CN102663692A - 医学超声图像自适应susan扩散去噪方法 - Google Patents

医学超声图像自适应susan扩散去噪方法 Download PDF

Info

Publication number
CN102663692A
CN102663692A CN2012100857400A CN201210085740A CN102663692A CN 102663692 A CN102663692 A CN 102663692A CN 2012100857400 A CN2012100857400 A CN 2012100857400A CN 201210085740 A CN201210085740 A CN 201210085740A CN 102663692 A CN102663692 A CN 102663692A
Authority
CN
China
Prior art keywords
image
susan
algorithm
template
denoising
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012100857400A
Other languages
English (en)
Inventor
沈民奋
方若宇
孙丽莎
张琼
徐宇贵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Original Assignee
Shantou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shantou University filed Critical Shantou University
Priority to CN2012100857400A priority Critical patent/CN102663692A/zh
Publication of CN102663692A publication Critical patent/CN102663692A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种医学超声图像自适应SUSAN扩散去噪方法，按以下步骤进行：（1）自适应选取图像全斑点噪声区域，（2）基于SUSAN算法的图像边缘检测，（3）基于SUSAN扩散的医学超声图像去噪。与现有技术相比具有减轻了人工设定阈值参数的工作量，提高了算法的鲁棒性，更加适合推广应用等特点。

