對(duì)步驟2)中低頻部分的shearlet系數(shù)做濾波處理；
[0103] 5)對(duì)經(jīng)步驟3)和步驟4)處理后全部系數(shù)作shearlet逆變換處理，得到去噪后的醫(yī) 學(xué)超聲圖像。
[0104] 所述的步驟1)具體為:所述的超聲成像系統(tǒng)能夠?qū)δ切┯绊懧暡üβ实囊蛩刈龀?恰當(dāng)?shù)膭?dòng)態(tài)補(bǔ)償，其中所述的超聲成像系統(tǒng)采集的包絡(luò)信號(hào)包括有意義的體內(nèi)組織的反射 信號(hào)和噪聲信號(hào);其中所述的噪聲信號(hào)分為相乘噪聲與相加噪聲，所述的相乘噪聲與超聲 信號(hào)成像的原理有關(guān)，主要來源于隨機(jī)的散射信號(hào)，所述的相加噪聲是系統(tǒng)噪聲，主要來源 于傳感器的噪聲;所述的包絡(luò)信號(hào)的通用模型模型定義如式(1)所示：
[0105] s(x,y)=r(x,y)n(x,y) (1)
[0106] 其中所述的(x,y)分別代表圖像的橫縱坐標(biāo)，r(x,y)表示無噪聲信號(hào)，n(x,y)表示 相乘噪聲；
[0107] 然后對(duì)所述的超聲成像系統(tǒng)采集到的包絡(luò)信號(hào)進(jìn)行對(duì)數(shù)壓縮處理，以適應(yīng)超聲成 像系統(tǒng)顯示屏幕的動(dòng)態(tài)顯示范圍，即通過對(duì)所述的式(1)變?yōu)橄嗉拥哪Ｐ停缡?2)所示：
[0108] log(s(x,y)) = log(r(x,y))+log(n(x,y)) (2)
[0109] 此時(shí)，得到的信號(hào)log(s(X，y))即為醫(yī)學(xué)超聲圖像模型；
[0110] 由于小波變換是線性變換，shearlet變換是小波變換在高維的拓展，因通過對(duì)所 述的式(2)模型經(jīng)過二維離散shearlet變換后得到模型如式(3)所示：
[0111] S/J;=Rlt+Nlk (l,BeZ 2 (3)
[0112] 其中&丨、穴匕和^匕分別表示含有噪聲圖像的shearlet系數(shù)、無噪聲圖像的 shear let系數(shù)和斑點(diǎn)噪聲的shear let系數(shù);其中上標(biāo)j為shear let變換的分解層數(shù)，下標(biāo) (l，k)為變換域內(nèi)的坐標(biāo)。
[0113]所述的步驟2)具體為:首先對(duì)步驟1)得到的對(duì)數(shù)變換后的醫(yī)學(xué)超聲圖像模型利用 金字塔濾波器組進(jìn)行多尺度二維離散shearlet分解，圖像經(jīng)過k級(jí)采樣金字塔，得到k+Ι個(gè) 與醫(yī)學(xué)超聲圖像模型大小相等的子帶圖像;對(duì)得到的各尺度子帶圖像使用剪切濾波器組進(jìn) 行方向分解;經(jīng)過二維離散shearlet分解后的無噪信號(hào)的變換系數(shù)i?/,符合正態(tài)逆高斯模 型(NIG)，主要由一個(gè)逆高斯分布和一個(gè)具有不同均值的高斯分布，其概率分布如式(4)所 示：
(4)
[0115]式中，f(,")二 Λ'·^/α2q(/·) = + (r，Κι( ·)是索引為1 的第 二類修正的貝塞爾函數(shù);參數(shù)!'，<1，04,5分別為無噪聲圖像二維離散811631'161：變換系數(shù)、特 征因子、偏斜因子、平移因子以及尺度因子，當(dāng)偏斜因子為零時(shí)，分布為對(duì)稱分布;對(duì)于分解 后圖像系數(shù)一般為對(duì)稱分布，假定NIG中參數(shù)β，μ為零，則對(duì)于NIG的概率密度函數(shù)簡化為如 式(5)所示：
(5)
[0117]同時(shí)所述的斑點(diǎn)噪聲的shearlet系數(shù)< 服從零均值高斯分布，如式(6)所示：
(6)
[0119]式中ση為變換域內(nèi)噪聲的標(biāo)準(zhǔn)差，參數(shù)η為斑點(diǎn)噪聲圖像。
