專利名稱：醫(yī)學(xué)超聲圖像各向異性擴(kuò)散降噪方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種醫(yī)學(xué)超聲圖像處理技術(shù)。
背景技術(shù)：
在醫(yī)學(xué)超聲成像中，由于相干波疊加造成的散斑噪聲對(duì)超聲圖像影響嚴(yán)重，降低了超聲成像系統(tǒng)對(duì)目標(biāo)的分辨能力，影響了人們對(duì)圖像的理解和自動(dòng)特征的檢測(cè)與提取，限制了醫(yī)學(xué)超聲圖像在臨床診斷中的進(jìn)一步應(yīng)用。對(duì)超聲圖像進(jìn)行降噪處理，是醫(yī)學(xué)超聲圖像處理的重要一環(huán)。超聲圖像降噪算法要在有效抑制散斑噪聲的同時(shí)，保留對(duì)后期的分析和診斷有用的圖像細(xì)節(jié)信息。
圖像降噪技術(shù)一般分為空間域和頻域處理兩類。由于醫(yī)學(xué)超聲圖像處理往往要求實(shí)時(shí)性比較好，而頻率域的傅立葉變換數(shù)據(jù)量大且運(yùn)算時(shí)間長(zhǎng)，因此通常采用空間域降噪方法。常用的空間域線性降噪技術(shù)是鄰域平均法，即將鄰域各點(diǎn)的某種加權(quán)平均作為該點(diǎn)的濾波結(jié)果，其實(shí)質(zhì)就是根據(jù)所取鄰域內(nèi)的信息確定一個(gè)新值來(lái)取代原值，以使它符合某種預(yù)定義的規(guī)則。為了避免引起亮度的偏移，該方法在抑制噪聲的同時(shí)會(huì)引起圖像的模糊和重要細(xì)節(jié)的丟失，不適于醫(yī)學(xué)超聲圖像處理。還有一種多圖像平均方法，若噪聲是互不相關(guān)的零均值加性噪聲，可用該方法來(lái)達(dá)到降噪的目的，該方法在醫(yī)學(xué)超聲圖像應(yīng)用中的最大困難是難以取得多幅精確定位的人體剖面圖像?？臻g域線性降噪算法理論基礎(chǔ)完善、數(shù)學(xué)處理簡(jiǎn)單且易于實(shí)現(xiàn)，但是會(huì)模糊圖像的細(xì)節(jié)，因此它不是圖像濾波的主流，尤其是對(duì)于醫(yī)學(xué)超聲圖像更是如此。
由于線性算法在醫(yī)學(xué)超聲圖像處理上的缺點(diǎn)，非線性醫(yī)學(xué)超聲圖像降噪算法得到了充分的研究和發(fā)展，目前醫(yī)學(xué)超聲圖像的降噪方法主要是中值濾波、小波變換和各向異性擴(kuò)散算法等。基于中值濾波的方法根據(jù)圖像的局部統(tǒng)計(jì)特征來(lái)自動(dòng)選取濾波窗口內(nèi)各點(diǎn)權(quán)值及窗口的大小和形狀，盡管在保留圖像細(xì)節(jié)方面取得了一定效果，但這類基于窗口的平滑方法對(duì)窗口的選擇很敏感，限制了處理效果。基于小波變換的方法將超聲圖像變換到小波域，利用小波閾值處理將某些系數(shù)丟棄，再逆變換以去除噪聲，但在該方法中很難選擇合適的尺度。
基于各向異性擴(kuò)散方程的醫(yī)學(xué)超聲圖像降噪技術(shù)用選擇性擴(kuò)散方式代替了高斯平滑這種各向同性的擴(kuò)散方式，即在圖像的噪聲處有較大的擴(kuò)散系數(shù)，對(duì)圖像平滑較多，而在圖像的邊界處擴(kuò)散系數(shù)較小，使圖像細(xì)節(jié)得到保持。各向異性擴(kuò)散算法為Ix,yt+1=Ix,yt+λ[CN▿NI+CS▿SI+CE▿EI+CW▿WI]x,ytCDir(▿DirI)=exp(-(▿DirIK)2),Dir=N,S,E,W]]>
