CN102014240A - 一种实时医学视频图像去噪方法 - Google Patents

Abstract

本发明提供一种实时医学视频图像去噪方法，应用于实时获取或已存储的医学视频图像序列，利用相邻两帧图像的高度相关性，对每一帧视频图像实施时空域的递归的滤波处理，滤波窗口的大小可以根据噪音水平自适应地来调节。本发明结合时域的运动补偿方法和空域上的降噪增强算法，针对图像当前像素点，应用运动补偿方法和形态学算子检测运动区域、噪音区域和背景区域，在噪音区域中估计图像的整体噪音水平。

Description

一种实时医学视频图像去噪方法

技术领域

本发明提供一种医学视频图像去噪方法，尤其涉及一种实时医学视频图像去噪方法。

背景技术

医学视频图像序列由于采集源及曝光参数和剂量等要求往往会受到噪声的干扰，使得画质下降。例如，医学超声视频图像中通常存在大量的斑点噪声，会给超声图像质量带来明显的下降，并掩盖了某些重要组织的病变，这给医生的诊断和识别某些特定的疾病带来了较大的困难，并且会有漏诊和误诊的风险。

通常采用滤波的方法来抑制信号的高频部分，在滤去噪声的同时也会将有用的边缘信息去除，例如邻域平均法、中值滤波法都会将图像中有临床意义的边缘和细节会过平滑；由此，一些基于边缘保留的滤波算法得到迅速的发展，例如BM3D和NonlocalMeans医学图像去噪方法，在医学图像后处理阶段提高医学图像质量提供了一个巨大的空间。然而即使是像BM3D这样的方法也无法彻底清除较大的斑点噪音，通常这些较大的斑点噪音会被算法当作纹理来增强，使得原有的图像细节丢失。

视频图像的帧序列去噪方法基本可按空域，频域，小波域，时域等来进行划分。然而，单纯的空域滤波器不仅会造成帧间图像的闪烁，而且会使图像的边缘细节被过平滑。但对于医学视频图像来说，相邻帧的图像往往存在很强的相关性，这样就可以利用的时间域相关性来清除噪音。近年来，在视频图像降噪方法研究和探索中，时域和空域的联合降噪方法得到广泛的关注：对时域和空域中滤波器结合方法的研究、滤波器本身的研究以及对运动估计和补偿方法的研究成为医学图像增强技术研究的热点问题，例如基于运动补偿方法和运动自适应的滤波方法已经在医学实时医学影像设备中得到广泛的应用。

在目前的医学视频降噪中，对降噪方法有两种分类方法：第一种是按照时域和空域上的滤波来划分，主要可以分为时域滤波、空域滤波和空时滤波，而空时域滤波又可分为基于运动补偿的滤波和无运动补偿的滤波。

基于空域的滤波器只利用了图像中像素点局部领域的相关性，滤波的实际效果非常有限，在滤除噪声的时候模糊了边缘和纹理，而且在某些噪音点上会产生帧间闪烁，虽然近几年基于Nonlocal方法的滤波器在噪音去除和边缘保持上有很好的效果，但这些滤波器会过增强一些噪音区域，比如说大的斑点噪音。然而，对没有运动目标(相机也处于静止状态)的视频序列来说，通过时域上的加权平均做滤波会取得理想的效果。

基于运动补偿的去噪方法是把当前图像分为一定数量互不重叠的子块，在参考前一帧图像情况下，搜索和当前图像块最相似的参考块，也被称作匹配块。实际上，相邻帧之间的配准块具有很大相关性，在配准块上的噪声原则上可以通过平均加权来去除。然而，现有的医学视频图像降噪算法大多数都是单独在空域或时域做滤波处理，或者做时域和空域滤波的简单融合，这样的处理容易出现块效应或运动组织边缘的模糊化。

发明内容

本发明提供一种实时医学视频图像去噪方法，应用于实时获取或已存储的医学视频图像序列，利用相邻两帧图像的高度相关性，对每一帧视频图像实施时空域的递归的滤波处理，滤波窗口的大小可以根据噪音水平自适应地来调节。本发明结合时域的运动补偿方法和空域上的降噪增强算法，针对图像当前像素点，应用运动补偿方法和形态学算子检测运动区域、噪音区域和背景区域，在噪音区域中估计图像的整体噪音水平。

