基于小波變換和引導(dǎo)濾波器的醫(yī)學(xué)超聲圖像去噪方法
【專利摘要】一種基于小波變換和引導(dǎo)濾波器的醫(yī)學(xué)超聲圖像去噪方法,包括以下步驟：步驟1)醫(yī)學(xué)超聲圖像模型的建立；步驟2)對第一步得到的對數(shù)變換后的圖像進(jìn)行小波分解，得到四個頻域(LL1、LH1、HL1和HH1)；對低頻域LL1繼續(xù)進(jìn)行小波分解，再得到四個頻域(LL2、LH2、HL2和HH2)；然后重復(fù)這個步驟，直到分解最大層數(shù)J；步驟3)利用引導(dǎo)濾波器對最后一層的低頻部分(LLJ)中的小波系數(shù)做濾波處理；步驟4)對每一層的高頻部分(LHj、HLj和HHj，j＝1,2,...,J)的小波系數(shù)進(jìn)行閾值法收縮處理；步驟5)作小波逆變換處理，得到去噪后的醫(yī)學(xué)超聲圖像；對第5步得到的超聲圖像作指數(shù)變換，得到去噪后的超聲包絡(luò)信號。
【專利說明】基于小波變換和引導(dǎo)濾波器的醫(yī)學(xué)超聲圖像去噪方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明應(yīng)用于醫(yī)學(xué)圖像去噪領(lǐng)域。

【背景技術(shù)】
[0002] 在醫(yī)學(xué)成像領(lǐng)域，超聲成像、CT、MRI等成像技術(shù)已應(yīng)用于醫(yī)學(xué)臨床診斷中。由于 超聲成像技術(shù)具有無創(chuàng)、無放射性損害、快捷方便等特性，因此超聲成像技術(shù)相對于其他成 像技術(shù)更加安全。尤其在觀察孕婦體內(nèi)胎兒成長狀況與診斷腹部器官病變等臨床應(yīng)用中， 超聲成像技術(shù)的使用更為重要。
[0003] 根據(jù)美國癌癥協(xié)會在2013年給出了一份女性患乳腺癌的統(tǒng)計數(shù)據(jù)，在過去的一 年里，美國婦女中共有232340例新的浸潤性乳腺癌病例和39620人死于乳腺癌。對于人 體的乳腺以及腹部的其他器官進(jìn)行檢測的主要技術(shù)為超聲成像技術(shù)，即通常所說的B超圖 像。因此提高醫(yī)學(xué)超聲圖像質(zhì)量，為醫(yī)生提供更加清晰無噪聲的圖像具有非常重要的意義。
[0004] 由于超聲成像機理的限制，斑點噪聲的存在嚴(yán)重影響了超聲圖像的質(zhì)量，導(dǎo)致了 超聲圖像質(zhì)量較差。斑點噪聲的產(chǎn)生是由于超聲成像中的基本分辨單元內(nèi)存在大量的隨機 散射現(xiàn)象，在圖像上表現(xiàn)為空間域內(nèi)相關(guān)的形狀各異的小斑點，它將掩蓋那些灰度差別很 小的圖像特征。對于臨床醫(yī)生而言，斑點噪聲對他們的準(zhǔn)確診斷造成了很大的干擾，特別是 對于經(jīng)驗不是很豐富的醫(yī)生造成的影響更大。因此，從臨床應(yīng)用的角度出發(fā)，需要研究去除 斑點噪聲的方法，為醫(yī)生做出更準(zhǔn)確的診斷提供技術(shù)支持，降低人工診斷的風(fēng)險。
[0005] 由于醫(yī)院資源的局限性，特別是醫(yī)生每天進(jìn)行人工診斷病人的數(shù)量無法滿足社會 整個階層的需求，即面臨著病人多醫(yī)生少情況。因此，各種自動診斷儀器的需求越來越大， 自動診斷儀器的出現(xiàn)，一方面可以節(jié)約醫(yī)生資源，另一方面可以方便更多的病人進(jìn)行診斷。 隨著當(dāng)今社會經(jīng)濟的飛躍發(fā)展，人們自身健康情況卻不容樂觀，所以人們對家用型醫(yī)療自 動診斷儀器的需求也非常大，例如家用超聲圖像自動診斷儀等。但是超聲圖像自動診斷儀 同樣面臨著圖像質(zhì)量不高的問題，并且自動診斷儀需要對超聲圖像做后期的智能分析，如 特征提取、邊緣檢測和圖像分類識別等。因此，從自動化診斷技術(shù)的角度出發(fā)，需要研究去 除斑點噪聲的方法，為圖像的后期智能處理提供技術(shù)保障，促進(jìn)自動診斷技術(shù)的發(fā)展。
