CN102800064A - 基于自适应双边滤波的oct图像散斑噪声减小算法 - Google Patents
基于自适应双边滤波的oct图像散斑噪声减小算法 Download PDFInfo
- Publication number
- CN102800064A CN102800064A CN2012102425435A CN201210242543A CN102800064A CN 102800064 A CN102800064 A CN 102800064A CN 2012102425435 A CN2012102425435 A CN 2012102425435A CN 201210242543 A CN201210242543 A CN 201210242543A CN 102800064 A CN102800064 A CN 102800064A
- Authority
- CN
- China
- Prior art keywords
- speckle noise
- image
- oct image
- oct
- sigma
- 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.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应双边滤波的OCT图像散斑噪声减小算法,建立原始OCT图像的散斑噪声模型,依据瑞利准则,将原始OCT图像的散斑噪声模型作为变量,构建空间函数,并通过分析空间函数的特性,推导出空间函数F对滤波权系数W[k,i]进行自适应修正的方法公式。本发明所设计的基于自适应双边滤波的OCT图像散斑噪声减小算法能够实现减小OCT图像散斑噪声、减小图像均方误差并提高峰值信噪比,同时极大程度地保持图像的边缘信息,提高边缘对比度,获得更清晰的图像边缘细节。
Description
技术领域
本发明涉及一种基于自适应双边滤波的OCT图像散斑噪声减小算法,属于OCT图像处理领域。
背景技术
光学相干层析成像(Optical Coherence Tomography,OCT)是近年发展起来的宽带光扫描层析成像技术,利用宽带光源的低相干性来实现高分辨率、非侵入的光学层析成像。对OCT技术的探索始于20世纪80年代末,1988年A.F.Fercher等将低相干干涉仪用于眼内测量。1991年D.Huang等提出OCT概念,并以此技术得到了视网膜图像。随后各地的研究小组在提高图像分辨率和信噪比等方面对OCT技术进行了许多卓有成效的研究。目前,OCT技术的分辨率一般可以达到十几微米,最高可达几微米。
OCT作为一种干涉成像方法,只有与参考光的光程差在相干长度Lc范围以内的散射光才能与参考光发生干涉成为OCT图像信号,而OCT图像的散斑也是由这些符合条件的散射光互相干形成,各相干光之间的相位差其中k为常数,Δz=[0.5-(Lc/n-0.5)]μm,λ0为光源的中心波长,n为折射率。OCT成像时,相位差在0~nΠ之间变化,光电探测面上会有相当数量的具有nΠλ0光程差的相干散射光束同时到达,产生高斯包络的具有nΠ相位差的交变信号,它们彼此相干叠加形成了散斑。OCT技术作为一种光学干涉成像技术,在成像过程中利用了光波的干涉性质,从而不可避免地引入了图像的散斑噪声。散斑噪声极大地限制了OCT图像的分辨率和信噪比的提高,使OCT在生物医学图像中确定组织形态细节特征时难度提高,因此如何减小散斑噪声是OCT成像领域中的一个关键问题。
目前针对OCT图像散斑噪声的减小算法主要有去卷积算法、Wiener滤波算法、小波去噪等,这些典型算法虽然减小了散斑噪声,但同时也牺牲了图像中的边缘信息,使得OCT图像组织边缘形态模糊,对于生物医学病理诊断极为不利。
双边滤波(Bilateral filtering)是基于Gauss滤波方法提出的,主要针对Gauss滤波中将Gauss权系数直接与图像信息作卷积运算进行图像滤波的原理,这样就在滤波的同时考虑到图像信息中的图像边缘信息,使图像在正常Gauss滤波后很模糊的边缘信息得以保持清晰。对于双边滤波,可用如下公式表示。
式中X为原图像,Y[K]为滤波后的输出图像,W[k,i]为滤波器的权系数。进行双边滤波时,W[k,i]满足下式。
W[k,i]=exp[-|d([k],[k-i])|2/2σ2] (2)
假设图像的灰度分布因子为σr,几何分布因子为σd,对于式,当σ=1时,W[k,i]表示为。
(3)
定义灰度权系数Wr[k,i]和空间权系数Wd[k,i]分别为如下所示。
则W[k,i]可表示为。
W[k,i]=Wr[k,i]·Wd[k,i] (6)
