一種擴散函數(shù)隨圖像熵變化的偏微分去噪算法
【專利摘要】本發(fā)明公開了一種擴散函數(shù)隨圖像梯度熵變化的偏微分去噪算法，包括以下步驟：1）獲取超聲圖像，并將超聲圖像轉化為灰階圖像；2）計算灰階圖像每個像素的梯度值；3）計算圖像梯度熵值；4）根據(jù)熵值確定擴散函數(shù)；5）將擴散函數(shù)代入偏微分去噪模型，用偏微分去噪模型計算每個像素的亮度值；以及6）判斷是否需要繼續(xù)去噪，如果需要繼續(xù)去噪，則重復執(zhí)行步驟2）～5）；否則結束操作，完成圖像去噪處理。該算法克服了現(xiàn)有的灰階超聲圖像斑點噪聲處理算法中容易造成圖像的邊沿細節(jié)過快模糊，能有效的改善灰階圖像在去噪同時保持圖像細節(jié)的特性，有效防止圖像過早出現(xiàn)“過渡平滑”現(xiàn)象。
【專利說明】一種擴散函數(shù)隨圖像熵變化的偏微分去噪算法

【技術領域】
[0001]本發(fā)明涉及醫(yī)學圖像處理研究領域，具體涉及一種擴散函數(shù)隨圖像熵變化的偏微分去噪算法。

【背景技術】
[0002]通過灰階超聲圖像分析心臟流體狀態(tài)，可以有效的分析心功能。在對灰階超聲圖像進行處理時，如何有效去除斑點噪聲的影響是心功能灰階超聲分析的基礎和前提，現(xiàn)有的灰階超聲圖像斑點噪聲處理算法中，容易造成圖像的邊沿細節(jié)模糊，產(chǎn)生圖像邊緣“過渡平滑”現(xiàn)象，影響對灰階超聲圖像的后續(xù)處理。


【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的是提供一種擴散函數(shù)隨圖像梯度熵變化的偏微分去噪算法，該算法克服了現(xiàn)有的灰階超聲圖像斑點噪聲處理算法中容易造成圖像的邊沿細節(jié)過快模糊，能有效的改善灰階圖像在去噪同時保持圖像細節(jié)的特性，有效防止圖像過早出現(xiàn)“過渡平滑”現(xiàn)象。
[0004]本發(fā)明的一個實施例提供了一種擴散函數(shù)隨圖像熵變化的偏微分去噪算法，包括以下步驟:
[0005]I)獲取超聲圖像，并將超聲圖像轉化為灰階圖像；
[0006]2)計算灰階圖像每個像素的梯度值；
[0007]3)計算圖像梯度幅值的熵值；
[0008]4)根據(jù)熵值確定擴散函數(shù)；
[0009]5)將擴散函數(shù)代入偏微分去噪模型中，用偏微分去噪模型計算每個像素的亮度值；以及
[0010]6)判斷是否需要繼續(xù)去噪，如果需要繼續(xù)去噪，則重復執(zhí)行步驟2)?5);否則結束操作，完成圖像去噪處理。
[0011]本發(fā)明提供的擴散函數(shù)隨圖像梯度熵變化的偏微分去噪算法，克服了現(xiàn)有的灰階超聲圖像斑點噪聲處理算法中容易造成圖像的邊沿細節(jié)過快模糊，能有效的改善灰階圖像在去噪同時保持圖像細節(jié)的特性，有效防止圖像過早出現(xiàn)“過渡平滑”現(xiàn)象?？梢詾樾呐K力學功能的精確量化評價提供一種全新的分析技術。

【專利附圖】

【附圖說明】
[0012]圖1所示為本發(fā)明的基一種擴散函數(shù)隨圖像梯度熵變化的偏微分去噪算法的一個實施例的流程圖。

【具體實施方式】
[0013]為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明具體實施例及相應的附圖對本發(fā)明技術方案進行清楚、完整地描述。
[0014]參考圖1，圖1所示為本發(fā)明的產(chǎn)生數(shù)字余弦信號的方法的一個實施例100的流程圖。實施例100包括如下步驟101至105。
[0015]在步驟101中，獲取超聲圖像，并將超聲圖像轉化為灰階圖像。
[0016]在步驟102中，計算灰階圖像每個像素的梯度幅值。
[0017]在步驟103中，計算圖像梯度幅值的熵值。
[0018]在步驟104中，根據(jù)熵值確定擴散函數(shù)。
[0019]在本發(fā)明的一個實施例中，步驟104中確定擴散函數(shù)C(X)的方法可以是:
[0020]設定步驟103中計算所得的圖像梯度值的熵值為H，設定閾值Hl，H2，H3，其中0.0I
<Hl ^ 0.3,0.3 < H2 ^ 0.5,0.5 < H3 ^ 0.7 ；
[0021 ]當 H < Hl 時,擴散函數(shù) C (X) = g (X) Cauchy ；
[0022]當H1〈H〈H2,擴散函數(shù) C(x) = g(X)gausss ；
[0023]當H2〈H〈H3，擴散函數(shù) CU) = gl (X)new ；
[0024]當H3〈H,擴散函數(shù) C(x) = g2 (x)；
[0025]其中:
[0026]g (X)cauchy 如式⑵所示，
[0027]

