CN102999884B - 图像处理设备和方法 - Google Patents
图像处理设备和方法 Download PDFInfo
- Publication number
- CN102999884B CN102999884B CN201110281113.XA CN201110281113A CN102999884B CN 102999884 B CN102999884 B CN 102999884B CN 201110281113 A CN201110281113 A CN 201110281113A CN 102999884 B CN102999884 B CN 102999884B
- Authority
- CN
- China
- Prior art keywords
- template
- low frequency
- compensation
- component
- frequency component
- 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.)
- Expired - Fee Related
Links
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title abstract description 81
- 230000009466 transformation Effects 0.000 claims abstract description 66
- 238000001914 filtration Methods 0.000 claims description 88
- 238000003672 processing method Methods 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 24
- 230000000694 effects Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006854 communication Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
本公开提供了图像处理设备和方法。图像处理设备可包括:小波变换装置,用于对输入图像进行小波变换,以将该输入图像分解成分别具有不同尺度的多个级,每一级包括低频分量和多个高频分量;补偿模板生成装置,用于根据小波变换得到的每一级中的多个高频分量来生成针对该级的补偿模板,该补偿模板反映该级的多个高频分量的组合;去噪装置,用于对每一级中的低频分量进行去噪处理,并利用每一级的补偿模板对该级的低频分量进行边缘补偿,得到经补偿的低频分量;以及小波逆变换装置,用于利用每一级的经补偿的低频分量和高频分量,进行小波逆变换,得到经去噪处理的图像。
Description
技术领域
本公开涉及图像处理领域,具体而言,涉及利用小波变换对输入图像进行去噪处理的图像处理设备和方法。
背景技术
图像去噪是图像处理领域的一个重要分支。作为有效的去噪算法,小波变换正在被广泛应用于图像去噪处理中。
在一种已知的小波去噪方法中,首先利用小波变换将输入图像分解成多级,然后利用针对至少两个级中的每一级的不同的尺度依赖的参数对这两个级的小波系数进行缩放,以实现对小波系数的修改,从而改善去噪处理的效果。涉及这种方法的相关文献包括美国专利申请US2006/0210186A1。
发明内容
本公开的一些实施例提供了利用小波变换对输入图像进行去噪处理的图像处理设备和方法。
在下文中给出关于本公开的一些方面的简要概述,以便提供对于本公开的基本理解。该概述并非意图确定本公开的关键或重要部分,也不是意图限定本公开的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
根据本公开的一个方面,提供了一种图像处理设备,该图像处理设备可包括:小波变换装置,用于对输入图像进行小波变换,以将该输入图像分解成分别具有不同尺度的多个级,每一级包括低频分量和多个高频分量;补偿模板生成装置,用于根据小波变换得到的每一级中的多个高频分量来生成针对该级的补偿模板,该补偿模板反映该级的多个高频分量的组合;去噪装置,用于对每一级中的低频分量进行去噪处理,并利用该级的补偿模板对该级的低频分量进行边缘补偿,得到经补偿的低频分量;以及小波逆变换装置,用于利用每一级的经补偿的低频分量和高频分量,进行小波逆变换,得到经去噪处理的图像,所述补偿模板生成装置计算所述小波变换装置得到的每一级中的多个高频分量之和,并对该和进行膨胀或扩散处理,将该处理结果作为所述补偿模板;所述去噪装置包括低频分量补偿装置,该低频分量补偿装置利用每一级的补偿模板对作为噪声而被滤除的滤除分量进行加权,并利用经过加权的滤除分量对经去噪处理的低频分量进行补偿,在补偿模板的值超过预定的阈值的情况下,所述低频分量补偿装置不增强滤除分量。
根据本公开的一个方面,提供了一种图像处理方法,该图像处理方法可包括:对输入图像进行小波变换,以将该输入图像分解成具有不同尺度的多个级,每一级包括低频分量和多个高频分量;根据小波变换得到的每一级中的多个高频分量来生成针对该每一级的补偿模板,该补偿模板反映该级的多个高频分量的组合;对每一级中的低频分量进行去噪处理,并利用该级的补偿模板对该级的低频分量进行边缘补偿,得到经补偿的低频分量;以及利用每一级的经补偿的低频分量和高频分量,进行小波逆变换,得到经去噪处理的图像,在生成所述补偿模板中,计算小波变换得到的每一级中的多个高频分量之和,并对该和进行膨胀或扩散处理,将该处理结果作为所述补偿模板;在进行所述边缘补偿中,利用每一级的补偿模板对作为噪声而滤除的滤除分量计算加权,利用经过加权的滤除分量对经去噪处理的低频分量进行补偿,并在补偿模板的值超过预定的阈值的情况下,不增强滤除分量。
另外,本公开的实施例还提供了用于实现上述方法的计算机程序。
此外,本公开的实施例还提供了至少计算机可读介质形式的计算机程序产品,其上记录有用于实现上述方法的计算机程序代码。
附图说明
参照下面结合附图对本公开实施例的说明,会更加容易地理解本公开的以上和其它目的、特点和优点。附图中的部件只是为了示出本公开的原理。在附图中,相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。
图1是示出根据本公开的一个实施例的图像处理方法的示意性流程图;
图2是示出生成根据图1的实施例中的补偿模板的方法的具体实施例的示意性流程图;
图3是示出利用补偿模板对每一级的经去噪处理的低频分量进行边缘补偿的具体实施例的示意性流程图;
图4是示出根据本公开的另一实施例的图像处理方法的示意性流程图;
图5是示出根据本公开的一个实施例的图像处理设备的结构的示意性框图;
图6是示出根据本公开的具体实施例的去噪装置的结构的示意性框图;
图7是示出根据本公开的具体示例利用高频分量来生成补偿模板的示意图;以及
图8是示出可以实现本公开的实施例/示例的计算机的结构的示例性框图。
具体实施方式