[0006] 綜上所述，研究醫(yī)學(xué)超聲圖像去噪方法具有非常重要的意義：
[0007] (1)提高醫(yī)學(xué)超聲圖像的質(zhì)量，改善視覺效果；
[0008] (2)方便醫(yī)生更加準(zhǔn)確地針對病灶區(qū)域做出判斷，降低輔助診斷的風(fēng)險；
[0009] (3)促進(jìn)超聲圖像自動化診斷技術(shù)的發(fā)展，具有不可估量的價值。
[0010] 在數(shù)字圖像處理領(lǐng)域，濾波常用來修改或增強圖像，對圖像的某些特征，如輪廓、 邊緣、細(xì)節(jié)和對比度等進(jìn)行銳化，提高圖像的視覺質(zhì)量，以便于更好地觀察圖像或進(jìn)行下一 步分析處理，特別是在醫(yī)學(xué)超聲圖像的處理中變的尤為重要。濾波的基本原理是將圖像中 的每個像素點與其相鄰的幾個像素點作鄰域運算，即進(jìn)行加權(quán)平均卷積運算。由于抑制斑 點噪聲具有非常重要的意義，眾多科研工作者在此問題上投入了大量的精力。目前的去噪 的方法主要分為空間域濾波和頻率域濾波兩大類。在空間域方法中，直接處理圖像像素點， 對像素值進(jìn)行操作達(dá)到圖像去噪的目的。常見的有均值濾波和中值濾波等，但是當(dāng)圖像存 在明顯的邊緣信息時，通常的鄰域運算會改變圖像邊緣點的灰度值，從而使圖像的邊緣變 得模糊。所以能夠很好保持邊緣信息的雙邊濾波器得到大家的認(rèn)可，但是由于雙邊濾波器 運算復(fù)雜度較高并且存在"梯度反轉(zhuǎn)"現(xiàn)象，并不能滿足醫(yī)學(xué)超聲成像系統(tǒng)的實時性要求。 所以He等人在2010年提出了引導(dǎo)濾波器的概念，極大的提高了去噪的性能（根據(jù)概念，雙 邊濾波器也屬于引導(dǎo)濾波器的范疇）。在頻率域方法中，首先將圖像轉(zhuǎn)換到頻率域中，即對 圖像進(jìn)行傅里葉變換，在圖像的傅里葉變換式上進(jìn)行濾波操作，再對圖像進(jìn)行傅里葉逆變 換，得到最終圖像。在頻率域方法中，基于小波變換的去噪方法得到了普遍的應(yīng)用，充分利 用尺度間相關(guān)性，較好地保持了圖像邊緣。


【發(fā)明內(nèi)容】

[0011] 本發(fā)明要克服現(xiàn)有技術(shù)的上述缺點，提供一種基于小波變換和引導(dǎo)濾波器的醫(yī)學(xué) 超聲圖像去噪方法。
[0012] 本發(fā)明分析當(dāng)前頻率域內(nèi)和空間域內(nèi)的去噪方法，并結(jié)合斑點噪聲的模型的特點 和醫(yī)學(xué)超聲圖像的處理需求提出了一種新的去噪方法，即基于小波變換和引導(dǎo)濾波器的醫(yī) 學(xué)超聲圖像去噪方法。小波變換具有時頻分析和多尺度分析等優(yōu)越性，其已在圖像處理領(lǐng) 域得到了廣泛的應(yīng)用。在處理加性噪聲問題時，小波的去噪效果較好，能夠滿足一般產(chǎn)品需 求。然而，僅僅利用小波變換的去噪方法對醫(yī)學(xué)超聲圖像中斑點噪聲的抑制效果不好。對 于引導(dǎo)濾波器，它在處理圖像噪聲時，一方面具有很強的去噪能力，另一方面能夠保持圖像 邊緣細(xì)節(jié)。