專利名稱：基于pcnn的小波域超聲醫(yī)學(xué)圖像去噪方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種小波域超聲醫(yī)學(xué)圖像去噪方法，尤其涉及一種基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪方法。

背景技術(shù)：
超聲醫(yī)學(xué)成像因?yàn)榫哂袑?duì)人體無(wú)損害、能夠?qū)崟r(shí)顯示器官、成本低、使用方便等優(yōu)點(diǎn)而成為臨床醫(yī)學(xué)輔助診斷的重要手段之一。然而，超聲成像過(guò)程中產(chǎn)生的斑點(diǎn)噪聲降低了圖片的質(zhì)量，使圖像細(xì)節(jié)信息不易辨別，由于超聲醫(yī)學(xué)圖像的細(xì)節(jié)信息在臨床輔助診斷中起著關(guān)鍵性的作用，因此，在去除斑點(diǎn)噪聲的同時(shí)保持超聲醫(yī)學(xué)圖像的細(xì)節(jié)信息成為超聲醫(yī)學(xué)圖像領(lǐng)域的一個(gè)重要的研究課題。
脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network，PCNN)是一種不同于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的新型神經(jīng)網(wǎng)絡(luò)，PCNN有著生物學(xué)的背景，是根據(jù)對(duì)動(dòng)物的大腦視覺(jué)皮層同步脈沖發(fā)放所獲得的實(shí)驗(yàn)結(jié)果建立來(lái)的一種神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型(見(jiàn)文獻(xiàn)[1]Ma Yide，Lin Dongmei，Zhang Beidou，ect.A novel algorithm ofimage gaussian noise filtering based on PCNN time matrix[C].2007IEEEInternational Conference on Signal Processing and Communication，20071499-1502；[2]Zhang Hongjuan，Zhang Zongnian，Lin Dongmei，Ma Yide.A novelimage de-noising algorithm combined PCNN with morphology[C].2007International Symposium on Intelligent Signal Processing and CommunicationSystems，2007281-284；[3]李敏，蔡騁，談?wù)?基于修正PCNN的多傳感器圖像融合方法[J].中國(guó)圖象圖形學(xué)報(bào)，2008.13(2)284-290.[4]馬義德，史飛，李廉，等.一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的脈沖噪聲濾波器設(shè)計(jì)[J].生物醫(yī)學(xué)工程學(xué)雜志，2004，21(6)1019-1023；[5]于江波，陳后金.PCNN模型的改進(jìn)及其在醫(yī)學(xué)圖像處理中的應(yīng)用[J].電子與信息學(xué)報(bào)，2007，29(10)2316-2320)。PCNN在圖像處理中的應(yīng)用已經(jīng)取得巨大成果。用PCNN對(duì)椒鹽噪聲進(jìn)行去噪，幾乎不會(huì)給圖像帶來(lái)污點(diǎn)或使圖像模糊，這是因?yàn)镻CNN是基于圖像灰度的，每次迭代檢測(cè)時(shí)總是找到最大灰度值的位置，然后利用相應(yīng)的濾波方法將該點(diǎn)濾除，對(duì)周圍的像素不會(huì)帶來(lái)污染。但對(duì)于受斑點(diǎn)噪聲污染的圖像，由于PCNN不能準(zhǔn)確確定噪聲的準(zhǔn)確位置，其去噪效果不太理想。