Description

医学超声图像自适应SUSAN扩散去噪方法
技术领域
本发明属生物医学信号处理领域，具体涉及医学超声图像自适应SUSAN扩散去噪方法。
背景技术
医学超声成像技术相比其他医学影像技术具有无损伤、无辐射、低成本、实时性、可重复等优势，已成为现代四大医学影像技术之一，目前在医学临床检查、诊断中发挥着重要的作用。然而，医学超声图像中存在大量的斑点噪声，这些斑点噪声的存在大大降低了超声图像的可读性，严重影响了图像的后期处理（如分割、配准、融合、特征提取）的准确性，限制了医学超声成像技术的进一步推广应用。
为了充分利用医学超声成像技术的优势，提高医学超声图像的质量，已提出多种医学超声图像去噪技术，其中基于偏微分方程的非线性扩散技术发展较快，且已取得了一些理论突破，如PM（Scale space and edge detection using anisotropic diffusion, 1990）、SRAD（Speckle reducing anisotropic diffusion, 2002）、NCD（Real-time speckle reduction and coherence enhancement in ultrasound imaging via nonlinear anisotropic diffusion, 2002）等技术，对于超声图像的斑点噪声能够取得一定的去噪效果，但同时这些技术也具有以下的缺点：
（1）  边缘检测算法并不能较好地区分图像中的噪声和边缘；
（2）  对乘性斑点噪声的抑制效果还有待提高，如PM模型对加性噪声抑制效果较好，但对乘性噪声的抑制效果则较差；SRAD模型在去噪的后会残留部分突变点；NCD模型在去噪的同时还会引入部分伪边缘等；
（3）  在去噪的同时并不能较好地保留图像的边缘信息。
近年来，SUSAN算法被表明能够进行较好的图像边缘检测，Yu等人在文章“Ultrasound speckle reduction by a SUSAN-controlled anisotropic diffusion method”中提出了SUSAN扩散去噪算法，表明SUSAN算法与非线性扩散算法结合而形成的SUSAN扩散技术能够更好地去除医学超声图像斑点噪声。然而，此技术由于需要手动调节参数较多，且去噪效果不稳定，因此很难得到推广应用。
发明内容
本发明的目的是针对以上去噪算法存在的缺点，提出一种医学超声图像自适应SUSAN扩散去噪方法。
医学超声图像自适应SUSAN扩散去噪方法，按以下步骤进行：
（1）自适应选取图像全斑点噪声区域：用户选取一张图像或图像中的一部分区域，为了自适应选取图像的全斑点噪声区域，可通过结构张量矩阵来求得，其具体步骤为：
1a  图像预处理：将带噪图像与高斯核函数进行卷积，得到图像的结构张量矩阵，其采用的计算方法如下：
Figure 210734DEST_PATH_IMAGE001
其中，为高斯核函数，
Figure 519542DEST_PATH_IMAGE003
为图像分别在横轴和纵轴上的梯度；
1b  特征值分解：对结构张量矩阵进行特征值分解，得到分解后的矩阵形式为：
Figure 549815DEST_PATH_IMAGE004
其中，
Figure 773510DEST_PATH_IMAGE005
为结构张量的特征向量，
Figure 547431DEST_PATH_IMAGE006
代表的是波动最大的方向，即梯度方向，而
Figure 474936DEST_PATH_IMAGE007
则指向波动最小的方向，
Figure 676110DEST_PATH_IMAGE008
则是对应的特征向量方向的扩散强度。
对于一幅图像中的局部区域，此区域越接近图像的全斑点噪声区域，表示此区域中包含的图像边缘信息越少，
Figure 321855DEST_PATH_IMAGE009
越接近于零，反之，如果区域中包含的边缘信息越多，那么
Figure 633888DEST_PATH_IMAGE009
就大。
基于K均值的自适应全斑点噪声选取：当前，针对如何选取图像的全斑点噪声区域的问题，Yu等人提出了SUSAN_AD模型中的一种方法。即先选取一个大小为
Figure 681478DEST_PATH_IMAGE010
,中心点为
Figure 53554DEST_PATH_IMAGE011
的模板，将此模板遍历图像，依次计算模板中心点
Figure 189524DEST_PATH_IMAGE011
所对应图像像素的结构张量特征值之差
Figure 305248DEST_PATH_IMAGE009
。再通过人工设定一阈值
Figure 472924DEST_PATH_IMAGE012
，如果有，则此时模板中的图像区域即为图像的全斑点噪声区域。但这样的选取方法由于只通过模板中心点
Figure 105080DEST_PATH_IMAGE011
结构张量特征值之差
Figure 24494DEST_PATH_IMAGE009
小于设定阈值
Figure 781098DEST_PATH_IMAGE012
，就判定整个模板区域为全斑点噪声区域，导致最后选取得到的全斑点噪声区域并不一定就是真正的全斑点噪声区域，甚至带有较多的图像边缘信息，同时，由于阈值
Figure 494976DEST_PATH_IMAGE012
需要人工设定，而准确的阈值设定需要对图像有很好的经验认识，并不容易判定阈值的大小。本发明为了克服以上缺点，采用K均值法进行自适应选取图像的全斑点噪声区域。
首先计算出模板中对应的各像素点的
Figure 667856DEST_PATH_IMAGE009
，然后求出整个模板中的之和
Figure 939754DEST_PATH_IMAGE013
，利用模板遍历图像，可得图像中各像素点的不同
Figure 824533DEST_PATH_IMAGE013
。当
Figure 153884DEST_PATH_IMAGE013
过小，模板对应的图像部分可能不含有图像中的任何信息，不可能是图像的全斑点噪声区域；当
Figure 415101DEST_PATH_IMAGE013
过大，模板中对应的图像部分可能是包含较多图像的细节信息，也不是图像的全斑点噪声区域。据此，我们再将这些
Figure 880717DEST_PATH_IMAGE013
