CN103150712B - 一种基于投影序列数据相似性的图像去噪方法 - Google Patents

Abstract

本发明的一种针对CBCT的图像去噪方法，涉及辐射成像技术领域。针对CBCT投影数据中每一个待去噪像素点及其邻域，根据投影数据的数据冗余性，在相邻的几幅投影数据中寻找与之相似的区域（相似性通过结构相似指数SSIM进行计算和判定），利用这些相似区域的数据对待去噪像素点进行加权平均计算，从而有效地降低投影数据噪声。降噪过程结束之后再进行三维重建得到体数据。该方法最大的特点是利用了CBCT投影序列中临近投影数据的高度相似性和数据冗余，与传统的图像去噪方法相比可以达到更好的去噪效果，有效提升重建图像的信噪比，并最大限度地保持了图像边缘和细节信息。同时，该序列图像去噪思路同样适用于可见光成像领域，如视频去噪等领域。

Description

一种基于投影序列数据相似性的图像去噪方法

技术领域

本发明涉及辐射成像技术领域，尤其涉及CBCT图像去噪处理方法。

Conebeam（锥形束）CT是当今口腔头颅影像设备中最有前途和实用性的设备。Conebeam(锥形束)CT的应用给口腔及头颅部临床领域中的诊断和治疗带来了革命性的变化。美国ADA预计在今后五年内全球至少有10万台以上的市场。ConebeamCT，顾名思义是锥形束投照计算机重组断层影像设备，其原理是X线发生器以较低的射线量（通常球管电流在2-10毫安）围绕投照体做环形DR（数字式投照）。然后将围绕投照体多次（180次-360次，依产品不同而异）数字投照后“交集”中所获得的数据在计算机中“重组，reconstruction”后进而获得三维图像。CBCT获取数据的投照原理和传统扇形扫描CT是完全不同的，而后期计算机重组的算法原理有类似之处。CBCT与体层CT（螺旋CT）的最大区别在于体层CT的投影数据是一维的，重建后的图像数据是二维的，重组的三维图像是连续多个二维切片堆积而成的。而CBCT的投影数据是二维的，重建后直接得到三维图像。从他们的成像结构看，CBCT用三维锥形束X线扫描代替体层CT的二维扇形束扫描；与此相对应，CBCT采用一种二维面状探测器来代替体层CT的线状探测器。显然，CBCT采用锥形束X线扫描可以显著提高X线的利用率，只需旋转360度即可获取重建所需的全部原始数据，而且用面状探测器采集投影数据可以加速数据的采集速度；CBCT所具有的另一个优势就是很高的各向同性空间分辨力。Conebeam(锥形束)CT与传统扇形扫CT相比，具有如下优点：1.射线量极低。相比传统多排螺旋CT，锥形束CT一次投照只相当于传统CT的1/30-1/40放射量,仅相当于4次数字化曲面断层投照放射量。2.应用范围极其广泛。目前，锥形束CT已经广泛应用于口腔颌面部成像成像，放射治疗图像引导（IGRT）等领域。3.成本更低，扫描方式更加灵活。锥形束CT多采用开架式旋转结构，省去了滑环等设备，同时针对某一个特点部位成像。相对于传统的多排螺旋CT，其本更低，占地面积小，扫描更加灵活。

背景技术

CBCT是一种新兴的三维成像技术，目前已广泛应用于口腔颌面部成像等领域。CBCT图像中噪声是影响图像质量的关键因素，它会湮灭有用信息，干扰对于病灶的观察和诊断。因此，合适的去噪方法对于提高CBCT图像质量具有十分重要的意义。如何在去噪的过程中尽可能地保持图像的边缘和细节信息是人们不断研究的课题。目前，针对CBCT图像的去噪方法可以分为三种，一种是针对原始投影数据进行去噪处理再进行重建，一种是在重建好的体数据中进行去噪，另外一种是使用迭代重建方法，在迭代过程中加入合适的去噪约束项从而获得噪声。其中，第三种被认为是最好的去噪及保持图像细节信息的方法，但其计算量大，效率较低，实用性较差。绝大多数解决方案仍然是在投影域进行适当的去噪，选取合适的滤波函数进行处理，得到信噪比提升后的投影数据再选取合适的方法（如CBCT中常用的Feldkamp方法）进行重建。