小波變換被認(rèn)為是用于恢復(fù)信號(hào)的一種有效的工具，小波變換的長(zhǎng)處在于它能夠生成含有輸入信息顯著特性的系數(shù)并且能夠?qū)π盘?hào)進(jìn)行由粗及精的逐級(jí)多分辨率分析，其處理后圖像的信號(hào)/均方誤差比高，但現(xiàn)有的各種基于小波的去噪算法在某種程度上都會(huì)造成圖像的邊緣模糊(見(jiàn)文獻(xiàn)[6]田勇，郭建征，馬義德等.小波變換與PCNN在圖像處理中的比較與結(jié)合[J]甘肅科學(xué)學(xué)報(bào)，2006，12(4)53-55)。對(duì)超聲圖像來(lái)說(shuō)，邊緣模糊會(huì)影響對(duì)病變的正確判斷。


發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)存在的缺陷，發(fā)明了一種基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪方法。
本發(fā)明基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪方法，其特征在于包括如下步驟 第一步將噪聲圖像經(jīng)過(guò)對(duì)數(shù)變換得到對(duì)數(shù)圖像，使噪聲圖像中的斑點(diǎn)噪聲變?yōu)榧有栽肼暎? 第二步將第一步所述的對(duì)數(shù)圖像經(jīng)過(guò)小波變換得到小波系數(shù)，提取小波系數(shù)絕對(duì)值的最大值wmax，并建立絕對(duì)值最大值矩陣W，下同。同時(shí)提取高頻小波系數(shù)的符號(hào)建立水平方向高頻系數(shù)符號(hào)矩陣sign(H)、垂直方向高頻系數(shù)符號(hào)矩陣sign(V)和對(duì)角方向高頻系數(shù)符號(hào)矩陣sign(D)，其中sign(·)表示取符號(hào)函數(shù)，H、V和D分別表示水平方向、垂直方向和對(duì)角方的高頻小波系數(shù)矩陣，下同； 第三步將第二步所述的三個(gè)方向的高頻系數(shù)矩陣經(jīng)過(guò)絕對(duì)值變換得到水平方向絕對(duì)值矩陣abs(H)、垂直方向絕對(duì)值矩陣abs(V)和對(duì)角方向絕對(duì)值矩陣abs(D)，將第二步所述的小波系數(shù)絕對(duì)值最大值矩陣W分別與水平方向、垂直方向和對(duì)角方向絕對(duì)值矩陣作差得到新的絕對(duì)值矩陣abs(H1)＝W-abs(H)、abs(V1)＝W-abs(V)和abs(D1)＝W-abs(D)，其中，abs(·)表示取絕對(duì)值，下同； 第四步將第三步所述的新的絕對(duì)值矩陣abs(H1)、abs(V1)和abs(D1)經(jīng)過(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN迭代處理，對(duì)每次迭代滿足條件的小波系數(shù)增加閾值δ的倍數(shù)(倍數(shù)取0～1之間的值)來(lái)改變小波系數(shù)，當(dāng)改變后的小波系數(shù)超過(guò)絕對(duì)值最大值wmax，則將該小波系數(shù)變?yōu)樾〔ㄏ禂?shù)絕對(duì)值的最大值wmax； 第五步采用第二步所述的小波系數(shù)絕對(duì)值的最大值矩陣W分別減去第四步所述的經(jīng)過(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN處理后的絕對(duì)值矩陣abs(H1)、abs(V1)和abs(D1)得到絕對(duì)值矩陣abs(H2)＝W-abs(H)、abs(V2)＝W-abs(H)和abs(D2)＝W-abs(H)，將第二步所述的水平方向高頻系數(shù)符號(hào)矩陣sign(H)與絕對(duì)值矩陣abs(H2)進(jìn)行向量相乘；垂直方向高頻系數(shù)符號(hào)矩陣sign(V)與絕對(duì)值矩陣abs(V2)進(jìn)行向量相乘；對(duì)角方向高頻系數(shù)符號(hào)矩陣sign(D)與絕對(duì)值矩陣abs(D2)進(jìn)行向量相乘得到更新的小波系數(shù)； 第六步將第五步所述的更新后的小波系數(shù)經(jīng)過(guò)小波逆變換和指數(shù)變換得到去噪圖像。
