一种图像噪声估计方法
技术领域
本发明涉及医学图像处理领域,尤其涉及一种图像噪声估计方法。
背景技术
医学图像是现代临床诊疗的重要参考信息,其图像质量的优劣直接关系到诊疗的效果。医学图像在生成、传输和存储过程中由于成像对象、成像设备等的影响不可避免地受到各种噪声的干扰。在实际的临床应用中,为了向临床医师提供更为准确的辅助诊断信息,一般还需要对图像进行去噪、分割、聚类、复原等后处理工作,而很多的这些处理算法均需要将噪声方差作为已知参数,因此,如何快速且准确地估计出图像中的噪声水平是医学图像处理过程中的一个重要环节。
由于多种图像处理都需要噪声信息,因此,噪声估计往往作为独立的模块,工业化系统中对噪声估计模块的鲁棒性和运算时间都有很高的要求。现有的噪声估计方法大致可分为以下两类:基于噪声模型的噪声水平估计和基于图像子块的噪声水平估计。这两种方法各有利弊,在很多复杂的系统中噪声很难理想地符合某种特定的概率分布或事先并不可能知晓有关噪声的任何先验知识,因此,基于噪声模型的估计方法有时会和真实值有很大出入;基于图像子块的噪声估计在含图像信息少、以噪声信息为主的子图像块上可以得到稳定而准确的结果。在医学图像中,背景区域是“纯”噪声子图像块,是理想的噪声估计区域。因此,如何从不同类型的医学图像中快速且准确地提取背景,以及当没有足够大的背景区域时应当如何处理是这类方法的主要问题。
目前常用的医学图像背景提取技术有基于区域的提取方法、基于边缘的提取方法以及结合区域和边缘的提取方法。基于区域的背景提取方法主要侧重于区域内特征的相似性,比如最大类间方差法(Otsu法)、最大熵法[Pun T.A new method for grey-level picture thresholding using the entropy of thehistogram[J].Signal processing,1980,2(3):223-237]。这类方法仅仅考虑了图像的灰度信息,因此,当图像中不存在明显的灰度差异或各物体的灰度范围有较大重叠时,则难以准确地提取背景区域。基于边缘的背景提取方法是通过检测不同区域间的边缘进而达到目标与背景分离的目的,对于边缘不连续的情况,采用边缘检测算子如Prewitt算子、Canny算子、Sobel算子等并不能得到封闭的目标与背景的边界曲线,因此就不能保证这种背景提取方法的鲁棒性。结合区域和边缘的背景提取方法,以及其它算法如区域生长法[Pal N R,Pal SK.Entropic thresholding[J].Signal processing,1989,16(2):97-108]、遗传算法[吴成柯,刘靖.图像分割的遗传算法方法[J].西安电子科技大学学报,1996,23(1):34-41]、模糊聚类[Coleman G B,Andrews H C.Image segmentation byclustering[J].Proceedings of the IEEE,1979,67(5):773-785]、Snake模型等,虽然较上述方法鲁棒性稍强一些,但是运算需要花费大量的时间,故均不在考虑范围之内。
发明内容
本发明解决的问题是提供一种图像噪声估计方法,能自动、快速而准确地提取背景区域,而且,以提取的背景区域为基础能得到稳定而准确的噪声估计,还最大限度地去除了图像中高频细节信息对噪声估计的影响。
为了解决上述问题,本发明提供了一种图像噪声估计的方法,包括:
(1)输入图像,将所述图像进行线状结构检测,得到线状结构图;
(2)根据所述线状结构图,提取所述图像的背景区域;
(3)比较所述背景区域的像素数目与预定阈值的大小,若所述背景区域的像素数目大于等于所述预定阈值,则根据所述背景区域内像素点的灰度值计算所述图像的噪声估计;若所述背景区域的像素数目小于所述预定阈值,则根据所述线状结构图中的平滑区域内像素点的灰度值计算所述图像的噪声估计。
上述所述一种图像噪声估计的方法,其中,在对所述图像进行线状结构检测之前,对所述图像进行预处理。
上述所述一种图像噪声估计的方法,其中,提取所述图像的背景区域的过程如下:
1)通过运算将所述线状结构的单峰直方图转换为双峰直方图;
2)对所述线状结构的双峰直方图进行阈值分割,得到初步的背景区域;
3)根据人体结构的闭合特征,得到最终的背景区域,即所述图像的背景区域。
上述所述一种图像噪声估计的方法,其中,所述运算为对数变换、负指数变换或分数指数幂变换。
上述所述一种图像噪声估计的方法,其中,所述阈值分割的方法为最大类间方差法、直方图门限法或最大熵自动阈值法。
上述所述一种图像噪声估计的方法,其中,所述噪声估计通过拉普拉斯计算方法计算取得。
与现有技术相比,本发明基于对图像进行线状结构检测自动提取背景区域,在线状结构检测中不仅实现了对图像的有效平滑,较好地抑制了噪声,同时又提取了轮廓信息,从而将区域的平滑程度和边缘的连续性有机地结合起来;
进一步地,通过数值变换将线状结构的单峰直方图转换为具有明显双峰结构的直方图,从而得到非常准确和鲁棒性强的背景区域,并快速且准确地估计噪声;
进一步地,在无背景或存在极少背景的特殊图像上,本发明仍能确保进行噪声估计的图像子块是图像中最平滑区域,并得到较准确的噪声估计结果。
附图说明
图1所示为本发明实施例一种图像噪声估计方法的流程示意图;
图2所示为本发明实施例提取图像背景区域的流程示意图;
图3所示为本发明实施例图像线状结构变换前和变换后的直方图;
图4所示为本发明实施例采用经典Otsu法提取的背景区域和基于线状结构检测提取的背景区域的效果示意图;
图5所示为本发明实施例基于Canny边缘检测提取的背景区域和基于线状结构检测提取的背景区域的效果示意图;
图6所示为本发明实施例对同一图像序列采用三种不同方法进行噪声估计的结果示意图;
图7所示为本发明实施例对不用图像序列不同噪声等级的图像采用三种不同的方法进行噪声估计的结果示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
其次,本发明利用示意图进行详细描述,在详述本发明实施例时,为便于说明,所述示意图只是实例,其在此不应限制本发明保护的范围。
下面结合附图和实施例对本发明进行详细地说明。本发明图像噪声估计的方法如图1所示,首先,执行步骤S1,输入图像,将所述图像进行线状结构检测,得到线状结构图。需要说明的是,对于某些比较特殊的图像,为了减少由于图像的特殊性而对噪声估计所带来的影响,在进行线状结构检测之前,对这些图像先进行预处理。图像的预处理包括图像正规化、局部极值抑制以及对具有校正变形图像的特殊区域进行领域像素填充等。在线状结构检测中,为了尽可能地避免图像中噪声等的干扰,对图像和其一阶结构张量依次进行不同尺度的高频滤波,得到线状结构检测位置准确和受噪声影响程度较小之间较折中的一个线状结构图。
具体地,在本实施例中,首先,对所述图像进行结构张量检测,为了使检测结果对噪声更加鲁棒,以及为了检测结果的局部连续性,我们采取了基于一阶梯度和高斯平滑核的结构张量检测[请参考Brox T,Weickert J,BurgethB,et al.Nonlinear structure tensors[J].Image and Vision Computing,2006,24(1):41-55.],该方法不仅能有效地提取出图像在每一个像素点处的方向信息,同时又抑制了噪声等的干扰,从而将局部区域的平滑程度和边缘的连续性有机地结合了起来。接着,对上述检测得到的结构张量矩阵进行特征值和特征向量计算,根据所述特征值可以分析图像局部结构,从而得到图像的线状结构图[请参考Li Q,Sone S,Doi K.Selective enhancement filters for nodules,vessels,and airway walls in two-and three-dimensional CT scans[J].Medical physics,2003,30:2040.]。
接着,执行步骤S2,根据线状结构图,提取所述图像的背景区域。具体地,如图2所示,首先,执行步骤S201,为了更好地进行阈值分割,通过运算将步骤S1中得到的线状结构单峰直方图转换为具有明显双峰结构的直方图。其中,所述运算可以为对数变换、负指数变换或分数指数幂变换等。在本实施例中,采用对数变换,如图3所示,图3a为进行对数变换前的图像线状结构直方图,图3b为进行对数变换后的图像线状结构直方图,从图3a和图3b中可知,通过对线状结构进行数值变换后,得到了将目标区域强线状结构和背景区域弱线状结构有效分离的双峰直方图,从而保证下述阈值分割的有效性。接着,执行步骤S202,对所述线状结构的双峰直方图进行阈值分割,得到初步的前景区域和背景区域。其中,阈值分割的方法可以采用最大类间方差法(Otsu法)、直方图门限或最大熵自动阈值法等。再接着,执行步骤S203,根据人体结构的闭合特征,得到最终的背景区域,即所述图像的背景区域。具体地,根据人体结构的闭合特征,以及结合去连通域方法消除孤立的干扰子块,填充连续的目标子块等方法首先得到被强线状结构包围的前景区域,进而得到最终的背景区域,即所述图像的背景区域。
对上述步骤S1和S2得到的图像背景区域和采用经典Otsu法得到的图像背景区域进行比较(如图4所示),图4a为输入的原始图像,图4b为采用经典Otsu法提取的背景区域,图4c为基于线状结构检测提取的背景区域。从图4b和图4c中可以看出,基于上述线状结构检测提取的背景区域没有包含任何前景信息,而仅仅依赖灰度信息的Otsu法则很难将与灰度信息接近的前景区域分离出来,这样在进行噪声估计时就会不可避免地引入高频细节信息,导致噪声估计出现很大偏差。
此外,也对基于Canny边缘检测提取的背景区域和基于线状结构检测提取的背景区域进行比较(如图5所示),图5a为输入的原始图像,图5b为基于Canny边缘检测提取的背景区域,图5c为基于线状结构检测提取的背景区域。从图5b和图5c可知,基于线状结构检测的方法较基于多尺度Canny边缘的背景提取方法最大限度地保证了提取的背景区域的准确性。通过对一组不同大小、不同结构的医学图像的测试,发现基于多尺度Canny边缘的背景提取方法会频繁地出现边缘检测不连续的情况,而基于线状结构检测的方法不会将前景目标误判为背景,并且运算速度更快。
接着,执行步骤S3,比较所述背景区域的像素数目与预定阈值的大小。若所述背景区域的像素数目大于等于所述预定阈值,则执行步骤S4,根据所述背景区域内像素点的灰度值计算所述图像的噪声估计;若所述背景区域的像素数目小于所述预定阈值,则执行步骤S5,根据步骤S1中得到的线状结构图中数值最小的一定比例的平滑区域内像素点的灰度值计算所述图像的噪声估计。具体地,采用方差或拉普拉斯计算方法等对所述图像进行噪声估计。在本实施例中,采用拉普拉斯计算方法,这是由于在实际图像中,不同的平滑区域中可能噪声水平相当,但像素基准值不同,具体的计算过程请参考Coupé P,Yger P,Prima S,et al.An optimized blockwise nonlocal means denoisingfilter for3-D magnetic resonance images[J].Medical Imaging,IEEE Transactionson,2008,27(4):425-441,采用对背景区域或平滑区域中每一个像素点进行局部拉普拉斯计算,然后再平均的方法进行噪声估计。
将基于手动选取背景区域的噪声估计、去除Canny边缘的噪声估计以及我们方法的噪声估计(即基于线状结构检测的噪声估计)的结果进行比较,如图6和图7所示。其中,基于手动选取背景区域的噪声估计结果可认为其近似等于噪声真实值,从两图中可以看出,基于线状结构检测的噪声估计结果较去除Canny边缘的噪声估计结果更接近真实值,且对噪声估计的鲁棒性更强。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。