图像去噪作为数字图像处理中一个重要的课题得到了很多的研究，但其到目前为止仍然是一个十分活跃的方向。传统的图像去噪一般在空间域或者频域进行，如最具代表性的经典的中值/均值滤波、维纳滤波、小波多分辨去噪、基于偏微分方程的去噪方法等。另外，TV最小化的方法也被广泛应用于图像去噪中文献[1]（L.Rudin,S.Osher,andE.Fatemi,Nonlineartotalvariationbasednoiseremovalalgorithms,Phys.D,60(1992),pp.259268.），它基于变分法的思想，确定图像的能量函数，通过对图像能量函数最小化达到平滑去噪的目的。近些年，TV最小化方法被广泛地应用在了医学图像去噪中，取得了不错的效果。这种方法针对对比明显的部分和锐利的边缘可以有很好的保持效果，但是对于一些弱对比的细节则往往由于过度平滑而被损失掉。文献[2]（A.Buades,B.Coll,J.M.Morel.Areviewofimagedenoisingalgorithms,withanewone.MultiscaleModel.Simul,2005,4(2):490-530.）中对于这些去噪方法进行了系统的综述，介绍了其优缺点和适用情况。2005年，A.BUADES等人在文献[2]中提出了一种新的非局部均值(Non-LocalMeans)图像去噪方法。该方法利用了图像的自身冗余性，即在一幅自然图像中，本身存在许多相似的子区域。通过对这些区域进行一系列的加权平均计算，就可以对图像进行有效地去噪。严格来说，它也属于空间域滤波方法，但它不再限于待去噪像素的邻域内来处理，而是充分利用整个图像区域中的自相似性，利用其中的冗余信息来估计图像像素的真实值。大量的实验与应用也证明了非局部均值去噪方法能够在去除噪声的同时，很好地保留图像中的精细结构。但是，该方法计算量与搜索区域大小的平方成正比，因此，当搜索区域很大时，该方法的效率很低。另外，传统的非局部均值方法衡量小块间的相似性只用了高斯加权的欧氏距离，即只利用了方形邻域的灰度值信息，没有考虑图像大尺度上的结构信息。边缘区域中结构上相似的小块可能由于欧氏距离较大而被赋予较小的权值，导致加权平均效果不明显。

再回到CBCT图像去噪中来。我们通过观察很容易发现，在不同角度下获得的投影数据图像具有很高的相似性，尤其是在临近角度的投影数据中，相似度很高。因此，将该相似性引入到图像去噪的过程中，可以有效地提高图像去噪的水平。本发明即利用了该特性，将投影序列的相似性引入去噪过程，引入更多的相似区域对于待去噪区域进行处理，大幅度提高图像去噪的效果，同时最大限度地保存细节信息和边缘信息。同时，临近投影中与待处理像素位于相同区域的部分都具有相似性，因此，只需要对这一部分进行加权计算，大大提高了计算效率。同时，该发明将结构相似性判断指数（SSIM）值引入了计算中，提高了计算的准确性。该值最初由ZhouWANG提出，被广泛应用于图像客观质量评价中，它将亮度、对比度和结构信息结合起来，可以很好地评价图像间的相似性，并与人眼对结构信息敏感的特点相符文献[3]（WangZ,etal..Imagequalityassessment:fromerrorvisibilitytostructuralsimilarity.IEEETransactionsonImageProcessing,2004,13(4):600-612.）。图1和图2显示了CBCT投影序列的相似性和冗余性，尤其是邻近的几幅投影，其SSIM值可以高达95%以上。具体到某一个小的像素邻域，仍然有很高的相似度，具体可参见图（3）所示。在投影区域中选择大小为32×32的小块，并选取与之距离为115个角度的投影数据中相同位置的小块，比较和计算其相似度。可以发现，在小的区域内其仍然具有很高的图像相似度，SSIM指数可以到0.95以上，可以用来进行去噪处理。

针对图像处理和去噪方法目前有许多，传统的方法如邻域滤波的方法，包括图像域和频域内，这些在数码影像设备等诸多领域已经广泛应用。近些年，非邻域局部平均的方法为图像去噪带来了新的活力，也出现了一系列新的方法，如“结合结构信息的非局部均值图像去噪方法”（申请号：201110091450.2），“自然图像非局部均值去噪方法”（申请号：201010271499.1），“基于联合相似性的非局部均值去噪方法”（申请号：201110282126.9）等等。但是这些方法均基于图像自身的冗余性进行去噪处理，效果和细节保持性均有限。而在CBCT中，由于投影序列间有着高度的相似性，这种相似性和更多数据冗余性的引入可以带来去噪效果上的有效提升，本发明极基于该原理提出了新的去噪思路，效果得到了明显改善。目前，尚未有使用投影序列相似性对CBCT进行去噪的算法被提出。