PCNN具有相似神經(jīng)元同步激發(fā)性質(zhì)和脈沖噪聲點(diǎn)與其所在圖像灰度值之間存在明顯差異的特點(diǎn)，決定了脈沖噪聲像素對(duì)應(yīng)神經(jīng)元超前(或者延遲)與其所在區(qū)域相鄰神經(jīng)元同步激發(fā)，因此，可通過(guò)PCNN找出噪聲點(diǎn)所在位置，并通過(guò)修改灰度值來(lái)達(dá)到去噪的目的，本發(fā)明借鑒此思想和小波去噪的思想，提出一種小波域的PCNN超聲醫(yī)學(xué)圖像去噪方法，該方法同小波相比，去噪后圖像的邊緣更清晰，并且能夠更好的保留圖像細(xì)節(jié)和提高了信號(hào)/均方誤差比；同PCNN相比，改善了PCNN在去除斑點(diǎn)噪聲時(shí)難以確定模型參數(shù)和步長(zhǎng)的缺點(diǎn)，去噪后圖像的信號(hào)/均方誤差比更高。



圖1PCNN單個(gè)神經(jīng)元模型圖； 圖2PCNN降噪算法流程圖； 圖3本發(fā)明方法與其它方法去噪結(jié)果的比較結(jié)果圖，(a)信號(hào)/均方誤差比的比較圖(b)邊緣保留系數(shù)的比較圖； 圖4本發(fā)明實(shí)施例性能比較圖(a)原圖像(b)噪聲圖像(c)小波去噪(d)PCNN-1(e)PCNN-2(f)PCNN-WD； 圖5本發(fā)明方法與其它方法對(duì)膀胱癌圖像濾波結(jié)果的比較圖(a)原圖像(b)噪聲圖像(c)小波去噪(d)PCNN-1(e)PCNN-2(f)PCNN-WD。

具體實(shí)施例方式 1.斑點(diǎn)噪聲 對(duì)超聲圖像進(jìn)行去噪，首先要建立斑點(diǎn)噪聲模型。在不同的成像系統(tǒng)中斑點(diǎn)噪聲對(duì)成像的影響表現(xiàn)不同，不過(guò)已經(jīng)證明斑點(diǎn)噪聲是由于成像系統(tǒng)內(nèi)在波束產(chǎn)生的，有共同的噪聲模型(見(jiàn)文獻(xiàn)[7]J.W.Goodman，A.K.Jain，F(xiàn)und-amental of Digital Image Processing.NJPrentice-Hall，1989)。假設(shè)I為噪聲圖像，S為原圖像，ηm(m表示乘性)為乘性噪聲，ηa(a表示加性)為加性噪聲，則噪聲圖像模型可以被寫為 I(i，j)＝S(i，j)·ηm(i，j)+ηa(i，j)，(i，j)∈Z2(1) 式中，i和j分別表示行和列，I(i，j)表示噪聲圖像第i行第j列的灰度值；S(i，j)表示原圖像第i行第j列的灰度；ηm(i，j)表示第i行第j列的乘性噪聲值；ηa(i，j)表示第i行第j列的加性噪聲值；(i，j)∈Z2表示像素點(diǎn)的定義域，下同。通常加性噪聲對(duì)超聲圖像的影響很小，因此，可以忽略ηa，式(1)可以改為 I(i，j)＝S(i，j)·ηm(i，j)(2) 對(duì)式(2)兩邊取對(duì)數(shù)變換，將乘性噪聲變?yōu)榧有栽肼?，? logI(i，j)＝logS(i，j)+logηm(i，j)(3) 式(3)可以改寫為 f(i，j)＝g(i，j)+o(i，j) (4) 其中，log(·)表示以10為底的常用對(duì)數(shù)，f(i，j)，g(i，j)和o(i，j)分別表示I(i，j)，S(i，j)和ηm(i，j)的對(duì)數(shù)，o為白噪聲，這樣就可以用處理加性噪聲的方法來(lái)處理斑點(diǎn)噪聲，如小波去噪。
