基于小波的医学超声图像去斑点噪声方法(免费阅读).ppt

基于小波的医学超声图像去斑点噪声方法 医学超声图像的灰阶图像往往存在一些直观的噪声，表现为图像中出现斑点、细粒、网纹、雪花状等结构异常现象，尤其以斑点噪声影响为主。 对斑点噪声统计特性的研究表明，常见的斑点噪声服从瑞利分布，其均值与标准差成正比，这说明斑点噪声是乘性的。 在超声医学图像中，加性噪声(如换能器噪声等)的作用相对于乘性噪声来说很小，因此在实际应用中，有时候可以忽略加性噪声的影响。 所以超声图像可用近似模型： 将乘性噪声转变为近似的加性高斯白噪声即: 上面的表达式可以写为下面的形式: 常规的噪声滤波技术经常会导致丢掉的噪声中还含有部分信号，而输出的信号也会含有部分噪声，导致图像特征模糊。 本文把中值滤波以后得到的两部分利用小波软阈值再处理一次，去除信号部分的少量噪声，并且保留噪声当中的少量信号。 本文的去噪过程 用中值滤波把图像分成两部分 分别多尺度小波处理 软阈值处理 对带斑点噪声的图像取对数 重建去噪后的图像f1,f2。求和f=f1+f2，获得的重建图像f取指数得去噪后图像 小波处理 对于任意的函数f（t）的连续小波变换为: 其中本文小波变换用’bior3.7’为小波基函数进行5尺度分解 ? 阈值估计 本文采用软阈值处理。根据经验，经过对数转换后的图像的小波子带系数可以假设为服从广义高斯分布(GGD)模型。 则求阈值公式如下： 其中： 是噪声方差，信号的标准差 ， 设 是局部领域的标准差， 为当前小波子带系数 原图像 加斑点噪声 =0.04 把本文方法的结果与中值滤波器，维纳滤波器和MSSNT一A方法相比较，以证明本文方法的有效性。 然后分别计算无噪声的原图像和除噪以后的图像的最小均方误差mse，信号与mse的比值s/mse，边缘保留评价参数 . 这里f是参考图像; 是除噪后的图像; J是 图像的尺寸。 这里 和 分别是 f 和 经过3*3的Laplacina算子进行边缘抽取以后得到的结果。 从定义可知 是估计信号的边缘和真实信号边缘相关程度的度量，估计信号边缘保留的越好， 值越高。 在不同的噪声水平下计算这些参数，列出表格，从表中可以看出。 结论 本文的方法在噪声水平较低的情况下，明显优于中值滤波和同态维纳滤波，略优于MSSNT一A（多尺度非线性阈值算法）。 在噪声水平较高的情况下，本文的方法优势明显。