发明内容

针对上述现有技术中存在的若干技术缺陷和不足之处，本发明提出一种基于投影序列之间的相似性的去噪方法以解决CBCT图像去噪中存在的技术问题。

针对上述待解决的技术问题，本发明提出如下技术方案：

根据本发明的发明目的，提供一种基于投影序列数据相似性的图像去噪方法，用于CBCT图像的去噪处理，其中包括如下步骤：

从CBCT投影序列中选取一幅待去噪投影数据P_i；

选取与该待去噪投影数据左右相邻的2N幅投影数据P_i-N……P_i+N；

选取合适的投影数据集后，开始对于待去噪投影P_i进行逐像素点去噪处理；

选取待去噪投影P_i中的一个像素点x；

选取以x为中心的大小为n×n的图像块v（x），选取大小为m×m的搜索区域；

将搜索区域分成与待去噪像素块v(x)大小相同的像素块,逐块计算其与v（x）的相似性指数；

给定一阈值，作为相似性判断的标准，如果计算得到的相似性指数大于所给定的阈值，则认为两个图像块相似；

基于上述结果，所有搜索到的与v（x）相似的图像块v（y）及其在相邻投影图像P_i-N……P_i+N同样位置区域的数据可以用来对于P_i（x）进行加权平均去噪处理,权重函数由图象块之间的相似性指数决定；

对所有的投影数据都进行类似的图像去噪处理，得到去噪后的投影数据集并进行CBCT重建，从而可以得到去噪后的CBCT三维体数据。

根据本发明的进一步的发明目的，其中在进行相似性计算时，按照下述公式计算两个图像块之间的相似性：

$\mathrm{SSIM}(x,y)=\frac{(2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1)(2{\mathrm{\δ}}_{\mathrm{xy}}+C_2)}{({{\mathrm{\μ}}_x}^2+{{\mathrm{\μ}}_y}^2+C_1)({{\mathrm{\δ}}_x}^2+{{\mathrm{\δ}}_y}^2+C_2)}$

其中SSIM（x，y）为相似性结构指数，μ_x和μ_y分别代表以像素P_i（x）和P_i（y）为中心的方形邻域图像块v（x）和v（y）的灰度均值，δ_xy表示其灰度的协方差，δ_x和δ_y分别为v（x）和v（y）灰度的方差，C₁和C₂是常数。

根据本发明的进一步的发明目的，其中在进行CBCT重建之前要对选定投影集合P_i-N……P_i+N中所有的相似区域进行加权平均计算。

根据本发明的进一步的发明目的，其中在进行加权平均计算时，将选定投影集合P_i-N……P_i+N中所有的相似区域记作S，并按下述公式进行加权计算：

$P^{\′}\left(x\right)=\frac{1}{C\left(x\right)}\underset{y\∈S}{\mathrm{\Σ}}w(x,y)v\left(y\right)$

其中y是所有搜索到的相似区域中含噪图像中的像素点，w(x,y)是权重函数，C(x)是权重归一化因子。

根据本发明的进一步的发明目的，其中利用传统的高斯加权欧式距离算法也可以对临近图像具有高度相似性的序列图像去噪进行计算。

根据本发明的另一发明目的，提供一种基于投影序列数据相似性的图像去噪设备，用于CBCT图像的去噪处理，其中包括：

CBCT图像获取装置，用于获取待去噪投影图像；

图像选取装置，选取待去噪投影图像P_i及与该待去噪投影数据左右相邻的2N幅投影数据P_i-N……P_i+N；选取待去噪投影P_i中的一个像素点x；选取以x为中心的大小为n×n的图像块v（x）；

图像搜索装置，在待去噪投影图像中，选取待去噪点周围大小为m×m的搜索区域进行搜索，找到与v（x）相似的图象块；

图像相似性计算装置，在搜索区域中计算所有图象块与v（x）的相似性；

比较装置，给定一阈值，作为相似性判断的标准，如果相似性大于所给定的阈值，则认为两个图像块相似；基于上述结果v（y）图像块及其在相邻投影图像P_i-N……P_i+N同样位置区域的数据可以用来对于P_i（x）进行去噪处理；