本发明为解决上述技术问题所采用的技术方案为：

一种视频图像增强的处理方法，图像序列为，g₁，...，g_t，...，g_n，其包括以下步骤：

A.从图像存储区域中提取图像帧序列，g(x，t)＝g_t，t＝1，...，n；令t＝2，对g(x，t-1)做Bilateral滤波处理，得到平滑图像g_st(x，t-1)：

$g_{\mathrm{st}}(x,t-1)=\underset{y\∈R\left(x\right)}{\mathrm{\Σ}}w(x,y,t-1)g(y,t-1)$

$w(x,y,t-1)=e^{-\frac{{(g(x,t-1)-g(y,t-1))}^2}{2{\mathrm{\σ}}^2}}\·e^{-\frac{{\left|\right|x-y\left|\right|}^2}{2d^2}}$

其中x是当前像素点，g(x，t-1)为视频图像在t-1时刻及像素点x上的灰度值，σ和d是预设的参数；

B.估计当前帧图像g(x，t)每个像素点的噪音值，做窗口大小为W_med×W_med的平滑得到图像s(x，t)，在得到的噪音图像η(x，t)＝g(x，t)-s(x，t)上估计噪音水平σ(x，t)；

C.基于图像g_st(x，t-1)和图像g(x，t)做运动检测和估计，并根据运动估计的结果将图像划分成背景区域、运动区域和噪音区域；

D.自适应地选择滤波窗口大小和空间滤波点；

E.基于检测到的背景区域和运动区域，设计一个回归的时空滤域波器，对当前图像g(x，t)做如下增强处理：

g_st(x，t)＝_(1-Pr(x，t))·g_st(x^*，t-1)+Pr(x，t)·g_s(x，t)

其中g_s(x，t)是在空域上做滤波处理后得到图像，g_st(x^*，t-1)是本发明处理方法在一帧处理后的图像，x^*是当前像素点x在前一帧图像相应的像素点，Pr(x，t)是预先估计出的图像融合参数；

F.令t＝t+1，返回步骤2。

所述B步骤包括以下步骤：

B1.对当前帧图像g(x，t)，做窗口大小为w₁×w₁的平滑得到图像s(x，t)；

B2.将原始图像g(x，t)和平滑图像s(x，t)相减估计出噪音图像η(x，t)＝g(x，t)-s(x，t)；

B3.估计出的噪音图像η(x，t)的每个像素点x，在以x为中心的大小为w_n×w_n窗口做标准方差估计，得到噪音水平估计值σ(x，t)。

所述C步骤包括以下步骤：

C1.估计图像的运动区域即R＝{x||g(x，t-1)-g(x，t)|＞ftg₁&|g(x，t+1)-g(x，t)|＞ftg₁}，用一个二值图像或Mask图像来表示为b(x，t)：

$b(x,t)=\left\{\begin{array}{cc}1,& x\∈R\\ 0,& x\∉R\end{array}\right.$

C2.针对图像b(x，t)做Morphological的closing操作，得到一个运动目标区域增强的图像b₁(x，t)，然后对b₁(x，t)图像做Connected Component Labeling数学形态学操作，得到N个连通的区域H＝{R_i|i＝1，...，N}，(前景区域：即区域中的每个像素点满足b(x，t)＝1)；

C3.对于任意一个连通区域R_i，如果其面积小于某个预设的值Th_A₁则该区域设为噪音区域；否则将该区域设为一个运动区域。

C4.对任意一个运动区域R_i，如果它的面积大于ftg₂(＞20)，则在其中找出前20个梯度值最大的特征点，实施基于SAD(Sum of Absolute Difference：绝对差值和)运动检测；否则，对R_i中所有的点做基于SAD运动估计；