2.PCNN 2.1PCNN模型 如圖1所示。簡(jiǎn)化的PCNN單個(gè)神經(jīng)元模型(見(jiàn)文獻(xiàn)[8]Ma Yide，Shi Fei，LiLian.A new kind of impulse noise filter based on PCNN[C].IEEE ICNNSP，2003，1(1)152-155；[9]Ma Yide，Shi Fei，Li Lian.Gaussian noise filter based on PCNN[C].IEEE ICNNSP，2003，1(1)149-151)，其神經(jīng)元按式(5)～式(9)進(jìn)行迭代計(jì)算。
Fij[n]＝Sij(5) Lij[n]＝∑wijklYkl[n-1](6) Uij[n]＝Fij[n](1+βLij[n]) (7)
Eij[n]＝exp(-α)Eij[n-1]+VYkl[n-1] (9) 式中，n為迭代次數(shù)；Fij[n]、Lij[n]分別為第(i，j)個(gè)神經(jīng)元第n次迭代時(shí)的反饋輸入和連接輸入；Sij為第(i，j)個(gè)神經(jīng)元外部輸入刺激信號(hào)；β為突觸之間連接強(qiáng)度常數(shù)；Uij[n]為第(i，j)個(gè)神經(jīng)元第n次迭代時(shí)的內(nèi)部活動(dòng)項(xiàng)；Eij[n]為第(i，j)個(gè)神經(jīng)元第n次迭代時(shí)的動(dòng)態(tài)閾值；Yij[n]為PCNN脈沖第(i，j)個(gè)神經(jīng)元第n次迭代時(shí)輸出；內(nèi)部連接矩陣Wijkl為L(zhǎng)ij[n]中Ykl[n-1](其中，Lij[n]為第(i，j)個(gè)神經(jīng)元第n次迭代時(shí)的連接輸入，Ykl[n-1]表示第(i，j)個(gè)神經(jīng)元第n-1次迭代時(shí)以第(i，j)個(gè)神經(jīng)元為中心的3×3鄰域矩陣的中的第k行第l列的Y值，k表示行，1≤k≤3，l表示列，1≤l≤3)的加權(quán)系數(shù)；V為Eij[n]的幅度常數(shù)；α為衰減系數(shù)。
2.2PCNN去噪模型 如圖2所示。在用PCNN進(jìn)行圖像處理時(shí)，將一個(gè)二維PCNN網(wǎng)絡(luò)的M×N個(gè)神經(jīng)元分別與二維輸入圖像的M×N(其中，M、N，M×N表示圖像大小)個(gè)像素相對(duì)應(yīng)，在第一次迭代時(shí)，神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)就等于外部刺激Sij，如Sij大于閾值，這時(shí)神經(jīng)元輸出為1，為自然激活，此時(shí)其閾值Eij[n]將急劇增大，然后隨時(shí)間指數(shù)衰減。在此之后的各次迭代中，被激活的神經(jīng)元通過(guò)與之相鄰神經(jīng)元的連接作用激勵(lì)鄰接神經(jīng)元，若鄰接神經(jīng)元與前一個(gè)迭代激活的神經(jīng)元所對(duì)應(yīng)的像素具有相似強(qiáng)度，則鄰接神經(jīng)元容易被捕獲激活，反之不能被捕獲激活。因此，利用某一神經(jīng)元的自然激活會(huì)觸發(fā)其周邊相似神經(jīng)元的集體激活，產(chǎn)生脈動(dòng)輸出序列Y[n]，且它們形成了一個(gè)神經(jīng)元集群，從而可實(shí)現(xiàn)對(duì)圖像的去噪處理。
PCNN的相似神經(jīng)元同步激發(fā)和產(chǎn)生脈沖串輸出特性能夠?qū)崿F(xiàn)噪聲檢測(cè)功能，因?yàn)槊}沖噪聲點(diǎn)與其所在圖像像素灰度值之間有很大的差異，亮點(diǎn)脈沖噪聲首先激發(fā)，根據(jù)PCNN的輸出脈沖來(lái)控制灰度值的修改，從而達(dá)到去除噪聲的目的。