新按升序排列，我们通过采用K均值算法先将所有
Figure 467556DEST_PATH_IMAGE013
分为两类，分别求出两类数据集的均值，再找出与其中较小均值点最接近的的
Figure 9834DEST_PATH_IMAGE013
值，根据该
Figure 809163DEST_PATH_IMAGE013
值即可自适应确定图像中的全斑点噪声区域，计算公式如下：
Figure 660444DEST_PATH_IMAGE014
其中，
Figure 887026DEST_PATH_IMAGE015
为模板下的总像素点。
（2）基于SUSAN算法的图像边缘检测：找出图像中的全斑点噪声区域后，便可计算得到
Figure 190969DEST_PATH_IMAGE016
值，计算公式如下：
Figure 731671DEST_PATH_IMAGE017
其中，
Figure 171880DEST_PATH_IMAGE018
分别代表图像分别在四个邻域方向上的灰度值差分，Median代表取所有数据中的中值。
为了更好地应用非线性扩散技术进行图像的去噪，首先要正确区分出图像中的边缘信息和噪声区域，本发明中采用的检测图像边缘的算法为SUSAN算法，采用SUSAN算法检测图像边缘信息的方法如下：
    检测图像时，先将SUSAN模板中心与图像中各像素重合，然后将模板遍历图像，依次计算模板内每一像素与模板中心像素的灰度差值，当差值小于灰度阈值
Figure 569363DEST_PATH_IMAGE016
，则认为该点与模板中心有相似的灰度，这样的像素点构成的区域称USAN。当差值大于灰度阈值
Figure 626181DEST_PATH_IMAGE016
，则该点不属于USAN。判别公式如下：
Figure 504663DEST_PATH_IMAGE019
其中，
Figure 330536DEST_PATH_IMAGE020
为模板中心像素灰度值，
Figure 898921DEST_PATH_IMAGE021
为模板中其他像素灰度值。继而，可计算出图像中各像素点的USAN大小：
Figure 115139DEST_PATH_IMAGE022
采用SUSAN算法进行图像边缘检测就是比较
Figure 794382DEST_PATH_IMAGE023
与几何阈值
Figure 474762DEST_PATH_IMAGE024
的大小，如果
Figure 214048DEST_PATH_IMAGE023
小于
Figure 979878DEST_PATH_IMAGE024
，则认为此时模板中心像素点为图像边缘点，反之，则认为该中心像素不是图像的边缘点。其边缘响应计算式如下：
Figure 462812DEST_PATH_IMAGE025
其中，
Figure 735049DEST_PATH_IMAGE026
为模板中包含的像素点总数。
（3）基于SUSAN扩散的医学超声图像去噪：求得以上的边缘响应后，然后先后通过以下公式进行非线性扩散去噪：
Figure 910816DEST_PATH_IMAGE027
其中，常数
Figure 898363DEST_PATH_IMAGE028
为（2）中的边缘响应，
Figure 122671DEST_PATH_IMAGE029
代表中值绝对偏差运算，
Figure 512064DEST_PATH_IMAGE030
为原图像，通过
Figure 858732DEST_PATH_IMAGE031
次非线性迭代进行去噪，最后便可得到去噪后的图像。
本发明创造的优点和效果
     本发明与现有技术相比具有以下优点：
1、本发明应用SUSAN算法对图像进行边缘检测，克服了传统的利用图像梯度进行图像边缘检测不准确的缺点；
2、本发明利用非线性扩散技术对图像进行斑点噪声的抑制，既可以取得较好的去噪效果，同时也能保留图像的边缘信息；
3、本发明提出自适应选取图像的全斑点噪声区域，从而自动确定算法中的部分参数，减轻了人工设定阈值参数的工作量，提高了算法的鲁棒性，更加适合推广应用。
附图说明
 图1为经模板遍历图像后求得的
Figure 67996DEST_PATH_IMAGE013
并按升序排列的分布图；
     由图1可知，当
Figure 158312DEST_PATH_IMAGE013
在
Figure 402212DEST_PATH_IMAGE032
左右曲线开始出现比较大的转折，将
Figure 922710DEST_PATH_IMAGE013
数据大致分为两类，这说明当
Figure 884850DEST_PATH_IMAGE013
小于时，模板区域中包含较少的图像细节信息，当
Figure 549367DEST_PATH_IMAGE013
大于
Figure 237837DEST_PATH_IMAGE032
时，模板区域中包含较多的图像细节信息，而当
Figure 687273DEST_PATH_IMAGE013
接近0时，模板区域中则可能不包含图像中的任何信息，因此，选取居于0和
Figure 588233DEST_PATH_IMAGE032
之间的
Figure 211586DEST_PATH_IMAGE013
对应的图像部分最接近于图像的全斑点噪声区域。基于此，我们通过采用K-means算法先将所有
Figure 70958DEST_PATH_IMAGE013
分为两类，分别求出两类数据集的均值，再找出与其中较小均值点最接近的的
Figure 804427DEST_PATH_IMAGE013
值（如图1中曲线上的黑点），根据该值即可自适应确定图像中的全斑点噪声区域。
图2为自适应获取图像全斑点噪声区域流程图；
图3为自适应SUSAN扩散的医学超声图像去噪方法总框图；
图4 为ASUSAN算法与其他算法所得的PSNR对比结果图；
 其中，图4（a）则是将本发明的算法（ASUSAN）与SUSAN扩散算法对图像去噪15次得到的PSNR对比结果图，从图中我们可以看出SUSAN扩散算法对图像的去噪效果具有不稳定性，这就是由于图像的全斑点噪声区域选取不准确造成。图4（b）则是本发明算法与PM算法、SRAD算法、NCD算法对图像去噪10次得到的PSNR对比结果图。从图中我们可以看出，本发明算法在去噪效果上明显优于其他算法，且算法稳定性较高。
图5为本发明方法与几种传统方法对斑点噪声仿真图像去噪处理的结果对比图；
