CN104680495A - 超声图像的自适应去噪方法 - Google Patents

Abstract

本发明的超声图像的自适应去噪方法包括：(1)获取超声图像；(2)对所述超声图像进行高斯拉普拉斯金字塔分解，得到不同尺度下的高斯层及拉普拉斯层；(3)计算每一个尺度下高斯层的结构张量和扩散张量，并对该尺度下的高斯层作各向异性扩散滤波处理；(4)根据所述高斯层的结构张量的特征值，设计一个灰度映射曲线，并根据所述灰度映射曲线对该尺度下的拉普拉斯层作灰度映射；(5)重复步骤(3)-(4)若干次，对每个尺度下的高斯层和拉普拉斯层进行相同的处理；(6)对处理后的高斯层和拉普拉斯层进行逆向重构，得到去噪后的超声图像；(7)输出去噪后的超声图像。本发明能抑制图像的边缘增强与斑点且算法简单、自适应性强。

Description

超声图像的自适应去噪方法

技术领域

本发明涉及超声成像中的数据处理技术领域，尤其涉及一种超声图像的自适应去噪方法。

背景技术

在医学超声成像中，由于成像器官或组织结构的不均匀性和声波信号的干涉现象及组织运动带来的伪象，当一些小的组织结构小于所发射的超声波的波长时，超声图像上形成了特有的乘性斑点，从而降低了图像质量。

目前，常用的超声图像的去噪算法主要有三种，即分辨率增强法、叠加平均法和后处理方法。

分辨率增强法主要是从整个系统的前端增强超声系统的分辨率，从而达到降噪的目的。该方法能提高探头频率、编码激励、阵列探头以及谐波、频率复合等，然而，如果探头频率过高，一方面高频率会带来高衰减，因而穿透力不够，另一方面会带来声功率的问题。

叠加平均法主要包括图像的帧相关处理及空间复合处理。帧相关处理是采用IIR滤波器处理前一帧及当前帧，但是，这会产生图像的拖影现象。空间复合处理是在发射时，改变发射线的发射角度得到不同方向上的图像，并对重叠部分叠加。

后处理方法分为四类：中值滤波、维纳滤波、基于扩散方程的滤波以及基于小波变换的滤波方法。中值滤波方法是根据图像的局部统计特征来自动选取滤波窗口内的各点权值，或者自动选取滤波窗口的大小和形状(AWMF，自适应加权中值滤波)。维纳滤波方法是计算一定邻域大小的方差和均值，它是一种自适应的滤波方法，当邻域内方差大的时候，平滑就弱一些，反之，平滑就强以一些。尽管这些方法在保留图像细节方面取得了一定的效果，但这类基于窗口平滑的滤波方法对于窗口形状和大小均十分敏感。基于小波变换的滤波方法将超声图像变换到小波域，利用小波阈值处理将某些尺寸的元素丢弃，再进行逆变换以去除Speckle。但在该方法中，很难选择合适的尺度，如果丢弃小尺度信号，则不能有效去除Speckle；如果丢弃大尺度信号，则有可能丢弃有用信号。基于扩散方程的滤波方法是近年来出现的一种新的超声图像滤波技术，即求解初始值为输入图像的非线性热扩散方程。在扩散方程中，通过引入图像特征，设计合适的扩散系数来控制扩散方程的扩散行为，使得在平滑图像的同时能够保留甚至增强图像的特征信息，如果加上多尺度的方法，在不同尺度的图像上采用不用的扩散滤波，则可达到自适应去噪的目的。

除了以上三种常用的超声图像的去噪算法，中国专利200810188215.5还公开了一种基于高斯拉普拉斯金字塔模型的各项异性扩散滤波，该专利的方法是先对图像进行高斯拉普拉斯金字塔分解得到高斯层及拉普拉斯层，接着，对分解得到的高斯层进行各向异性扩散滤波，最后，对处理后的图像数据逆向重构，经过若干次的迭代达到去噪的目的。然而，该方法在分解得到拉普拉斯层后，并没有对该层作处理，而该层包含大量的高频噪声信息，因而这样处理后得到的图像仍然达不到很好的去噪目的。