3.圖像的小波變換 3.1圖像的小波分解和重構(gòu) Mallat在Burt和A delson的塔形圖像分解和重構(gòu)算法的啟發(fā)下，提出了小波變換Mallat快速算法。
若設(shè)H(低通)和G(高通)為兩個(gè)一維鏡像濾波算子，其下標(biāo)i和j分別對(duì)應(yīng)于圖像的行和列，則按照二維Mallat算法，在尺度r-1上有如下的Mallat分解公式 式中，H(低通)和G(高通)為兩個(gè)一維鏡像濾波算子，其下標(biāo)i和j分別對(duì)應(yīng)于圖像的行和列，Cr(r表示分解尺度，為整數(shù))、Drh、Drv、Drd分別對(duì)應(yīng)于圖像Cr-1的低頻成分、垂直方向上的高頻成分、水平方向上、對(duì)角方向上的高頻成分，上標(biāo)h、v和d分別表示水平方向、垂直方向和對(duì)角方向，下同。Cr(r表示分解尺度，下同)、Drh、Drv、Drd分別對(duì)應(yīng)于圖像Cr-1的低頻成分、垂直方向上的高頻成分、水平方向上、對(duì)角方向上的高頻成分，與之對(duì)應(yīng)的二維圖像的Mallat重構(gòu)公式為 式中，H*、G*分別為H、G的共軛轉(zhuǎn)置矩陣。
3.2小波去噪思想 圖像經(jīng)小波變換以后，信號(hào)的能量集中于少數(shù)幾個(gè)幅值較大的小波系數(shù)上，而噪聲能量則分布于大部分幅值比較小的小波系數(shù)上。利用小波變換的這一解相關(guān)性質(zhì)，可以方便地修改小波系數(shù)(見(jiàn)文獻(xiàn)[10]李虹，王惠南，翁曉光等.基于二進(jìn)小波閾值決策的血管內(nèi)超聲圖像噪聲抑制[J].南京航空航天大學(xué)學(xué)報(bào)，2008，40(3)340-344)。小波閾值去噪方法的基本思想是噪聲和信號(hào)經(jīng)多尺度分解得到的小波系數(shù)具有不同的分布特性，噪聲主要在高頻段，對(duì)應(yīng)絕對(duì)值較小的小波系數(shù)，信號(hào)主要在低頻段，對(duì)應(yīng)絕對(duì)值較大的小波系數(shù)。含噪信號(hào)中大于一定的閾值的小波系數(shù)，認(rèn)為此系數(shù)含信號(hào)分量，予以保留；對(duì)小于該閾值的小波系數(shù)，認(rèn)為此系數(shù)不含信號(hào)分量，只是噪聲作用的結(jié)果，應(yīng)予以濾除。
4.基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪方法(PCNN-WD) 基于以上分析，采用小波去噪和PCNN去噪的思想，發(fā)明了基于PCNN小波域斑點(diǎn)噪聲去除方法。該方法的思想是首先對(duì)噪聲圖像進(jìn)行對(duì)數(shù)變換，再通過(guò)小波變換將噪聲變?yōu)樾〔ㄏ禂?shù)絕對(duì)值較小的值，借鑒PCNN對(duì)椒鹽噪聲去噪的思想，用各層小波系數(shù)絕對(duì)值的最大值減去各層小波系數(shù)的絕對(duì)值，使絕對(duì)值最小的小波系數(shù)值變?yōu)樽畲笾担瑧?yīng)用PCNN修改灰度值的方法來(lái)修改小波系數(shù)，達(dá)到去噪的目的。我們以單層小波分解為例，說(shuō)明PCNN-WD方法，其具體過(guò)程如下 第一步將噪聲圖像經(jīng)過(guò)對(duì)數(shù)變換得到對(duì)數(shù)圖像，使噪聲圖像中的斑點(diǎn)噪聲變?yōu)榧有栽肼暎? 第二步將第一步所述的對(duì)數(shù)圖像經(jīng)過(guò)小波變換得到小波系數(shù)，提取小波系數(shù)絕對(duì)值的最大值wmax，并建立絕對(duì)值最大值矩陣W，下同。