其中，图5（a）为原始加噪图，（b）~（f）分别为经PM算法、SRAD算法、NCD算法、SUSAN算法以及本发明提出算法对（a）图的处理结果。本实例参数的选择为：高斯核函数中
Figure 113235DEST_PATH_IMAGE033
，求全斑点噪声区域模板大小为
Figure 143508DEST_PATH_IMAGE034
，SUSAN模板中象元总数为
Figure 301956DEST_PATH_IMAGE035
，非线性扩散迭代步长为
Figure 875545DEST_PATH_IMAGE036
，非线性扩散迭代次数为
Figure 68629DEST_PATH_IMAGE037
。
 图6为本发明方法与几种传统方法对医学超声图像去噪处理的结果对比图。
其中，图6（a）为一幅包含乳腺肿瘤的医学超声图像，（c）~（f）分别表示经PM算法、SRAD算法、NCD算法、SUSAN算法以及本发明提出的算法去噪处理后的图像和图像中第100行灰度值曲线。实验结果显示，本发明提出的算法对于超声图像可以取得很好的去噪效果，此外也能很好地保留图像中的细节边缘。本实例参数的选择为：高斯核函数中
Figure 269803DEST_PATH_IMAGE033
，求全斑点噪声区域模板大小为
Figure 915548DEST_PATH_IMAGE038
，SUSAN模板中象元总数为
Figure 227581DEST_PATH_IMAGE039
，非线性扩散迭代步长为
Figure 337488DEST_PATH_IMAGE036
，非线性扩散迭代次数为
Figure 774810DEST_PATH_IMAGE040
。
具体的实施方式
本发明针对超声图像斑点噪声的特点，提出一种改进的SUSAN扩散技术。改进的SUSAN扩散技术首先通过SUSAN算法检测出图像的边缘，然后采用K均值算法自适应地选取到图像中的全斑点噪声区域，进而自动确定部分参数，以避免手动调节，最后在准确区分图像中噪声和边缘的基础上结合各向异性扩散算法对噪声进行去除，同时保留图像的边缘信息。改进的SUSAN扩散技术不仅能很好地推广到实际应用，减轻人为调节参数的工作量，而且相比其他的扩散技术，能够取得更好的图像的去噪效果。
本发明主要针对医学超声图像去噪方法而专门设计实施的。在充分研究了超声成像机制以及超声图像的特点的基础上，本发明针对传统的非线性扩散方法在对斑点噪声去噪方面存在的诸多缺点，提出了自适应SUSAN扩散的医学超声图像去噪方法。本发明首先提出了一种自适应算法选取得到图像的全斑点噪声区域，然后通过引入SUSAN算法良好地检测出了图像中的边缘信息，最后结合非线性扩散算法进行图像去噪，本发明方法提高了医学超声图像去噪质量和稳定性，减轻了人工参与算法的负担，更加适合推广应用。
参照图3，本发明基于自适应SUSAN扩散的医学超声图像去噪方法包括：
步骤一：自适应选取图像全斑点噪声区域，无需人工设定相应阈值。
为了给SUSAN算法提供一个合适的阈值
Figure 907851DEST_PATH_IMAGE016
，从而更好地检测出图像中的边缘信息，区分图像中边缘和噪声的分布，进而有利于非线性扩散方法的应用，得到较好的图像去噪和保留图像边缘信息的效果，首先需要获取图像的全斑点噪声区域。全斑点噪声区域的选取步骤如下：
1）对图像进行预处理，即将带噪图像与高斯核函数进行卷积，得到图像的结构张量矩阵，其采用的计算方法如下：
Figure 23575DEST_PATH_IMAGE001
本实例中，取
Figure 987988DEST_PATH_IMAGE033
。
2）对以上结构张量矩阵进行特征值分解，得到分解后的矩阵形式为：
Figure 530965DEST_PATH_IMAGE004
其中，
Figure 885723DEST_PATH_IMAGE005
为结构张量的特征向量，代表的是波动最大的方向，即梯度方向，而
Figure 564671DEST_PATH_IMAGE007
则指向波动最小的方向，
Figure 278549DEST_PATH_IMAGE008
则是对应的特征向量方向的扩散强度。
 3）基于K均值的自适应全斑点噪声选取：首先计算出模板中对应的各像素点的
Figure 386182DEST_PATH_IMAGE009
，然后求出整个模板中的
Figure 843708DEST_PATH_IMAGE009
之和
Figure 454818DEST_PATH_IMAGE013
，利用模板遍历图像，可得图像中各像素点的不同
Figure 605177DEST_PATH_IMAGE013
。当
Figure 934527DEST_PATH_IMAGE013
过小，模板对应的图像部分可能不含有图像中的任何信息，不可能是图像的全斑点噪声区域；当过大，模板中对应的图像部分可能是包含较多图像的细节信息，也不是图像的全斑点噪声区域。据此，我们再将这些重新按升序排列，我们通过采用K均值算法先将所有
Figure 973831DEST_PATH_IMAGE013
分为两类，分别求出两类数据集的均值，再找出与其中较小均值点最接近的的
Figure 524898DEST_PATH_IMAGE013
值，根据该值即可自适应确定图像中的全斑点噪声区域，计算公式如下：
Figure 175508DEST_PATH_IMAGE014
本实例中，首先选取K=2，而后如果选取区域不准确，则自动加1，直至得到准确的全斑点噪声区域。
步骤二：找出图像中的全斑点噪声区域后，便可计算得到
Figure 464407DEST_PATH_IMAGE016
值，利用SUSAN算法对图像进行边缘检测。
应用以下公式计算
Figure 771279DEST_PATH_IMAGE016
值：
Figure 374299DEST_PATH_IMAGE017
采用SUSAN算法检测图像边缘信息的方法如下：
检测图像时，先将SUSAN模板中心与图像中各像素重合，然后将模板遍历图像，依次计算模板内每一像素与模板中心像素的灰度差值，当差值小于灰度阈值
Figure 814508DEST_PATH_IMAGE016
，则认为该点与模板中心有相似的灰度，这样的像素点构成的区域称USAN。当差值大于灰度阈值
Figure 477570DEST_PATH_IMAGE016
，则该点不属于USAN。计算公式如下：
 