C5.对每个像素点x，如果x是运动点，计算g_Δ(x，t)＝|g_st(x+Δx，t-1)-g(x，t)|，其中Δx是像素点x在t时刻的运动向量；否则g_Δ(x，t)＝|g_st(x，t-1)-g(x，t)|；

C6.如果x是运动目标种子点并且|g_st(x，t-1)-g(x，t)|＜|g_st(x+Δx，t-1)-g(x，t)|，则可以将该点重置成背景点，即b(x，t)＝0；

所述D步骤包括以下步骤：

D1.基于步骤D检测到的噪音区域，估计一个全局的噪音水平σ；

D2.对计算图像g(x，t)的Sobel梯度图像，针对梯度图像做二值化的边缘检测，二值化的阈值设为Th_A₂＝σ*β，得到图像b₂(x，t)，然后做图像做Connected Component Labeling操作，如果连通区域的面积大于某个预设的值Th_A₃则该区域上的所有点为边缘点；

D3.如果σ(x，t)＜5，滤波窗口大小为w_size(x，t)＝3，否则如果是边缘点，其滤波窗口大小为w_size(x，t)＝5，否则大小为w_size(x，t)＝7；

D4.选择领域中的滤波点：如果当前点不是边缘点，y也不是边缘点，y设为滤波候选点，否则，将y从滤波候选点去除；如果当前点是边缘点，y也是边缘点，y设为滤波候选点，否则，将y从滤波候选点去除。

所述E步骤包括以下步骤：

E1.计算时空滤波器的融合系数：首先计算当前像素点的运动强度或置信度：

$q(x,t)=\frac{g_{\mathrm{\Δ}}(x,t)}{\mathrm{\σ}(x,t)}$

然后计算概率函数：

$\mathrm{Pr}(x,t)=\mathrm{Pr}\left(q\right)=c_1+\frac{c_2}{1+e^{\frac{c_3-q}{c_4}}}$

其中，c₁，c₂，c₃和c₄是预先设定的参数；

E2.针对每个像素点做空域上的Bilateral滤波，滤波点为步骤D得到的滤波候选点，窗口大小为w_size(x，t)，得到空域上的滤波值g_s(x，t)：

$g_s(x,t)=\underset{y\∈R\left(x\right)}{\mathrm{\Σ}}w(x,y,t)w_2(x,y,t)g(y,t)$

$w(x,y,t-1)=e^{-\frac{{(g(x,t)-g(y,t))}^2}{2{\mathrm{\σ}}^2}}\·e^{-\frac{{\left|\right|x-y\left|\right|}^2}{2d^2}}$

E3.对时域的图像进行融合：如果x是非运动点：g_st(x，t)＝_(1-Pr)*g_st(x，t-1)+Pr*g_s(x，t)；否则为g_st(x，t)＝_(1-Pr)*g_st(x+Δx，t-1)+Pr*g_s(x，t)。

本发明着重解决将噪音信号从目标区域或背景区域区分出来是解决医学视频图像增强问题的关键。解决这一子问题，首先要将背景区域，也就是静止区域分离出来。传统的背景分离方法是前后帧图像相减，然后利用图像分割方法，例如阈值的方法处理，检测出运动区域。然而这样的检测方法往往受噪音影响，且检测到边界不够准确。本发明利用运动估计方法并结合前后三帧图像相减的方法检测背景、运动和噪音区域，具有较强的鲁棒性，根据运动估计得到的运动向量，对背景区域进一步验证，这样检测到的运动区域可以消除部分噪音点并将运动目标边缘检测到。

本发明应用噪音估计的方法来自适应地选择滤波窗口大小(双边滤波器)，并应用边缘检测的方法和像素点之间的自相关系数来动态选择滤波器的候选点，实现了一个自适应的双边滤波器，在去噪的同时边缘可以得到增强。

本发明综合噪音估计和运动估计方法，来设计一个具有较强的鲁棒性的时域和空域融合滤波器，这是由于图像中的任何一块区域既有可能是运动区域又是噪音水平较高的区域，这样的区域应用传统的空域滤波器无法彻底消除噪音。要根据该像素的运动强度和噪音强度来进行综合处理，也就是说如果该像素噪音水平达到一定程度需要将其看成相对静止的像素，考虑应用时空滤波器来处理图像增强问题。如果该像素点是个运动点，则应用运动补偿的办法来设计时空域滤波器，这样设计的去噪处理方法有更强鲁棒性，克服了噪音闪烁、前后帧相加造成一些边缘被过平滑等缺点。