图像重构装置，对所有的投影数据都进行类似的图像去噪处理，得到去噪后的投影数据集并进行CBCT重建，从而可以得到去噪后的CBCT三维体数据。

根据本发明的进一步的发明目的，其中在进行相似性计算时，按照下述公式计算两个图像块之间的相似性：

$\mathrm{SSIM}(x,y)=\frac{(2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1)(2{\mathrm{\δ}}_{\mathrm{xy}}+C_2)}{({{\mathrm{\μ}}_x}^2+{{\mathrm{\μ}}_y}^2+C_1)({{\mathrm{\δ}}_x}^2+{{\mathrm{\δ}}_y}^2+C_2)}$

其中SSIM（x，y）为相似性结构指数，μ_x和μ_y分别代表以像素P_i（x）和P_i（y）为中心的方形邻域图像块v（x）和v（y）的灰度均值，δ_xy表示其灰度的协方差，δ_x和δ_yy分别为v（x）和v（y）灰度的方差，C1和C2是常数。

根据本发明的进一步的发明目的，其中在进行CBCT重建之前要对选定投影集合P_i-N……P_i+N中所有的相似区域进行加权平均计算。

根据本发明的进一步的发明目的，其中在进行加权平均计算时，将选定投影集合P_i-N……P_i+N中所有的相似区域记作S，并按下述公式进行加权计算：

$P^{\′}\left(x\right)=\frac{1}{C\left(x\right)}\underset{y\∈S}{\mathrm{\Σ}}w(x,y)v\left(y\right)$

其中y是所有搜索到的相似区域中含噪图像中的像素点，w(x,y)是权重函数，C(x)是权重归一化因子。

根据本发明的进一步的发明目的，其中利用传统的高斯加权欧式距离算法也可以对临近图像具有高度相似性的序列图像去噪进行计算。

附图说明

图1为本发明的CBCT投影序列中的投影图；

图2为本发明CBCT投影数据距离与SSIM之间的关系。（每隔1°采集一个投影，）可以发现，在相邻20个角度以内，投影数据之间的SSIM大于0.9，具有很高的相似性；同时，若对其中某一个小的区域进行观察可以发现，其在灰度分布和结构上也都具有很高的相似性，可以用来进行图像去噪。

图3A、图3B展示了本发明投影序列中区域间的相似性；

图4介绍了本发明算法的主要流程；

图5介绍了该算法相似度计算过程及相似区域数据集合的选择方法。首先在待去噪的投影图P_i中进行搜索，通过计算SSIM值并进行判断寻找到相似的区域，相邻投影中的对应位置则也是相似区域（红线所示）；

图6为采用该方法对一幅投影数据进行去噪后的结果，可以发现，该方法去噪之后信噪比得到了明显的提升,噪声得到了十分有效的抑制,但在噪声分布图中几乎没有边缘信息的损失。

具体实施方式

针对上述待解决的技术问题，其去噪方法的具体实现方法如下：

a)在CBCT投影序列中，选取一幅待去噪投影数据P_i，并选取与其左右各N幅投影数据P_i-N……P_i+N。N的选择一般不宜太大，因为随着距离逐渐增大，投影数据之间的相似性迅速下降，对于降噪效果改善不大。同时，随着N增大，计算量也增大。

b)选取合适的投影数据集后，开始对于待去噪投影P_i进行逐像素点去噪处理。

c)x是待去噪投影P_i中的一个像素点。首先，选取以x为中心的大小为n×n的图像块v（x），选取大小为m×m的搜索区域。搜索区域应大于图像块的大小，最大可以为整张投影图，但是随着m增大算法计算量也将增大。

d)在搜索区域中寻找与v（x）相似的结构，按照如下公式计算搜索区域中每个图像块v（y）与v（x）的相似性结构指数SSIM（x，y）。

$\mathrm{SSIM}(x,y)=\frac{(2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1)(2{\mathrm{\δ}}_{\mathrm{xy}}+C_2)}{({{\mathrm{\μ}}_x}^2+{{\mathrm{\μ}}_y}^2+C_1)({{\mathrm{\δ}}_x}^2+{{\mathrm{\δ}}_y}^2+C_2)}$