[0120]所述的步驟3)具體為:在shearlet變換去噪中，閾值函數(shù)的選擇會(huì)直接影響到最 終的圖像去噪結(jié)果。當(dāng)閾值選擇較小時(shí)，一部分大于該閾值的噪聲系數(shù)會(huì)被當(dāng)作有用信號(hào) 保留下來，這就導(dǎo)致去噪后的圖像依然存在大量噪聲；當(dāng)閾值選擇較大時(shí)，會(huì)將很多系數(shù)很 小的有用信息當(dāng)作噪聲而置零，這將使得去噪后的圖像變得很平滑，損失很多細(xì)節(jié)信息。因 此選擇恰當(dāng)?shù)拈撝岛瘮?shù)非常重要。
[0121] 經(jīng)典的收縮方法有軟閾值法和硬閾值法，但是在軟閾值法中，較大的shear 1 et系 數(shù)總是被閾值縮減，因此收縮后的信號(hào)的數(shù)學(xué)期望與收縮之前不同，所以處理后的圖像相 對(duì)平滑一些。硬閾值法的缺點(diǎn)是在零值域附近的shearlet系數(shù)被突然置零，導(dǎo)致了數(shù)據(jù)的 不連續(xù)性，并且這使得信號(hào)的方差更大了，這些變換對(duì)于圖像中的細(xì)節(jié)影響較大。但是在實(shí) 際應(yīng)用中，特別是噪聲水平很高時(shí)，硬閾值法處理后的圖像在不連續(xù)點(diǎn)周圍會(huì)產(chǎn)生震蕩，影 響圖像的去噪效果。
[0122] Donoho等人提出了一種典型的閾值選取方法，并且從理論上證明了該閾值與噪聲 的標(biāo)準(zhǔn)差成正比，改閾值函數(shù)又稱為統(tǒng)一閾值函數(shù)，其公式如下
[0123] r = a"V2k)gM" (7)：
[0124] 其中，Μ即是對(duì)應(yīng)變換域內(nèi)變換系數(shù)的總體個(gè)數(shù)，〇"是噪聲的標(biāo)準(zhǔn)差。在這種閾值 函數(shù)中，閾值Τ受變換系數(shù)的個(gè)數(shù)影響較大，即當(dāng)Μ過大時(shí)，較大的閾值可能會(huì)平滑掉那些系 數(shù)較小的有用信息。
[0125] 在式(7)的基礎(chǔ)之上，本實(shí)施例提出了一種
[0126] 首先采用超聲圖像的閾值函數(shù)，其公式如式(8)所示：
[0127] Τ：=1：ση log Μ (8)
[0128] 其中，〇n是噪聲的標(biāo)準(zhǔn)差，k代表j層的自適應(yīng)參數(shù)，Μ即是對(duì)應(yīng)變換域內(nèi)變換系數(shù) 的總體個(gè)數(shù)，ση是噪聲的標(biāo)準(zhǔn)差;這是種常見的閾值改進(jìn)的方法，的選取是根據(jù)實(shí)驗(yàn)決定 的，在shearlet分解后，在不同層分解的變換系數(shù)具有不同的分布，由此k的選擇基于j層 的選擇，但這種選擇不是最佳的，如果適當(dāng)?shù)倪x擇，所提出的方法將反射更多的優(yōu)越性。
[0129] 在shearlet變換去噪方法中，首先選定一個(gè)給定閾值，然后按照一定的規(guī)則對(duì) shearlet系數(shù)進(jìn)行收縮，便完成了對(duì)shearlet系數(shù)的去噪。即給定一個(gè)閾值，所有絕對(duì)值小 于這個(gè)閾值的系數(shù)被當(dāng)作噪聲，然后對(duì)其作置零處理;對(duì)絕對(duì)值大于閾值的shear let系數(shù) 用一定的方法進(jìn)行縮減，然后得到縮減后的新值。
[0130] 由于經(jīng)典的閾值收縮方法不能滿足對(duì)醫(yī)學(xué)超聲圖像去噪的要求，所以本發(fā)明對(duì)收 縮方法做了改進(jìn)。
[0131] 為了得到變換域內(nèi)的信號(hào)估計(jì)值，使用貝葉斯最大后驗(yàn)估計(jì)的方法來估計(jì)無噪聲 圖像二維離散shearlet變換系數(shù)r可得如式(9)所示： Λ
[0132] r(.y) = arg maxp^{r \ s) (9) r
[0133] 經(jīng)過一系列計(jì)算之后，這個(gè)式子可以寫成如式（10)所示： Λ