由上式可知,双边滤波的权系数是由几何分布因子σd和灰度分布因子σr共同决定的。σd的大小决定窗口中包含的像素个数,σd变大时,作用的像素变多,导致图像变得模糊;而σr则可以对σd的变化做出补偿。对于双边滤波算法,选择合适的σr和σd通过一步计算就能把噪声降低到比较少的范围,但是由于该算法是局部去噪算法,对于OCT图像来说,σr的选择非常敏感:如果选择较少的σr,则在去噪的结果图像中出现较多的灰度值与其邻域明显不同的奇点;而选择较大的,又使去噪图像过度平滑。如果要得到理想的去噪效果,就需要对σr(t)和σd(t)随时间作相应的调整,但是合适的σr(t)和σd(t)函数构造比较困难,而且即便选择较优的去噪参数,去噪结果中也会出现一些隐约可见的噪声斑块。正是由于这些问题,使得常规双边滤波算法在OCT图像散斑减小效果上不能令人满意。
发明内容
本发明所要解决的技术问题是提供一种能够实现减小OCT图像散斑噪声、减小图像均方误差并提高峰值信噪比,同时极大程度地保持图像的边缘信息,提高边缘对比度,获得更清晰的图像边缘细节的基于自适应双边滤波的OCT图像散斑噪声减小算法。
本发明为了解决上述的技术问题:本发明设计了一种基于自适应双边滤波的OCT图像散斑噪声减小算法,其中,包括如下步骤:
步骤(1):建立原始OCT图像的散斑噪声模型如下式所示:
I(x,y)=S(x,y)·N(x,y)
其中,(x,y)定义为OCT图像中像素点的位置,x定义为横轴,y定义为纵轴,I(x,y)定义为原始OCT图像,N(x,y)定义为散斑噪声模型,S(x,y)定义为去除散斑噪声后的有效图像信息模型;
将上式中的原始OCT图像的散斑噪声模型转换成加的形式,等式两边取对数,得到如下公式:
ln(Ix,y)=ln(Sx,y·Nx,y)=ln(Sx,y)+ln(Nx,y),
令I0=ln(Ix,y),S0=ln(Sx,y),N0=ln(Nx,y),即得到I0=S0+N0;
原始OCT图像的局部散斑噪声模型即可表示为:N0=I0-S0,至此完成对OCT图像散斑噪声模型的建立,以便接下来进一步去噪分析;
步骤(2):依据瑞利准则,将原始OCT图像的散斑噪声模型作为变量,构建如下所示的空间函数:
其中:k定义为常数,σ定义为OCT图像标准差,N0定义为散斑噪声模型N(x,y)的对数函数,f(N0)表示空间函数F受N0所控制,并受标准差σ的影响,通过分析了OCT图像标准差σ和散斑噪声模型N(x,y)的对数函数N0对空间函数影响,为接下来进一步修正算法做准备;
步骤(3):根据步骤(2)中的空间函数F受标准差σ和原始OCT图像的局部散斑噪声模型N0影响的特性,推导出空间函数F对滤波权系数W[k,i]进行自适应修正,从而实现减小OCT图像散斑噪声的效果,修正的方法由双边滤波算法的权系数公式确定:
修正后的权系数如下
其中,W0[k,i]定义为修正后的双边滤波器的权系数,定义为修正后的灰度权系数,Wd[k,i]仍旧为原空间权系数,[k,i]定义为变换因子,X[k]定义为表示原始输入图像,σr定义为灰度分布因子,σd定义为几何分布因子。
本发明与现有技术相比,具有以下优点与突出性效果:
1.本发明所设计的基于自适应双边滤波的OCT图像散斑噪声减小算法解决了常规OCT图像滤波算法中因去噪而牺牲的边缘信息问题;
2.本发明所设计的基于自适应双边滤波的OCT图像散斑噪声减小算法通过滤波权系数自适应修正,将常规双边滤波算法应用与OCT图像散斑去噪,能够实现减小OCT图像散斑噪声、减小图像均方误差并提高峰值信噪比;
3.本发明所设计的基于自适应双边滤波的OCT图像散斑噪声减小算法同时能够极大程度地保持图像的边缘信息,提高边缘对比度,获得更清晰的图像边缘细节。
附图说明
图1为本发明所设计的基于自适应双边滤波的OCT图像散斑噪声减小算法的流程图;
图2a为本发明构建的标准差σ的空间函数的特征图像;
图2b为本发明构建的局部噪声模型N0的空间函数的特征图像;
图3为本发明所用的原始OCT图像;
图4(a)为去卷积算法处理后图像;
图4(b)维纳滤波算法处理后图像;
图4(c)为小波去噪算法处理后图像;
图4(d)为本发明提出的自适应双边滤波算法处理后图像。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
