中值滤波与各向异性扩散相结合医学图像滤波方法.docVIP

中值滤波与各向异性扩散相结合医学图像滤波方法 　　摘要：医学图像的滤波处理，须保留具有重要诊断意义的边缘细节信息。针对PeronaMalik（PM）各向异性扩散模型遇到强噪声则失效和扩散门限参数K依靠经验选取的不足，提出了一种改进的各向异性扩散算法。将PM算法与中值滤波结合，用经过中值滤波平滑后的梯度模代替原始图像的梯度模，以控制扩散的过程。应用自适应扩散门限（当前邻域内梯度的绝对偏差中值（MAD））和迭代终止准则，提高算法鲁棒性和效率。实验分别对超声心动图、CT图像和Lena图像进行去噪处理，用峰值信噪比（PSNR）和边缘保持能力EPI作为评价标准。实验结果表明，改进算法优于PM算法和CattePM方法，在提高信噪比的同时保留了图像的细节信息，可以更好地满足医学图像的使用要求。 　　关键词： 医学图像； PM算法； Catte-M算法； 中值滤波； 绝对偏差中值 　　中图分类号： TP391.41 文献标???码： A 　　0引言 　　医学图像，例如核磁共振图像、X射线图像、超声图像等，都是对于诊断和研究病变非常有用的工具[1]。医学图像上密布的多种不规则的噪声（斑点噪声等）影响图像的质量和病灶的识别。为改善图像质量，必须消除或减弱这些噪声[2]。 　　传统的线性滤波方法在去噪的同时牺牲了图像的边缘细节信息。近年来，基于非线性偏微分方程的各向异性扩散方法克服了传统滤波的主要缺点，已经广泛应用于图像降噪领域的研究。其中最经典的是PeronaMalik（PM）提出的各向异性扩散方程[3]，其对抑制噪声与保留图像边缘特征起到了明显的效果，但算法也表现出一些病态特征且不稳定，如遇到强噪声失效，并且由于扩散门限K值的选取很难控制，扩散处理后的图像通常存在明显的“阶梯”效应。You等在2000年提出了基于四阶偏微分方程（FourorderPartialDifferentialEquations，F_PDE）的各向异性扩散模型[4]。F_PDE消除了PM算法造成的阶梯效应，使处理后的图像更加自然，然而去噪过程中在边界产生的孤立脉冲噪声需要后继去除。刘潮东等[5]提出了先对图像进行各向异性扩散滤波，然后再对图像进行中值滤波处理的方法（本文简称为PMMF方法）。此方法能有效地去除各向异性扩散后留下的脉冲噪声，同时保留了边缘信息，但是这种方法的处理效果受扩散函数的影响较大。Catte等[6]对PM方程进行了改进，提出了CattePM算法，用高斯平滑后的梯度模代替原始图像的梯度模。虽然这种方法在一定程度上改进了PM算法对强噪声失效的缺点，但是仍然存在不足：高斯滤波以后边缘信息被模糊，而且去噪效果很大程度上依赖高斯函数方差蟮难∪ ，并且扩散门限K值估计比较困难。 　　本文针对医学图像的特点，在分析PM方程和CattePM方程中扩散行为的基础上，改进了扩散系数。首先采用了中值滤波代替了CattePM方程中的高斯线性滤波器，有效地抑制了边界模糊现象，从而完成了噪声消除和边缘细节保护的双重功能；另外扩散门限借助鲁棒统计学[7]自动估计得到；同时应用一种迭代终止准则[8]，使该算法可以在图像平滑过程中适时地停止迭代。实验结果表明这种方法对噪声具有很好的自适应能力，特别适应于去除高强度的高斯噪声点。 　　1各向异性扩散模型 　　1.1背景 　　图像处理中，扩散的思想来源于图像的多尺度描述，即将原始图像与高斯核函数进行卷积，该多尺度描述从理论上可视作各向同性的热传导或热扩散方程。各向同性扩散在滤除噪声的同时也会模糊图像边缘，即：在进行图像去噪时，对图像的平滑过程中不对边界和内部图像区别对待，从而导致图像的边界信息丢失。 　　1.2基本思想 　　各向异性扩散的基本思想是求解初始值为原始图像的非线性扩散方程。PM模型的基本原理是利用梯度算子来辨别由噪声引起的图像梯度变化和由边缘引起的图像梯度变化，然后用邻域加权平均去除由噪声引起的小梯度变化，同时保留由边缘引起的大梯度变化，这个过程迭代进行，直至图像中的噪声被去除。 　　1.3存在问题 　　PM扩散模型虽然能够兼顾噪声的消除和特征保留，但它也存在一些不足。一是强噪声失效，即：当图像受强噪声污染时，由噪声引起的梯度变化很可能超过由边缘引起的梯度变化。也就是说梯度模和门限并不能有效区分噪声和边缘，扩散的结果不但不能有效去除噪声，还有可能增强噪声。二是会产生阶梯效应，扩散门限参数k的选取很难控制，扩散处理后的图像通常存在明显的“阶梯”效应，即：PM模型中用到的是二阶偏微分方程，在平滑迭代一定次数后，图像在各区域的梯度为零，并趋于不变。因为扩散方程的收敛对平滑区域比边界要快，因此平滑迭代一定次数后，相对平滑的区域率先收敛为具有固定亮度的区块，使图像整体变为由不同亮度的区域组成。 　　5结语