下面参照附图来说明本公开的实施例。在本公开的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚,附图和说明中省略了与本公开无关的、本领域普通技术人员已知的部件和处理的表示和描述。
本公开的一些实施例提供了用于利用小波变换对输入图像进行去噪处理的图像处理设备和方法。
应理解,根据本公开的实施例的设备和方法可用于对各种类型的图像进行去噪处理。例如,根据本公开的实施例的设备和方法可用于医学图像的去噪。这里所述的医学图像可以是根据利用医疗诊断成像装置获得的被检测者的数据而形成的图像。这里所述的医疗诊断装置包括但不限于:X射线成像诊断装置、超声波(UL)诊断成像装置、计算机断层扫描(CT)装置、磁共振成像(MRI)诊断成像装置、正电子发射断层扫描(PositronEmissionTomography,PET)装置等。具体地,根据本公开的实施例的设备和方法所处理的输入图像可以是利用医学成像设备对人体的某个部位进行扫描而获得的医学图像,如利用CT获得的患者的脑动脉图像等,这里不一一列举。
另外,本公开的实施例的设备和方法可以对n维图像进行处理,n=1,2,3,...,N(N≥1)。
图1是示出根据本公开的一个实施例的图像处理方法的示意性流程图。
在利用小波去噪算法对图像进行去噪处理时,图像中的有用信息也有可能被平滑,从而导致图像模糊。在该实施例中,首先利用小波变换将输入图像分解成各自具有不同尺度的多个级,每一级包括低频分量和多个高频分量,然后,利用每一级的高频分量来生成反映这些高频分量的组合特征的补偿模板,并利用该补偿模板对经去噪处理的低频分量进行边缘补偿。这样能够避免由于去噪处理而导致的边缘模糊。
如图1所示,该图像处理方法可以包括步骤102、104、106、108、110和112。
在步骤102中,对输入图像进行小波变换,将该输入图像分解成多个级。各级具有彼此不同的尺度。在本实施例中,假设通过小波变换将输入图像分解成m+1级,即第0,1,...,m级(m≥1)。如图1中所示,后续的处理从最高尺度级(例如第m级)开始。
可选地,级数m+1可以设置为任何适当的数值,例如2、3或4等(即m可以设置为1、2、或3等)。但是,应理解,可以根据实际应用来确定小波分解的级数,而不应局限于上述具体数值。另外,可以采用任何适当的算法进行小波变换,例如可以采用正交小波变换、双正交小波变换等算法等。本公开不局限于任何具体的小波变换算法。
然后,在步骤104中,根据小波变换得到的每一级中的多个高频分量来生成针对该级的补偿模板。所生成的补偿模板反映输入图像在该级中保留的边缘信息。在小波变换后,在较大尺度的级的各个方向的高频分量中会保留一些信息,诸如边缘和/或纹理等。因此,可以通过将每一级的多个高频分量组合在一起来形成补偿模板,使所生成的补偿模板反映该级的高频分量的组合特性,从而反映输入图像在该级的各方向的高频分量中保留的边缘信息。
例如,设输入图像为二维图像,经过小波变换后,每一尺度级包括LL、HL、LH和HH这4个频率分量(即频率子体(sub-volume)),其中,LL在X和Y两个方向上均为低频,称为低频分量。HL、LH和HH中的每一个在X和Y两个方向中的至少一个方向上为高频,例如,HL在X方向上为高频,而在Y方向上为低频;LH在X方向上为低频,而在Y方向上为高频;HH在X和Y两个方向上为高频。因此,HL、LH和HH为3个不同方向的高频分量。又如,设输入图像为三维图像,经过小波变换后,每一级包括LLL、LHL、LHH、LLH、HLL、HHL、HLH和HHH这8个频率分量,其中,LLL在X、Y和Z三个方向上均为低频,称为低频分量。LHL、LHH、LLH、HLL、HHL、HLH和HHH中的每一个在X、Y和Z三个方向中的至少一个方向上为高频,例如,LHL在X和Z两个方向上为低频,在Y方向上为高频;依此类推。因此,LHL、LHH、LLH、HLL、HHL、HLH和HHH为7个不同方向的高频分量。图7示出了输入图像为三维图像的一个示例。在图7的示例中,通过小波变换得到的每一尺度级包括LLH、LHL、LHH、HLL、HHL、HLH和HHH这7个高频分量,通过将这7个高频分量组合在一起来生成该级的补偿模板。可以采用下文中参考图2描述的通过组合每一级的高频分量来生成补偿模板的实施例或示例来生成补偿模板。
然后,在步骤106中,对每一级的低频分量进行去噪处理。可以采用任何适当的方法进行去噪处理,例如可以采用高斯滤波、各向同性扩散滤波、各向异性扩散滤波等方法进行去噪处理。本公开不局限于任何具体的去噪方法。
应注意,步骤106和步骤104的顺序可以交换,例如可以先对低频分量的进行去噪处理(步骤106),再生成补偿模板(步骤104)。
在步骤108中,利用针对每一级的补偿模板对每一级的经去噪处理的低频分量进行边缘补偿。
如上所述,在上述步骤中生成的补偿模板可以反映输入图像在该级中保留的边缘信息,因此,通过利用补偿模板中的边缘信息,可以补偿低频分量中被去除的边缘信息,从而实现对经去噪处理的低频分量的边缘补偿。作为具体实施例,可以采用下文中参考图3描述的方法对每一级的低频分量进行补偿。
在步骤110中,利用每一级的经补偿的低频分量和高频分量,进行小波逆变换。应理解,可以采用任何适当的算法进行所述小波逆变换,这里不作详细说明和具体限定。
然后,在步骤112中,判断是否已处理到最低尺度级,即第0级(即判断m是否等于0),若否,则处理返回到步骤104,继续对第m-1级重复上述处理;若是,则结束处理,输出经去噪处理的图像。
在上述实施例中,由于利用反映每一级的高频分量的组合特性的补偿模板对经去噪处理的图像进行边缘补偿,因此,能够避免由于去噪处理而导致的图像模糊。
另外,在常规的小波去噪方法中,由于去噪过程会导致图像的模糊,因此,通常采用折衷算法,以便在滤除噪声的同时,保证图像的边缘不至太模糊。在本公开的实施例中,由于使用了上述的边缘补偿处理,因此,在去噪步骤中可以采用任何适当的去噪算法以尽可能多地去除噪声,而无需考虑图像边缘模糊的问题。利用本公开的方法,可以去除大尺度的噪声,同时保证图像的边缘不模糊。
下面参考图2来描述生成补偿模板的方法的一些具体实施例和/或示例。
如图2所示,可以将每一级的高频分量相加(步骤204-1),并将得到的和作为该级的补偿模板。例如,可以将各个高频分量中的小波系数的绝对值求和,而不考虑各高频分量的方向性信息。作为一个具体示例,可以采用下式来计算每一级的补偿模板:
其中,Vi表示该尺度级的高频分量(或其绝对值)(1≤i≤N);N表示该级中的高频分量的个数;Vadded表示该级中的多个高频分量之和,可以作为该级的补偿模板。利用这种方法生成的补偿模板能够反映该尺度级中保留的各个方向上的高频信息(边缘信息)。另外,这种生成补偿模板的方法计算简单,可以提高图像去噪处理的效率。
在其他示例中,还可以采用其他适当的方法来组合多个高频分量,只要所生成的补偿模板反映这些高频分量的组合特性即可。例如,可以计算每个高频分量的梯度,并将各高频分量的梯度求和,作为所述补偿模板。又如,可以对每个高频分量进行边缘检测处理,并将处理后的高频分量求和,作为所述补偿模板。或者,可以计算各高频分量的加权和,作为补偿模板。
