自适应非局部均值超声图像去噪方法及系统技术方案

本发明专利技术提供了一种自适应非局部均值超声图像去噪方法及系统。方法包括：采集图像：利用超声机器对病源器官进行图像拍摄，取得符合要求的超声图像，完成图像采集；导出图像：将采集得到的超声图像从超声机器中导出为序列图像，将所述序列图像按照BMP图像格式写入到BMP图像文件夹中；建立超声噪声模型；去噪：对建立的所述超声噪声模型去噪，得到去噪后的超声噪声模型；输出图像：将超声图像输入至去噪后的超声噪声模型，输出去噪后超声图像。该方法将蜂群算法引入NLM参数的寻优求解，蜂算法迭代寻优的特性寻找NLM算法的最优λ，M和P参数，以此得到自适应超声图像去噪模型，相比现有的超声去噪方法，可以获得去噪后高质量的超声图片。可以获得去噪后高质量的超声图片。可以获得去噪后高质量的超声图片。

【技术实现步骤摘要】
自适应非局部均值超声图像去噪方法及系统


[0001]本专利技术涉及图像处理领域，尤其涉及一种自适应非局部均值超声图像去噪方法及系统。

技术介绍

[0002]由于受超声自身成像原理的影响，超声图像在产生过程中不可避免地会受到斑点噪声的干扰，使得采集的超声图像对比度有限医学专家无法从中获得进一步有用的信息。因此，抑制超声图像中的斑点噪声是对超声图像进行后续分析和处理的重要前提。现有技术中常用的去噪方法以下几种：中值滤波、小波变换、各向异性扩散、非局部均值滤波算法等。但这些方法在用于超声图像的斑点噪声的去除效果并不理想。