[0134] r(s) = argmax[/;, ..(s | r)p,.(r)] = argmax[/;"(.s' -γ)/λ.(γ)] (10) r p r
[0135] 在后驗(yàn)概率的計(jì)算過程中，使用貝葉斯最大后驗(yàn)估計(jì)的方法來估計(jì)無噪聲圖像二 維離散shearlet變換系數(shù)祝,，如式（11)所示：
Π 1 )
[0137] 將式(5)、式(6)帶入(11)式，為了得到最大后驗(yàn)概率，將ln(pr|s(r |s))-階導(dǎo)數(shù)的 方程置零，最后得到如式(12)所示：
[0138] r(.v) = sgn(.s) max(| v | ~Βσ~ ,0) (12:)
[0139] 的估計(jì)：
.Kd( ·)是索引為d的第二 類修正的貝塞爾函數(shù)，這樣就得到新的收縮方法的收縮函數(shù)如式(13)所示： Λ | 〇 s < Tj
[0140] f - j ^ sun(.v)max(J S > T (丄》 J
[0141] 得到的收縮函數(shù)在曲線圖像上表現(xiàn)的更加平滑，尤其當(dāng)shearlet系數(shù)大于 shear let閾值的區(qū)間范圍內(nèi)。
[0142] 所述的步驟4)具體為:經(jīng)過多次實(shí)驗(yàn)，發(fā)現(xiàn)低頻域內(nèi)的小波系數(shù)依然具有很多斑 點(diǎn)噪聲，傳統(tǒng)的雙邊濾波器的優(yōu)點(diǎn)是邊緣保留，但通常會(huì)導(dǎo)致梯度失真，更重要是無法解決 脈沖噪聲。為了更有效地濾除低頻域內(nèi)的斑點(diǎn)噪聲，本發(fā)明選擇三邊濾波器對(duì)低頻域內(nèi)的 shearlet系數(shù)作濾波處理。我們提出了一個(gè)新的想法，原始的雙邊濾波器的高斯距離權(quán)重 和灰度權(quán)重基礎(chǔ)上，增加了 "脈沖"權(quán)重，也稱為質(zhì)量權(quán)重。此外，由于脈沖量在一定程度上 表示了圖像的梯度信息，三邊濾波器解決了梯度失真的問題。
[0143]三邊濾波器由傳統(tǒng)的雙邊濾波器結(jié)構(gòu)發(fā)展而來，結(jié)構(gòu)如式14所示：
il"
[0145] 其中加權(quán)函數(shù)如式15所示：
[0146] w(x,C) =ws(x,C)wr(x,C) (15)
[0147] ws(x, ξ)表示區(qū)域?yàn)V波器，wr(x, ξ)表示值域?yàn)V波器。Ω x(N): = {x+ (i , j): -N彡i , j 彡N}表示一種連接關(guān)系。在實(shí)際效果中，我們選擇Ω = ΩΧ(1)，ζ表示中心像素點(diǎn)；
[0148] 為實(shí)現(xiàn)三邊濾波器，利用用加權(quán)函數(shù)計(jì)算出出圖像中的噪聲點(diǎn)。
[0149] 首先引用函數(shù)fm(x)來估計(jì)像素 X是邊緣點(diǎn)還是噪聲點(diǎn)，(1(Χ，ξ)表示X和ξ之間的像 素差的絕對(duì)值，如式(16)所示：
[0150] d(X，|)=|f(x)-m)| (16)
[0151] fm(x)設(shè)置為如式(17)所示： m
[0152] /；"(-'·) =Χ^(-ν) (17) i=\
[0153] gi(x)為除d(x，C)外第ith個(gè)最小值。
[0154] 其想法為：如果一個(gè)像素點(diǎn)是為圖像中邊緣點(diǎn)，則其鄰域中至少有一半左右的點(diǎn) 和其灰度值差不多，從而有比較小的fm(X);否則，若其為被脈沖噪聲污染的點(diǎn)，則其他點(diǎn)和 這點(diǎn)灰度值差別較大，故有比較大的匕(4函數(shù)值。所以在增加脈沖量后，雙邊濾波器的加 權(quán)函數(shù)如式(18)所示：
[0155] w' (χ,ξ) = ws(x,C)wr(x,C)1_h(x,^wi(C)h(x,^ (18)
[0156] Ws(x，|)表示區(qū)域?yàn)V波器，WR(x，|)表示值域?yàn)V波器；
表示脈沖權(quán)重函數(shù)，根據(jù)。