另外，中国专利200510035913.8提出了一种超声图像边缘锐化与斑点抑制方法，该方法依据图像像素点的梯度信息、方差信息、灰度值信息，把图像分为边缘区域及非边缘区域，对边缘点先进行方向性滤波，再做方向性增强，得到增强的边缘，对于非边缘点求出该点为中心像素点的一个邻域内的像素数据均值，以及各向同性增强，再求两者的加权平均值作为所述非边缘点的灰度均值。然而，该方法是根据一定邻域像素点的数学统计特性，简单的将像素点分成边缘区域与非边缘区域，因而这种分法会造成图像信息量的丢失，且计算量大，难以实际应用。

因此，有必要提供一种超声图像的自适应去噪方法来克服上述缺陷。

发明内容

本发明的目的是提供一种能抑制图像的边缘增强与斑点，且算法简单、自适应性强、易于硬件实现、实时性和实用性强的超声图像的自适应去噪方法。

为了实现上述目的，本发明提供了一种超声图像的自适应去噪方法包括如下步骤：(1)获取超声图像；(2)对所述超声图像进行高斯拉普拉斯金字塔分解，得到不同尺度下的高斯层及拉普拉斯层；(3)计算每一个尺度下高斯层的结构张量和扩散张量，并对该尺度下的高斯层作各向异性扩散滤波处理，以增强边缘并去噪；(4)根据所述高斯层的结构张量的特征值，设计一个灰度映射曲线，并根据所述灰度映射曲线对该尺度下的拉普拉斯层作灰度映射，以去除高频噪声；(5)重复步骤(3)-(4)若干次，对每个尺度下的高斯层和拉普拉斯层进行相同的处理；(6)对处理后的高斯层和拉普拉斯层进行逆向重构，得到去噪后的超声图像；(7)输出去噪后的超声图像。

进一步地，步骤(2)具体为：(21)将所述超声图像分解得到不同尺度下的高斯层：

Gaussian₀＝I₀，(1-1)

Gaussian_i＝Reduce(Gaussian_i-1)(i为自然数)，(1-2)

式中，I₀为获取的超声图像，Gaussian₀为第一层高斯层，Gaussian_i为第i层高斯层，Reduce函数的高斯平滑算子为5×5大小的矩阵 $\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right];$

(22)根据分解获得的不同尺度下的高斯层，计算不同尺度下的拉普拉斯层：

Laplace_i＝Gaussian_i-Expand(Gaussian_i+1)(i为自然数)，      (1-3)

式中，Gaussian_i和Gaussian_i+1分别为第i和i+1层高斯层，Laplace_i为第i层拉普拉斯层。

进一步地，步骤(3)具体为：

(31)计算一个尺度下高斯层的结构张量，以获取超声图像的局部结构信息:采用结构张量表征图像的局部结构特征，某个像素点的结构张量为 $\left[\begin{array}{cc}{I_x}^2& I_x{I}_y\\ I_x{I}_y& {I_y}^2\end{array}\right],$ 其中I_x为x方向上的梯度，I_y为y方向上的梯度，结构张量分解为两个正交的向量，利用这两个向量的特征值(μ₁,μ₂)来表征局部结构特征；计算梯度时，首先对超声图像进行平滑处理，基于平滑之后的图像计算每个像素点的x，y方向的梯度，获得结构张量的组成部分，即并分别对这个三个数据组成的阵列再次作平滑处理，得到最终的结构张量 $\left(\begin{array}{cc}{j}_{11}& j_{12}\\ j_{12}& j_{22}\end{array}\right);$

(32)计算结构张量的特征值：

${\mathrm{\μ}}_1=\frac{1}{2}(j_{11}+j_{22}+\sqrt{{(j_{11}-j_{22})}^2+{{4j}_{12}}^2})---(2-1)$