首先,对OCT图像重构的散斑噪声形成机理进行分析:散斑是经不同粒子面元散射的光振动在空间相遇时发生干涉,形成的具有无规则分布的颗粒状结构的衍射图样。OCT信号通过相干门提取的,相干门把大量的杂散光和其他层次的光排除在外,只有与参考光的光程差在相干长度Lc范围以内的散射光才能与参考光发生干涉成为OCT图像信号,而OCT图像的散斑也是由这些符合相干条件的散射光才能形成。各相干光之间的相位差其中k为常数,Δz=[0.5-(Lc/n-0.5)]μm,λ0为光源的中心波长,n为折射率。可见,相位差在0~nΠ之间变化,OCT成像时,光电探测面上会有相当数量的具有nΠλ0光程差的相干散射光束同时到达,产生高斯包络的具有nΠ相位差的交变信号,它们彼此相干叠加就形成了散斑。
如图1所示,针对以上所述,本发明设计了一种基于自适应双边滤波的OCT图像散斑噪声减小算法,包括如下步骤:
步骤(1):建立原始OCT图像的散斑噪声模型如下式所示:
I(x,y)=S(x,y)·N(x,y)
其中,(x,y)定义为OCT图像中像素点的位置,x定义为横轴,y定义为纵轴,I(x,y)定义为原始OCT图像,N(x,y)定义为散斑噪声模型,S(x,y)定义为去除散斑噪声后的有效图像信息模型;
将上式中的原始OCT图像的散斑噪声模型转换成加的形式,等式两边取对数,得到如下公式:
ln(Ix,y)=ln(Sx,y·Nx,y)=ln(Sx,y)+ln(Nx,y),
令I0=ln(Ix,y),S0=ln(Sx,y),N0=ln(Nx,y),即得到I0=S0+N0;
原始OCT图像的局部散斑噪声模型即可表示为:N0=I0-S0,至此完成对OCT图像散斑噪声模型的建立,以便接下来进一步去噪分析;
步骤(2):依据瑞利准则,将原始OCT图像的散斑噪声模型作为变量,构建如下所示的空间函数:
其中:k定义为为常数,σ定义为为OCT图像标准差,N0定义为为散斑噪声模型N(x,y)的对数函数,f(N0)表示空间函数F受N0所控制,并受标准差σ的影响,通过分析了OCT图像标准差σ和散斑噪声模型N(x,y)的对数函数N0对空间函数影响,可知f(N0)表示空间函数F受N0所控制,并受标准差σ的影响,图2给出了空间函数F受σ和N0影响的特征图像,为接下来进一步修正算法做准备。
步骤(3):由步骤(2)中的空间函数F受标准差σ和原始OCT图像的局部散斑噪声模型N00影响的特性,结合图2可以得出越靠近图像中边缘的像素点,σ越大,F值越小,对于同一σ,N0值越大,F值越大,据此可以推导出空间函数F对滤波权系数W[k,i]进行自适应修正,从而实现减小OCT图像散斑噪声的效果,修正的方法由双边滤波算法的权系数公式确定:
修正后的权系数如下
其中,W0[k,i]定义为修正后的双边滤波器的权系数,定义为修正后的灰度权系数,Wd[k,i]仍旧为原空间权系数,[k,i]定义为变换因子,X[k]定义为表示原始输入图像,σr定义为灰度分布因子,σd定义为几何分布因子。
F对权系数的自适应修正遵循如下原则:对于含散斑噪声越多的图像区域,N0值越大,F值越接近1,对σr的影响越小,权系数W[k,i]去噪起主导;对于靠近边缘的区域,σ值越大,F值越小,σr作为分母被增大,增大的σr对于边缘信息在去噪的同时起到了很好的保持效果。
为了验证本发明提出的基于自适应双边滤波的OCT图像散斑噪声减小算法的有效性,我们通过做对比实验来验证算法去噪效果。
对由OCT系统得到的一幅人体视网膜原始图像(图3)进行了不同算法处理,处理后的图像分别显示在图4中,其中图4(a)为去卷积算法处理后图像,图4(b)维纳滤波算法处理后图像,图4(c)为小波去噪算法处理后图像,图4(d)为本发明提出的自适应双边滤波算法处理后图像。
首先采用国际上通用的均方误差(MSE)和峰值信噪比(PSNR)标准来对不同算法的去噪效果进行了衡量,得到的结果显示在表1中。
表1
从表1可以看出,与原图像相比,4种方法在均方误差和峰值信噪比上均有明显改善,图像的清晰度都大为提高。
为体现本发明提出的基于自适应双边滤波的OCT图像散斑噪声减小算法在图像边缘保持上的优势,我们有通过对比实验来验证算法边缘保持效果。
在原始图像中选取了a,b,c,d四个局部区域进行边缘品质系数的评价,对于定位好的边缘信息,提出的边缘品质系数定义为。
其中N0为检测到的边缘像素个数,yl和yr分别为边缘像素点两侧的像素灰度值。
四种方法处理后的图像中a,b,c,d四个局部区域边缘品质系数的评价显示在表2中。
表2
从表2可以看出,与其他3种规算法相比,本文提出的基于自适应双边滤波的OCT图像散斑噪声减小算法在边缘保持效果上具有优势。可见该算法解决了常规OCT图像滤波算法中因去噪而牺牲的边缘信息问题,能够实现减小OCT图像散斑噪声、减小图像均方误差并提高峰值信噪比,同时极大程度地保持图像的边缘信息,提高边缘对比度,获得更清晰的图像边缘细节。
Claims (1)
1.一种基于自适应双边滤波的OCT图像散斑噪声减小算法,其特征在于,包括如下步骤:
步骤(1):建立原始OCT图像的散斑噪声模型如下式所示:
I(x,y)=S(x,y)·N(x,y)
其中,(x,y)定义为OCT图像中像素点的位置,x定义为横轴,y定义为纵轴,I(x,y)定义为原始OCT图像,N(x,y)定义为散斑噪声模型,S(x,y)定义为去除散斑噪声后的有效图像信息模型;
将上式中的原始OCT图像的散斑噪声模型转换成加的形式,等式两边取对数,得到如下公式:
ln(Ix,y)=ln(Sx,y·Nx,y)=ln(Sx,y)+ln(Nx,y),
令I0=ln(Ix,y),S0=ln(Sx,y),N0=ln(Nx,y),即得到I0=S0+N0;
原始OCT图像的局部散斑噪声模型即可表示为:N0=I0-S0,至此完成对OCT图像散斑噪声模型的建立,以便接下来进一步去噪分析;
步骤(2):依据瑞利准则,将原始OCT图像的散斑噪声模型作为变量,构建如下所示的空间函数:
其中:k定义为常数,σ定义为OCT图像标准差,N0定义为散斑噪声模型N(x,y)的对数函数,f(N0)表示空间函数F受N0所控制,并受标准差σ的影响,通过分析了OCT图像标准差σ和散斑噪声模型N(x,y)的对数函数N0对空间函数影响,为接下来进一步修正算法做准备;
步骤(3):根据步骤(2)中的空间函数F受标准差σ和原始OCT图像的局部散斑噪声模型N0影响的特性,推导出空间函数F对滤波权系数W[k,i]进行自适应修正,从而实现减小OCT图像散斑噪声的效果,修正的方法由双边滤波算法的权系数公式确定:
修正后的权系数如下
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210242543.5A CN102800064B (zh) | 2012-07-12 | 2012-07-12 | 基于自适应双边滤波的oct图像散斑噪声减小算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210242543.5A CN102800064B (zh) | 2012-07-12 | 2012-07-12 | 基于自适应双边滤波的oct图像散斑噪声减小算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102800064A true CN102800064A (zh) | 2012-11-28 |
CN102800064B CN102800064B (zh) | 2015-02-04 |
Family
ID=47199163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210242543.5A Active CN102800064B (zh) | 2012-07-12 | 2012-07-12 | 基于自适应双边滤波的oct图像散斑噪声减小算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102800064B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116875A (zh) * | 2013-02-05 | 2013-05-22 | 浙江大学 | 自适应双边滤波图像去噪方法 |
CN104748678A (zh) * | 2015-03-08 | 2015-07-01 | 大连理工大学 | 高温物体测量中图像质量补偿方法 |
CN105748041A (zh) * | 2016-02-15 | 2016-07-13 | 苏州大学 | 光学相干断层扫描成像中散斑噪声的抑制系统和方法 |
CN106908007A (zh) * | 2017-03-06 | 2017-06-30 | 广东工业大学 | 一种光学相干层析变形场降噪方法 |
CN108961177A (zh) * | 2018-06-15 | 2018-12-07 | 杭州富扬科技有限公司 | 一种oct图像散点噪声的抑制方法 |
CN110390650A (zh) * | 2019-07-23 | 2019-10-29 | 中南大学 | 基于密集连接和生成对抗网络的oct图像去噪方法 |
WO2022106554A2 (en) | 2020-11-19 | 2022-05-27 | Leica Microsystems Inc. | Processing systems for oct imaging, oct imaging systems and methods for oct imaging |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515364A (zh) * | 2009-03-26 | 2009-08-26 | 哈尔滨工业大学 | 基于最频值滤波的各向异性图像平滑方法 |