可知，當(dāng)X為邊緣點(diǎn)，Η(χ，ξ)~0,當(dāng)X為噪聲點(diǎn)，!^，1)~1。參數(shù)〇1決定補(bǔ)償以1)高值的近似 閾值，參數(shù)〇h控制函數(shù)Η (X，ξ)的形狀。
[0158] 綜上所述，經(jīng)三邊濾波器去噪后的圖像h(x)被表示如式（19)所示： (19〉
[0160] Σ 表示增加脈沖權(quán)重函數(shù)后的加權(quán)函數(shù)，f (ζ)表示中心像數(shù)值。
[0161] 所述步驟5)具體為：經(jīng)過閾值收縮處理和三邊濾波器處理就可以得到去噪后的 shearlet系數(shù)，為了得到去噪后的超聲圖像，需要對(duì)shearlet系數(shù)進(jìn)行shearlet逆變換， 從而可以得到利于醫(yī)師分析的去噪后的圖像，通過實(shí)驗(yàn)也驗(yàn)證了本發(fā)明確實(shí)可以滿足對(duì)于 醫(yī)學(xué)超聲圖像去噪的要求。
[0162] 實(shí)驗(yàn)驗(yàn)證
[0163] 為了客觀地評(píng)價(jià)本發(fā)明提出的去噪方法，以峰值信噪比（PSNR)、結(jié)構(gòu)相似度 (SSIM)、FoM(Pratt's Figure of Merit)和運(yùn)行時(shí)間Time作為圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)。峰值信 噪比的計(jì)算公式如式(20)所示：
(20)
[0165] 式中，1為信號(hào)X的估計(jì)值，MSE由下面公式計(jì)算得到如式（21 )所示：
(21)
[0166] 這里的M，N分別表示二維信號(hào)X的長度與寬度。
[0167] 結(jié)構(gòu)相似度能夠量化兩幅圖像在結(jié)構(gòu)上的差異，公式定義如式(22)所示：
(22)
[0169] 式中，μχ、~、4和Cj|.分別是參考圖像和估計(jì)圖像的均值和方差。是X和貪 的協(xié)方差，01和〇2為常量。當(dāng)cdPC2都選擇為正數(shù)時(shí)，SSM的取值范圍為[01]，其中1為最好 結(jié)果，表示兩幅圖的結(jié)構(gòu)相同。
[0170] FoM能夠客觀地比較去噪圖像的邊緣檢測質(zhì)量，公式定義如式(23)所示：
(23)
[0172]式中，Νχ和&分別表示理想的和實(shí)際檢測到的邊緣像素個(gè)數(shù)。α為常數(shù)(通常取α = 1/9)，di表示為第i邊緣像素點(diǎn)到最近理想邊緣像素點(diǎn)的距離。FoM的取值范圍為[0 1]， 其中1為最好結(jié)果，表示為檢測到的圖像邊緣和理想的圖像邊緣一致。這里檢測邊緣像素時(shí) 使用的是Canny檢測算法(高斯濾波器的標(biāo)準(zhǔn)差取值 〇 = 3)。
[0173]本實(shí)施例中，為了讓本發(fā)明更有說服力并且更好展現(xiàn)其優(yōu)勢，不僅將實(shí)驗(yàn)分成兩 個(gè)部分，一個(gè)是斑點(diǎn)噪聲仿真實(shí)驗(yàn)，另一個(gè)是真實(shí)的臨床醫(yī)學(xué)超聲圖像(肝圖像）；而且還做 了與其他5種經(jīng)典方法的對(duì)比實(shí)驗(yàn)，并結(jié)合上述四種量化指標(biāo)來清晰地評(píng)價(jià)出本發(fā)明的優(yōu) 勢，實(shí)驗(yàn)示意圖如圖2所示；
[0174]為了能更定量且直觀地驗(yàn)證本實(shí)施例的優(yōu)越性，先用仿真圖（如圖3為仿真無噪圖 像，大小400X400;圖4為仿真噪聲圖像，斑點(diǎn)噪聲方差〇2 = 0.1所示）實(shí)驗(yàn)，對(duì)經(jīng)典算法對(duì) 比，分別為ridgelet (脊波變換）、curvelet (曲波變換）、contourlet (輪廓波變換）、小波變 換與雙邊、shearlet變換和雙邊、shearlet變換與三邊。實(shí)驗(yàn)結(jié)果見如圖5-10所示，六大算 法的去噪性能比較，即對(duì)比指標(biāo)量值見如表1所示。由表1可以看出，本發(fā)明在FOM、PSNR、 SS頂中獲得最佳的數(shù)據(jù)，在運(yùn)行時(shí)間上有待改善。