其中μ_x和μ_y分别代表以像素P_i（x）和P_i（y）为中心的方形邻域图像块v（x）和v（y）的灰度均值。δ_xy表示其灰度的协方差，δ_x和δ_y分别为v（x）和v（y）灰度的方差。C₁和C₂是常数，为了防止除数为0而进行的处理，其一般取很小的值。

e)给定阈值ε，作为相似性判断的标准。当SSIM(x,y)＞ε时，即认为图像块v（x）和v（y）是相似的，v（y）及其在相邻投影图像P_i-N……P_i+N同样位置区域的数据可以用来对于P_i（x）进行去噪处理。

f)选定投影集合P_i-N……P_i+N中所有的相似区域并记作S，进行加权平均计算。

$P^{\′}\left(x\right)=\frac{1}{C\left(x\right)}\underset{y\∈S}{\mathrm{\Σ}}w(x,y)v\left(y\right)$

y是所有搜索到的相似区域中含噪图像中的像素点，w(x,y)是权重函数，C(x)是权重归一化因子。其中，权重函数的计算方法也根据SSIM（x，y）进行变换得到。由于SSIM（x，y）的取值为[-1,1]，且当其取值绝对值接近1时，两个图像块越相似。而传统非局部均值加权时，距离为0时两个图像块越相似，权重值最大。因此，定义相似性结构参数：S(x,y)＝1-|SSIM(x,y)|。权重函数可以写为：

w(i,j)＝exp(S(x,y)/h²)

其中h为滤波参数，一般与噪声标准差σ成一定的线性关系。

g)对所有的投影数据都进行类似的图像去噪处理，得到去噪后的投影数据集并进行CBCT重建，从而可以得到去噪后的CBCT三维体数据。

本发明主要针对CBCT设备投影去噪，相对于传统的去噪方法，它充分利用了投影序列间的数据相似性和冗余性，引入了更多的数据进行加权平均，从而可以更好地得到去噪效果。主要优势可以概括为两个方面：

（1）相对于传统的去噪算法，本发明引入了投影序列前后投影数据进行计算，其具有很高的相似性，可以通过加权平均使得信噪比有效提升，同时不会丢失细节信息。另外，由于其他投影数据中的相似区域不需要进行再次搜索，因此计算时间不会明显增长。另外，使用该方法可以将搜索区域减小，也能够保证找到足够多的相似区域，从而大幅度提高计算效率。

（2）SSIM的引入使得边缘区域的去噪效果更好。传统的非局部均值去噪算法中衡量小块间的相似性只用了高斯加权的欧氏距离，即只利用了方形邻域的灰度值信息，没有考虑图像大尺度上的结构信息。边缘区域中结构上相似的小块可能由于欧氏距离较大而被赋予较小的权值，导致加权平均效果不明显。而该方法则克服了此缺点。

本发明并非仅限于在此明确描述的实施例。虽然先前的描述和附图描述了本发明的优选实施例，但是可以理解：在不脱离本发明的精神的情况下，在此可以产生各种附加、修改和替换。本领域普通技术人员很清楚：在不脱离本发明的精神或本质特性的情况下，可以以其他特殊形式、结构、布置、比例、以及利用其他元件、材料和部件来实现本发明。本领域的技术人员将意识到：本发明可以使用发明实际中使用的结构、布置、比例、材料以及部件和其他的许多修改，这些修改在不脱离本发明的原理的情况下而特别适应于特殊环境和操作需求。因此，当前公开的实施例在所有方面应被理解为说明性的而非对其请求保护的范围的限制。

Claims (6)

1.一种基于投影序列数据相似性的图像去噪方法，用于CBCT图像的去噪处理，其中包括如下步骤：

从CBCT投影序列中选取一幅待去噪投影数据P_i；

选取与该待去噪投影数据左右相邻的2N幅投影数据P_i-N……P_i+N；

选取合适的投影数据集后，开始对于待去噪投影P_i进行逐像素点去噪处理；

选取待去噪投影P_i中的一个像素点x；

选取以x为中心的大小为n×n的图像块v(x)，在v(x)附近选取大小为m×m的搜索区域；

在搜索区域中逐块进行搜索，通过计算块相似性寻找与v(x)相似的结构图像块；

给定一阈值，作为相似性判断的标准，如果计算得到的相似性大于所给定的阈值，则认为两个图像块相似；

基于上述结果，寻找到的所有相似图像块及其在相邻投影图像P_i-N……P_i+N同样位置区域的数据用来对于P_i进行去噪处理；

对选定投影集合P_i-N……P_i+N中所有的相似区域进行加权平均计算,将选定投影集合P_i-N……P_i+N中所有的相似区域记作S，并按下述公式进行加权计算：

$P^{\′}\left(x\right)=\frac{1}{C\left(x\right)}\underset{y\∈S}{\Σ}w(x,y)v\left(y\right)$