${\mathrm{\μ}}_2=\frac{1}{2}(j_{11}+j_{22}-\sqrt{{(j_{11}-j_{12})}^2+{{4j}_{12}}^2})---(2-2)$

式中，μ₁和μ₂分别为结构张量的特征值；

(33)根据结构张量的特征值计算扩散张量的特征值：

${\mathrm{\λ}}_1=\left\{\begin{array}{c}\∂\·(1-\frac{{({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)}^2}{s^2}),\mathrm{if}{({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)}^2\≤s^2\\ 0,\mathrm{else}\end{array}\right.---(2-3)$

${\mathrm{\λ}}_2=\∂.---(2-4)$

式中，s为设定的阈值；

(34)根据扩散张量的特征值计算扩散张量的分量，从而得到扩散张量 $\left[\begin{array}{cc}{d}_{11}& d_{12}\\ d_{21}& d_{22}\end{array}\right]:$

$d_{11}(i,j)=\frac{1}{2}({\mathrm{\λ}}_1+{\mathrm{\λ}}_2+\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·(j_{11}(i,j)-j_{22}(i,j))}{\mathrm{LC}(i,j)})---(2-5)$

$d_{12}(i,j)=\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·j_{12}(i,j)}{\mathrm{LC}(i,j)}---(2-6)$

d₂₁(i,j)＝d₁₂(i,j)            (2-7)

$d_{22}(i,j)=\frac{1}{2}({\mathrm{\λ}}_1+{\mathrm{\λ}}_2-\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·(j_{11}(i,j)-j_{22}(i,j))}{\mathrm{LC}(i,j)})---(2-8)$

$\mathrm{LC}(i,j)=\sqrt{{(j_{11}(i,j)-j_{22}(i,j))}^2+4\·{\left(j_{12}(i,j)\right)}^2}---(2-9);$

(35)根据扩散张量的各个分量对高斯层作各向异性扩散滤波处理，以增强超声图像的边缘并去除噪声。

进一步地，步骤(4)具体为：

(41)根据高斯层的结构张量，设计灰度映射曲线：

$m(x;\∂,\mathrm{\β},j)={\left[\frac{{(x\·(1-\∂))}^{\mathrm{\β}}}{{(x\·(1-\∂))}^{\mathrm{\β}}+{(\∂\·(1-x))}^{\mathrm{\β}}}\right]}^{1/j}---(3-1)$

$x=\sqrt{{\mathrm{\μ}}_1^2+{\mathrm{\μ}}_2^2}---(3-2)$

式中，为灰度映射值，为等于0.5时x的位置，β为灰度映射曲线的斜率，j为各向异性扩散滤波的迭代次数，μ₁和μ₂分别为结构张量的特征值；

(42)采用上述灰度映射曲线对拉普拉斯层作灰度映射。

进一步地，步骤(6)中的逆向重构计算方法为：

Gaussian_i＝Expand(Gaussian_i+1)+Laplace_i   (4-1)

式中，Gaussian_i和Gaussian_i+1分别为第i和i+1层高斯层，Laplace_i为第i层拉普拉斯层，Expand函数的高斯平滑算子为5×5大小的矩阵 $\frac{1}{64}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right].$

与现有技术相比，本发明的方法首先对输入图像做高斯拉普拉斯金字塔分解，得到不同尺度的高斯层及拉普拉斯层，然后对高斯层采用边缘增强各向异性扩散滤波方法对拉普拉斯层做灰度映射，因而本发明的方法可以增强图像边缘并可抑制斑点噪声，从而显著提高图像质量。另外，本发明的算法简单、自适应性强，易于硬件实现，可实时处理且实用性强。

通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。

附图说明

图1为本发明超声图像的自适应去噪方法的流程示意图。

具体实施方式

现在参考附图描述本发明的实施例，附图中类似的元件标号代表类似的元件。

如图1所示，本实施例的超声图像的自适应去噪方法包括以下步骤：

步骤S1：获取超声图像；

步骤S2：将所述超声图像分解得到不同尺度下的高斯层：

Gaussian₀＝I₀，(1-1)