雖然雙邊濾波器在去噪的過程中也能很好的保持邊緣信息，但是其效率較低，運 行時間將會很長并且存在"梯度反轉(zhuǎn)"現(xiàn)象，難以用于實時系統(tǒng)。隨著圖像的分辨率越來越 大，這在很大的程度上限制了雙邊濾波的應(yīng)用空間。因此本發(fā)明利用引導(dǎo)濾波器替換掉雙 邊濾波器，極大提高去噪性能和運算效率。因此，本發(fā)明將結(jié)合小波去噪和引導(dǎo)濾波器的優(yōu) 點。具體思路如下，在傳統(tǒng)的小波去噪方法的基礎(chǔ)之上，根據(jù)小波域內(nèi)超聲圖像及斑點噪聲 的統(tǒng)計特性，改進(jìn)了小波閾值函數(shù)和收縮方法，能夠更有效地去除高頻部分的斑點噪聲。由 于醫(yī)學(xué)超聲圖像在小波域內(nèi)的低頻部分依然存在斑點噪聲，因此使用去噪效果好并且效率 高的的引導(dǎo)濾波器，在抑制低頻域內(nèi)噪聲的同時能夠保留低頻域內(nèi)的圖像邊緣信息。本發(fā) 明解決斑點噪聲問題是通過以下技術(shù)方案實現(xiàn)的 ：
[0013] 步驟1)醫(yī)學(xué)超聲圖像模型的建立
[0014] 如果認(rèn)為超聲成像系統(tǒng)能夠?qū)δ切┯绊懧暡üβ实囊蛩刈龀銮‘?dāng)?shù)膭討B(tài)補償，則 超聲成像系統(tǒng)采集的包絡(luò)信號由兩部分組成，一是有意義的體內(nèi)組織的反射信號，另一部 分是噪聲信號。其中噪聲信號可分為相乘噪聲與相加噪聲。相乘噪聲與超聲信號成像的原 理有關(guān)，主要來源于隨機的散射信號。相加噪聲認(rèn)為是系統(tǒng)噪聲，如傳感器的噪聲等。超聲 成像系統(tǒng)初步得到的包絡(luò)信號為它的一般模型如下
[0015] fpre=gprenpre+wpre ⑴
[0016] 這里，上標(biāo)表示系統(tǒng)初步得到的信號。函數(shù)gpM表示無噪聲信號，rTe和分 別表不相乘噪聲和相加噪聲，式中npM是噪聲的主要成分。
[0017] 和相乘噪聲rTe相比，相加噪聲所占比重很小，因此將Wp'忽略后的模型為
[0018]fpre=gprenpre (2)
[0019] 為了適應(yīng)超聲成像系統(tǒng)顯示屏幕的動態(tài)顯示范圍，對超聲成像系統(tǒng)采集到的包絡(luò) 信號進(jìn)行對數(shù)壓縮處理。此時相乘的式（2)模型將變?yōu)橄嗉拥哪Ｐ停缦?br> [0020] log(fpre) =log(gpre)+log(npre) (3)
[0021] 此時，得到的信號l〇g(fp，即是通?？吹降尼t(yī)學(xué)超聲圖像。
[0022] 步驟2)對第一步得到的對數(shù)變換后的圖像進(jìn)行小波分解，得到四個頻域（LL1、 LH1、HL1和HH1)。對低頻域LLl繼續(xù)進(jìn)行小波分解，再得到四個頻域（LL2、LH2、HL2和HH2)。 然后重復(fù)這個步驟，直到分解最大層數(shù)J。
[0023] 由于小波變換是線性變換，因此式（3)模型經(jīng)過二維離散小波變換后得到下面模 型：
[0024]

【權(quán)利要求】