技术实现思路

[0003]专利技术目的：提出一种自适应非局部均值超声图像去噪方法，并进一步提出一种实现上述方法的系统，以解决现有技术存在的上述问题。
[0004]第一方面，本专利技术提出了一种自适应非局部均值超声图像去噪方法，步骤包括：
[0005]步骤1、采集图像：按照医学要求，利用超声机器对病源器官进行图像拍摄，取得符合要求的超声图像，完成图像采集；
[0006]步骤2、导出图像：将步骤1中采集得到的超声图像从超声机器中导出为序列图像，将所述序列图像按照BMP图像格式写入到BMP图像文件夹中；
[0007]步骤3、建立超声噪声模型；
[0008]步骤4、去噪：对步骤3中建立的所述超声噪声模型去噪，得到去噪后的超声噪声模型；
[0009]步骤5、输出图像：将超声图像输入至去噪后的超声噪声模型，输出去噪后超声图像。
[0010]在第一方面的一些可实现方式中，步骤3超声噪声模型如下：
[0011]u(x)＝v(x)+v
γ
(x)θ(x)
[0012]式中，θ(x)是均值为0、方差为σ2的高斯噪声，γ为取决于超声设备和成像过程的一个常数，取γ＝0.5。
[0013]在第一方面的一些可实现方式中，步骤4去噪的过程进一步包括：
[0014]步骤4
‑
1、利用蜂算法迭代寻优的特性寻找NLM算法的最优λ，M和P参数；
[0015]步骤4
‑
2、将最优参数代入NLM算法获得最优滤波器，并对原始图像处理得到滤波图像，以此消除噪声。
[0016]在第一方面的一些可实现方式中，步骤4
‑
1进一步包括：
[0017]步骤4
‑
1a、初始化蜂群参数；
[0018]参数包括确定种群数N、最大迭代次数M、控制参数limit、以及确定搜索空间的范围，在搜索空间中随机生成初始解xi(i＝1,2,3,
……
,SN)，SN为食物源个数，每个解xi是一
个D维的向量，D是问题的维数；
[0019]步骤4
‑
1b、初始化之后，整个种群进行引领蜂、跟随蜂和侦查蜂搜寻过程的重复循环，直到达到最大迭代次数M或误差允许值ε；
[0020]步骤4
‑
1c、在搜索过程开始阶段，每个引领蜂由下式产生一个新解，并计算其适应度：
[0021][0022]其中，i是当前解，k是随机选择的邻域解，是[
‑
1,1]之间符合均匀分布的随机数。
[0023]在第一方面的一些可实现方式中，步骤4
‑
1还包括：
[0024]步骤4
‑
1d、在所有引领蜂完成搜寻过程之后，引领蜂在招募区跳摇摆舞把解的信息及信息与跟随蜂分享；跟随蜂根据式计算每个解的选择概率P
m
：
[0025][0026]式中，m表示搜寻次数，fit
m
表示第m次搜寻的解的拟合，表示第m次搜寻的解；
[0027]步骤4
‑
1e、在所有跟随蜂完成搜寻过程之后，如果一个解经过limit次循环仍然没有被进一步更新，则认为此解陷入局部最优，该食物源被舍弃；
[0028]设食物源xi被舍弃，则此食物源对应的引领蜂转成一个侦查蜂；侦察蜂由下式产生一个新的食物源代替它；
[0029][0030]其中，i＝1,2,...,SN，j＝1,2,...,D；SN是食物源数量，D是设计参数的维度，和分为j维的上界和下界；
[0031]步骤4
‑
1f、判断是否有放弃的解，否则按步骤4
‑
1e随机产生新解将其替换；
[0032]步骤4
‑
1g、记录最优解，判断是否满足循环终止条件，若满足，循环结束，输出最优λ，M和P参数，否则返回步骤4
‑
1c继续搜索。
[0033]在第一方面的一些可实现方式中，步骤4
‑
2进一步包括：
[0034]步骤4
‑
2a、根据所述超声噪声模型，利用基于贝叶斯公式的NLM算法进行图像去噪，得到NLM去噪算法模型：
[0035][0036]式中，1幅受噪声污染的图像v＝{v(x)|x∈I}，I代表整个图像空间，权重系数w(x,y)表示像素点y对像素点x的影响程度；
[0037]w(x,y)计算公式为：
[0038][0039]其中，d2为x和y两点邻域块之间欧氏距离的平方和，欧式距离越小，两者的相似程度越大；参数h＝λ(2L
Δ
)
12
，控制权重w(x,y)的衰减速度，即直接决定信号的最终滤波程度；
Δ表示以点x为中心的邻域块；L
Δ
为以点y为中心的邻域块；λ为带宽参数；
[0040]w(x,y)的大小取决于以x和y为中心的两个邻域块之间的相似程度，两者相似度越高，则w(x,y)的取值越大，反之亦然；
[0041]w(x,y)取值满足0≤w(x,y)/Z≤1和∑jw(x,y)＝1两个基本条件。
[0042]第二方面，提出超声图像去噪系统，该系统包括超声机器、图像导出模块、超声噪声模型构建模块、去噪模块、输出图像模块。超声机器用于对病源器官进行图像拍摄，取得符合要求的超声图像，完成图像采集；图像导出模块用于将超声机器中采集得到的超声图像从超声机器中导出为序列图像，将所述序列图像按照BMP图像格式写入到BMP图像文件夹中；超声噪声模型构建模块用于构建超声噪声数学模型；去噪模块用于对所述超声噪声模型构建模块建立的所述超声噪声模型去噪，得到去噪后的超声噪声模型；输出图像模块用于将超声图像输入至去噪后的超声噪声模型，输出去噪后超声图像。
[0043]在第二方面的一些可实现方式中，所述去噪模块进一步利用蜂算法迭代寻优的特性寻找NLM算法的最优λ，M和P参数；将最优参数代入NLM算法获得最优滤波器，并对原始图像处理得到滤波图像，以此消除噪声；
[0044]所述超声噪声模型构建模块构建得到的超声噪声模型如下：
[0045]u(x)＝v(x)+v
γ
(x)θ(x)
[0046]式中，θ(x)是均值为0、方差为σ2的高斯噪声，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.自适应非局部均值超声图像去噪方法，其特征在于，所述方法包括：步骤1、采集图像：按照医学要求，利用超声机器对病源器官进行图像拍摄，取得符合要求的超声图像，完成图像采集；步骤2、导出图像：将步骤1中采集得到的超声图像从超声机器中导出为序列图像，将所述序列图像按照BMP图像格式写入到BMP图像文件夹中；步骤3、建立超声噪声模型；步骤4、去噪：对步骤3中建立的所述超声噪声模型去噪，得到去噪后的超声噪声模型；步骤5、输出图像：将超声图像输入至去噪后的超声噪声模型，输出去噪后超声图像。2.根据权利要求1所述的图像去噪方法，其特征在于，步骤3超声噪声模型如下：u(x)＝v(x)+v
γ
(x)θ(x)式中，θ(x)是均值为0、方差为σ2的高斯噪声，γ为取决于超声设备和成像过程的一个常数，取γ＝0.5。3.根据权利要求1所述的图像去噪方法，其特征在于，步骤4去噪的过程进一步包括：步骤4
‑
1、利用蜂算法迭代寻优的特性寻找NLM算法的最优λ，M和P参数；步骤4
‑
2、将最优参数代入NLM算法获得最优滤波器，并对原始图像处理得到滤波图像，以此消除噪声。4.根据权利要求3所述的图像去噪方法，其特征在于，步骤4
‑
1进一步包括：步骤4
‑
1a、初始化蜂群参数；参数包括确定种群数N、最大迭代次数M、控制参数limit、以及确定搜索空间的范围，在搜索空间中随机生成初始解xi(i＝1,2,3,
……
,SN)，SN为食物源个数，每个解xi是一个D维的向量，D是问题的维数；步骤4
‑
1b、初始化之后，整个种群进行引领蜂、跟随蜂和侦查蜂搜寻过程的重复循环，直到达到最大迭代次数M或误差允许值ε；步骤4
‑
1c、在搜索过程开始阶段，每个引领蜂由下式产生一个新解，并计算其适应度：其中，i是当前解，k是随机选择的邻域解，是[
‑
1,1]之间符合均匀分布的随机数。5.根据权利要求4所述的图像去噪方法，其特征在于，步骤4
‑
1还包括：步骤4
‑
1d、在所有引领蜂完成搜寻过程之后，引领蜂在招募区跳摇摆舞把解的信息及信息与跟随蜂分享；跟随蜂根据式计算每个解的选择概率P
m
：式中，m表示搜寻次数，fit
m
表示第m次搜寻的解的拟合，表示第m次搜寻的解；步骤4
‑
1e、在所有跟随蜂完成搜寻过程之后，如果一个解经过limit次循环仍然没有被进一步更新，则认为此解陷入局部最优，该食物源被舍弃；设食物源xi被舍弃，则此食物源对应的引领蜂转成一个侦查蜂；侦察蜂由下式产生一个新的食物源代替它；
其中，i＝1,2,...,SN，j＝1,2,...,D；SN是食物源数量，D是设计参数的维度，...

【专利技术属性】
技术研发人员：冯天宜，王道洋，方金武，
申请(专利权)人：中国信息通信研究院，
类型：发明
国别省市：