一种超声图像斑点噪声去除方法技术

本发明专利技术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。本发明专利技术的优点在于：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。

A method for removing speckle noise from ultrasonic images

The invention discloses a method for removing speckle noise of ultrasonic images. In the first iteration, a rough speckle image is obtained after filtering the noise image as the input of the model, and after the filtering of the Bayesian non local average filtering model, the obtained speckle image is used as the input of the filter model in the second iteration. A better speckle image is obtained, and the iterative process is repeated until the number of iterations reaches the preset value. Finally, a good speckle image is output through the benign iterative filtering process. The invention has the advantage of inhibiting the adverse effects of speckle noise on clinical diagnosis or subsequent image processing. Combining the statistical characteristics of speckle noise, the conditional probability density function value of the Bayesian nonlocal mean filtering model is calculated, and the better speckle image will be output through the benign iterative filtering process. In order to reduce the time complexity of the algorithm, block filtering, preselected block and control iteration number are three ways to make the method practical.

【技术实现步骤摘要】
一种超声图像斑点噪声去除方法
本专利技术涉及超声图像处理
，特别涉及一种超声图像斑点噪声去除方法。
技术介绍
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。
技术实现思路
本专利技术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。为了实现以上专利技术目的，本专利技术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。与现有技术相比本专利技术的优点在于：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)以及本专利技术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FieldIISimulationProgram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专利技术的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本专利技术做进一步详细说明。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本文档来自技高网...

【技术保护点】
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

【技术特征摘要】
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：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...

【专利技术属性】
技术研发人员：周颖玥，臧红彬，方宏道，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：四川,51