基于自适应高斯滤波的超声斑点降噪

医学超声图像存在的斑点噪声降低了图像的质量,给临床诊断和图像的后续处理带来了困难。为了有效地去除噪声,本文提出了一种自适应高斯滤波的超声斑点降噪算法。该算法利用局部特征匹配计算出图像的处理窗口区域与参考区域的相似度,再根据相似度将整幅图像区分为斑点噪声区域和组织区域。同时利用相似度调整高斯滤波器的宽度值,使高斯滤波器对图像的不同区域进行不同程度的过滤。物理体模实验和人体超声肝脏实验结果表明,该算法可以有效地去除超声图像中的斑点噪声并保留组织结构,并且可使迭代次数大大减少,是一种有效的医学超声图像降噪方法。     

医学超声图像SRAD模型优化研究

研究医学超声图像提取优化问题,超声图像斑点噪声较大,影响图像精度.为抗噪声,提出一种各向异性斑点减少模型(SHAD)的优化方法,用于减少超声图像中的斑点噪声.采用扩散方向由四个扩展为八个,再根据八个方向到中心点的距离不同赋予相应的权值,进行仿真,使图像信息得到加强的同时减少所需的迭代次数.仿真结果表明,在处理速度加快,并能够较好地保证处理后得到的图像在抑制噪声和保护图像的精度质量.     

一种新的边缘保留各向异性扩散方法

由于超声图像中的斑点严重影响了图像质量,也增加了临床诊断与治疗的困难,因此对于噪声图像,往往要先用高斯卷积对图像进行一定的平滑,再通过求微分来检测边缘。为了更好地滤除超声图像中的斑点,通过构造基于高斯卷积的结构张量,并将其引入到各向异性扩散方法中,实验结果表明,这种新的各向异性扩散方法不仅能有效地抑制斑点噪声,而且能检测并保留图像边缘与细节特征。     

改进权值非局部均值超声图像去噪

目的 超声图像斑点噪声会影响诊断的准确性和可靠性。通过分析超声图像斑点噪声统计模型,结合非局部均值滤波算法,提出一种基于超声斑点噪声模型的改进权值非局部均值（NLM）滤波算法。方法 算法针对超声图像灰度信息对图像进行预处理,利用超声图像斑点噪声模型改进传统NLM算法的权值计算函数,基于图像特征确定最优采样间隔进行下采样,利用改进后的权值计算函数对图像进行NLM去噪处理。结果 分别采用人工合成与真实超声图像对本文算法性能进行测试,并与传统非局部均值滤波算法、非局部总变分（NLTV）等算法进行去噪效果比较,同时采用均方误差、峰值信噪比和平均结构相似性作为滤波算法性能的客观评价指标。本文算法能快速完成超声图像的去噪处理,峰值信噪比较其他算法可以提高0.2 dB以上,可以降低均方误差,提高平均结构相似性,缩短处理时间,并得到较好的图像质量和视觉效果。结论 根据超声图像斑点噪声模型对NLM算法的权值计算函数进行优化,使得NLM图像滤波算法能更好地适用于超声图像的去噪,基于超声斑点噪声模型的改进权值NLM算法相较于其他算法,滤波效果更佳,适合超声图像去噪。     

基于偏微分方程的医学超声图像降噪研究

提出一种将图像分解和几何分析相结合的算法去除超声图像中的斑点噪声。针对超声图像的斑点噪声为乘性噪声特性,将经典的ROF图像分解模型引入到适合于受乘性噪声污染的图像分解。超声图像经模型分解为轮廓部分、细节部分和噪声部分,然后对分解后的差值图像进行Ridgelet降噪,由于Ridgelet降噪克服传统小波分析方向性上的不敏感的缺点,能很好地保持图像边缘。处理后得到的图像无论是在斑点噪声去除、细节保护方面都优于传统的非线性滤波器和小波分析方法。实验表明,算法是完全可行和有效的。     

应用ROF模型的医学超声图像去噪方法

由于超声成像机制使医学超声图像中存在着大量的斑点噪声,这些斑点噪声大大降低了图像的清晰度和质量,给超声诊断带来很大的困难。针对医学超声图像的斑点噪声去噪问题,提出了一种基于帧相关处理、ROF分解和自适应小波阈值的去噪方法,能够在抑制超声图像斑点噪声的同时,尽可能地保留甚至增强图像的细节信息,大大提高图像质量,取得了很好的效果。     