在小波去噪处理过程中,小波系数在奇点(Singularity)附近的变化可能会导致吉布斯现象(Gibbsphenomenon)。作为一个优选示例,如图2所示,在计算得到每一级的各高频分量之和之后,还可以对高频分量之和进行膨胀或扩散处理(图中所示的虚线框204-2)。通过膨胀或扩散处理,可以扩大所生成的补偿模板的范围。例如,可将计算得到的高频分量之和向外扩若干个点(如一个或几个点,具体数目可以根据实际应用确定,这里不必作出限定,本公开也不局限于任何具体的数值),使补偿模板的范围比该级的每个频率分量的范围略大即可。这使得补偿模板能够完整地覆盖边缘,而不会丢失或者截断高频的边缘信息,从而达到消除吉布斯现象和边缘模糊,并保持局部滤波效果的连续性等效果。可以采用任何适当的膨胀或扩散算法,例如扩散滤波算法、数字图形学中的膨胀算法、开闭运算等。本公开不局限于任何具体的膨胀或扩散算法示例。
下面参考图3来描述利用所生成的每一级的补偿模板对该级的低频分量进行边缘补偿的具体实施例和/或示例。
图3是示出利用补偿模板对每一级的经去噪处理的低频分量进行边缘补偿的具体实施例的示意性流程图。如上所述,在去噪处理中作为噪声而滤除的分量中,实际上可能会包括一些被误作为噪声而去除的有用信息(如边缘)。在图3所示的方法中,利用补偿模板中所反映的边缘信息对被误去除的有用信息加以恢复。具体地,对被作为噪声而滤除的分量(即在去噪处理中所滤除的滤除分量)进行加权,即增大滤除分量中所包含的有用信息部分(如边缘)的权重,而降低其中所包含的无用信息部分的权重,并将经过加权的滤除分量与经去噪处理的低频分量相加,作为经过补偿的低频分量,从而尽量恢复甚至加强在去噪处理中滤除的分量中所包含的有用信息(如边缘等)。
如图3所示,首先在步骤308-1中估计在去噪步骤(如步骤104以及下文将描述的步骤404)中作为噪声而滤除的滤除分量。具体地,可以根据小波变换得到的每一级的原始低频分量与经去噪处理的低频分量来估计被所述去噪处理所述滤除分量。作为一个具体示例,可以计算原始低频分量与经去噪处理的低频分量之间的差,作为滤除分量。例如,假设原始低频分量用Il来表示,经去噪处理的低频分量Id用来表示,则可以采用下式来估计所述滤除分量In:
In(x1,x2,...,xn)=Il(x1,x2,...,xn)-Id(x1,x2,...xn)(2)
其中,(x1,x2,...,xn)表示输入图像中的像素位置,n表示输入图像的维数,Id(x1,x2,...,xn)表示对该级中的原始低频分量进行去噪处理后得到的低频分量Id的与该像素位置对应的小波系数,Il(x1,x2,...,xn)表示该级的原始低频分量Il中与该像素位置对应的小波系数,In(x1,x2,...,xn)表示所估计的滤除分量In中与该像素位置对应的小波系数。
作为另一示例,还可以计算原始低频分量与经去噪处理的低频分量之间的差的绝对值,作为在所述去噪处理中作为噪声而滤除的滤除分量。应理解,可以采用其他适当的方法来估计所述滤除分量,而不必局限于上述示例。
然后,在步骤308-2中,利用该级的补偿模板对在去噪步骤106中作为噪声而滤除的滤除分量进行加权。具体地,利用补偿模板中的边缘信息,可以将滤除分量中所包含的有用信息部分(如边缘)的权重设置得比较大,而将其中所包含的无用信息部分的权重设置得比较小,从而达到加强有用信息、同时抑制无用信息的效果。然后,在步骤308-3中利用经过加权的滤除分量对经去噪处理的低频分量进行边缘补偿。
作为一个具体示例,可以根据下式对经去噪处理的低频分量进行补偿:
I′l(x1,x2,...,xn)=Id(x1,x2,...,xn)+In(x1,x1,...xn)·[Ttemplate(x1,x2,...,xn)/Tth]2(3)
其中,(x1,x2,...,xn)表示所述输入图像中的像素位置,n表示所述输入图像的维数,Id(x1,x2,...,xn)表示对该级中的低频分量进行去噪处理后得到的低频分量Id的与该像素位置对应的小波系数,In(x1,x2,...,xn)表示所估计的在去噪处理中被作为噪声而滤除的滤除分量In中与该像素位置对应的小波系数,Ttemplate(x1,x2,...,xn)表示补偿模板Ttemplate中的与该像素位置对应的值,Tth表示预定的阈值,I′l(x1,x2,...,xn)表示经过补偿的低频分量I′l的与该像素位置对应的小波系数。
在式(3)所示的示例中,利用补偿模板中的值与阈值Tth的比值的平方来对噪声分量中的相应位置的值进行加权。可以看出,在去噪处理中被作为噪声而滤除的分量中的、与补偿模板中大于该阈值的值所对应的部分作为需要保护的部分,而小于该阈值的值所对应的部分作为需要抑制或去除的部分。采用这种补偿方法,能够有效地补偿在去噪过程中被滤除的有用信息(如边缘),从而有效地避免图像边缘模糊。另外,由于采用了阈值Tth,因此,可以使不同位置的权重值平滑变化,从而达到保持局部滤波效果的连续性的效果。
此外,由于采用上述比值的平方,因此,可以进一步增大需要保护的部分的权重,且进一步降低需要抑制或去除的部分的权重,从而增强保护和抑制的效果。
应理解,阈值Tth可以是根据实际应用场景来预先确定的值,其可以是通过对不同类型(或特性)的图像进行分析而获得的实验值或经验值。可以选取介于边缘(图像中的有用信息)与噪声之间的值作为该阈值。针对不同类型的输入图像,该阈值可以采取不同的值。例如,在所述输入图像为根据通过医疗诊断装置得到的数据而形成的医学图像的情况下,可以根据实验或经验针对每种扫描协议或成像设备的类型而预先确定相应的阈值。可选地,可以将针对多个扫描协议或成像设备的多个阈值(例如以配置文件等形式)保存在存储单元(该存储单元可以是内置于图像处理设备中的存储装置,也可以是位于图像处理设备外部并可由该图像处理设备访问的存储装置)中。这样,在进行图像去噪的过程中,可以根据输入图像的扫描协议或成像设备的类型来获取(如从存储单元中读取)相应的阈值,从而进一步提高图像处理的自动化程度。
可以注意到,在上式(3)中,当(Ttemplate(x1,x2,...,xn)/Tth)>1时,相当于对有用信息进行了增强。作为一个示例,在上式(3)所示的方法中,当(Ttemplate(x1,x2,...,xn)/Tth)>1时,可以取(Ttemplate(x1,x2,...,xn)/Tth)=1。换言之,当补偿模板中某个位置的值大于或等于阈值Tth时,可以将噪声分量中的相应部分添加回低频分量中而不予以增强。采用这种方法,对原始图像中的有用信息(如边缘)只是加以保留而未进行增强,从而可以保护图像边缘信息,使得经过处理后的图像更为自然,同时防止吉布斯效应。
图4是示出根据本公开的另一实施例的图像处理方法的示意性流程图。图4的实施例与图1的实施例相似,不同之处在于,还利用所生成的补偿模板对每一级的高频分量进行滤波。
如图4所示,所述方法可以包括步骤402、404、406、408、410和412,而在步骤410之前,该方法还包括步骤414。
步骤402、404、406、408、410和412分别与上文参考图1-3所描述的步骤102、104、106、108、110和112相似,这里不再重复。应理解,在其他示例中,不必按照图4中所示的顺序执行所示的各个步骤,例如步骤408和步骤414的顺序可以互换,而步骤404和步骤406的顺序也可以互换。