附图说明

图1为本发明实施例流程图。

具体实施方式

下面根据附图和实施例对本发明作进一步详细说明：

如图所示，一种视频图像增强的处理方法，图像序列为，g₁，...，g_t，...，g_n，其包括以下步骤：

A.从图像存储区域中提取图像帧序列，g(x，t)＝g_t，t＝1，...，n；令t＝2，对g(x，t-1)做Bilateral滤波处理，得到平滑图像g_st(x，t-1)：

$g_{\mathrm{st}}(x,t-1)=\underset{y\∈R\left(x\right)}{\mathrm{\Σ}}w(x,y,t-1)g(y,t-1)$

$w(x,y,t-1)=e^{-\frac{{(g(x,t-1)-g(y,t-1))}^2}{2{\mathrm{\σ}}^2}}\·e^{-\frac{{\left|\right|x-y\left|\right|}^2}{2d^2}}$

其中x是当前像素点，g(x，t-1)为视频图像在t-1时刻及像素点x上的灰度值，σ和d是预设的参数；

B.估计当前帧图像g(x，t)每个像素点的噪音值，做窗口大小为W_med×W_med的平滑得到图像s(x，t)，在得到的噪音图像η(x，t)＝g(x，t)-s(x，t)上估计噪音水平σ(x，t)；

C.基于图像g_st(x，t-1)和图像g(x，t)做运动检测和估计，并根据运动估计的结果将图像划分成背景区域、运动区域和噪音区域；

D.自适应地选择滤波窗口大小和空间滤波点；

E.基于检测到的背景区域和运动区域，设计一个回归的时空滤域波器，对当前图像g(x，t)做如下增强处理：

g_st(x，t)＝_(1-Pr(x，t))·g_st(x^*，t-1)+Pr(x，t)·g_s(x，t)

其中g_s(x，t)是在空域上做滤波处理后得到图像，g_st(x^*，t-1)是本发明处理方法在一帧处理后的图像，x^*是当前像素点x在前一帧图像相应的像素点，Pr(x，t)是预先估计出的图像融合参数；

F.令t＝t+1，返回步骤2。

所述B步骤包括以下步骤：

B1.对当前帧图像g(x，t)，做窗口大小为w₁×w₁的平滑得到图像s(x，t)；

B2.将原始图像g(x，t)和平滑图像s(x，t)相减估计出噪音图像η(x，t)＝g(x，t)-s(x，t)；

B3.估计出的噪音图像η(x，t)的每个像素点x，在以x为中心的大小为w_n×w_n窗口做标准方差估计，得到噪音水平估计值σ(x，t)。

所述C步骤包括以下步骤：

C1.估计图像的运动区域即R＝{x||g(x，t-1)-g(x，t)|＞ftg₁&|g(x，t+1)-g(x，t)|＞ftg₁}，用一个二值图像或Mask图像来表示为b(x，t)：

$b(x,t)=\left\{\begin{array}{cc}1,& x\∈R\\ 0,& x\∉R\end{array}\right.$

C2.针对图像b(x，t)做Morphological的closing操作，得到一个运动目标区域增强的图像b₁(x，t)，然后对b₁(x，t)图像做Connected Component Labeling数学形态学操作，得到N个连通的区域H＝{R_i|i＝1，...，N}，(前景区域：即区域中的每个像素点满足b(x，t)＝1)；

C3.对于任意一个连通区域R_i，如果其面积小于某个预设的值Th_A₁则该区域设为噪音区域；否则将该区域设为一个运动区域。

C4.对任意一个运动区域R_i，如果它的面积大于ftg₂(＞20)，则在其中找出前20个梯度值最大的特征点，实施基于SAD(Sum of Absolute Difference：绝对差值和)运动检测；否则，对R_i中所有的点做基于SAD运动估计；