其中,y是所有搜索到的相似区域中含噪图像中的像素点，w(x,y)是权重函数，C(x)是权重归一化因子,P'(x)是选定投影集合P_i-N……P_i+N中所有的相似区域的加权平均计算结果；

对所有的投影数据都进行相同的图像去噪处理，得到去噪后的投影数据集,并进行CBCT重建，从而可以得到去噪后的CBCT三维体数据。

2.如权利要求1所述的图像去噪方法，其特征在于在进行相似性计算时，按照下述公式计算两个图像块之间的相似性：

$SSIM(x,y)=\frac{(2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1)(2{\mathrm{\δ}}_{xy}+C_2)}{({{\mathrm{\μ}}_x}^2+{{\mathrm{\μ}}_y}^2+C_1)({{\mathrm{\δ}}_x}^2+{{\mathrm{\δ}}_y}^2+C_2)}$

其中SSIM(x，y)为相似性结构指数，μ_x和μ_y分别代表以像素P_i(x)和P_i(y)为中心的方形邻域图像块v(x)和v(y)的灰度均值，δ_xy表示其灰度的协方差，δ_x和δ_y分别为v(x)和v(y)灰度的方差，C₁和C₂是常数。

3.如权利要求1所述的图像去噪方法，其特征在于利用传统的高斯加权欧式距离算法对临近图像具有高度相似性的序列图像去噪进行计算。

4.一种基于投影序列数据相似性的图像去噪设备，用于CBCT图像的去噪处理，其中包括：

CBCT图像获取装置，用于获取待去噪图像；

图像选取装置，选取待去噪图像P_i及与该待去噪投影数据左右相邻的2N幅投影数据P_i-N……P_i+N；选取待去噪投影P_i中的一个像素点x；选取以x为中心的大小为n×n的图像块v(x)，选取大小为m×m的搜索区域；

图像搜索装置，选取以x为中心的大小为n×n的图像块v(x)，选取大小为m×m的搜索区域进行搜索；

图像相似性计算装置，在搜索区域中寻找与v(x)相似的结构图像块v(y)并对两者的相似性进行计算；

比较装置，给定一阈值，作为相似性判断的标准，如果相似性大于所给定的阈值，则认为两个图像块相似；基于上述结果v(y)图像块及其在相邻投影图像P_i-N……P_i+N同样位置区域的数据可以用来对于P_i(x)进行去噪处理；

图像重构装置，对选定投影集合P_i-N……P_i+N中所有的相似区域进行加权平均计算，将选定投影集合P_i-N……P_i+N中所有的相似区域记作S，并按下述公式进行加权计算：

$P^{\′}\left(x\right)=\frac{1}{C\left(x\right)}\underset{y\∈S}{\Σ}w(x,y)v\left(y\right)$

其中y是所有搜索到的相似区域中含噪图像中的像素点，w(x,y)是权重函数，C(x)是权重归一化因子,权重函数也由块之间的相似性计算得到；

对所有的投影数据都进行相同的图像去噪处理，得到去噪后的投影数据集并进行CBCT重建，从而可以得到去噪后的CBCT三维体数据。

5.如权利要求4所述的图像去噪设备，其特征在于在进行相似性计算时，按照下述公式计算两个图像块之间的相似性：

$SSIM(x,y)=\frac{(2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1)(2{\mathrm{\δ}}_{xy}+C_2)}{({{\mathrm{\μ}}_x}^2+{{\mathrm{\μ}}_y}^2+C_1)({{\mathrm{\δ}}_x}^2+{{\mathrm{\δ}}_y}^2+C_2)}$

其中SSIM(x，y)为相似性结构指数，μ_x和μ_y分别代表以像素Pi(x)和Pi(y)为中心的方形邻域图像块v(x)和v(y)的灰度均值，δ_xy表示其灰度的协方差，δ_x和δ_y分别为v(x)和v(y)灰度的方差，C₁和C₂是常数。

6.如权利要求5所述的图像去噪设备，其特征在于,利用传统的高斯加权欧式距离算法对临近图像具有高度相似性的序列图像去噪进行计算。