Gaussian_i＝Reduce(Gaussian_i-1)(i为自然数)，(1-2)

式中，I₀为获取的超声图像，Gaussian₀为第一层高斯层，Gaussian_i为第i层高斯层，Reduce函数的高斯平滑算子为5×5大小的矩阵 $\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right];$

步骤S3：根据分解获得的不同尺度下的高斯层，计算不同尺度下的拉普拉斯层：

Laplace_i＝Gaussian_i-Expand(Gaussian_i+1)(i为自然数)，     (1-3)

式中，Gaussian_i和Gaussian_i+1分别为第i和i+1层高斯层，Laplace_i为第i层拉普拉斯层；

步骤S4：计算每一个尺度下高斯层的结构张量，以获取超声图像的局部结构信息:

采用结构张量表征图像的局部结构特征，某个像素点的结构张量为 $\left[\begin{array}{cc}{I_x}^2& I_x{I}_y\\ I_x{I}_y& {I_y}^2\end{array}\right],$ 其中I_x为x方向上的梯度，I_y为y方向上的梯度，结构张量分解为两个正交的向量，利用这两个向量的特征值(μ₁,μ₂)来表征局部结构特征；计算梯度时，首先对超声图像进行平滑处理，基于平滑之后的图像计算每个像素点的x，y方向的梯度，获得结构张量的组成部分，即并分别对这个三个数据组成的阵列再次作平滑处理，得到最终的结构张量 $\left(\begin{array}{cc}{j}_{11}& j_{12}\\ j_{12}& j_{22}\end{array}\right);$

步骤S5：计算结构张量的特征值：

${\mathrm{\μ}}_1=\frac{1}{2}(j_{11}+j_{22}+\sqrt{{(j_{11}-j_{22})}^2+{{4j}_{12}}^2})---(2-1)$

${\mathrm{\μ}}_2=\frac{1}{2}(j_{11}+j_{22}-\sqrt{{(j_{11}-j_{12})}^2+{{4j}_{12}}^2})---(2-2)$

式中，μ₁和μ₂分别为结构张量的特征值；

步骤S6：根据结构张量的特征值计算扩散张量的特征值：

${\mathrm{\λ}}_1=\left\{\begin{array}{c}\∂\·(1-\frac{{({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)}^2}{s^2}),\mathrm{if}{({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)}^2\≤s^2\\ 0,\mathrm{else}\end{array}\right.---(2-3)$

${\mathrm{\λ}}_2=\∂.---(2-4)$

式中，s为设定的阈值；

步骤S7：根据扩散张量的特征值计算扩散张量的分量，从而得到扩散张量 $\left[\begin{array}{cc}{d}_{11}& d_{12}\\ d_{21}& d_{22}\end{array}\right]:$

$d_{11}(i,j)=\frac{1}{2}({\mathrm{\λ}}_1+{\mathrm{\λ}}_2+\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·(j_{11}(i,j)-j_{22}(i,j))}{\mathrm{LC}(i,j)})---(2-5)$

$d_{12}(i,j)=\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·j_{12}(i,j)}{\mathrm{LC}(i,j)}---(2-6)$

d₂₁(i,j)＝d₁₂(i,j)       (2-7)

$d_{22}(i,j)=\frac{1}{2}({\mathrm{\λ}}_1+{\mathrm{\λ}}_2-\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·(j_{11}(i,j)-j_{22}(i,j))}{\mathrm{LC}(i,j)})---(2-8)$

$\mathrm{LC}(i,j)=\sqrt{{(j_{11}(i,j)-j_{22}(i,j))}^2+4\·{\left(j_{12}(i,j)\right)}^2}---(2-9);$

步骤S8：根据扩散张量的各个分量对高斯层作各向异性扩散滤波处理，以增强超声图像的边缘并去除噪声；

步骤S9：根据高斯层的结构张量，设计灰度映射曲线：

$m(x;\∂,\mathrm{\β},j)={\left[\frac{{(x\·(1-\∂))}^{\mathrm{\β}}}{{(x\·(1-\∂))}^{\mathrm{\β}}+{(\∂\·(1-x))}^{\mathrm{\β}}}\right]}^{1/j}---(3-1)$