在步骤414中,利用每一级的补偿模板对该级的高频分量进行滤波处理。这里所述的补偿模板即在步骤404中利用该级的多个高频分量生成的补偿模板。具体地,利用补偿模板中的边缘信息,加强每个高频分量中与边缘信息对应的部分,而抑制每个高频分量中的其他部分(噪声)。这样,能够达到增强有用信息、同时抑制无用信息的效果。
作为一个具体示例,可以采用下式对每一级的每一个高频分量进行滤波:
I′h(x1,x2,...,xn)=Ih(x1,x2,...,xn)·[Ttemplate(x1,x2,...,xn)/Tth]2(4)
其中,(x1,x2,...,xn)表示输入图像中的像素位置,n表示输入图像的维数,Ih(x1,x2,...,xn)表示对输入图像进行小波变换后得到的该级中的高频分量Ih中的与该像素位置对应的小波系数,Ttemplate(x1,x2,...,xn)表示该级的补偿模板Ttemplate中的与该像素位置对应的值,Tth表示预定的阈值,I′h(x1,x2,...,xn)表示经过滤波的高频分量I′h的与该像素位置对应的小波系数。
在式(4)的示例中,利用补偿模板中的值与阈值Tth的比值的平方来对高频分量进行滤波。可以看出,每个高频分量中的与补偿模板中大于该阈值的值所对应的部分作为需要加强的部分(即需要保护的部分),而小于该阈值的值所对应的部分作为需要抑制的部分。由于采用了阈值Tth,因此,可以使不同位置的权重值平滑变化,从而达到保持局部滤波效果的连续性的效果。另外,由于采用上述比值的平方,因此,可以增强保护和抑制的效果。
作为一个示例,在利用式(4)的方法对高频分量进行补偿时,当(Ttemplate(x1,x2,...,xn)/Tth)>1时,可以取(Ttemplate(x1,x2,...,xn)/Tth)=1。采用这种方法,可以防止某些强噪声点对滤波算法造成的影响。
这里所述的预定的阈值Tth与上文参考图1-3所描述的实施例或示例相似,这里不再重复描述。
图5是示出根据本公开的一个实施例的图像处理设备的结构的示意性框图。与上文所述的方法实施例相似,图5的图像处理设备500利用小波变换将输入图像分解成各自具有不同尺度的多个级,然后,利用每一级的高频分量来生成反映这些高频分量的组合特征的补偿模板,并利用该补偿模板对经去噪处理的低频分量进行边缘补偿,从而避免由于去噪处理而导致的图像边缘模糊。
如图5所示,图像处理设备500可以包括小波变换装置501、补偿模板生成装置503、去噪装置505和小波逆变换装置509。
小波变换装置501可以对输入图像进行小波变换,将该输入图像分解成多个级。各级具有彼此不同的尺度,每一级包括低频分量和多个高频分量。例如,可以假设分解成m+1级,即第0,1,...,m级,m≥1。与图1或图4中所示,后续的处理从最高尺度级(例如第m级)开始。小波变换装置501可以采用与步骤102或402中相似的算法进行小波变换,这里不再重复描述。
补偿模板生成装置503用于根据小波变换装置501得到的每一级中的多个高频分量来生成针对该级的补偿模板。补偿模板生成装置503可以通过将每一级的多个高频分量组合在一起来形成该级的补偿模板,使所生成的补偿模板反映该级的高频分量的组合特性,从而反映输入图像在该级中保留的边缘信息。
补偿模板生成装置503可以采用步骤104或404中的方法来生成补偿模板。作为具体示例,补偿模板生成装置503可以采用上文中参考图2描述的通过组合每一级的高频分量来生成补偿模板的方法实施例或示例来生成补偿模板,例如,补偿模板生成装置503可以计算小波变换装置501得到的每一级中的多个高频分量之和,作为该级的补偿模板;或者,补偿模板生成装置503还可以对每一级的多个高频分量之和进行膨胀或扩散处理,作为该级的补偿模板。这里不再重复其详细描述。
去噪装置505用于对小波变换装置501得到的每一级的低频分量进行去噪处理。可以采用任何适当的方法进行去噪处理(如步骤106或406中的方法),这里不再重复。
去噪装置505还被配置用于利用补偿模板生成装置503生成的每一级的补偿模板对该级的经去噪处理的低频分量进行边缘补偿。如上所述,补偿模板生成装置503生成的补偿模板可以反映输入图像在该级中保留的边缘信息,因此,通过利用补偿模板中的边缘信息,可以实现对经去噪处理的低频分量的边缘补偿。作为具体实施例,去噪装置505可以采用步骤108或408中的方法(如上文中参考图3描述的方法)对每一级的低频分量进行补偿,这里也不再重复。
小波逆变换装置509用于利用去噪装置505输出的每一级的经补偿的低频分量以及高频分量,进行小波逆变换。应理解,小波逆变换装置509可以采用任何适当的算法进行小波逆变换,这里不作详细说明和具体限定。
从最高尺度级(如第m级)开始,补偿模板生成装置503、去噪装置505和小波逆变换装置509采用上述方法对每一级重复上述处理,直到处理完最低尺度级(第0级),得到经去噪处理的图像。
在上述图像处理设备中,由于利用反映每一级的高频分量的组合特性的补偿模板对经去噪处理的图像进行边缘补偿,因此,能够避免由于去噪处理而导致的图像模糊。另外,在常规的小波去噪方法中,由于去噪过程会导致图像的模糊,因此,通常采用折衷算法,以便在滤除噪声的同时,保证图像的边缘不至太模糊。而在上述图像处理设备中,由于利用补偿模板生成装置和去噪装置进行了上述边缘补偿处理,因此,去噪装置可以采用任何适当的去噪算法以尽可能多地去除噪声,而无需考虑图像边缘模糊的问题。利用这样的图像处理设备,可以去除大尺度的噪声,同时保证图像的边缘不模糊。
图6是示出根据本公开的具体实施例的去噪装置的结构的示意性框图。如上所述,在去噪处理去除的噪声分量中,可能会包括一些有用信息(如边缘)。图6所示的去噪装置可以利用补偿模板中所反映的边缘信息对所滤除的噪声分量进行加权,即增大所滤除的噪声分量中所包含的有用信息部分(如边缘)的权重,而降低所包含的无用信息部分的权重,并将经过加权的噪声分量与经去噪处理的低频分量相加,作为经过补偿的低频分量。
如图6所示,去噪装置505可以包括噪声滤除和估计装置507-1和低频分量补偿装置507-2。
噪声滤除和估计装置507-1可以用于对小波变换装置501得到的每一级的低频分量进行去噪处理。可以采用任何适当的方法进行去噪处理(如步骤106或406中的方法),这里不再重复。噪声滤除和估计装置507-1还被配置用于估计从每一级的低频分量中作为噪声而滤除的滤除分量。具体地,噪声滤除和估计装置507-1可以根据小波变换装置得到的每一级的原始低频分量与该级的、经去噪处理的低频分量来估计所述滤除分量。作为具体示例,噪声滤除和估计装置507-1可以采用上文中参考图3所描述的实施例或示例中的估计方法,这里不再重复。
低频分量补偿装置507-2可以利用补偿模板生成装置503生成的补偿模板对噪声滤除和估计装置507-1估计的被作为噪声而滤除的滤除分量进行加权。具体地,低频分量补偿装置507-2可以利用补偿模板中的边缘信息,将所滤除的滤除分量中所包含的有用信息部分(如边缘)的权重设置得比较大,而将其中所包含的无用信息部分的权重设置得比较小,从而达到加强有用信息、同时抑制无用信息的效果。然后,低频分量补偿装置507-2利用经过加权的滤除分量对经去噪处理的低频分量进行边缘补偿,并将经补偿的低频分量输出到小波逆变换装置509。