其中Ix，yt為第t次擴(kuò)散處理的圖像，原圖像可表示為Ix，y0，x、y為圖像像素的坐標(biāo)，DirI為像素在Dir方向上的梯度，即東E、西W、南S和北N。
各向異性擴(kuò)散算法降噪效果很大程度上決定于算法中對(duì)圖像的噪聲和圖像的邊界的灰度變化的不同擴(kuò)散程度的處理。另外，怎樣選取一個(gè)合適的擴(kuò)散截止時(shí)間也是各向異性擴(kuò)散算法的一個(gè)難題，如果對(duì)原圖像進(jìn)行無(wú)限制擴(kuò)散，最終圖像將是初始圖像灰度平均值的單色圖像。
針對(duì)超聲圖像的特點(diǎn)，如何調(diào)整擴(kuò)散參數(shù)，何時(shí)終止擴(kuò)散是需要解決的問(wèn)題。

發(fā)明內(nèi)容本發(fā)明的目的在于提出一種顯著提高了圖像降噪的快速性的使用邊緣信賴度的擴(kuò)散參數(shù)設(shè)置方法，并提出了采用非線性相關(guān)系數(shù)來(lái)衡量擴(kuò)散算法降噪程度的醫(yī)學(xué)超聲圖像各向異性擴(kuò)散降噪方法。
本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的首先計(jì)算每個(gè)像素的邊緣信賴度，并由此確定每個(gè)像素的擴(kuò)散參數(shù)取值；然后進(jìn)行各向異性擴(kuò)散算法降噪，即根據(jù)像素的梯度和擴(kuò)散參數(shù)確定擴(kuò)散程度，同時(shí)更新像素的灰度值；最后計(jì)算此次圖像擴(kuò)散降噪結(jié)果與擴(kuò)散前的圖像的非線性相關(guān)系數(shù)，如果該系數(shù)低于指定值則圖像降噪處理結(jié)束，否則回到上一步，即根據(jù)像素新的梯度和擴(kuò)散參數(shù)確定擴(kuò)散程度，并更新像素的灰度值，直至相鄰兩次圖像的非線性相關(guān)系數(shù)低于指定值。
本發(fā)明包括如下技術(shù)特征第一步，計(jì)算每個(gè)像素的邊緣信賴度，并由此確定每個(gè)像素的擴(kuò)散參數(shù)取值圖像Ix，y的邊緣信賴度ECx，y的計(jì)算方法為，將一個(gè)局部窗口內(nèi)的圖像像素分布看成一個(gè)矢量，將水平和垂直方向的梯度模板看成圖像的兩個(gè)基，圖像梯度就是窗口矢量在這兩個(gè)基上的投影，從而估計(jì)像素所在位置的邊緣方向。隨后通過(guò)計(jì)算像素矢量與同邊緣方向的理想邊緣模板的相似程度來(lái)估計(jì)窗口中心像素的邊緣信賴度。邊緣信賴度在0和1間取值，越大表示是邊緣的可能性越大。若理想邊緣模板為Aref，以像素P為中心的圖像塊在零均值和歸一化處理后用A表示，函數(shù)vec()表示將圖像塊矢量化，則P的邊緣信賴度為ECx，y＝|<vec(A)，vec(Aref)>|邊緣信賴度0.5是邊緣和噪聲的分界點(diǎn)，即擁有大于0.5的邊緣信賴度的像素被認(rèn)為是邊緣，希望擴(kuò)散參數(shù)小些以保持圖像的細(xì)節(jié)，反之邊緣信賴度小于0.5的像素被視為噪聲，要增大其擴(kuò)散程度。
定義每個(gè)像素的擴(kuò)散參數(shù)
Kx,y=Ke4(0.5-ECx,y)λx,y=min(λe(0.5-ECx,y)/2,0.25)]]>此時(shí)Kx，y在0.1353到7.3891倍K之間，λx，y在0.7788到1.2840倍λ之間變化，但不大于0.25(這是保證各向異性擴(kuò)散算法穩(wěn)定的條件)。這里的K和λ是參數(shù)的全局控制參數(shù)，決定了參數(shù)的變化范圍，也是邊緣信賴度為0.5的像素的擴(kuò)散參數(shù)值。