C5.对每个像素点x，如果x是运动点，计算g_Δ(x，t)＝|g_st(x+Δx，t-1)-g(x，t)|，其中Δx是像素点x在t时刻的运动向量；否则g_Δ(x，t)＝|g_st(x，t-1)-g(x，t)|；

C6.如果x是运动目标种子点并且|g_st(x，t-1)-g(x，t)|＜|g_st(x+Δx，t-1)-g(x，t)|，则可以将该点重置成背景点，即b(x，t)＝0；

所述D步骤包括以下步骤：

D1.基于步骤D检测到的噪音区域，估计一个全局的噪音水平σ；

D2.对计算图像g(x，t)的Sobel梯度图像，针对梯度图像做二值化的边缘检测，二值化的阈值设为Th_A₂＝σ*β，得到图像b₂(x，t)，然后做图像做Connected Component Labeling操作，如果连通区域的面积大于某个预设的值Th_A₃则该区域上的所有点为边缘点；

D3.如果σ(x，t)＜5，滤波窗口大小为w_size(x，t)＝3，否则如果是边缘点，其滤波窗口大小为w_size(x，t)＝5，否则大小为w_size(x，t)＝7；

D4.选择领域中的滤波点：如果当前点不是边缘点，y也不是边缘点，y设为滤波候选点，否则，将y从滤波候选点去除；如果当前点是边缘点，y也是边缘点，y设为滤波候选点，否则，将y从滤波候选点去除。

所述E步骤包括以下步骤：

E1.计算时空滤波器的融合系数：首先计算当前像素点的运动强度或置信度：

$q(x,t)=\frac{g_{\mathrm{\Δ}}(x,t)}{\mathrm{\σ}(x,t)}$

然后计算概率函数：

$\mathrm{Pr}(x,t)=\mathrm{Pr}\left(q\right)=c_1+\frac{c_2}{1+e^{\frac{c_3-q}{c_4}}}$

其中，c₁，c₂，c₃和c₄是预先设定的参数；

E2.针对每个像素点做空域上的Bilateral滤波，滤波点为步骤D得到的滤波候选点，窗口大小为w_size(x，t)，得到空域上的滤波值g_s(x，t)：

$g_s(x,t)=\underset{y\∈R\left(x\right)}{\mathrm{\Σ}}w(x,y,t)w_2(x,y,t)g(y,t)$

$w(x,y,t-1)=e^{-\frac{{(g(x,t)-g(y,t))}^2}{2{\mathrm{\σ}}^2}}\·e^{-\frac{{\left|\right|x-y\left|\right|}^2}{2d^2}}$

E3.对时域的图像进行融合：如果x是非运动点：g_st(x，t)＝_(1-Pr)*g_st(x，t-1)+Pr*g_s(x，t)；否则为g_st(x，t)＝_(1-Pr)*g_st(x+Δx，t-1)+Pr*g_s(x，t)。

本发明考虑重点解决将噪音信号从目标区域或背景区域区分出来这一关键技术问题。因此，本发明首先要将背景区域，也就是静止区域分离出来。传统的背景分离方法是两帧图像相减，然后利用图像分割方法，例如阈值的方法处理，检测出运动区域。然而这样的检测方法往往受噪音影响，且检测到边界不够准确，如果图像中有多个目标运动时或噪音水平较高，则无法有效检测到背景区域。其他方法如贝叶斯方法(混合高斯模型)可能会解决多目标运动的问题，然而这样的背景检测无法达到实时性的要求。为此，本发明首先将前后两帧图像和当前图像相减，得到的两幅差值的绝对值图像，如果当前像素点在这两幅图像的值都分别大于一个给定的阈值，则将该像素点预设为一个运动目标点，以上的运动检测方法会得到一个运动区域R。然后，对得到的运动区域连通区域的实施Connected Component Labeling数学形态学操作，得到N个连通的子区域，如果其中任何一个子区域面积小于某个给定的阈值，则设定该子区域为噪音区域；否则可以将其看作是运动区域。针对每个运动区域再做基于最小绝对差值和(SAD)的运动估计：如果子区域的面积大于一个给定的阈值，则在其中找出前20个梯度值最大的特征点，实施基于SAD运动检测，对每个检测到运动量估计一个全局运动仿射变换，进而估计出Ri中所有像素点点的运动向量Δx；否则，对Ri中所有的点做基于SAD运动估计。