同時(shí)提取高頻小波系數(shù)的符號(hào)建立水平方向高頻系數(shù)符號(hào)矩陣sign(H)、垂直方向高頻系數(shù)符號(hào)矩陣sign(V)和對(duì)角方向高頻系數(shù)符號(hào)矩陣sign(D)，其中sign(·)表示取符號(hào)函數(shù)，H、V和D分別表示水平方向、垂直方向和對(duì)角方的高頻小波系數(shù)矩陣，下同； 第三步將第二步所述的三個(gè)方向的高頻系數(shù)矩陣經(jīng)過(guò)絕對(duì)值變換得到水平方向絕對(duì)值矩陣abs(H)、垂直方向絕對(duì)值矩陣abs(V)和對(duì)角方向絕對(duì)值矩陣abs(D)，將第二步所述的小波系數(shù)絕對(duì)值最大值矩陣W分別與水平方向、垂直方向和對(duì)角方向絕對(duì)值矩陣作差得到新的絕對(duì)值矩陣abs(H1)＝W-abs(H)、abs(V1)＝W-abs(V)和abs(D1)＝W-abs(D)，其中，abs(·)表示取絕對(duì)值，下同； 第四步將第三步所述的新的絕對(duì)值矩陣abs(H1)、abs(V1)和abs(D1)經(jīng)過(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN迭代處理，對(duì)每次迭代滿足條件的小波系數(shù)增加閾值δ的倍數(shù)(倍數(shù)取0～1之間的值)來(lái)改變小波系數(shù)，當(dāng)改變后的小波系數(shù)超過(guò)絕對(duì)值最大值wmax，則將該小波系數(shù)變?yōu)樾〔ㄏ禂?shù)絕對(duì)值的最大值wmax； 第五步采用第二步所述的小波系數(shù)絕對(duì)值的最大值矩陣W分別減去第四步所述的經(jīng)過(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN處理后的絕對(duì)值矩陣abs(H1)、abs(V1)和abs(D1)得到絕對(duì)值矩陣abs(H2)＝W-abs(H)、abs(V2)＝W-abs(H)和abs(D2)＝W-abs(H)，將第二步所述的水平方向高頻系數(shù)符號(hào)矩陣sign(H)與絕對(duì)值矩陣abs(H2)進(jìn)行向量相乘；垂直方向高頻系數(shù)符號(hào)矩陣sign(V)與絕對(duì)值矩陣abs(V2)進(jìn)行向量相乘；對(duì)角方向高頻系數(shù)符號(hào)矩陣sign(D)與絕對(duì)值矩陣abs(D2)進(jìn)行向量相乘得到更新的小波系數(shù)； 第六步將第五步所述的更新后的小波系數(shù)經(jīng)過(guò)小波逆變換和指數(shù)變換得到去噪圖像。
經(jīng)過(guò)多次實(shí)驗(yàn)，本發(fā)明方法參數(shù)選用Wijkl＝
，β＝0.1，α＝0.1，V＝1.2*(wmax-δ)，步長(zhǎng)Δ＝b·δ(b的取值要根據(jù)迭代次數(shù)而定，b過(guò)小去噪效果不明顯，過(guò)大容易造成圖像模糊。在本發(fā)明中對(duì)所有實(shí)驗(yàn)都是進(jìn)行5次迭代，b＝0.5，這里是為了顯示本發(fā)明方法具有通用性。如果想要得到對(duì)不同噪聲處理的更好的結(jié)果，可以在噪聲大時(shí)適當(dāng)?shù)脑黾觔和迭代次數(shù)，噪聲小時(shí)，可適當(dāng)?shù)臏p小b和迭代次數(shù)，如果想要更好的保留圖像細(xì)節(jié)，可以減小b和增加迭代次數(shù))，并按上述方法進(jìn)行二次小波分解來(lái)處理圖像。
5實(shí)施實(shí)例 為了驗(yàn)證本發(fā)明方法(PCNN-WD)的有效性，用膀胱腫瘤和膀胱癌圖像去噪進(jìn)行仿真實(shí)驗(yàn)，并與PCNN和PCNN-1(PCNN和中值濾波的混合去噪方法)、PCNN-2(PCNN和修改灰度值的混合去噪方法)進(jìn)行比較。