1. 一種基于小波變換和引導(dǎo)濾波器的醫(yī)學(xué)超聲圖像去噪方法，包括以下步驟： 步驟1)醫(yī)學(xué)超聲圖像模型的建立； 超聲成像系統(tǒng)采集的包絡(luò)信號由兩部分組成，一是有意義的體內(nèi)組織的反射信號，另 一部分是噪聲信號；其中噪聲信號可分為相乘噪聲與相加噪聲；相乘噪聲與超聲信號成像 的原理有關(guān)，主要來源于隨機的散射信號；相加噪聲認(rèn)為是系統(tǒng)噪聲，如傳感器的噪聲等； 超聲成像系統(tǒng)初步得到的包絡(luò)信號為它的一般模型如下 fpre = gprenpre+wpre ⑴ 這里，上標(biāo)表示系統(tǒng)初步得到的信號；函數(shù)gpM表示無噪聲信號，npM和Wpm分別表 不相乘噪聲和相加噪聲，式中ηρΜ是噪聲的主要成分； 和相乘噪聲riPM相比，相加噪聲Wpm所占比重很小，因此將Wpm忽略后的模型為 fpre = gprenpre 〇 為了適應(yīng)超聲成像系統(tǒng)顯示屏幕的動態(tài)顯示范圍，對超聲成像系統(tǒng)采集到的包絡(luò)信號 進(jìn)行對數(shù)壓縮處理；此時相乘的式（2)模型將變?yōu)橄嗉拥哪Ｐ停缦?log(fpre) =log(gpre)+log(npre) (3) 此時，得到的信號l〇g(fPM)即是通常看到的醫(yī)學(xué)超聲圖像； 步驟2)對第一步得到的對數(shù)變換后的圖像進(jìn)行小波分解，得到四個頻域（LL1atfiL1 和HH1);對低頻域LL1繼續(xù)進(jìn)行小波分解，再得到四個頻域（LL2、LH2、HL2和HH2);然后重復(fù) 這個步驟，直到分解最大層數(shù)J; 由于小波變換是線性變換，因此式（3)模型經(jīng)過二維離散小波變換后得到下面模型：Oogifpn')) =^ji 0〇g(8/,r")) +OogOipn')) (4) u:iIi% (l〇g(/n)、％ (lc)g(iT))和％ (log(/，))分別表示含有噪聲圖像的小波系 數(shù)、無噪聲圖像的小波系數(shù)和斑點噪聲的小波系數(shù)；其中上標(biāo)j為小波變換的分解層數(shù)，下 標(biāo)（l，k)為小波域內(nèi)的坐標(biāo)；為了方便表示，將式（4)簡化為 F，、k = Gi，Nik (5) 對于離散的二維圖像f(n，m)，對其進(jìn)行二維小波分解的步驟為：首先對圖像的每一行 像素進(jìn)行一維離散小波分解，然后對再圖像的每一列進(jìn)行一維離散小波分解，這樣便將一 幅圖像分解為四個子頻帶信號；同理，對二維小波進(jìn)行重構(gòu)與上述過程非常相似，即按照相 反的順序進(jìn)行處理，即可得到，因此這里不再贅述；接下來將對小波分解后的一些子頻帶分 量，即相應(yīng)的小波分解系數(shù)作簡單的分析；LLO為原始信號，圖像的信息都集中在這里；每 次小波分解都會得到四個子頻帶，對LLO進(jìn)行一級小波分解后得到LLl、LHUHLl和HHl四 個子頻帶； LLl分量是對原始信號LLO的列和行進(jìn)行小波分解后得到的低頻分量，即一級小波分 解后近似部分，它包含了原始圖像最多的低頻信息； LHl是一次小波分解后的垂直方向上的高頻分量，即它包含了圖像水平方向上的近似 /[目息和垂直方向上的邊緣等商頻?目息； HLl是一次小波分解后的水平方向上的高頻分量，即它包含了圖像垂直方向上的近似 息和水平方向上的邊緣等1?頻息； HHl是一次小波分解后對角方向上的高頻分量，即它包含了圖像水平和垂直方向上的 邊緣等尚頻彳目息； 經(jīng)過小波分解后的無噪信號的小波系數(shù)服從廣義拉普拉斯分布，其概率分布如下
式中，「⑷=1X"lCXiX-XVix是伽馬函數(shù)，V為形狀參數(shù),S為尺度參數(shù),U為位置參數(shù)； 當(dāng)V= 1，u=O時，式（6)將變?yōu)槔绽狗植?，它是廣義拉普拉斯分布的特殊模型； 同時斑點噪聲的小波系數(shù)W/i服從零均值高斯分布