$x=\sqrt{{\mathrm{\μ}}_1^2+{\mathrm{\μ}}_2^2}---(3-2)$

式中，为灰度映射值，为等于0.5时x的位置，β为灰度映射曲线的斜率，j为各向异性扩散滤波的迭代次数，μ₁和μ₂分别为结构张量的特征值；

步骤S10：采用上述灰度映射曲线对拉普拉斯层作灰度映射；

步骤S11：重复步骤S3-S10若干次，对每个尺度下的高斯层和拉普拉斯层进行相同的处理；

步骤S12：对处理后的高斯层和拉普拉斯层进行逆向重构，得到去噪后的超声图像：

Gaussian_i＝Expand(Gaussian_i+1)+Laplace_i     (4-1)

式中，Gaussian_i和Gaussian_i+1分别为第i和i+1层高斯层，Laplace_i为第i层拉普拉斯层，Expand函数的高斯平滑算子为5×5大小的矩阵 $\frac{1}{64}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right];$

步骤S13：输出去噪后的超声图像。

在本实施例的方法中，Reduce是分解高斯平滑后的下采样的过程，Expand是重构高斯平滑后上采样的过程。而且，本发明的高斯平滑算子并不限于5×5大小的高斯平滑算子。

以上结合最佳实施例对本发明进行了描述，但本发明不局限于以上揭示的实施例，而应当涵盖各种根据本发明的本质进行的修改、等效组合。

Claims (5)

1.一种超声图像的自适应去噪方法，其特征在于，包括以下步骤：

(1)获取超声图像；

(2)对所述超声图像进行高斯拉普拉斯金字塔分解，得到不同尺度下的高斯层及拉普拉斯层；

(3)计算每一个尺度下高斯层的结构张量和扩散张量，并对该尺度下的高斯层作各向异性扩散滤波处理，以增强边缘并去噪；

(4)根据所述高斯层的结构张量的特征值，设计一个灰度映射曲线，并根据所述灰度映射曲线对该尺度下的拉普拉斯层作灰度映射，以去除高频噪声；

(5)重复步骤(3)-(4)若干次，对每个尺度下的高斯层和拉普拉斯层进行相同的处理；

(6)对处理后的高斯层和拉普拉斯层进行逆向重构，得到去噪后的超声图像；

(7)输出去噪后的超声图像。

2.如权利要求1所述的超声图像的自适应去噪方法，其特征在于，步骤(2)具体为：

(21)将所述超声图像分解得到不同尺度下的高斯层：

Gaussian₀＝I₀，  (1-1)

Gaussian_i＝Reduce(Gaussian_i-1)(i为自然数)，  (1-2)

式中，I₀为获取的超声图像，Gaussian₀为第一层高斯层，Gaussian_i为第i层高斯层，Reduce函数的高斯平滑算子为5×5大小的矩阵 $\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right];$

(22)根据分解获得的不同尺度下的高斯层，计算不同尺度下的拉普拉斯层：

Laplace_i＝Gaussian_i-Expand(Gaussian_i+1)(i为自然数)，  (1-3)

式中，Gaussian_i和Gaussian_i+1分别为第i和i+1层高斯层，Laplace_i为第i层拉普拉斯层。

3.如权利要求1或2所述的超声图像的自适应去噪方法，其特征在于，步骤(3)具体为：

(31)计算每一个尺度下高斯层的结构张量，以获取超声图像的局部结构信息:采用结构张量表征图像的局部结构特征，某个像素点的结构张量为 $\left[\begin{array}{cc}{I_x}^2& I_x{I}_y\\ I_x{I}_y& {I_y}^2\end{array}\right],$ 其中I_x为x方向上的梯度，I_y为y方向上的梯度，结构张量分解为两个正交的向量，利用这两个向量的特征值(μ₁,μ₂)来表征局部结构特征；计算梯度时，首先对超声图像进行平滑处理，基于平滑之后的图像计算每个像素点的x，y方向的梯度，获得结构张量的组成部分，即并分别对这个三个数据组成的阵列再次作平滑处理，得到最终的结构张量 $\left(\begin{array}{cc}{j}_{11}& j_{12}\\ j_{12}& j_{22}\end{array}\right)$