以上噪音区域检测和运动估计方法具有较强的鲁棒性，这是由于图像中的任何一块区域既有可能是运动区域又是噪音水平较高的区域，这样的区域应用传统的空域滤波器无法彻底消除噪音。要根据该像素的运动强度和噪音强度来进行综合处理，也就是说如果该像素噪音水平达到一定程度需要将其看成相对静止的像素，考虑应用时空滤波器来处理图像增强问题。如果该像素点是个运动点，则应用运动补偿的办法来设计时空域滤波器。

除了噪音区域和运动区域的检测，本发明还考虑应用噪音估计的方法来自适应地选择滤波窗口大小(双边滤波器)，并应用边缘检测的方法和像素点之间的自相关系数来动态选择滤波器的候选点，实现了一个自适应的双边滤波器。

本领域技术人员不脱离本发明的实质和精神，可以有多种变形方案实现本发明，以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。

Claims (5)

1.一种实时医学视频图像去噪方法，特征在于，图像序列为，g₁，...，g_t，...，g_n，其包括以下步骤：

A.从图像存储区域中提取图像帧序列，g(x，t)＝g_t，t＝1，...，n；令t＝2，对g(x，t-1)做Bilateral滤波处理，得到平滑图像g_st(x，t-1)：

$g_{\mathrm{st}}(x,t-1)=\underset{y\∈R\left(x\right)}{\mathrm{\Σ}}w(x,y,t-1)g(y,t-1)$

$w(x,y,t-1)=e^{-\frac{{(g(x,t-1)-g(y,t-1))}^2}{2{\mathrm{\σ}}^2}}\·e^{-\frac{{\left|\right|x-y\left|\right|}^2}{2d^2}}$

其中x是当前像素点，g(x，t-1)为视频图像在t-1时刻及像素点x上的灰度值，σ和d是预设的参数；

B.估计当前帧图像g(x，t)每个像素点的噪音值，做窗口大小为W_med×W_med的平滑得到图像s(x，t)，在得到的噪音图像η(x，t)＝g(x，t)-s(x，t)上估计噪音水平σ(x，t)；

C.基于图像g_st(x，t-1)和图像g(x，t)做运动检测和估计，并根据运动估计的结果将图像划分成背景区域、运动区域和噪音区域；

D.自适应地选择滤波窗口大小和空间滤波点；

E.基于检测到的背景区域和运动区域，设计一个回归的时空滤域波器，对当前图像g(x，t)做如下增强处理：

g_st(x，t)＝_(1-Pr(x，t))·g_st(x^*，t-1)+Pr(x，t)·g_s(x，t)

其中g_s(x，t)是在空域上做滤波处理后得到图像，g_st(x^*，t-1)是本发明处理方法在一帧处理后的图像，x^*是当前像素点x在前一帧图像相应的像素点，Pr(x，t)是预先估计出的图像融合参数；

F.令t＝t+1，返回步骤2。

2.根据权利要求1所述的一种实时医学视频图像去噪方法，其特征在于所述B步骤包括以下步骤：

B1.对当前帧图像g(x，t)，做窗口大小为w₁×w₁的平滑得到图像s(x，t)；

B2.将原始图像g(x，t)和平滑图像s(x，t)相减估计出噪音图像η(x，t)＝g(x，t)-s(x，t)；

B3.估计出的噪音图像η(x，t)的每个像素点x，在以x为中心的大小为w_n×w_n窗口做标准方差估计，得到噪音水平估计值σ(x，t)。

3.根据权利要求1所述的一种实时医学视频图像去噪方法，其特征在于所述C步骤包括以下步骤：

C1.估计图像的运动区域即R＝{x||g(x，t-1)-g(x，t)|＞ftg₁ &|g(x，t+1)-g(x，t)|＞ftg₁}，用一个二值图像或Mask图像来表示为b(x，t)：