式中σN為小波域內(nèi)噪聲的標(biāo)準(zhǔn)差； 步驟3)利用引導(dǎo)濾波器對最后一層的低頻部分（LI/)中的小波系數(shù)做濾波處理； 引導(dǎo)濾波器對低頻域內(nèi)的小波系數(shù)作濾波處理，基本原理如下式所示 Cii =Yd^npj (8) J 式⑶中，I為引導(dǎo)圖像，P為輸入圖像，q為輸出圖像，Wu為關(guān)于引導(dǎo)圖像I的函數(shù)，i和j為像素點的位置，I由具體問題確定，可以令I(lǐng)=P; 假設(shè)在窗口Wk內(nèi)，中心點為后k，q為I的線性變換，如式（9)所示q, -akI, +bk ,V/ewk (9) 在圖像濾波中，希望能在達(dá)到濾波效果的前提下最小化輸入圖像和輸出圖像的差異， 減小原始圖像細(xì)節(jié)的損失，故通過最小化P和q的差來確定系數(shù)ak和bk，即使式（10)最小 E(aL^κ)=Σ1I+~Pi)2+εαι] (10) few；. 式（10)中，ε是正則化參數(shù)，目的是為了防止ak過大；求解式（10)，得
式中，μk和4分別為I在Wk中的均值和方差；IwI為Wk中的像素個數(shù)，氕是輸入圖像 P在Wk中的均值；求出該線性模型后，帶入整幅圖像，由于每一個像素點會有多個包含該像 素點的窗口wk，所以當(dāng)在不同窗口Wk計算時，Qi的值會不同；故需要對其進(jìn)行平均處理 ^ =〇Σ+h)= aJi+h (12) IH 式中，6=0一;·=點 綜上所述，核函數(shù)Wij可以定義如下 Wij=^ tX(1 + (Α-/0(Λ-/0) (13) |w|k,(i,j)swk+ε 由以上原理可知，引導(dǎo)濾波器去噪的過程如下： (3. 1)輸入圖像ρ; (3.2)輸入濾波窗口Wk的尺寸和正則化參數(shù)ε; (3. 3)計算I，ρ和Ι*ρ的均值； (3.4)計算（Ι，ρ)的協(xié)方差； (3. 5)計算（1*1)的均值并計算I的方差； (3. 6)計算系數(shù)a，b; (3. 7)分別計算a和b的均值； (3.8)得到輸出圖像q; 步驟4)對每一層的高頻部分（Ltf、HU_和Htf，j= 1，2,. . .，J)的小波系數(shù)進(jìn)行閾值法 收縮處理； 無噪信號的小波系數(shù)6^服從廣義拉普拉斯分布，小波域內(nèi)的斑點噪聲部分#以服從 高斯分布；選擇V= 1，則式（6)變?yōu)槔绽狗植?br> 為了得到小波域內(nèi)的信號估計值，使用貝葉斯最大后驗估計的方法；在后驗概率的計 算過程中，使用貝葉斯公式如下
將式（7)、式（17)帶入上式（18)，得到
為了得到最大后驗概率，將In(pe|F(gIf))對g求一次導(dǎo)數(shù)的方程置零，最后得到g=sign(f)·max(| /1 --, 0) (20) S 忌為g的估計，并且假設(shè)f和無噪信號g同號；這樣就得到新的收縮方法
式中只有尺度S是未知的，可由下式確定 s=[0.5(〇-；Γσ：)]2 (22) 其中〇u為噪聲圖像小波系數(shù)在j層的標(biāo)準(zhǔn)差； 步驟5)作小波逆變換處理，得到去噪后的醫(yī)學(xué)超聲圖像；對第5步得到的超聲圖像作 指數(shù)變換，得到去噪后的超聲包絡(luò)信號。
【文檔編號】G06T5/00GK104318527SQ201410561594
【公開日】2015年1月28日 申請日期:2014年10月21日 優(yōu)先權(quán)日:2014年10月21日
【發(fā)明者】張聚, 林廣闊, 胡標(biāo)標(biāo), 吳麗麗, 楊立, 林忠款, 胡立偉 申請人:浙江工業(yè)大學(xué)