作为具体示例,低频分量补偿装置507-2可以采用上文中参考图3所描述的补偿方法(如式(3))对经去噪处理的低频分量进行边缘补偿,这里不再重复。
作为另一具体实施例,去噪装置505还可以包括高频分量滤波装置507-3(图6中所示的虚线框)。高频分量滤波装置507-3用于利用补偿模板生成装置503生成的补偿模板对每一级的多个高频分量进行滤波,并将经补偿的每个高频分量输出到小波逆变换装置509。具体地,高频分量滤波装置507-3可以利用补偿模板中的边缘信息,加强每个高频分量中与边缘信息对应的部分,而抑制该高频分量中的其他部分。这样,能够达到加强有用信息、同时抑制无用信息的效果。
作为具体示例,高频分量滤波装置507-3可以采用上文中参考图4所描述的补偿方法(如式(4))对每个高频分量进行滤波处理,这里不再重复。
根据本公开的实施例的图像处理方法和设备可以应用于各种图像的去噪处理。这些图像可以是一维或者多维的(如二维或三维等)。例如,根据本公开的实施例的图像处理方法和设备可应用于医学图像(如根据通过医疗诊断装置获得的数据而形成的图像)的去噪处理。作为一个示例,上述方法的各个步骤以及上述设备的各个组成模块和/或单元可以实施为医疗诊断装置(如X射线诊断装置、UL诊断装置、CT装置、MRI诊断装置或PET装置等)中的软件、固件、硬件或其组合,并作为该医疗诊断装置中的一部分。作为一个示例,可以在已有医疗诊断装置中实施根据本公开的上述方法和/或设备,其中对已有医疗诊断装置的各组成部分作一定修改即可。作为另一示例,上述方法的各个步骤以及上述设备的各个组成模块和/或单元可以实施为独立于所述医疗诊断装置的装置。上述设备中各个组成模块、单元通过软件、固件、硬件或其组合的方式进行配置时可使用的具体手段或方式为本领域技术人员所熟知,在此不再赘述。
作为一个示例,上述方法的各个步骤以及上述设备的各个组成模块和/或单元可以实施为软件、固件、硬件或其组合。在通过软件或固件实现的情况下,可以从存储介质或网络向具有专用硬件结构的计算机(例如图8所示的通用计算机800)安装构成用于实施上述方法的软件的程序,该计算机在安装有各种程序时,能够执行各种功能等。
在图8中,运算处理单元(即CPU)801根据只读存储器(ROM)802中存储的程序或从存储部分808加载到随机存取存储器(RAM)803的程序执行各种处理。在RAM803中,也根据需要存储当CPU801执行各种处理等等时所需的数据。CPU801、ROM802和RAM803经由总线804彼此链路。输入/输出接口805也链路到总线804。
下述部件链路到输入/输出接口805:输入部分806(包括键盘、鼠标等等)、输出部分807(包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分808(包括硬盘等)、通信部分809(包括网络接口卡比如LAN卡、调制解调器等)。通信部分809经由网络比如因特网执行通信处理。根据需要,驱动器810也可链路到输入/输出接口805。可拆卸介质811比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器810上,使得从中读出的计算机程序根据需要被安装到存储部分808中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质811安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图8所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质811。可拆卸介质811的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM802、存储部分808中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
本公开还提出一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时,可执行上述根据本公开实施例的方法。
相应地,用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本公开的公开中。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
在上面对本公开具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以用相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在上述实施例和示例中,采用了数字组成的附图标记来表示各个步骤和/或单元。本领域的普通技术人员应理解,这些附图标记只是为了便于叙述和绘图,而并非表示其顺序或任何其他限定。
此外,本公开的方法不限于按照说明书中描述的时间顺序来执行,也可以按照其他的时间顺序地、并行地或独立地执行。因此,本说明书中描述的方法的执行顺序不对本公开的技术范围构成限制。
尽管上面已经通过对本公开的具体实施例的描述对本公开进行了披露,但是,应该理解,上述的所有实施例和示例均是示例性的,而非限制性的。本领域的技术人员可在所附权利要求的精神和范围内设计对本公开的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本公开的保护范围内。
Claims (16)
1.一种图像处理设备,包括:
小波变换装置,用于对输入图像进行小波变换,以将该输入图像分解成分别具有不同尺度的多个级,每一级包括低频分量和多个高频分量;
补偿模板生成装置,用于根据小波变换得到的每一级中的多个高频分量来生成针对该级的补偿模板,该补偿模板反映该级的多个高频分量的组合;
去噪装置,用于对每一级中的低频分量进行去噪处理,并利用该级的补偿模板对该级的低频分量进行边缘补偿,得到经补偿的低频分量;以及
小波逆变换装置,用于利用每一级的经补偿的低频分量和高频分量,进行小波逆变换,得到经去噪处理的图像,
所述补偿模板生成装置计算所述小波变换装置得到的每一级中的多个高频分量之和,并对该和进行膨胀或扩散处理,将该处理结果作为所述补偿模板;
所述去噪装置包括低频分量补偿装置,该低频分量补偿装置利用每一级的补偿模板对作为噪声而被滤除的滤除分量进行加权,并利用经过加权的滤除分量对经去噪处理的低频分量进行补偿,
在补偿模板的值超过预定的阈值的情况下,所述低频分量补偿装置不增强滤除分量。
2.根据权利要求1所述的图像处理设备,其中,
所述去噪装置还包括噪声滤除和估计装置,用于对每一级中的低频分量进行去噪处理,并根据每一级的低频分量与经去噪处理的低频分量来估计被作为噪声而滤除的滤除分量;以及
所述低频分量补偿装置利用该级的补偿模板对所估计的滤除分量进行加权,并利用经过加权的滤除分量对经去噪处理的低频分量进行补偿。