Figure 940913DEST_PATH_IMAGE019
其中，
Figure 347623DEST_PATH_IMAGE020
为模板中心像素灰度值，
Figure 907917DEST_PATH_IMAGE021
为模板中其他像素灰度值。继而，可计算出图像中各像素点的USAN大小：
Figure 476302DEST_PATH_IMAGE022
采用SUSAN算法进行图像边缘检测就是比较
Figure 820083DEST_PATH_IMAGE023
与几何阈值
Figure 827222DEST_PATH_IMAGE024
的大小，如果
Figure 366657DEST_PATH_IMAGE023
小于
Figure 233506DEST_PATH_IMAGE024
，则认为此时模板中心像素点为图像边缘点，反之，则认为该中心像素不是图像的边缘点。其边缘响应计算式如下：
Figure 796075DEST_PATH_IMAGE025
这里，取
Figure 746187DEST_PATH_IMAGE041
。
步骤三：求得以上的边缘响应后，然后先后通过以下公式进行非线性扩散去噪：
Figure 80741DEST_PATH_IMAGE027
其中，取，迭代步长为
Figure 244055DEST_PATH_IMAGE036
，这样，通过
Figure 592997DEST_PATH_IMAGE031
次非线性迭代进行去噪，最后便可得到去噪后的图像。
以下通过仿真实验和具体的临床应用验证本发明方法的有效性和实用性。对仿真图像来说，当在图像中加入方差为0.04的乘性噪声时，经过PM算法、SRAD算法、NCD算法、SUSAN算法以及本发明的算法去噪处理后得到的一组图像性能参数PSNR和MSE如表1所示。由表1可知，本发明算法相比其他算法具有较明显的优势。当然，以上数据只是其中一组实验的结果体现，而图4（a）则是将本发明的算法（ASUSAN）与SUSAN算法对图像去噪15次得到的PSNR对比结果图，从图中我们可以看出SUSAN算法对图像的去噪效果有时不稳定，这就是由于图像的全斑点噪声区域选取不准确造成。图4（b）则是本发明算法与PM算法、SRAD算法、NCD算法对图像去噪10次得到的PSNR对比结果图，从图中我们可以看出，本发明算法在去噪效果上明显优于其他算法，且算法稳定性较高。
表1 经过5种算法去噪处理后得到的图像性能参数对比
Figure 982390DEST_PATH_IMAGE043
图5为本发明方法与几种传统方法对斑点噪声仿真图像去噪处理的结果对比图。其中，图5（a）为原始加噪图，（b）~（f）分别为经PM算法、SRAD算法、NCD算法、SUSAN算法以及本发明提出算法对（a）图的处理结果。从上图可以看出，本发明算法相比其他模型算法具有更好的去噪效果。从图5中可以看出，PM模型对于斑点噪声不具有很好的去噪效果，SRAD模型虽然能很好地抑制斑点噪声，但会产生部分突变亮点，NCD模型在去噪的同时容易产生伪边缘，SUSAN_AD模型能较好地抑制噪声，且边缘保留效果较好，但参数人工不易设定，同时通过此阈值参数选取的全斑点噪声区域并不具备最优性，而本发明方法则很好地解决了这个问题。
图6为本发明方法与几种传统方法对医学超声图像去噪处理的结果对比图。其中，图6（a）为一幅包含乳腺肿瘤的医学超声图像，（c）~（f）分别表示经PM算法、SRAD算法、NCD算法、SUSAN算法以及本发明提出的算法去噪处理后的图像和图像中第100行灰度值曲线。实验结果显示，本发明提出的算法对于超声图像可以取得很好的去噪效果，此外也能很好地保留图像中的细节边缘。

