一种新基于自适应去除医学图像中斑点噪声各向异性扩散滤波算法.docVIP

一种新的基于自适应的去除医学图像中斑点噪声的各向异性扩散滤波算法 　　【摘 要】这是一个初步研究，其目的是通过比较现有的原始的或其他文章中描述的去噪算法在不同超声图像中的性能，以得到适合临床医生的，在软拷贝环境中能够增强图像特性的算法。在这个研究中，3种超声图像（肝、肾和腹部），和5种根本不同的被广泛关注的图像增强技术被应用其中。图像增强是为了获得内容更丰富的细节信息，多点的顺序状方法被运用于识别细小差异和动态观察。基于这些不同的算法，提出一种改进的各向异性扩散滤波算法。 　　【关键词】各向异性扩散 自适应滤波 图像增强 医学图像 　　1.引言 　　超声图像是一种最广泛使用的现代医学诊断工具。与其他成像技术，如核磁共振成像和计算机断层扫描等相比，其技术是相对便宜和便携式的。医学图像在采集和传输的过程中往往被噪声腐蚀。图像去噪技术的主要目的就是消除这些噪声，同时保留尽可能多的重要特征信息。后面将对现有的一些经典的去噪方法进行简要的介绍。超声图像是一种被广泛使用的医学成像过程，由于其经济性、相对安全性、可移植性和强大适应性。其主要缺点之一就是成像过程容易受散斑噪声的影响，导致图像质量差。散斑的存在是令人讨厌的，因为它导致图像质量降低，同时影响工作中对病体的解释与诊断。因此，在医学图像的分析和识别中，斑点噪声的滤除对于特征提取是一个核心的预处理过程。 　　2.方法 　　降低散斑是一个合适的提高信噪比的方法，同时保存了图像中的边缘和线条[1-2]。经典的自适应滤波器主要包括Kaun滤波器、Lee滤波器和Frost滤波器。这些滤波器利用图像的局部统计信息，相比于原始的低通滤波器而言表现的更好。在保存图像的清晰度和细节，同时抑制散斑噪声中，自适应滤波器比低通平滑滤波器执行力更好。 　　3.噪声图像 　　有不同类型的噪声影响着医学超声波图像。比如脉冲噪声、高斯噪声、随机噪声和散斑噪声等。在这里我们主要研究其中是散斑噪声。它不同于加性的噪声噪声，是一种乘性的、斑点状的噪声。 　　考虑一个原始图像Y，被乘性噪声h干扰。结果为畸变图像X，可以被记作[1][3][17]， 　　其中表示一个点扩散函数（the point spread function， PSF），是一种随机的加性噪声。 　　4.自适应滤波器 　　自适应均值滤波器被提出来用于降低图像平滑中对图像的模糊程度。它们使自己适用于图像的局部属性和更好的降低图像的散斑噪声。对图像的局部统计，如均值、方差和空间相关性被用于在滤波器有效的检测并保护图像的边缘和细节特征。标准的自适应均值滤波用于降低斑点噪声是由Lee、Kuan和Frost提出的。 　　4.1 已有的自适应均值滤波器 　　Lee和Kuan提出用公式2来增强图像信息[2][8][10][12]， 　　（2） 　　其中W是权重函数，在平坦区域取值为0，在尖锐信号的活动区域中取值为1；的取值为活动滤波器窗口中像素的平均值；是滤波器的输出结果。Lee滤波器[2][3][8][12]的权重函数公式为 　　（3） 　　在这里，，分别是噪声和图像的变换系数。Kuan滤波[2][8][10]的权重函数定义如下： 　　（4） 　　以上两个扩散函数的不同之处就在于一个分母为1，另一个为。在同质区域，则扩散函数就可看作为0，使得该滤波器就类似于均值滤波器。在具有尖锐信息的区域，比如边缘和角点等，，扩散函数的值就被当作是1，这是的滤波器执行一个全通的滤波，则可以保留最初观察到的图像信息。 　　Frost滤波器[2][3][11]是一个空间域自适应维纳滤波器，它基于乘性噪声模型，并使用了局部信息统计数据。对于一个图像，Frost等人建立滤波模型如下， 　　（5） 　　其中是系统脉冲响应，符号表示卷积操作。在最小均方滤波器中时间系数与位置系数是空间相关的。函数是一个空间滤波器中各向同性的脉冲响应信号，选择其最小化公式为 　　（6） 　　文献3和11中给出了其表达式如下， 　　（7） 　　这里的是一个标准化常数，是一个衰退常数，表达式为 　　（8） 　　其中的是原始图像邻域像素之间的相干系数，则表示对应像素间空间域之间的相关距离。 　　新的各向异性扩散滤波器 　　各向异性扩散[2][5-8][13-16]是一种有力的基于偏微分方程热传导函数的增强图像信息和图像恢复的滤波方法。众所周知，各向异性扩散能够在平滑噪声的同时，更好的保留边缘，增强边界对比度。在图像处理和计算机视觉中，各向异性扩散往往也叫做Perona-Malik扩散[5-7]，是一种旨在降低图像噪声而不减少图像内容的滤波技术，如边缘、线条、或者其他能够反映图像内容的细节信息。 　　形式上看，设，表示图像平面的一个子集，同时，是一个灰度图像的