[0175] 再利用臨床超聲圖像進(jìn)行試驗(yàn)驗(yàn)證，選擇的是如圖11的肝臟臨床超聲圖像。實(shí)驗(yàn) 結(jié)果如圖12_17所不。
[0176] 由以上定量數(shù)據(jù)可直觀看出，本發(fā)明方法在實(shí)際應(yīng)用于醫(yī)學(xué)超聲圖像的過程和結(jié) 果與應(yīng)用與仿真圖像時(shí)如出一轍，不僅去噪效果得到了顯著提高，而且更好地保留圖像邊 緣信息，并無梯度失真，從而達(dá)到醫(yī)學(xué)超聲圖像對(duì)于去噪的要求。
[0177] 表1
【主權(quán)項(xiàng)】
1. 一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，其特征在于，包括W下步驟： 1) 利用噪聲成像系統(tǒng)采集噪聲圖像的包絡(luò)信號(hào)，通過對(duì)數(shù)變換，建立醫(yī)學(xué)超聲圖像模 型;經(jīng)二維離散shearlet變換后得到二維離散shearlet系數(shù)，所述的二維離散shearlet系 數(shù)包括無噪聲圖像二維離散shearlet系數(shù)和斑點(diǎn)噪聲圖像二維離散shearlet系數(shù)； 2) 對(duì)所述的步驟1)得到的對(duì)數(shù)變換后的醫(yī)學(xué)超聲圖像模型利用金字塔濾波器組進(jìn)行 多尺度多方向分解，得到k+1個(gè)與醫(yī)學(xué)超聲圖像模型大小相等的子帶圖像，所述的子帶圖像 包括一個(gè)低頻部分和K個(gè)高頻部分，利用步驟1)得到的二維離散shearlet系數(shù)推出高頻部 分的二維離散shearlet變換系數(shù)； 3) 對(duì)所述的步驟2)得到的每一個(gè)子帶圖像中高頻部分的二維離散shearlet變換系數(shù) 進(jìn)行闊值法自適應(yīng)收縮處理； 4) 利用Ξ邊濾波器對(duì)步驟2)中低頻部分的shearlet系數(shù)做濾波處理； 5) 對(duì)經(jīng)步驟3)和步驟4)處理后全部系數(shù)作shearlet逆變換處理，得到去噪后的醫(yī)學(xué)超 聲圖像。2. 如權(quán)利要求1所述的一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，其特征在 于，所述的步驟1)具體為:首先所述的超聲成像系統(tǒng)能夠?qū)δ切┯绊懧暡üβ实囊蛩刈龀?恰當(dāng)?shù)膭?dòng)態(tài)補(bǔ)償，其中所述的超聲成像系統(tǒng)采集的包絡(luò)信號(hào)包括有意義的體內(nèi)組織的反射 信號(hào)和噪聲信號(hào);其中所述的噪聲信號(hào)分為相乘噪聲與相加噪聲，所述的包絡(luò)信號(hào)的通用 模型模型定義如式(1)所示： s(x,y)=r(x,y)n(x,y) (1) 其中所述的（x，y)分別代表圖像的橫縱坐標(biāo)，r(x，y)表示無噪聲信號(hào)，n(x，y)表示相乘 噪聲. 然后對(duì)所述的超聲成像系統(tǒng)采集到的包絡(luò)信號(hào)進(jìn)行對(duì)數(shù)壓縮處理，W適應(yīng)超聲成像系 統(tǒng)顯示屏幕的動(dòng)態(tài)顯示范圍，即通過對(duì)所述的式(1)變?yōu)橄嗉拥哪Ｐ?，如?2)所示： log(s(x,y)) = log(r(x,y))+log(n(x,y)) (2) 此時(shí)，得到的信號(hào)l〇g(s(x，y))即為醫(yī)學(xué)超聲圖像模型； 再對(duì)式(2)模型經(jīng)過二維離散shearlet變換后得到模型如式(3)所示： 化_二化+成,4 j 二位Q，ldeZ王 (3) 其中磅及占和W/j.分別表示含有噪聲圖像的shearlet系數(shù)、無噪聲圖像的shearlet 系數(shù)和斑點(diǎn)噪聲的shearlet系數(shù);其中上標(biāo)j為shearlet變換的分解層數(shù)，下標(biāo)（1 ,k)為變 換域內(nèi)的坐標(biāo)。