Claims (1)

1.一种医学超声图像自适应SUSAN扩散去噪方法，按以下步骤进行：
（1）自适应选取图像全斑点噪声区域：选取一张图像或图像中的一部分区域，通过图像预处理、特征值分解和K均值法对图像进行自适应全斑点噪声区域的选取：
1a  图像预处理：将带噪图像与高斯核函数进行卷积，得到图像的结构张量矩阵，其采用的计算方法如下：
Figure 198649DEST_PATH_IMAGE001
其中，
Figure 335232DEST_PATH_IMAGE002
为高斯核函数，
Figure 941794DEST_PATH_IMAGE003
为图像分别在横轴和纵轴上的梯度；
1b  特征值分解：对结构张量矩阵进行特征值分解，得到分解后的矩阵形式为：
Figure 935158DEST_PATH_IMAGE004
其中，
Figure 630100DEST_PATH_IMAGE005
为结构张量的特征向量，
Figure 304795DEST_PATH_IMAGE006
代表的是波动最大的方向，即梯度方向，而
Figure 828180DEST_PATH_IMAGE007
则指向波动最小的方向，则是对应的特征向量方向的扩散强度；
1c  基于K均值的自适应全斑点噪声选取：选取模板并遍历图像，求出整个模板中的
Figure 375016DEST_PATH_IMAGE009
之和，通过采用K均值算法找出图像的全斑点噪声区域，计算公式如下：
Figure 168977DEST_PATH_IMAGE011
其中，
Figure 441826DEST_PATH_IMAGE012
为模板下的总像素点；
（2）基于SUSAN算法的图像边缘检测：找出图像中的全斑点噪声区域后，可计算得到
Figure 108431DEST_PATH_IMAGE013
值，计算公式如下：
Figure 121999DEST_PATH_IMAGE014
其中，分别代表图像分别在四个邻域方向上的灰度值差分，Median代表取所有数据中的中值；
然后，采用SUSAN算法可对图像边缘进行精确检测，方法如下：
采用SUSAN圆形模板中心与图像中各像素重合，利用如下判别公式对图像中的各点是否属于USAN区域进行判别
Figure 329306DEST_PATH_IMAGE016
其中，
Figure 217628DEST_PATH_IMAGE017
为模板中心像素灰度值，
Figure 100133DEST_PATH_IMAGE018
为模板中其他像素灰度值，继而，可计算出图像中各像素点的USAN大小：
Figure 390300DEST_PATH_IMAGE019
采用SUSAN算法进行图像边缘检测就是比较
Figure 270532DEST_PATH_IMAGE020
与几何阈值的大小，如果
Figure 646149DEST_PATH_IMAGE020
小于
Figure 66767DEST_PATH_IMAGE021
，则认为此时模板中心像素点为图像边缘点，反之，则认为该中心像素不是图像的边缘点，其边缘响应计算式如下：
其中，为模板中包含的像素点总数；
（3）基于SUSAN扩散的医学超声图像去噪：求得以上的边缘响应后，然后通过以下公式进行非线性扩散去噪：
Figure 405714DEST_PATH_IMAGE024
其中，常数
Figure 567705DEST_PATH_IMAGE025
为（2）中的边缘响应，
Figure 566885DEST_PATH_IMAGE026
代表中值绝对偏差运算，
Figure 788919DEST_PATH_IMAGE027
为原图像，通过
Figure 201446DEST_PATH_IMAGE028
次非线性迭代进行去噪，最后便可得到去噪后的图像。
CN2012100857400A 2012-03-28 2012-03-28 医学超声图像自适应susan扩散去噪方法 Pending CN102663692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100857400A CN102663692A (zh) 2012-03-28 2012-03-28 医学超声图像自适应susan扩散去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100857400A CN102663692A (zh) 2012-03-28 2012-03-28 医学超声图像自适应susan扩散去噪方法