第二步，各向異性擴(kuò)散算法降噪。
利用每個(gè)像素的梯度和對(duì)應(yīng)的擴(kuò)散參數(shù)，各向異性擴(kuò)散算法可改寫為Ix,yt+1=Ix,yt+λx,y[CN▿NI+CS▿SI+CE▿EI+CW▿WI]x,ytCDir=exp(-(▿DirIKx,y)2),Dir=N,S,E,W]]>第三步，計(jì)算Ix，yt+1和Ix，yt的非線性相關(guān)系數(shù)，若大于指定值則停止，否則轉(zhuǎn)到第二步。
非線性相關(guān)系數(shù)的處理如下對(duì)兩個(gè)離散變量X和Y，變量取值個(gè)數(shù)為N，變量可取的狀態(tài)數(shù)為b，狀態(tài)的分布由以下的方式來(lái)確定1)分別將變量X和Y的數(shù)據(jù)按從小到大的順序排列；2)最小的N/b個(gè)值為第一個(gè)狀態(tài)，接下來(lái)的N/b個(gè)值為第二個(gè)狀態(tài)，如此類推，稱每個(gè)狀態(tài)的最小值和最大值為狀態(tài)閾值；3)根據(jù)狀態(tài)閾值將變量對(duì)(x，y)放到b×b個(gè)二維狀態(tài)格中。
此時(shí)對(duì)于變量X或Y的狀態(tài)i，其概率為pi=N/bN=1b,]]>變量X和Y的聯(lián)合概率pij=nijN,]]>其中nij是在第(i，j)個(gè)二維狀態(tài)格中變量X和Y對(duì)的個(gè)數(shù)。N個(gè)數(shù)據(jù)對(duì)在狀態(tài)格中的分配蘊(yùn)含著兩個(gè)變量間統(tǒng)計(jì)意義上的普遍相關(guān)性。
非線性相關(guān)系數(shù)定義為Ir(X；Y)＝Hr(X)+Hr(Y)-Hr(X，Y)Hr(X)為改進(jìn)過(guò)的變量X的熵，Hr(X，Y)為改進(jìn)的變量X和Y聯(lián)合熵Hr(X)=-Σi=1bpilogbpi]]>Hr(X,Y)=-Σi=1bΣj=1bpijlogbpij]]>則非線性相關(guān)系數(shù)可以重寫為
Ir(X,Y)=2*(-Σi=1b1blogb1b)+Σi=1b2pilogbpi=2+Σi=1bΣj=1bpijlogbpij]]>指定值一般根據(jù)經(jīng)驗(yàn)取0.6左右。
本發(fā)明中，引入邊緣信賴度，解決擴(kuò)散參數(shù)調(diào)整問(wèn)題。具體方法為邊緣信賴度結(jié)合了模型匹配和圖像基函數(shù)兩種思想的概念，將一個(gè)局部窗口內(nèi)的圖像像素分布看成一個(gè)矢量，將水平和垂直方向的梯度模板看成圖像的兩個(gè)基，圖像梯度就是窗口矢量在這兩個(gè)基上的投影，從而估計(jì)像素所在位置的邊緣方向。隨后通過(guò)計(jì)算像素矢量與同邊緣方向的理想邊緣模板的相似程度來(lái)估計(jì)窗口中心像素的邊緣信賴度。邊緣信賴度在0和1間取值，越大表示是邊緣的可能性越大。與梯度相比，邊緣信賴度受噪聲的影響較小，且基本能指示出正確的邊緣位置和強(qiáng)度。
引入非線性相關(guān)系數(shù)，解決擴(kuò)散何時(shí)終止問(wèn)題。具體方法為線性相關(guān)系數(shù)基于互信息的定義，以
之間的值來(lái)表征兩個(gè)變量間非線性相關(guān)程度的強(qiáng)弱，0表示最弱，1表示最強(qiáng)。本發(fā)明將針對(duì)醫(yī)學(xué)超聲圖像的特點(diǎn)，結(jié)合邊緣信賴度來(lái)調(diào)整各向異性擴(kuò)散算法中參數(shù)的設(shè)置，使每一個(gè)像素在初始時(shí)就處于不同的擴(kuò)散條件中，增強(qiáng)了各向異性擴(kuò)散算法的局部適應(yīng)性，并利用非線性相關(guān)系數(shù)來(lái)衡量相鄰兩幅圖像的相似性，并以此作為擴(kuò)散算法的停止標(biāo)準(zhǔn)，避免了圖像被過(guò)度平滑。
結(jié)合圖1-圖4，本發(fā)明在各向異性擴(kuò)散算法中增加了反映圖像局部信息的基于邊緣信賴度的擴(kuò)散參數(shù)設(shè)置使得降噪結(jié)果獲得明顯提高，并提出了基于非線性相關(guān)系數(shù)的擴(kuò)散算法停止判定，使算法可根據(jù)運(yùn)算結(jié)果自動(dòng)停止。本發(fā)明給出了擴(kuò)散參數(shù)調(diào)整具體方法和擴(kuò)散終止判別方法，提高了超聲圖像降噪的各向異性擴(kuò)散算法的實(shí)用性，克服了以往的各向異性擴(kuò)散算法中參數(shù)設(shè)置適應(yīng)性不強(qiáng)的問(wèn)題。


圖1-圖4為本發(fā)明的實(shí)驗(yàn)結(jié)果，其中圖1為帶有散斑噪聲的醫(yī)學(xué)超聲原圖像，圖2為對(duì)圖像進(jìn)行本發(fā)明的方法處理后的邊緣提取結(jié)果，圖3為對(duì)圖像進(jìn)行各向異性擴(kuò)散算法處理后的邊緣提取結(jié)果，圖4為對(duì)圖像進(jìn)行中值濾波處理后的邊緣提取結(jié)果。
圖5為本發(fā)明的過(guò)程框圖。
具體實(shí)施方式
下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述結(jié)合圖5，本實(shí)施例的步驟為第一步，計(jì)算每個(gè)像素的邊緣信賴度，并由此確定每個(gè)像素的擴(kuò)散參數(shù)取值。第二步，各向異性擴(kuò)散算法降噪。第三步，計(jì)算Ix，yt+1和Ix，yt的非線性相關(guān)系數(shù)，若大于指定值則停止，否則轉(zhuǎn)到第二步。
結(jié)合圖1，基于本發(fā)明的擴(kuò)散方法和各向異性擴(kuò)散算法的K和λ相同，擴(kuò)散算法的參數(shù)設(shè)置為K＝30，λ＝0.15，非線性相關(guān)系數(shù)的閾值為0.61。由于邊緣信賴度對(duì)噪聲不敏感，只在擴(kuò)散算法開始時(shí)計(jì)算邊緣信賴度，在循環(huán)過(guò)程中不再計(jì)算，這樣方法的計(jì)算量只增加了少許。本發(fā)明的擴(kuò)散方法處理過(guò)程中，非線性相關(guān)系數(shù)的指定值為0.61，迭代1次后自動(dòng)停止。常規(guī)各向異性擴(kuò)散算法計(jì)算過(guò)程中非線性相關(guān)系數(shù)＝0.59、0.62，迭代2次后停止。從而可以看出，本發(fā)明的處理方法降噪速度比常規(guī)各向異性擴(kuò)散算法快。比較邊緣檢測(cè)出來(lái)的結(jié)果，本發(fā)明的擴(kuò)散方法在保留了邊緣的前提下，降噪能力好于常規(guī)各向異性擴(kuò)散算法和中值濾波算法。
綜上所述，對(duì)于醫(yī)學(xué)超聲圖像的降噪，本發(fā)明的處理方法能夠得到更好的結(jié)果圖像。
權(quán)利要求