3. 如權(quán)利要求1所述的一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，其特征在 于，所述的步驟2)具體為:首先對(duì)步驟1)得到的對(duì)數(shù)變換后的醫(yī)學(xué)超聲圖像模型利用金字 塔濾波器組進(jìn)行多尺度二維離散shearlet分解，圖像經(jīng)過k級(jí)采樣金字塔，得到k+1個(gè)與醫(yī) 學(xué)超聲圖像模型大小相等的子帶圖像，所述的子帶圖像包括一個(gè)低頻部分和K個(gè)高頻部分； 對(duì)得到的各尺度子帶圖像使用剪切濾波器組進(jìn)行方向分解;經(jīng)過二維離散shearlet分解后 的無噪信號(hào)的變換系數(shù)^^符合正態(tài)逆高斯模型(NIG)，主要由一個(gè)逆高斯分布和一個(gè)具有 不同均值的高斯分布，其概率分布如式(4)所示：Π ) 式中是索引為1的第二類 修正的貝塞爾函數(shù);參數(shù)Γ，α，β，μ，δ分別為無噪聲圖像二維離散Shearlet變換系數(shù)、特征因 子、偏斜因子、平移因子W及尺度因子，當(dāng)偏斜因子為零時(shí)，分布為對(duì)稱分布;對(duì)于分解后圖 像系數(shù)一般為對(duì)稱分布，假定NIG中參數(shù)β，μ為零，則對(duì)于NIG的概率密度函數(shù)簡化為如式 (5)所示：同時(shí)所述的斑點(diǎn)噪聲的shearlet系數(shù)Λ&服從零均值高斯分布，如式(6)所示：式中On為變換域內(nèi)噪聲的標(biāo)準(zhǔn)差，參數(shù)η為斑點(diǎn)噪聲圖像。4. 如權(quán)利要求1所述的一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，其特征在 于，所述的步驟3)具體為：使用貝葉斯最大后驗(yàn)估計(jì)的方法來估計(jì)無噪聲圖像二維離散 shearlet變換系數(shù)巧基，如式（11)所示：然后將式(5)、式(6)帶入(11)式，為了得到最大后驗(yàn)概率，將ln(pr|s(r Is))-階導(dǎo)數(shù)的 方程置零，最后得到如式(12)所示：(12) 為r的估計(jì)Ι，Κι( ·)是索引為1的第二類修 正的貝塞爾函數(shù)，運(yùn)樣就得到新的收縮方法的收縮函數(shù)如式(13)所示：得到的收縮函數(shù)在曲線圖像上表現(xiàn)的更加平滑。5. 如權(quán)利要求1所述的一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，其特征在 于，所述的步驟4)具體為:所述的低頻部分內(nèi)的小波系數(shù)依然具有很多斑點(diǎn)噪聲，所W在雙 邊濾波器的高斯距離權(quán)重和灰度權(quán)重基礎(chǔ)上，增加了脈沖權(quán)重，也稱為質(zhì)量權(quán)重;此外，由 于脈沖量在一定程度上表示了圖像的梯度信息，Ξ邊濾波器解決了梯度失真的問題;所述 Ξ邊濾波器去噪后的圖像h(x)被表示為如式(19)所示：表示增加脈沖權(quán)重函數(shù)后的加權(quán)函數(shù)，?·(ζ)表示中屯、像數(shù)值。6.如權(quán)利要求1所述的一種基于正態(tài)逆高斯模型的醫(yī)學(xué)超聲圖像去噪方法，其特征在 于，所述的步驟5)具體為：經(jīng)過闊值收縮處理和Ξ邊濾波器處理就可W得到去噪后的 shearlet系數(shù)，為了得到去噪后的超聲圖像，需要對(duì)shearlet系數(shù)進(jìn)行shearlet逆變換，從 而可W得到利于醫(yī)師分析的去噪后的圖像。
【文檔編號(hào)】G06T5/00GK106097280SQ201610485523
【公開日】2016年11月9日
【申請日】2016年6月23日
【發(fā)明人】張聚, 程義平, 劉敏超, 柴金良
【申請人】浙江工業(yè)大學(xué)之江學(xué)院