CN103500441A - 微焦点x射线图像噪声建模与去噪方法 - Google Patents

Abstract

本发明公开了一种微焦点X射线图像噪声建模与去噪方法，包括以下步骤：1)用X光机器采集含有噪声的空白图像A；2)将空白图像A中的噪声视为均值为零的高斯白噪声，计算噪声方差σ²；3)采集含有对象的微焦点X射线图像B，采用滤波模板为3×3，均值为零，方差为σ²的高斯滤波器对图像B进行去噪；4)通过Canny边缘检测算法对步骤3)进行去噪后的图像进行检测。本发明方法具有计算速度快、简单快捷的特点，其针对信噪比低，对比度差的微焦点X射线图像，考虑了图像噪声本身的特性、种类以及图像本身的特点，可以有效去除微焦点X射线图像的噪声，并用Canny边缘检测算法进一步验证去噪后图像的优越性，有较高的准确性。

Description

微焦点X射线图像噪声建模与去噪方法

技术领域

本发明涉及一种X射线图像的去噪方法，尤其是一种微焦点X射线图像噪声建模与去噪方法。属于图像处理领域。

背景技术

随着X射线摄影技术的不断提高，X射线检测技术越来越多的应用在医学病理检测及工业缺陷检测方面。但无论是医学上常用的百微米焦点X射线管，还是工业上常用的微焦点X射线源的射线管，获得的X射线图像信噪比都比较低，图像受颗粒噪声污染、雾化情况严重，表现出明显的噪声污染现象，这些不良现象给微焦点X射线图像的检测带来了一定的困难。因此，对微焦点X射线图像去噪十分必要。

虽然，国内外研究人员对图像去噪算法有了很多研究，但大多都是将一个或多个确定性噪声模型应用于图像去噪，并未考虑噪声本身的特性、种类以及图像本身的特点，对于微聚焦X光图像这种信噪比低，缺陷对比度差的对象，难以在去噪的同时，兼顾相邻像素灰度保序原则，达到既去除噪声又不破坏原有图像结构的目的。

由于在微聚焦X射线成像过程中，无论哪种噪声，虽然产生机理不同，但都可以看作粒子传输过程中的伴随噪声和成像系统显示、外界干扰引起的附加噪声。其特征都可以定义为高斯分布(强射线强度下的光电噪声、荧光屏结构噪声、电子噪声等)。因此，为了去除低对比度、低灰度的微焦点X射线图像的噪声，提高微焦点X射线图像的精密检测精度，就需要发明噪声基于高斯分布特性的方法来解决这一问题。

发明内容

本发明的目的是为了解决上述现有技术的缺陷，提供一种计算速度快、简单快捷的微焦点X射线图像噪声建模与去噪方法。

本发明的目的可以通过采取如下技术方案达到：

微焦点X射线图像噪声建模与去噪方法，其特征在于所述方法包括以下步骤：

1)用X光机器采集含有噪声的空白图像A；

2)将空白图像A中的噪声视为均值为零的高斯白噪声，计算噪声方差σ²；

3)采集含有对象的微焦点X射线图像B，采用滤波模板为3×3，均值为零，方差为σ²的高斯滤波器对图像B进行去噪。

作为一种实施方案，所述方法还包括：

4)通过Canny边缘检测算法对步骤3)进行去噪后的图像进行检测。

作为一种实施方案，步骤2)所述将空白图像A中的噪声视为均值为零的高斯白噪声，计算噪声方差σ²，具体如下：

2.1)求图像均值aver：

$\mathrm{aver}=\frac{1}{m\×n}\·\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(x,y)---\left(1\right)$

其中，f(x，y)为输入图像，图像大小为m×n；

2.2)求图像方差σ²：

${\mathrm{\σ}}^2=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(f(x,y)-\mathrm{aver})}^2---\left(2\right)$

通过式(2)即得到方差σ²。

作为一种实施方案，步骤3)所述采用滤波模板为3×3，均值为零，方差为σ²的高斯滤波器对图像B进行去噪，具体如下：

3.1)均值为0，方差为σ²的二维高斯滤波函数为：

$g(s,t)=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-\frac{s^2+t^2}{{\mathrm{\σ}}^2}}---\left(3\right)$

其中，g(s，t)为高斯滤波函数，s和t表示直角坐标方向；

3.2)根据式(2)和式(3)采用下式进行高斯滤波：

$G(x,y)=\underset{s=-a}{\overset{a}{\mathrm{\Σ}}}\underset{s=b}{\overset{b}{\mathrm{\Σ}}}g(s,t)*f(x+s,y+t)---\left(4\right)$

其中，G(x，y)为滤波后的输出图像；a×b为滤波模块大小；

对于大小为m×n的图像，将x=0，1，2，…，m-1与y=0，1，2，…，n-1代入式(4)，完成图像的高斯滤波。

作为一种实施方案，步骤4)所述通过Canny边缘检测算法对步骤3)进行去噪后的图像进行检测，具体如下：

4.1)图像使用带有指定标准偏差的高斯滤波器来平滑；

4.2)用一阶偏导的有限差分来计算梯度的幅值和方向；其中一阶差分卷积模板：

$\begin{array}{cc}{H}_1=\left[\begin{array}{cc}-1& -1\\ 1& 1\end{array}\right]& H_2=\left[\begin{array}{cc}1& -1\\ 1& -1\end{array}\right]\end{array}$

在微焦点X射线图像每一点处计算局部梯度

其中，边缘方向

边缘点定义为梯度方向上局部强度最大的点；

4.3)对梯度幅值进行非极大值抑制；

4.4)通过将8连接的弱像素集成到强像素，执行边缘连接。

本发明相对于现有技术具有如下的有益效果：

本发明方法具有计算速度快、简单快捷的特点，其针对信噪比低，对比度差的微焦点X射线图像，考虑了图像噪声本身的特性、种类以及图像本身的特点，可以有效去除微焦点X射线图像的噪声，并用Canny边缘检测算法进一步验证去噪后图像的优越性，有较高的准确性。

附图说明

图1为本发明方法的流程示意图。

图2a为本发明方法采用高斯滤波器将图像进行去噪后的效果图；图2b为传统采用方差0.5的高斯滤波器将图像进行去噪后的效果图。

图3a为本发明方法采用Canny边缘检测算法将图2a的图像进行检测的效果图；图3b为采用Canny边缘检测算法将图2b的图像进行检测的效果图。

具体实施方式

实施例1：

如图1所示，本实施例的微焦点X射线图像噪声建模与去噪方法包括以下步骤：

1)用X光机器采集含有噪声的空白图像A，并以矩阵形式表示；

2)将空白图像A中的噪声视为均值为零的高斯白噪声，计算噪声方差σ²，具体如下：

2.1)求图像均值aver：

$\mathrm{aver}=\frac{1}{m\×n}\·\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(x,y)---\left(1\right)$

其中，f(x，y)为输入图像，图像大小为m×n；

2.2)求图像方差σ²：

${\mathrm{\σ}}^2=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(f(x,y)-\mathrm{aver})}^2---\left(2\right)$

通过式(2)即得到方差σ²。

3)采集含有对象的微焦点X射线图像B，并以矩阵形式表示，采用滤波模板为3×3，均值为零，方差为σ²的高斯滤波器对图像B进行去噪，具体如下：

3.1)均值为0，方差为σ²的二维高斯滤波函数为：

$g(s,t)=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-\frac{s^2+t^2}{{\mathrm{\σ}}^2}}---\left(3\right)$

其中，g(s，t)为高斯滤波函数，s和t表示直角坐标方向；

3.2)根据式(2)和式(3)采用下式进行高斯滤波：

$G(x,y)=\underset{s=-a}{\overset{a}{\mathrm{\Σ}}}\underset{s=b}{\overset{b}{\mathrm{\Σ}}}g(s,t)*f(x+s,y+t)---\left(4\right)$

其中，G(x，y)为滤波后的输出图像；a×b为滤波模块大小；

对于大小为m×n的图像，将x=0，1，2，…，m-1与y=0，1，2，…，n-1代入式(4)，完成图像的高斯滤波，如图2a所示。

4)通过Canny边缘检测算法对步骤3)进行去噪后的图像进行检测，以验证上述步骤的优越性，具体如下：

4.1)图像使用带有指定标准偏差的高斯滤波器来平滑；

4.2)用一阶偏导的有限差分来计算梯度的幅值和方向；其中一阶差分卷积模板：

$\begin{array}{cc}{H}_1=\left[\begin{array}{cc}-1& -1\\ 1& 1\end{array}\right]& H_2=\left[\begin{array}{cc}1& -1\\ 1& -1\end{array}\right]\end{array}$

在微焦点X射线图像每一点处计算局部梯度

其中，边缘方向

边缘点定义为梯度方向上局部强度最大的点；

4.3)对梯度幅值进行非极大值抑制；

4.4)通过将8连接的弱像素集成到强像素，执行边缘连接，效果如图3a所示；

将图2a与图2b对比以及将图3a与图3b进行对比，可以看出本实施例的方法与传统方法相比，可以有效滤除图像噪声，并使去噪后的图像中的气泡能被有效地检测出来，有较高的准确性。

以上所述，仅为本发明专利可选的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (5)

1.微焦点X射线图像噪声建模与去噪方法，其特征在于所述方法包括以下步骤：

1)用X光机器采集含有噪声的空白图像A；

2)将空白图像A中的噪声视为均值为零的高斯白噪声，计算噪声方差σ²；

3)采集含有对象的微焦点X射线图像B，采用滤波模板为3×3，均值为零，方差为σ²的高斯滤波器对图像B进行去噪。

2.根据权利要求1所述的微焦点X射线图像噪声建模与去噪方法，其特征在于所述方法还包括：

4)通过Canny边缘检测算法对步骤3)进行去噪后的图像进行检测。

3.根据权利要求1或2所述的微焦点X射线图像噪声建模与去噪方法，其特征在于：步骤2)所述将空白图像A中的噪声视为均值为零的高斯白噪声，计算噪声方差σ²，具体如下：

2.1)求图像均值aver：

$\mathrm{aver}=\frac{1}{m\×n}\·\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(x,y)---\left(1\right)$

其中，f(x，y)为输入图像，图像大小为m×n；

2.2)求图像方差σ²：

${\mathrm{\σ}}^2=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(f(x,y)-\mathrm{aver})}^2---\left(2\right)$

通过式(2)即得到方差σ²。

4.根据权利要求3所述的微焦点X射线图像噪声建模与去噪方法，其特征在于：步骤3)所述采用滤波模板为3×3，均值为零，方差为σ²的高斯滤波器对图像B进行去噪，具体如下：

3.1)均值为0，方差为σ²的二维高斯滤波函数为：

$g(s,t)=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-\frac{s^2+t^2}{{\mathrm{\σ}}^2}}---\left(3\right)$

其中，g(s，t)为高斯滤波函数，s和t表示直角坐标方向；

3.2)根据式(2)和式(3)采用下式进行高斯滤波：

$G(x,y)=\underset{s=-a}{\overset{a}{\mathrm{\Σ}}}\underset{s=b}{\overset{b}{\mathrm{\Σ}}}g(s,t)*f(x+s,y+t)---\left(4\right)$

其中，G(x，y)为滤波后的输出图像；a×b为滤波模块大小；

对于大小为m×n的图像，将x=0，1，2，…，m-1与y=0，1，2，…，n-1代入式(4)，完成图像的高斯滤波。

5.根据权利要求2所述的微焦点X射线图像噪声建模与去噪方法，其特征在于：步骤4)所述通过Canny边缘检测算法对步骤3)进行去噪后的图像进行检测，具体如下：

4.1)图像使用带有指定标准偏差的高斯滤波器来平滑；

4.2)用一阶偏导的有限差分来计算梯度的幅值和方向；其中一阶差分卷积模板：

$\begin{array}{cc}{H}_1=\left[\begin{array}{cc}-1& -1\\ 1& 1\end{array}\right]& H_2=\left[\begin{array}{cc}1& -1\\ 1& -1\end{array}\right]\end{array}$

在微焦点X射线图像每一点处计算局部梯度

其中，

边缘方向

边缘点定义为梯度方向上局部强度最大的点；

4.3)对梯度幅值进行非极大值抑制；

4.4)通过将8连接的弱像素集成到强像素，执行边缘连接。

Images