3.根据权利要求2所述的图像处理设备,其中,所述低频分量补偿装置被配置为:利用每一级的补偿模板、根据下式对该级的经去噪处理的低频分量进行补偿:
I′l(x1,x2,...,xn)=Id(x1,x2,...,xn)+In(x1,x2,...,xn)·[Ttemplate(x1,x2,...,xn)/Tth]2
其中,(x1,x2,...,xn)表示所述输入图像中的像素位置,n表示所述输入图像的维数,Id(x1,x2,...,xn)表示该级的经去噪处理的低频分量中的与该像素位置对应的小波系数,In(x1,x2,...,xn)表示所述噪声滤除和估计装置估计的被作为噪声而滤除的滤除分量中与该像素位置对应的小波系数,Ttemplate(x1,x2,...,xn)表示该级的补偿模板中的与该像素位置对应的值,Tth表示预定的阈值,I′l(x1,x2,...,xn)表示经过补偿的低频分量中的与该像素位置对应的小波系数。
4.根据权利要求3所述的图像处理设备,其中,当(Ttemplate(x1,x2,...,xn)/Tth)>1时,所述低频分量补偿装置设置(Ttemplate(x1,x2,...,xn)/Tth)=1。
5.根据权利要求1-3中任一项所述的图像处理设备,其中,所述去噪装置还包括高频分量滤波装置,用于利用每一级的补偿模板对该级的多个高频分量进行滤波。
6.根据权利要求5所述的图像处理设备,其中,所述高频分量滤波装置被配置为:利用该级的补偿模板采用下式对该级的多个高频分量进行滤波:
I′h(x1,x2,...,xn)=Ih(x1,x2,...,xn)·[Ttemplate(x1,x2,...,xn)/Tth]2
其中,(x1,x2,...,xn)表示所述输入图像中的像素位置,n表示所述输入图像的维数,Ih(x1,x2,...,xn)表示该级的高频分量中的与该像素位置对应的小波系数,Ttemplate(x1,x2,...,xn)表示该级的补偿模板中的与该像素位置对应的值,Tth表示预定的阈值,I′h(x1,x2,...,xn)表示经过滤波的高频分量的与该像素位置对应的小波系数。
7.根据权利要求6所述的图像处理设备,其中,当(Ttemplate(x1,x2,...,xn)/Tth)>1时,所述高频分量滤波装置设置(Ttemplate(x1,x2,...,xn)/Tth)=1。
8.根据权利要求1-3中任一项所述的图像处理设备,其中,所述输入图像为利用通过医疗诊断装置获得的数据而形成的医学图像。
9.一种图像处理方法,包括:
对输入图像进行小波变换,以将该输入图像分解成具有不同尺度的多个级,每一级包括低频分量和多个高频分量;
根据小波变换得到的每一级中的多个高频分量来生成针对该每一级的补偿模板,该补偿模板反映该级的多个高频分量的组合;
对每一级中的低频分量进行去噪处理,并利用该级的补偿模板对该级的低频分量进行边缘补偿,得到经补偿的低频分量;以及
利用每一级的经补偿的低频分量和高频分量,进行小波逆变换,得到经去噪处理的图像,
在生成所述补偿模板中,计算小波变换得到的每一级中的多个高频分量之和,并对该和进行膨胀或扩散处理,将该处理结果作为所述补偿模板;
在进行所述边缘补偿中,利用每一级的补偿模板对作为噪声而滤除的滤除分量计算加权,利用经过加权的滤除分量对经去噪处理的低频分量进行补偿,并在补偿模板的值超过预定的阈值的情况下,不增强滤除分量。
10.根据权利要求9所述的图像处理方法,其中,
根据每一级的低频分量与经去噪处理的低频分量来估计被所述去噪处理作为噪声而滤除的滤除分量;以及
利用该级的补偿模板对所估计的滤除分量进行加权,并利用经过加权的滤除分量对所述经去噪处理的低频分量进行补偿。
11.根据权利要求10所述的图像处理方法,其中,
利用每一级的补偿模板、根据下式对该级的经去噪处理的低频分量进行补偿:
I′l(x1,x2,...,xn)=Id(x1,x2,...,xn)+In(x1,x2,...,xn)·[Ttemplate(x1,x2,...,xn)/Tth]2
其中,(x1,x2,...,xn)表示所述输入图像中的像素位置,n表示所述输入图像的维数,Id(x1,x2,...,xn)表示该级的经去噪处理的低频分量中的与该像素位置对应的小波系数,In(x1,x2,...,xn)表示所估计的滤除分量中与该像素位置对应的小波系数,Ttemplate(x1,x2,...,xn)表示该级的补偿模板中的与该像素位置对应的值,Tth表示预定的阈值,I′l(x1,x2,...,xn)表示经过补偿的低频分量的与该像素位置对应的小波系数。
12.根据权利要求11所述的图像处理方法,其中,当(Ttemplate(x1,x2,...,xn)/Tth)>1时,取(Ttemplate(x1,x2,...,xn)/Tth)=1。
13.根据权利要求9-11中任一项所述的图像处理方法,其中,在进行小波逆变换之前,还包括:
利用每一级的补偿模板对该级的多个高频分量进行滤波。
14.根据权利要求13所述的图像处理方法,其中,
利用该级的补偿模板采用下式对该级的多个高频分量进行滤波:
I′h(x1,x2,...,xn)=Ih(x1,x2,...,xn)·[Ttemplate(x1,x2,...,xn)/Tth]2
其中,(x1,x2,...,xn)表示所述输入图像中的像素位置,n表示所述输入图像的维数,Ih(x1,x2,...,xn)表示对所述输入图像进行小波变换后得到的该级的高频分量中的与该像素位置对应的小波系数,Ttemplate(x1,x2,...,xn)表示该级的补偿模板中的与该像素位置对应的值,Tth表示预定的阈值,I′h(x1,x2,...,xn)表示经过滤波的高频分量的与该像素位置对应的小波系数。
15.根据权利要求14所述的图像处理方法,其中,当(Ttemplate(x1,x2,...,xn)/Tth)>1时,取(Ttemplate(x1,x2,...,xn)/Tth)=1。
16.根据权利要求9-11中任一项所述的图像处理方法,其中,所述输入图像为利用通过医疗诊断装置获得的数据而形成的医学图像。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110281113.XA CN102999884B (zh) | 2011-09-16 | 2011-09-16 | 图像处理设备和方法 |
US13/617,935 US9165344B2 (en) | 2011-09-16 | 2012-09-14 | Image processing apparatus and method |
JP2012203604A JP2013065302A (ja) | 2011-09-16 | 2012-09-14 | 画像処理装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110281113.XA CN102999884B (zh) | 2011-09-16 | 2011-09-16 | 图像处理设备和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102999884A CN102999884A (zh) | 2013-03-27 |