基于极坐标和蒙特卡罗估计的超声图像去噪方法

针对超声图像采集特性和斑点噪声分布特点, 提出极坐标系下融合蒙特卡罗估计的斑点噪声抑制方法。首先对极坐标系下含噪图像进行对数变换, 然后再与估计点相关的任意径向方向进行全局域采样, 根据样本点与估计点空间相关性和斑点噪声分布模型构造权重因子, 最后利用蒙特卡罗方法实现斑点噪声似然加权估计。实验结果表明, 该算法在滤除斑点噪声的同时, 更好地保持了图像细节信息。     

采用引导滤波的超声纹理补偿图像优化

针对医学超声图像中声衰减补偿引起的组织结构模糊、清晰度降低问题,提出一种基于引导滤波的自适应优化超声图像方法.首先分析声衰减对医学超声成像能量的影响;其次比较超声信号能量补偿常用方法,选用图像纹理信息进行衰减补偿;再结合引导滤波保边平滑特性,根据超声图像组织结构与斑点噪声均值与方差特性自适应优化,得到具有更多临床诊断信息的高品质超声图像.实验结果表明,该方法改善了图像清晰度,在增强图像组织结构的同时弱化斑点噪声,其有效性在仿真体模、正常与病变组织的超声图中得到了验证.     

基于领域关系广义混合模型图像分割的研究

针对高斯混合模型不能有效处理复杂噪声图像分割问题,提出了基于领域关系广义混合模型.在高斯混合模型基础上引入形状参数r提高混合模型对不同噪声适应能力,另外该方法结合图像中像素点邻域关系,融入像素点间的互动信息.与混合模型通常采用EM算法估计参数不同,该模型参数估计采用梯度方法,通过最小化负似然对数优化参数.实验结果表明,广义混合模型在处理高斯噪声,重尾噪声,混合噪声以及脉冲噪声图像分割问题都取得了很好的效果.     

小波多尺度水平集算法与心脏超声图像鲁棒分割

由于斑点噪声的存在,超声图像的灰度分布是非高斯的,传统的基于高斯模型的图像分割方法不能解决心脏超声图像分割问题。但小波分解后的高阶低频小波系数近似服从高斯分布,利用这个特点,论文提出一种新颖的小波多分辨率框架下的水平集曲线演化算法。首先对超声心脏图像做小波分解,得到各层的低频图像。从小波分解的顶层低频图像开始,利用边界和区域复合约束动态轮廓线模型(ActiveContourModel)寻找左心室内边界;然后通过插值将结果向下一尺度低频图像传递,并利用尺度间形状约束和边界约束复合ACM进一步细化曲线,使其符合局部图像特征,如此逐层重复直至原始图像。由于采用了小波多尺度框架和尺度间形状约束,算法具有曲线演化结果稳健鲁棒、不易陷入局部极小和发生边界泄漏等优点,非常适合心脏超声图像噪声高、对比度低、边界灰度梯度不显著的特点。在实际临床三维超声图像上的实验表明,算法分割结果和人工分割结果很接近。     

基于小波域隐马尔可夫树模型的超声图象贝叶斯去噪

提出了一种新的医学超声图象去噪方法 .首先 ,原始超声图象经对数变换 ,其乘性散粒噪声变为了加性噪声 ;然后再经小波变换后 ,基于隐马尔可夫树模型 ,应用贝叶斯方法去除加性噪声 ;最后 ,经小波反变换和指数变换恢复去噪后的原始超声图象 .测试结果表明 ,此方法在有效去除噪声的同时 ,能保留原始图象的细节边缘 .针对超声图象还对几种去噪算法作出定性比较 ,并对去噪性能给出定量分析 ,实验结果表明 ,该方法是可行的     

小波与双边滤波的医学超声图像去噪

目的：医学超声图像中的斑点噪声降低了图像质量并且限制了超声图像自动化诊断技术的发展。针对斑点噪声问题,提出了一种新型的基于小波和双边滤波的去噪算法。方法：首先,根据医学超声图像在小波域内的统计特性,在通用小波阈值函数的基础之上,改进了小波阈值函数。其次,将无噪信号的小波系数和斑点噪声的小波系数分别建模为广义拉普拉斯分布模型和高斯分布模型,利用贝叶斯最大后验估计方法得到了新型的小波收缩算法,利用小波阈值法对小波域内的高频信号分量进行去噪。最后,对小波域内的低频信号分量进行双边滤波处理,然后利用小波逆变换便得到去噪后的图像。结果：在仿真实验中,通过与其它7种去噪算法作对比,观察峰值信噪比(PSNR)等图像质量评价指标,结果表明本文算法的去噪效果优于其他相关算法。临床超声图像的实验结果进一步验证了本文算法的去噪性能。结论：本文提出了一种新型的去噪算法,实验表明本文算法能够很好地抑制斑点噪声,并且能保留图像病灶边缘等细节。     