(32)计算结构张量的特征值：

${\mathrm{\μ}}_1=\frac{1}{2}(j_{11}+j_{22}+\sqrt{{(j_{11}-j_{22})}^2+4{j_{12}}^2})---(2-1)$

${\mathrm{\μ}}_2=\frac{1}{2}(j_{11}+j_{22}-\sqrt{{(j_{11}-j_{22})}^2+4{j_{12}}^2})---(2-2)$

式中，μ₁和μ₂分别为结构张量的特征值；

(33)根据结构张量的特征值计算扩散张量的特征值：

${\mathrm{\λ}}_1=\left\{\begin{array}{c}\∂\·(1-\frac{{({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)}^2}{s^2}),\mathrm{if}{({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)}^2\≤s^2\\ 0,\mathrm{else}\end{array}\right.---(2-3)$

${\mathrm{\λ}}_2=\∂.---(2-4)$

式中，s为设定的阈值；

(34)根据扩散张量的特征值计算扩散张量的分量，从而得到扩散张量 $\left[\begin{array}{cc}{d}_{11}& d_{12}\\ d_{21}& d_{22}\end{array}\right]:$

$d_{11}(i,j)=\frac{1}{2}({\mathrm{\λ}}_1+{\mathrm{\λ}}_2+\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·(j_{11}(i,j)-j_{22}(i,j))}{\mathrm{LC}(i,j)})---(2-5)$

$d_{12}(i,j)=\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·j_{12}(i,j)}{\mathrm{LC}(i,j)}---(2-6)$

d₂₁(i,j)＝d₁₂(i,j)    (2-7)

$d_{22}(i,j)=\frac{1}{2}({\mathrm{\λ}}_1+{\mathrm{\λ}}_2-\frac{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·(j_{11}(i,j)-j_{22}(i,j))}{\mathrm{LC}(i,j)})---(2-8)$

$\mathrm{LC}(i,j)=\sqrt{{(j_{11}(i,j)-j_{22}(i,j))}^2+4\·{\left(j_{12}(i,j)\right)}^2}---(2-9)$

(35)根据扩散张量的各个分量对高斯层作各向异性扩散滤波处理，以增强超声图像的边缘并去除噪声。

4.如权利要求3所述的超声图像的自适应去噪方法，其特征在于，步骤(4)具体为：

(41)根据高斯层的结构张量的特征值，设计灰度映射曲线：

$m(x;\∂,\mathrm{\β},j)={\left[\frac{{(x\·(1-\∂))}^{\mathrm{\β}}}{{(x\·(1-\∂))}^{\mathrm{\β}}+{(\∂\·(1-x))}^{\mathrm{\β}}}\right]}^{1/j}---(3-1)$

$x=\sqrt{{\mathrm{\μ}}_1^2+{\mathrm{\μ}}_2^2}---(3-2)$

式中，为灰度映射值，为等于0.5时x的位置，β为灰度映射曲线的斜率，j为各向异性扩散滤波的迭代次数，μ₁和μ₂分别为结构张量的特征值；

(42)采用上述灰度映射曲线对拉普拉斯层作灰度映射。

5.如权利要求4所述的超声图像的自适应去噪方法，其特征在于，步骤(6)中的逆向重构计算方法为：

Gaussian_i＝Expand(Gaussian_i+1)+Laplace_i  (4-1)

式中，Gaussian_i和Gaussian_i+1分别为第i和i+1层高斯层，Laplace_i为第i层拉普拉斯层，Expand函数的高斯平滑算子为5×5大小的矩阵 $\frac{1}{64}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right].$