US20100280315A1 (en) * | 2007-09-19 | 2010-11-04 | The Research Foundation Of State University Of New York | Optical coherence tomography systems and methods |
-
2012
- 2012-07-12 CN CN201210242543.5A patent/CN102800064B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100280315A1 (en) * | 2007-09-19 | 2010-11-04 | The Research Foundation Of State University Of New York | Optical coherence tomography systems and methods |
CN101515364A (zh) * | 2009-03-26 | 2009-08-26 | 哈尔滨工业大学 | 基于最频值滤波的各向异性图像平滑方法 |
Non-Patent Citations (2)
Title |
---|
TIMOTHY R. HILLMAN ET AL.: "Correlation of static speckle with sample properties in optical coherence tomography", 《OPTICS LETTERS》, vol. 31, no. 2, 30 December 2006 (2006-12-30), pages 190 - 192, XP001239020, DOI: doi:10.1364/OL.31.000190 * |
沈婷梅等: "光学相干层析成像中散斑噪声减小算法", 《中国激光》, vol. 35, no. 9, 30 September 2008 (2008-09-30), pages 1437 - 1440 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116875A (zh) * | 2013-02-05 | 2013-05-22 | 浙江大学 | 自适应双边滤波图像去噪方法 |
CN103116875B (zh) * | 2013-02-05 | 2015-08-26 | 浙江大学 | 自适应双边滤波图像去噪方法 |
CN104748678A (zh) * | 2015-03-08 | 2015-07-01 | 大连理工大学 | 高温物体测量中图像质量补偿方法 |
CN105748041A (zh) * | 2016-02-15 | 2016-07-13 | 苏州大学 | 光学相干断层扫描成像中散斑噪声的抑制系统和方法 |
CN105748041B (zh) * | 2016-02-15 | 2018-07-03 | 苏州大学 | 光学相干断层扫描成像中散斑噪声的抑制系统和方法 |
CN106908007A (zh) * | 2017-03-06 | 2017-06-30 | 广东工业大学 | 一种光学相干层析变形场降噪方法 |
CN106908007B (zh) * | 2017-03-06 | 2019-09-27 | 广东工业大学 | 一种光学相干层析变形场降噪方法 |
CN108961177A (zh) * | 2018-06-15 | 2018-12-07 | 杭州富扬科技有限公司 | 一种oct图像散点噪声的抑制方法 |
CN108961177B (zh) * | 2018-06-15 | 2021-08-06 | 杭州富扬科技有限公司 | 一种oct图像散点噪声的抑制方法 |
CN110390650A (zh) * | 2019-07-23 | 2019-10-29 | 中南大学 | 基于密集连接和生成对抗网络的oct图像去噪方法 |
CN110390650B (zh) * | 2019-07-23 | 2022-02-11 | 中南大学 | 基于密集连接和生成对抗网络的oct图像去噪方法 |
