医学图像去噪法算效果对比报告(有代码).docVIP

第一章 引言 1.1 研究背景和意义 现实中的数字图像在数字化和传输过程中，常受到成像设备与外部环境噪声干扰等影响，成为含噪图像。完全去除或减少数字图像中的噪声称为图像去噪技术。 现实中的医学图像在采集、转换和传输中，常常受到成像设备与外部环境噪声干扰等影响，产生降质，大多数的现实医学图像都是含噪图像，医学图像噪声对医学图像分析、医学图像压缩的影响很大，因此医学图像去噪是医学图像预处理阶段最重要的任务之一。医学图像去噪是图像预处理中一项被广泛应用的技术，其作用是提高医学图像的信噪比，突出医学图像期望特征。因此，具体重要的应用价值。 本文结合高斯噪声和椒盐噪声两种噪声类型的特点进行了分析，并采用均值滤波、中值滤波和改进中值滤波算法对受高斯噪声和椒盐噪声污染的图像进行了去噪，并对去噪效果进行了对比。 1.2 医学图像 现代医学已经越来越依赖于医疗设备的协助，而其中的医疗成像设备则是其中最为重要的设备，贯穿了从医疗诊断、手术导航、术后效果评判等全流程。而随着医学成像技术的快速发展，各种成像技术给医患提供了更丰富、更精确的成像效果。但是不同的成像技术一般都基于其成像原理而具有其独特的优点，也存在着其特定的局限，完美而通用的成像技术手段现在仍未出现，不同的成像技术在不同的应用情景下会有优劣，对不同组织器官的成像也各有千秋。 1.3 噪声类型 噪声是电路或系统中不含信息量的电压或电流。在医学成像系统与自然界中，存在着各种干扰源（噪声源），如大功率电力电子器件的接入、大功率用电设备的开启与断开、雷击闪电等都会使空间电场和磁场产生有序或无序的变化，这些都是干扰源（或噪声源）。这些源产生的电磁波或尖峰脉冲通过磁、电耦合或是通过电源线等路径进入放大电路，各种电气设备，形成各种形式的干扰[1-2]。其占用高斯噪声和椒盐噪声是两种最常见的医学图像噪声类型[3]。 所谓高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。在任选瞬时中任取n个，其值按n个变数的高斯概率定律分布。 椒盐噪声（黑色噪点为椒，白色噪点为盐）出现的位置随机，图像中到处存在噪声，噪声的幅值随机分布。 第二章 去噪算法 2.1均值滤波算法 均值滤波是一种典型的线性去噪方法，因为其运算简单快速，同时又能够较为有效地去除高斯噪声。因而适用面较广，至今仍是一种常用的去噪方法，许多滤除噪声方法都是在此基础上发展而来。均值滤波的方法是对将处理的当前像素，选择一个模板，该模板为其邻近的若干像素组成，用模板中像素的均值来替代原像素的值。如图3-1所示，序号x是当前像素，序号为1至8是邻近像素。求模板中所有像素的均值，再把该均值赋予当前像素点，作为处理后图像在该点上的灰度，即： （2-1） 其中s为模板，N为该模板包含像素的总个数。 图2-1 模板示意图 中值滤波公式中N表示模板窗口中的像素个数。g(x,y)是均值滤波后中心像素的灰度值。均值滤波是一种线性滤波器，但模糊效应比较严重，去噪的同时会引起细节信息的丢失[4-5]。 2.2中值滤波算法 中值滤波是一种常用的非线性平滑滤波方法，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代换。中值滤波优于均值滤波之处在于它不仅像均值滤波一样可以抑制噪声，而且可以使边缘模糊效应大大降低。 设二维图像的像素灰度集合为是二维整数集。对于大小为（含奇数个像素）的窗口内的像素值中值被定义为： （2-2） 式（2-2）中表示把窗口内的奇数个像素按灰度值大小排列，取中间像素值赋给，然后以取代二维窗口M中的中心像素值作为中值滤波的输出。对于二维图像进行滤波的时候，滤波窗口也可以是二维的。在实际使用窗口时，窗口的尺寸一般先用3再取5逐点增大，直到其滤波效果满意为止。 中值滤波的主要作用是将那些与周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效[6]。 2.3 改进的中值滤波算法 中值滤波仍然会带来一定的模糊效应，并且对于噪声的去噪过程没有针对性，因此本文提出一种改进算法，大体思路是将加入图像像素点是否为噪声的判决预处理，只针对可能为噪声点的区域进行去噪，而对于非噪声点不进行去噪。具体算法过程如下： （1）首先逐个像素判断灰度值是否在[0,0+α]和[255-α,255]两个范围内，若不在这个范围内则不进行滤波处理，保持原先的灰度值。若属于这个范围，则说明可能是椒盐噪声，需要滤波处理。 （2）对于可能是椒盐噪声的像素点提取其3×3邻域范围九个像素的灰度值，分别判断统计是否属于[0,0+α]和[255-α,255]两个范围内，若属