Publications (1)

Publication Number Publication Date
CN102663692A true CN102663692A (zh) 2012-09-12

Family

ID=46773171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100857400A Pending CN102663692A (zh) 2012-03-28 2012-03-28 医学超声图像自适应susan扩散去噪方法

Country Status (1)

Country Link
CN (1) CN102663692A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914861A (zh) * 2013-01-08 2014-07-09 腾讯科技（武汉）有限公司 图片处理方法及装置
CN103985099A (zh) * 2014-05-30 2014-08-13 成都信息工程学院 一种弥散张量磁共振图像张量域非局部均值去噪方法
WO2014121573A1 (zh) * 2013-02-06 2014-08-14 华中科技大学 基于非局部均值的susan边缘检测方法及系统
CN104517266A (zh) * 2014-12-22 2015-04-15 南京信息工程大学 基于边缘检测算子的混合自适应图像去噪方法
CN104537617A (zh) * 2014-12-24 2015-04-22 武汉科技大学 一种三维超声图像去噪方法
CN105806473A (zh) * 2016-03-14 2016-07-27 苏州佳世达电通有限公司 超音波探头的参数设定方法
CN106780407A (zh) * 2017-03-01 2017-05-31 成都优途科技有限公司 一种针对超声图像斑点噪声的去噪系统及去噪方法
CN106875353A (zh) * 2017-01-20 2017-06-20 飞依诺科技(苏州)有限公司 超声图像的处理方法及处理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354793A (zh) * 2008-09-10 2009-01-28 汕头超声仪器研究所 基于图形处理器的实时三维图像平滑处理方法
US20110164799A1 (en) * 2006-08-03 2011-07-07 The Regents Of The University Of California Incorporation of mathematical constraints in methods for dose reduction and image enhancement in tomography