超声图像去噪方法

超声成像的相干特性导致了超声图像中固有的斑点噪声,斑点噪声既降低了图像的质量影响诊断结果,又给图像的边缘检测、特征提取等后续处理带来困难。因此研究如何在去除斑点噪声的基础上,有效保留边缘特征具有十分重要的意义。通过研究邻域斑点指数C的特点,将超声图像划分为均匀区域、含斑区域以及边缘区域,对于不同区域采用不同的处理方法。仿真实验表明,该算法简单有效,在去除斑点噪声的同时更好地保留了边缘特征,其性能大大优于传统的中值滤波算法。     

基于改进粒子群算法的剪切散斑相位图去噪方法

空间相移剪切散斑干涉技术具有全场、非接触、高灵敏度等特点,是动态无损检测的关键技术。针对瞬态剪切散斑干涉获得的高噪声相位条纹图中噪声强度大、条纹复杂等情况,常规粒子群优化算法在高噪声相位图像的去噪处理中存在处理不完整、无法较好保持条纹细节等问题,因此提出一种基于优化粒子群算法的剪切散斑相位图去噪方法。该方法在常规粒子群优化算法的基础上,改进了传统线性惯性权值调整方法,提出非线性权值分配方法,同时通过调整聚集度系数提高了算法局部搜索能力。实验结果表明,该方法能够有效地保护条纹的边缘纹理和相位信息,与常规粒子群优化算法相比速度提高了15%,相位奇异点数减少了21.3%,与其他现有方法相比,所提出的算法的去噪效果更好。     

基于对数压缩的超声各向异性扩散去噪方法

针对当前超声图像去噪算法很难同时做到降噪和边缘保持的情况,在进行各向异性扩散模型研究的基础上,提出基于对数压缩的改进各向异性扩散算法（LCAD）去除超声散斑噪声。算法将图像对数压缩后进行噪声分布模型估计,然后构造基于广义伽马分布的扩散系数,在扩散过程中达到降噪和边缘保持效果。     

结合全局概率密度差异与局部灰度拟合的超声图像分割

由于超声图像具有高噪声、低对比度、边缘模糊不清等特点, 超声图像的分割成为图像处理领域中一个难度较高、亟待解决的问题. 本文提出了一种结合全局概率密度差异与局部灰度拟合的主动轮廓模型对超声图像进行分割的方法. 该方法分别在原始超声图像与预处理图像上利用了图像的全局和局部信息. 在原始图像上, 利用各区域的灰度分布, 并结合超声图像的背景知识对图像的全局信息建模. 为了考虑图像的局部信息, 首先对图像进行预处理, 在预处理图像上, 利用局部灰度拟合模型对图像中的局部信息进行建模. 通过分别在不同图像上对全局和局部信息建模的方式, 本方法将利用Speckle噪声与去除Speckle噪声的分割思想结合在一起. 本文提出的方法分别在模拟和临床超声图像上进行了实验. 实验结果证明, 该方法对图像中的噪声具有较好的适应性, 并对初始条件不敏感, 可以准确地对超声图像进行分割.     

深度迁移学习的相干斑噪声图像标注算法研究

由于相干斑噪声会导致图像特征提取困难,普通的图像处理算法无法对相干斑噪声图像进行有效分类标注。针对其图像特征设计了具有正则与拟合项的求解模型,并提出了深度迁移学习标注算法。在正则项中引入滤波算法和惩罚策略,用于过滤相干斑噪声;拟合项控制估计结果向真实结果的逼近。为满足深度学习网络处理的凸特性要求,对模型采取非凸优化。在深度学习过程中,将图像标注整体分为两个子任务,通过参数迁移进行并行处理。在各个子任务的最末层,分别设计相应的损失函数,对各个特征标签采取计分评价,改善网络学习的搜索能力和收敛性。通过和数据库的仿真,验证了深度迁移学习标注算法能够有效过滤图像中的相干斑噪声,获得更好的图像标注准确性和稳定性。