本發(fā)明所有實(shí)驗(yàn)是在Matlab7.0環(huán)境下編程實(shí)現(xiàn)的，并且采用信號(hào)/均方誤差比(S/MSE)和邊緣保留評(píng)價(jià)系數(shù)ρ作為評(píng)價(jià)標(biāo)準(zhǔn)，其中，信號(hào)/均方誤差比定義為 式中，fi表示原圖像像第i個(gè)素值，

為去噪后圖像的第i個(gè)像素值。N表示圖像的像素點(diǎn)的總個(gè)數(shù)。
邊緣保留評(píng)價(jià)參數(shù)ρ定義為 式中，Δf、

分別是對(duì)原圖像f和去噪后圖像

經(jīng)過(guò)3×3的Laplacian算子邊緣抽取得到的結(jié)果，其中，f1、f2分別表示兩幅圖像，f1(i，j)表示f1中第(i，j)個(gè)像素點(diǎn)的像素值，f2(i，j)表示f2中第(i，j)個(gè)像素點(diǎn)的像素值，ROI表示像素點(diǎn)定義域。
如圖3所示。通過(guò)對(duì)膀胱腫瘤圖像添加不同方差的斑點(diǎn)噪聲作為實(shí)驗(yàn)圖像，將本發(fā)明方法與PCNN和中值濾波的混合去噪方法(PCNN-1)、PCNN和修改灰度值的混合去噪方法(PCNN-2)(見(jiàn)文獻(xiàn)[8]Ma Yide，Shi Fei，Li Lian.A newkind of impulse noise filter based on PCNN[C].IEEE ICNNSP，2003，1(1)152-155.[9]Ma Yide，Shi Fei，Li Lian.Gaussian noise filter based on PCNN[C].IEEEICNNSP，2003，1(1)149-151)、小波去噪方法進(jìn)行比較。
如圖4和圖5所示。對(duì)膀胱腫瘤和膀胱癌圖像添加噪聲方差σ＝0.005時(shí)，各種法去噪結(jié)果的性能比較，如表1所示。
表1噪聲方差σ＝0.005時(shí)，采用不同濾波方法處理結(jié)果的性能比較
圖3和表1表明，本發(fā)明PCNN-WD方法去噪后信號(hào)/均方誤差比和邊遠(yuǎn)保留系數(shù)都比PCNN-1、PCNN-2和小波方法要高，說(shuō)明本發(fā)明PCNN-WD方法不僅能有效的去除噪聲而且能夠有效的圖像的細(xì)節(jié)信息。通過(guò)PCNN識(shí)別噪聲進(jìn)行去噪，能夠更好的保留細(xì)節(jié)信息，同時(shí)通過(guò)逐次迭代修改小波系數(shù)，可以有效的防止由于小波系數(shù)驟減(如小波硬閾值去噪)產(chǎn)生偽吉布斯效應(yīng)等偽象。
圖4和圖5表明，本發(fā)明PCNN-WD方法同小波去噪方法相比，去噪后圖像的邊緣更清晰，圖像細(xì)節(jié)信息得到更好的保留，整體視覺(jué)效果更好，更接近原圖像；PCNN-1方法雖能很好地保留圖像的邊緣，但對(duì)噪聲的濾除不理想，并且造成部分的細(xì)節(jié)丟失；PCNN-2處理后圖像的整體灰度值減小，導(dǎo)致圖像過(guò)暗，并且還存在相當(dāng)一部分斑點(diǎn)噪聲。通過(guò)以上分析，可以證明本發(fā)明PCNN-WD方法同PCNN方法和小波方法相比，不僅在有效的去除了斑點(diǎn)噪聲的同時(shí)很好的保留了圖像的細(xì)節(jié)信息，而且改善了圖像的整體視覺(jué)效果。
權(quán)利要求
1.一種基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪方法，其特征在于包括如下步驟
第一步將噪聲圖像經(jīng)過(guò)對(duì)數(shù)變換得到對(duì)數(shù)圖像，使噪聲圖像中的斑點(diǎn)噪聲變?yōu)榧有栽肼暎?br> 第二步將第一步所述的對(duì)數(shù)圖像經(jīng)過(guò)小波變換得到小波系數(shù)，提取小波系數(shù)絕對(duì)值的最大值wmax，并建立絕對(duì)值最大值矩陣W，下同。同時(shí)提取高頻小波系數(shù)的符號(hào)建立水平方向高頻系數(shù)符號(hào)矩陣sign(H)、垂直方向高頻系數(shù)符號(hào)矩陣sign(V)和對(duì)角方向高頻系數(shù)符號(hào)矩陣sign(D)，其中sign(·)表示取符號(hào)函數(shù)，H、V和D分別表示水平方向、垂直方向和對(duì)角方的高頻小波系數(shù)矩陣，下同；