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110164799A1 (en) * 2006-08-03 2011-07-07 The Regents Of The University Of California Incorporation of mathematical constraints in methods for dose reduction and image enhancement in tomography
CN101354793A (zh) * 2008-09-10 2009-01-28 汕头超声仪器研究所 基于图形处理器的实时三维图像平滑处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YU JINHUA,ETAL.: "Ultrasound speckle reduction by a SUSAN-controlled anisotropic diffusion method", 《PATTERN RECOGNITION》 *
余锦华等: "基于各向异性扩散的图像降噪算法综述", 《电子测量与仪器学报》 *
李晓峰: "基于超声图像的乳腺癌计算机辅助诊断关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914861A (zh) * 2013-01-08 2014-07-09 腾讯科技（武汉）有限公司 图片处理方法及装置
CN103914861B (zh) * 2013-01-08 2018-02-27 腾讯科技（武汉）有限公司 图片处理方法及装置
WO2014121573A1 (zh) * 2013-02-06 2014-08-14 华中科技大学 基于非局部均值的susan边缘检测方法及系统
CN103985099B (zh) * 2014-05-30 2017-01-25 成都信息工程学院 一种弥散张量磁共振图像张量域非局部均值去噪方法
CN103985099A (zh) * 2014-05-30 2014-08-13 成都信息工程学院 一种弥散张量磁共振图像张量域非局部均值去噪方法
CN104517266A (zh) * 2014-12-22 2015-04-15 南京信息工程大学 基于边缘检测算子的混合自适应图像去噪方法
CN104517266B (zh) * 2014-12-22 2017-06-06 南京信息工程大学 基于边缘检测算子的混合自适应图像去噪方法
CN104537617A (zh) * 2014-12-24 2015-04-22 武汉科技大学 一种三维超声图像去噪方法
CN105806473A (zh) * 2016-03-14 2016-07-27 苏州佳世达电通有限公司 超音波探头的参数设定方法
CN105806473B (zh) * 2016-03-14 2018-12-11 苏州佳世达电通有限公司 超音波探头的参数设定方法
CN106875353A (zh) * 2017-01-20 2017-06-20 飞依诺科技(苏州)有限公司 超声图像的处理方法及处理系统
CN106875353B (zh) * 2017-01-20 2019-11-08 飞依诺科技(苏州)有限公司 超声图像的处理方法及处理系统
CN106780407A (zh) * 2017-03-01 2017-05-31 成都优途科技有限公司 一种针对超声图像斑点噪声的去噪系统及去噪方法
CN106780407B (zh) * 2017-03-01 2024-03-26 清远先导科臻医疗科技有限公司 一种针对超声图像斑点噪声的去噪系统及去噪方法

Similar Documents

Publication Publication Date Title
CN102663692A (zh) 医学超声图像自适应susan扩散去噪方法
CN107067382A (zh) 一种改进的图像边缘检测方法
CN110232389B (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
CN101984916B (zh) 基于数字图像处理技术的血管管径测量方法
Rodtook et al. Multi-feature gradient vector flow snakes for adaptive segmentation of the ultrasound images of breast cancer
CN104700421A (zh) 一种基于canny的自适应阈值的边缘检测算法
CN104463914B (zh) 一种改进的Camshift目标跟踪方法
CN104899876A (zh) 一种基于自适应高斯差分的眼底图像血管分割方法
JP2017510427A5 (zh)
CN103116875A (zh) 自适应双边滤波图像去噪方法
CN105809680B (zh) 一种基于多重分形的土壤水分特征曲线模拟方法
CN103914827A (zh) 汽车密封条轮廓缺陷的视觉检测方法
Deng et al. Speckle reduction of ultrasound images based on Rayleigh-trimmed anisotropic diffusion filter
CN106780383B (zh) Tof相机的深度图像增强方法
CN110363775A (zh) 一种基于区域型变分水平集的图像分割方法
CN110310323A (zh) 基于Hessian矩阵和二维高斯拟合的视网膜血管管径测量方法
CN102393956B (zh) 基于径向对称性变换的视网膜图像滤波方法
CN109241822A (zh) 一种基于mtcnn的多方位人脸检测方法及系统
CN103914829A (zh) 一种含噪图像边缘检测方法
CN108648205A (zh) 一种亚像素边缘检测方法
CN104766304A (zh) 一种基于多序列医学图像的血管配准方法
CN103914845A (zh) 基于主动轮廓模型的超声图像分割中获取初始轮廓的方法
WO2016106617A1 (zh) 人眼定位方法及装置
Zhu et al. A novel snake model using new multi-step decision model for complex image segmentation
CN108428216B (zh) 基于散布矩阵特征的二阶偏微分方程遥感图像去噪方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120912