醫(yī)學超聲圖像去噪方法研究.pdf

1、圖像去噪是圖像預處理中一項被廣泛應用的技術(shù)，作用是提高圖像的信噪比，突出圖像的期望特征。對超聲圖像進行去噪處理，是醫(yī)學超聲圖像處理的重要一環(huán)，對一般圖像處理理論也有重要意義。對散斑噪聲抑制技術(shù)的研究一直是國內(nèi)外超聲成像技術(shù)的重要課題之一。超聲圖像去噪的一般要求是在有效抑制散斑噪聲的同時，保留對后期分析診斷有用的圖像細節(jié)信息。
　　基于嚴重椒鹽噪聲污染圖像，改進了中值濾波算法，并將其應用在抑制椒鹽噪聲算法中。首先利用極大值極小值檢測

2、算子進行像素點分類。對檢測出來的噪聲點根據(jù)其局部統(tǒng)計信息，使用分類方法分為低密度噪聲、中密度噪聲和高密度噪聲。對不同密度的噪聲采用不同的濾波方式，對所占比例最大的低密度噪聲采用在保留細節(jié)方面作用突出的八鄰域相似度函數(shù)加權(quán)濾波。算法充分考慮到中高密度噪聲的情況，表現(xiàn)出更好的去噪能力、自適應性以及保留細節(jié)能力。
　　基于直方圖和鄰域相關(guān)系數(shù)，改進了加權(quán)均值濾波算法，并將其應用在抑制椒鹽噪聲算法中。引入灰度直方圖作為鄰域平均的權(quán)值，提供

3、了原圖像的灰度分布信息。引入相關(guān)系數(shù)，利用相關(guān)性區(qū)分了有效信號和噪聲。該算法根據(jù)當前所處理像素點的具體信號特征，自適應地調(diào)整算法的濾波強度，在高強度地濾除椒鹽噪聲的同時，又能夠很好地保留圖像細節(jié)。
　　基于中值-各向異性擴散，改進了超聲圖像去噪算法，并將其應用在抑制超聲圖像散斑噪聲中。該算法利用多方向中值提升了邊緣保持能力，利用歸一化局部方差和梯度來改進擴散系數(shù)增強了擴散模型的局部自適應能力。該方法在抑制散斑噪聲能力、保持邊緣能力

4、以及迭代速度上取得了不錯的效果。
　　基于Context模型的非下采樣Contourlet變換，改進了傳統(tǒng)去噪算法，并將其應用在抑制加性高斯噪聲算法中。該算法利用了非下采樣Contourlet變換的多方向性、高冗余度和平移不變等優(yōu)良特性。利用空間自適應Context模型處理變換后系數(shù)矩陣的方差估計和閾值確定，具有較強的局部自適應能力和準確性。使用軟閾值在不同尺度不同方向上的細節(jié)子帶矩陣進行去噪，最終進行非下采樣Contourlet