【權利要求】
1.一種擴散函數(shù)隨圖像梯度熵變化的偏微分去噪算法，其特征是，包括: 1)獲取超聲圖像，并將所述超聲圖像轉化為灰階圖像； 2)計算所述灰階圖像每個像素的梯度值； 3)計算所述圖像梯度幅值的熵值； 4)根據(jù)所述熵值確定擴散函數(shù)； 5)將所述擴散函數(shù)代入偏微分去噪模型中，用所述偏微分去噪模型計算每個像素的亮度值；以及 6)判斷是否需要繼續(xù)去噪，如果需要繼續(xù)去噪，則重復執(zhí)行步驟2)~5);否則結束操作，完成圖像去噪處理。
2.根據(jù)權利要求1所述的算法，其特征是，所述是否需要繼續(xù)去噪的判斷方法是: 設定迭代閾值，計算當前迭代圖像和前一次迭代圖像的信噪比SNR，計算公式如式(I)所示，如果SNR大于所述迭代閾值，則重復執(zhí)行步驟2)~5)進行下次迭代；否則結束操作，完成圖像去噪處理。
其中，Pij是當前迭代次數(shù)對應圖像的第i行j列的像素值。聲是平均值。Pi/是上一次迭代圖像的第i行j列的像素值。F是對應的像素平均值。
3.根據(jù)權利要求1所述的算法，其特征是，所述是否需要繼續(xù)去噪的判斷方法是: 指定迭代次數(shù)，重復執(zhí)行驟2)到步驟5)，步驟6)中判斷實際執(zhí)行次數(shù)，如果所述實際執(zhí)行次數(shù)小于所述迭代次數(shù)，需要繼續(xù)執(zhí)行驟2)到步驟5)，否則停止迭代完成圖像去噪。
4.根據(jù)權利要求1所述的算法，其特征是，所述確定擴散函數(shù)的方法是: 設定所述熵值為H，設定閾值Hl，H2，H3，其中0.01 < Hl ^ 0.3,0.3 < H2 ^ 0.5,0.5<H3 ^ 0.7 ；
當 H < Hl 時,擴散函數(shù) C (X) = g (X) Cauchy ；
當 H1〈H〈H2,擴散函數(shù) C(x) = g (X)gausss ；
當 H2〈H〈H3，擴散函數(shù) CU) = gl (X)new ； 當 H3〈H,擴散函數(shù) C(x) =g2(x)； 其中:
式(2)中K是常數(shù)，表示最大值一半處的一半寬的尺度參數(shù)，X為計算點像素的亮度值；
式(3)中k為常數(shù),表示高斯函數(shù)寬度參數(shù)； gi(x)n?如式⑷所示，
式(4)中K為常數(shù)，用于控制余弦函數(shù)周期，從而控制函數(shù)值在[0，K]內(nèi)隨X增加減小速度；
式(5)中K為常數(shù)，用于控制余弦函數(shù)周期，從而控制函數(shù)值在[0，K]內(nèi)隨X增加減小速度。
5.根據(jù)權利要求1所述的算法，其特征是，所述確定擴散函數(shù)的方法是: 設定所述熵值為H,擴散函數(shù)C(x) = (1-H) gi (x)new+Hg2 (x)； 其中: gi(x)n?如式⑷所示，
式(4)中K為常數(shù)，用于控制余弦函數(shù)周期，從而控制函數(shù)值在[0，Κ]內(nèi)隨X增加減小速度；
式(5)中K為常數(shù)，用于控制余弦函數(shù)周期，從而控制函數(shù)值在[0，Κ]內(nèi)隨X增加減小速度。
【文檔編號】G06T5/00GK104166965SQ201410395684
【公開日】2014年11月26日 申請日期:2014年8月13日 優(yōu)先權日:2014年8月13日
【發(fā)明者】甘建紅, 尹立雪, 謝盛華 申請人:四川省人民醫(yī)院