CN102999884B true CN102999884B (zh) | 2015-11-25 |
Family
ID=47928421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110281113.XA Expired - Fee Related CN102999884B (zh) | 2011-09-16 | 2011-09-16 | 图像处理设备和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9165344B2 (zh) |
JP (1) | JP2013065302A (zh) |
CN (1) | CN102999884B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9189833B2 (en) * | 2013-01-15 | 2015-11-17 | Apple Inc. | Linear transform-based image processing techniques |
JP6165491B2 (ja) | 2013-04-12 | 2017-07-19 | 株式会社メガチップス | 画像処理装置および画像処理方法 |
CN104639800B (zh) | 2013-11-08 | 2017-11-24 | 华为终端(东莞)有限公司 | 一种用于图像降噪的方法及终端 |
CN103593827B (zh) * | 2013-11-12 | 2017-01-11 | 河北师范大学 | 一种基于证据理论的图像去噪方法 |
JP6339811B2 (ja) * | 2014-01-27 | 2018-06-06 | 株式会社メガチップス | ノイズ判定装置、ノイズ判定方法 |
CN103903228A (zh) * | 2014-03-07 | 2014-07-02 | 西安电子科技大学 | 一种基于hwd变换的非局部图像去噪方法 |
CN103810680A (zh) * | 2014-03-12 | 2014-05-21 | 西安电子科技大学 | 基于方向波域hmt模型的sar图像降斑方法 |
CN104182941A (zh) * | 2014-08-26 | 2014-12-03 | 中国石油大学(华东) | 高光谱图像条带噪声去噪方法 |
CN104182944A (zh) * | 2014-08-28 | 2014-12-03 | 中国石油大学(华东) | 基于曲波与小波变换相串联的光学图像去噪方法 |
EP3920133A1 (en) | 2015-12-31 | 2021-12-08 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
KR101864670B1 (ko) * | 2017-06-16 | 2018-06-05 | 인천대학교 산학협력단 | 고해상도 영상을 위한 잡음 제거를 통한 화질 개선 장치 및 그 방법 |
CN109033354B (zh) * | 2018-07-25 | 2021-03-26 | 周群 | 基于云计算的年龄均值估算平台 |
CN112991190A (zh) * | 2019-12-16 | 2021-06-18 | 荣耀终端有限公司 | 图像降噪方法及其介质和电子设备 |
CN111260590B (zh) * | 2020-02-29 | 2023-05-23 | 重庆港宇高科技开发有限公司 | 图像降噪方法及相关产品 |
CN112040866B (zh) * | 2020-07-15 | 2023-06-20 | 华韵之 | 基于第二代小波的体温补偿方法、移动终端及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101467897A (zh) * | 2007-12-27 | 2009-07-01 | 株式会社东芝 | 超声波诊断装置、超声波图像处理装置、超声波图像处理方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1175184A (ja) * | 1997-08-28 | 1999-03-16 | Sanyo Electric Co Ltd | 画像符号化装置及び画像符号化方法 |
US7068851B1 (en) | 1999-12-10 | 2006-06-27 | Ricoh Co., Ltd. | Multiscale sharpening and smoothing with wavelets |
US7260272B2 (en) * | 2003-07-10 | 2007-08-21 | Samsung Electronics Co.. Ltd. | Method and apparatus for noise reduction using discrete wavelet transform |
US7515763B1 (en) | 2004-04-29 | 2009-04-07 | University Of Rochester | Image denoising based on wavelets and multifractals for singularity detection and multiscale anisotropic diffusion |
WO2008093836A1 (ja) * | 2007-02-02 | 2008-08-07 | Nikon Corporation | 画像処理方法 |
US7602183B2 (en) * | 2007-02-13 | 2009-10-13 | The Board Of Trustees Of The Leland Stanford Junior University | K-T sparse: high frame-rate dynamic magnetic resonance imaging exploiting spatio-temporal sparsity |
US8538189B2 (en) * | 2008-11-14 | 2013-09-17 | Ati Technologies Ulc | Image noise filter and method |
JP5525867B2 (ja) * | 2009-03-04 | 2014-06-18 | 株式会社東芝 | 超音波診断装置、画像処理装置、超音波診断装置の制御方法、及び画像処理方法 |
US9307958B2 (en) * | 2010-08-05 | 2016-04-12 | Kabushiki Kaisha Toshiba | Ultrasonic diagnostic apparatus and an ultrasonic image processing apparatus |
-
2011
- 2011-09-16 CN CN201110281113.XA patent/CN102999884B/zh not_active Expired - Fee Related