$b(x,t)=\left\{\begin{array}{cc}1,& x\∈R\\ 0,& x\∉R\end{array}\right.$

C2.针对图像b(x，t)做Morphological的closing操作，得到一个运动目标区域增强的图像b₁(x，t)，然后对b₁(x，t)图像做Connected Component Labeling数学形态学操作，得到N个连通的区域H＝{R_i|i＝1，...，N}，(前景区域：即区域中的每个像素点满足b(x，t)＝1)；

C3.对于任意一个连通区域R_i，如果其面积小于某个预设的值Th_A₁则该区域设为噪音区域；否则将该区域设为一个运动区域。

C4.对任意一个运动区域R_i，如果它的面积大于ftg₂(＞20)，则在其中找出前20个梯度值最大的特征点，实施基于SAD(Sum of Absolute Difference：绝对差值和)运动检测；否则，对R_i中所有的点做基于SAD运动估计；

C5.对每个像素点x，如果x是运动点，计算g_Δ(x，t)＝|g_st(x+Δx，t-1)-g(x，t)|，其中Δx是像素点x在t时刻的运动向量；否则g_Δ(x，t)＝|g_st(x，t-1)-g(x，t)|；

C6.如果x是运动目标种子点并且|g_st(x，t-1)-g(x，t)|＜|g_st(x+Δx，t-1)-g(x，t)|，则可以将该点重置成背景点，即b(x，t)＝0；

4.根据权利要求1所述的一种实时医学视频图像去噪方法，其特征在于所述D步骤包括以下步骤：

D1.基于步骤D检测到的噪音区域，估计一个全局的噪音水平σ；

D2.对计算图像g(x，t)的Sobel梯度图像，针对梯度图像做二值化的边缘检测，二值化的阈值设为Th_A₂＝σ*β，得到图像b₂(x，t)，然后做图像做Connected Component Labeling操作，如果连通区域的面积大于某个预设的值Th_A₃则该区域上的所有点为边缘点；

D3.如果σ(x，t)＜5，滤波窗口大小为w_size(x，t)＝3，否则如果是边缘点，其滤波窗口大小为w_size(x，t)＝5，否则大小为w_size(x，t)＝7；

D4.选择领域中的滤波点：如果当前点不是边缘点，y也不是边缘点，y设为滤波候选点，否则，将y从滤波候选点去除；如果当前点是边缘点，y也是边缘点，y设为滤波候选点，否则，将y从滤波候选点去除。

5.根据权利要求1所述的一种实时医学视频图像去噪方法，其特征在于所述E步骤包括以下步骤：

E1.计算时空滤波器的融合系数：首先计算当前像素点的运动强度或置信度：

$q(x,t)=\frac{g_{\mathrm{\Δ}}(x,t)}{\mathrm{\σ}(x,t)}$

然后计算概率函数：

$\mathrm{Pr}(x,t)=\mathrm{Pr}\left(q\right)=c_1+\frac{c_2}{1+e^{\frac{c_3-q}{c_4}}}$

其中，c₁，c₂，c₃和c₄是预先设定的参数；

E2.针对每个像素点做空域上的Bilateral滤波，滤波点为步骤D得到的滤波候选点，窗口大小为w_size(x，t)，得到空域上的滤波值g_s(x，t)：

$g_s(x,t)=\underset{y\∈R\left(x\right)}{\mathrm{\Σ}}w(x,y,t)w_2(x,y,t)g(y,t)$

$w(x,y,t-1)=e^{-\frac{{(g(x,t)-g(y,t))}^2}{2{\mathrm{\σ}}^2}}\·e^{-\frac{{\left|\right|x-y\left|\right|}^2}{2d^2}}$

E3.对时域的图像进行融合：如果x是非运动点：g_st(x，t)＝_(1-Pr)*g_st(x，t-1)+Pr*g_s(x，t)；否则为g_st(x，t)＝_(1-Pr)*g_st(x+Δx，t-1)+Pr*g_s(x，t)。

Images