1.一種醫(yī)學(xué)超聲圖像各向異性擴(kuò)散降噪方法，其特征在于，首先計(jì)算每個(gè)像素的邊緣信賴度，并由此確定每個(gè)像素的擴(kuò)散參數(shù)取值；然后進(jìn)行各向異性擴(kuò)散算法降噪，即根據(jù)像素的梯度和擴(kuò)散參數(shù)確定擴(kuò)散程度，同時(shí)更新像素的灰度值；最后計(jì)算此次圖像擴(kuò)散降噪結(jié)果與擴(kuò)散前的圖像的非線性相關(guān)系數(shù)，如果該系數(shù)低于指定值則圖像降噪處理結(jié)束，否則回到上一步，即根據(jù)像素新的梯度和擴(kuò)散參數(shù)確定擴(kuò)散程度，并更新像素的灰度值，直至相鄰兩次圖像的非線性相關(guān)系數(shù)低于指定值。
2.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)超聲圖像各向異性擴(kuò)散降噪方法，其特征在于，所述的計(jì)算每個(gè)像素的邊緣信賴度的方法為假設(shè)圖像Ix，y的邊緣信賴度為ECx，y，理想邊緣模板為Aref，以像素P為中心的圖像塊在零均值和歸一化處理后用A表示，函數(shù)vec()表示將圖像塊矢量化，則像素P的邊緣信賴度為ECx，y＝|<vec(A)，vec(Aref)>|。
3.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)超聲圖像各向異性擴(kuò)散降噪方法，其特征在于，所述的確定每個(gè)像素的擴(kuò)散參數(shù)取值的方法為定義每個(gè)像素的擴(kuò)散參數(shù)K和λKx,y=Ke4(0.5-ECx,y)λx,y=min(λe(0.5-ECx,y)/2,0.25)]]>Kx，y在0.1353到7.3891倍K之間，λx，y在0.7788到1.2840倍λ之間變化，但不大于0.25。
4.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)超聲圖像各向異性擴(kuò)散降噪方法，其特征在于，所述的非線性相關(guān)系數(shù)的計(jì)算步驟為對(duì)兩個(gè)離散變量X和Y，變量取值個(gè)數(shù)為N，變量可取的狀態(tài)數(shù)為b，狀態(tài)的分布由以下的方式來(lái)確定1)分別將變量X和Y的數(shù)據(jù)按從小到大的順序排列；2)最小的N/b個(gè)值為第一個(gè)狀態(tài)，接下來(lái)的N/b個(gè)值為第二個(gè)狀態(tài)，如此類推，稱每個(gè)狀態(tài)的最小值和最大值為狀態(tài)閾值；3)根據(jù)狀態(tài)閾值將變量對(duì)(x，y)放到b×b個(gè)二維狀態(tài)格中。
全文摘要
本發(fā)明提供了一種醫(yī)學(xué)超聲圖像各向異性擴(kuò)散降噪方法。首先計(jì)算每個(gè)像素的邊緣信賴度，并由此確定每個(gè)像素的擴(kuò)散參數(shù)取值；然后進(jìn)行各向異性擴(kuò)散算法降噪，即根據(jù)像素的梯度和擴(kuò)散參數(shù)確定擴(kuò)散程度，同時(shí)更新像素的灰度值；最后計(jì)算此次圖像擴(kuò)散降噪結(jié)果與擴(kuò)散前的圖像的非線性相關(guān)系數(shù)，如果該系數(shù)低于指定值則圖像降噪處理結(jié)束，否則回到上一步，即根據(jù)像素新的梯度和擴(kuò)散參數(shù)確定擴(kuò)散程度，并更新像素的灰度值，直至相鄰兩次圖像的非線性相關(guān)系數(shù)低于指定值。本發(fā)明顯著提高了擴(kuò)散算法進(jìn)行圖像降噪的適應(yīng)性，有著廣泛的應(yīng)用前景。
文檔編號(hào)A61B8/00GK101075345SQ200710072410
公開日2007年11月21日 申請(qǐng)日期2007年6月27日 優(yōu)先權(quán)日2007年6月27日
發(fā)明者沈毅, 蘆蓉 申請(qǐng)人:哈爾濱工業(yè)大學(xué)