-
2012
- 2012-09-14 JP JP2012203604A patent/JP2013065302A/ja active Pending
- 2012-09-14 US US13/617,935 patent/US9165344B2/en not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101467897A (zh) * | 2007-12-27 | 2009-07-01 | 株式会社东芝 | 超声波诊断装置、超声波图像处理装置、超声波图像处理方法 |
Non-Patent Citations (1)
Title |
---|
A Wavelet-Based Mannographic Image Denoising and Enhancement with Homomorphic Filtering;Pelin Gorgel et al.;《J. Med System,Springer,34》;20101231;993-1002 * |
Also Published As
Publication number | Publication date |
---|---|
JP2013065302A (ja) | 2013-04-11 |
US20130243279A1 (en) | 2013-09-19 |
US9165344B2 (en) | 2015-10-20 |
CN102999884A (zh) | 2013-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102999884B (zh) | 图像处理设备和方法 | |
US7720268B2 (en) | System and method for ultrasound specific segmentation using speckle distributions | |
US8768069B2 (en) | Image enhancement apparatus and method | |
US7831097B2 (en) | System and method for image reconstruction | |
US20130202177A1 (en) | Non-linear resolution reduction for medical imagery | |
JP2007503903A (ja) | 局所適応的な非線形ノイズ削減 | |
Budhiraja et al. | An efficient image denoising scheme for higher noise levels using spatial domain filters | |
EP3501006B1 (en) | Feature-based image processing using feature images extracted from different iterations | |
CN109003232B (zh) | 基于频域尺度平滑Shearlet的医学MRI图像去噪方法 | |
US20130170721A1 (en) | Method and apparatus for processing ultrasound image | |
CN107845079A (zh) | 基于紧支撑的3D‑shearlet医学CT视频去噪方法 | |
CN104077746A (zh) | 灰度图像处理方法及其装置 | |
US6788826B1 (en) | Method for correcting artefacts in a digital image | |
JP2004242285A (ja) | ノイズ抑制処理方法および装置並びにプログラム | |
JP2019524356A5 (zh) | ||
Rahimizadeh et al. | An optimized non-local LMMSE approach for speckle noise reduction of medical ultrasound images | |
US20090116722A1 (en) | Method and system for soft tissue image reconstruction in gradient domain | |
Kavitha et al. | COVID-19 and MRI image denoising using wavelet transform and basic filtering | |
CN102890817A (zh) | 医学图像的处理方法及系统 | |
US20060078181A1 (en) | Image compounding based on independent noise constraint | |
Tong et al. | Super-resolution reconstruction based on linear interpolation of wavelet coefficients | |
Kishan et al. | Patch-based and multiresolution optimum bilateral filters for denoising images corrupted by Gaussian noise | |
Ali et al. | Various noises in medical images and de-noising techniques | |
Asim et al. | Comparison of different de-noising techniques for removal of poison noise from cervical X-Rays images | |
US20060013504A1 (en) | Multi-resolution image enhancement |
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 | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20160801 Address after: Japan Tochigi Patentee after: Toshiba Medical System Co., Ltd. Address before: Tokyo, Japan, Japan Patentee before: Toshiba Corp Patentee before: Toshiba Medical System Co., Ltd. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151125 Termination date: 20180916 |