WO2022106554A2 (en) | 2020-11-19 | 2022-05-27 | Leica Microsystems Inc. | Processing systems for oct imaging, oct imaging systems and methods for oct imaging |
Also Published As
Publication number | Publication date |
---|---|
CN102800064B (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102800064A (zh) | 基于自适应双边滤波的oct图像散斑噪声减小算法 | |
Xu | Medical image fusion using multi-level local extrema | |
CN102521818B (zh) | 一种基于nsct的sar图像和可见光图像的融合方法 | |
CN104036495B (zh) | 一种焊接缺陷提取方法及焊接缺陷检测方法 | |
CN102800074B (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
Zhang et al. | Comparison of despeckle filters for breast ultrasound images | |
CN102722877A (zh) | 基于双通道pcnn的多聚焦图像融合方法 | |
CN111784620B (zh) | 空间信息引导角度信息的光场相机全聚焦图像融合算法 | |
CN111507913B (zh) | 一种基于纹理特征的图像融合算法 | |
CN115797333B (zh) | 一种个性化定制的智能视觉训练方法 | |
CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
CN113837974A (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
CN112017130B (zh) | 基于自适应各向异性全变分正则化的图像复原方法 | |
CN103839243A (zh) | 基于Shearlet变换的多通道卫星云图融合方法 | |
Yin et al. | Speckle-constrained variational methods for image restoration in optical coherence tomography | |
Hu et al. | An improved multi-focus image fusion algorithm based on multi-scale weighted focus measure | |
CN109166088B (zh) | 基于非降采样小波变换的双波段灰度熔池图像融合方法 | |
Ljubenović et al. | Beam-shape effects and noise removal from thz time-domain images in reflection geometry in the 0.25–6 thz range | |
Tan et al. | Infrared image enhancement algorithm based on detail enhancement guided image filtering | |
Liang et al. | Nonlocal total variation based on symmetric Kullback-Leibler divergence for the ultrasound image despeckling | |
Biradar et al. | Blind source parameters for performance evaluation of despeckling filters | |
Ye et al. | High resolution reconstruction method of ghost imaging via SURF-NSML | |
CN108072614A (zh) | 一种基于非均匀傅里叶变换的干涉合成孔径显微方法 | |
CN116630154A (zh) | 光学相干层析图像的反褶积超分辨重建方法及装置 | |
CN115760749A (zh) | 一种毫米波辐射图像火点检测识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |