CN104318521A - 多线性子空间学习的医疗图像去噪方法 - Google Patents

Abstract

本发明为一种多线性子空间学习的医疗图像去噪方法，将时域和频域信息相结合，并采用多线性子空间学习方法，能够对图像中提取的小块直接去噪。步骤一、空间转换模块将超声图像通过对数变换，变换到对数域后进行后续计算；步骤二、分块模块将超声图像分成相互重叠的相等的小块；步骤三、聚类模块将分好的小块通过聚类方法分成N类，用于后续去噪计算处理；步骤四、去噪模块将每一类的小块直接排成体数据，应用多线性子空间学习方法对每个小块进行去噪；步骤五、聚集模块将去噪后的每一个小块重新返回到图像上的原始位置；步骤六、空间逆转换模块将第五步获得的图像，通过指数变换，变换回最原始的图像空间，所得到的图像即为最终的去噪图像。

Description

多线性子空间学习的医疗图像去噪方法

技术领域

本发明为一种多线性子空间学习的医疗图像去噪方法，可用于多种医学图像的噪声去除。

背景技术

对器官的精确显示在现代医疗中起到非常重要的作用。在很多医学成像技术中，由于超声成像的非侵入性，硬件的便携性，实时成像以及性价比高等特性已被广泛的应用于医疗辅助诊断中。但相比于其他成像设备，如CT和核磁共振，超声的噪声非常多。通常认为超声的噪声是乘性斑点噪声，其降低了图像质量，模糊了细节信息以及物体边缘，限制了图像的对比度。因此，如何减少斑点噪声并保持图像信息是目前研究的热点。

目前现有的图像去噪方法可根据噪声产生的时间大体分为两类：混合方法和后处理方法。混合方法需要在同一区域产生多幅图像，并把它们结合成一幅图像。此方法并不是本发明所覆盖的范围。本发明的内容是关于后处理的方法研究，也就在超声图像生成后进行图像去噪。到目前为止，已经有很多图像去噪方法被提出来，可分成三类：频域去噪方法，时域去噪方法和视频域去噪方法。目前研究表明，主成分分析法可有效去除图像噪声。首先将图像分成很多相等的小块。由于主成分分析法是线性子空间学习方法，只能对矢量进行处理。因此，首先要将这些小块展开成矢量后，再用主成分分析法进行处理。这一过程，会破坏每个小块中本来的结构特征，另外由于矢量的维数也许大于样本的个数，会造成过度拟合的现象。

发明内容

为了克服以上问题，本发明将时域和频域信息相结合，并采用多线性子空间学习方法，能够对图像中提取的小块直接去噪。

多线性子空间学习的医疗图像去噪方法，包括以下步骤：

步骤一、空间转换模块将超声图像通过对数变换，变换到对数域后进行后续计算；

步骤二、分块模块将超声图像分成相互重叠的相等的小块；

步骤三、聚类模块将分好的小块通过聚类方法分成N类，用于后续去噪计算处理；

步骤四、去噪模块将每一类的小块直接排成体数据，应用多线性子空间学习方法对每个小块进行去噪；

步骤五、聚集模块将去噪后的每一个小块重新返回到图像上的原始位置；

步骤六、空间逆转换模块将第五步获得的图像，通过指数变换，变换回最原始的图像空间，所得到的图像即为最终的去噪图像。

本发明的有益效果：本发明将时域和频域信息相结合，并采用多线性子空间学习方法，对图像中提取的小块直接去噪。由于图像被分成小块，并对相似的小块进行去噪，此过程可用GPU进行加速，以提高算法的计算速度。

附图说明

图1为图像去噪方法流程图；

图2为基于广义多维独立成分分析法的空间转换；

图3为三维体数据分别在第一个模式，第二个模式和第三个模式展开得到的三个矩阵。

具体实施方式

下面结合具体实施例和附图详细说明本发明。

如图1所示，本发明的基于多线性子空间学习方法的快速医疗图像去噪方法包括以下几个步骤：

步骤S101，读取待去噪的图像数据。

步骤S102，将读取的图像数据，进行对数变换，变换到对数空间，将图像空间中乘性噪声转换成加性噪声，使得后续去噪处理更加有效。式1为原始带有乘性噪声的图像数据g^or(x,y)：

$g^{\mathrm{or}}(x,y)\≈S^{\mathrm{or}}(x,y){\mathrm{\η}}_{\mathrm{mu}}^{\mathrm{or}}(x,y)---\left(1\right)$

将式1两边同时取对数，得到式2

$\log \left(g^{\mathrm{or}}(x,y)\right)\≈\log \left(S^{\mathrm{or}}(x,y)\right)+\log \left({\mathrm{\η}}_{\mathrm{mu}}^{\mathrm{or}}(x,y)\right)---\left(2\right)$

步骤S103，将对数空间的图像数据，分成大小相等的小块。小块的大小可取为5×5,10×10等，也可根据图像大小及噪声大小自行决定。每个小块之间可以相互重叠，也可以不重叠但相交。

步骤S104，将图像数据中的小块通过聚类方法，或者最近距离方法分成N类。以K-means的聚类方法为例。若每个小块为x_q,q＝1,2,...,m，m为图像数据中所有小块的个数，通过找到聚类中心C＝[c₁,c₂,...,c_n,...,c_N],n＝1,2,...,N的均值μ_n使得式3最小

$\mathrm{cluster}\left(C\right)=\underset{{\mathrm{\μ}}_n}{\arg \mathrm{mi}}n\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{x_q\∈c_n}{\mathrm{\Σ}}{\left|\right|x_q-{\mathrm{\μ}}_n\left|\right|}^2---\left(3\right)$

步骤S105，被分为同一类的小块组成一个三阶张量附图2所示为通过多线性子空间学习方法对此三阶张量进行去噪。附图3示出了将三维体数据分别在第一个模式，第二个模式和第三个模式展开得到的三个矩阵。通过求解能量方程式4，广义多维独立成分分析可被用来得到三阶张量每个模式上的变换矩阵U_i(z),z＝1,2,3。

$e=\underset{U_{i\left(z\right)},z=\mathrm{1,2,3}}{\arg \min }{\left|\right|{\mathrm{\χ}}_i-\left({\mathrm{\γ}}_i{\×}_1{U}_{i\left(1\right)}{\×}_2{U}_{i\left(2\right)}{\×}_3{U}_{i\left(3\right)}\right)\left|\right|}^2---\left(4\right)$

以往的研究中，为了去除高频噪声，用户通过经验，保留对应于特征值最大的前J个特征向量组成的U_i(z)，用于小块去噪。但由于保留个数J是预先给定的，没有自适应特点，本发明采取一种低秩最小二乘最小均方误差(LMMSE)法，自适应的对每组相似小块进行高频噪声的去除。也就是在广义多维独立成分分析的过程中，对独立成分不降维。而去噪降维的过程由低秩最小二乘最小均方误差法来实现。通过广义多维独立成分分析法得到的核张量为式5

${\mathrm{\γ}}_i={\mathrm{\χ}}_i{\×}_1{\hat{U}}_{i\left(1\right)}^T{\×}_2{\hat{U}}_{i\left(2\right)}^T{\×}_3{\hat{U}}_{i\left(3\right)}^T---\left(5\right)$

其中是U_i(z)的转置。重建后的小块即为去噪小块。重建方程如式6所示

${\widehat{\mathrm{\χ}}}_i={\mathrm{\γ}}_i{\×}_1\left(\frac{{\mathrm{\σ}}_{i\left(1\right)}^2}{{\mathrm{\σ}}_{i\left(1\right)}^2+{\mathrm{\σ}}^2}\right){\×}_2\left(\frac{{\mathrm{\σ}}_{i\left(2\right)}^2}{{\mathrm{\σ}}_{i\left(2\right)}^2+{\mathrm{\σ}}^2}\right){\×}_3\left(\frac{{\mathrm{\σ}}_{i\left(3\right)}^2}{{\mathrm{\σ}}_{i\left(3\right)}^2+{\mathrm{\σ}}^2}\right)---\left(6\right)$

其中， ${\mathrm{\σ}}_{i\left(z\right)}^2,z=\mathrm{1,2,3},{\mathrm{\σ}}_{i\left(1\right)}^2=\max [0,\frac{1}{I_2\×I_3}\underset{i=1}{\overset{I_2\×I_3}{\mathrm{\Σ}}}{y}_{i\left(1\right)}^2-{\mathrm{\σ}}^2],{\mathrm{\σ}}_{i\left(2\right)}^2=\max [0,\frac{1}{I_1\×I_3}\underset{i=1}{\overset{I_1\×I_3}{\mathrm{\Σ}}}{y}_{i\left(2\right)}^2-{\mathrm{\σ}}^2],$ ${\mathrm{\σ}}_{i\left(3\right)}^2=\max [0,\frac{1}{I_1\×I_2}\underset{i=1}{\overset{I_1\×I_2}{\mathrm{\Σ}}}{y}_{i\left(3\right)}^2-{\mathrm{\σ}}^2];$ 噪声方差 $\mathrm{\σ}=\frac{\mathrm{Median}\left(\mathrm{HH}\right)}{0.6745},$ Median(HH)是高-高带小波系数；×₁,×₂,×₃分别为将体数据γ_i在第一个模式，第二个模式和第三个模式展开得到的矩阵上进行乘法运算。

在此步骤运行过程中，为了提高计算效率，采用GPU进行加速。通过对不同类别组小块的并行去噪处理，减少计算时间。

步骤S106，去噪后的小块返回到其原始位置。

步骤S107，将去噪后的的图像数据，进行指数变换，变换到原图像空间。

步骤S108，得到最终去噪后的结果。

虽然参考优选实施例对本发明进行描述，但以上所述实例并不构成本发明保护范围的限定，任何在本发明的精神及原则内的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围内。

Claims (5)

1.多线性子空间学习的医疗图像去噪方法，其特征在于，包括以下步骤：

步骤一、空间转换模块将读取的超声图像进行对数变换，变换到对数空间，从而将图像空间中的乘性噪声转换成对数空间中的加性噪声；

步骤二、分块模块将超声图像分成相互重叠的相等的小块；

步骤三、聚类模块将分好的小块通过聚类方法分成N类，用于后续去噪计算处理；

步骤四、去噪模块将每一类的小块直接排成体数据，应用多线性子空间学习方法对每个小块进行去噪；

步骤五、聚集模块将去噪后的每一个小块重新返回到图像上的原始位置；

步骤六、空间逆转换模块将第五步获得的图像，通过指数变换，变换回最原始的图像空间，所得到的图像即为最终的去噪图像。

2.如权利要求1所述的多线性子空间学习的医疗图像去噪方法，其特征在于，其中步骤二中的小块的大小根据实际情况不同大小取不同，为正方型或长方形，且小块之间为重叠或相交。

3.如权利要求1或2所述的多线性子空间学习的医疗图像去噪方法，其特征在于，其中步骤三中采用以下聚类方法中的一种：K-means算法，K-medoids算法，Clarans算法，BIRCH算法、CURE算法、CHAMELEON算法，DBSCAN算法、OPTICS算法、DENCLUE算法，图论聚类法，STING算法、CLIQUE算法、WAVE-CLUSTER算法。

4.如权利要求1或2所述的多线性子空间学习的医疗图像去噪方法，其特征在于，其中步骤四中通过低秩最小二乘最小均方误差法实现去噪降维。

5.如权利要求4所述的多线性子空间学习的医疗图像去噪方法，其特征在于，其中对步骤四采用GPU进行加速，对不同类别组小块进行并行去噪处理。