第三步將第二步所述的三個(gè)方向的高頻系數(shù)矩陣經(jīng)過(guò)絕對(duì)值變換得到水平方向絕對(duì)值矩陣abs(H)、垂直方向絕對(duì)值矩陣abs(V)和對(duì)角方向絕對(duì)值矩陣abs(D)，將第二步所述的小波系數(shù)絕對(duì)值最大值矩陣W分別與水平方向、垂直方向和對(duì)角方向絕對(duì)值矩陣作差得到新的絕對(duì)值矩陣abs(H1)＝W-abs(H)、abs(V1)＝W-abs(V)和abs(D1)＝W-abs(D)，其中，abs(·)表示取絕對(duì)值，下同；
第四步將第三步所述的新的絕對(duì)值矩陣abs(H1)、abs(V1)和abs(D1)經(jīng)過(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN迭代處理，對(duì)每次迭代滿足條件的小波系數(shù)增加閾值δ的倍數(shù)(倍數(shù)取0～1之間的值)來(lái)改變小波系數(shù)，當(dāng)改變后的小波系數(shù)超過(guò)絕對(duì)值最大值wmax，則將該小波系數(shù)變?yōu)樾〔ㄏ禂?shù)絕對(duì)值的最大值wmax；
第五步采用第二步所述的小波系數(shù)絕對(duì)值的最大值矩陣W分別減去第四步所述的經(jīng)過(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN處理后的絕對(duì)值矩陣abs(H1)、abs(V1)和abs(D1)得到絕對(duì)值矩陣abs(H2)＝W-abs(H)、abs(V2)＝W-abs(H)和abs(D2)＝W-abs(H)，將第二步所述的水平方向高頻系數(shù)符號(hào)矩陣sign(H)與絕對(duì)值矩陣abs(H2)進(jìn)行向量相乘；垂直方向高頻系數(shù)符號(hào)矩陣sign(V)與絕對(duì)值矩陣abs(V2)進(jìn)行向量相乘；對(duì)角方向高頻系數(shù)符號(hào)矩陣sign(D)與絕對(duì)值矩陣abs(D2)進(jìn)行向量相乘得到更新的小波系數(shù)；
第六步將第五步所述的更新后的小波系數(shù)經(jīng)過(guò)小波逆變換和指數(shù)變換得到去噪圖像。
全文摘要
本發(fā)明公布了一種基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪方法，該方法首先，對(duì)噪聲圖像進(jìn)行對(duì)數(shù)變換和小波變換，并對(duì)小波系數(shù)進(jìn)行相應(yīng)的預(yù)處理；其次，應(yīng)用PCNN方法處理小波系數(shù)，再對(duì)小波系數(shù)進(jìn)行相應(yīng)的后處理；最后，對(duì)處理后的小波系數(shù)進(jìn)行小波逆變換和指數(shù)變換得到去噪圖像。本發(fā)明同小波去噪相比，去噪后圖像的邊緣更清晰，并且能夠更好的保留圖像細(xì)節(jié)，提高了信號(hào)/均方誤差比；同PCNN相比，改善了在PCNN在去除斑點(diǎn)噪聲時(shí)難以確定模型參數(shù)和步長(zhǎng)的缺點(diǎn)，去噪后圖像的信號(hào)/均方誤差比更高。
文檔編號(hào)A61B8/00GK101571949SQ20091002661
公開(kāi)日2009年11月4日 申請(qǐng)日期2009年5月5日 優(yōu)先權(quán)日2009年5月5日
發(fā)明者郭業(yè)才, 王紹波 申請(qǐng)人:南京信息工程大學(xué)