CN105723416B - 图像降噪方法 - Google Patents
图像降噪方法 Download PDFInfo
- Publication number
- CN105723416B CN105723416B CN201480062992.9A CN201480062992A CN105723416B CN 105723416 B CN105723416 B CN 105723416B CN 201480062992 A CN201480062992 A CN 201480062992A CN 105723416 B CN105723416 B CN 105723416B
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- conversion
- noise reduction
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 50
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
图像的多尺度细节表示被计算为转化差异图像的加权和。将降噪算子应用于转化差异图像，由此转化差异被修改为估计的局部信号对噪声比的函数，并且以特定尺度的至少一个降噪后的中央差异图像通过合并以尺度s或更精细的尺度的降噪后的转化差异图像来计算。降噪后的图像通过将重构算法应用于降噪后的中央差异图像来计算。
Description
技术领域
本发明涉及用于从由数字信号表示所表示的图像（更具体地，医疗图像）移除噪声的方法。
背景技术
通常，由数字信号所表示的诸如医疗射线照相图像之类的图像在显示或者硬拷贝记录期间或之前经受图像处理。
图像增强过程中的步骤之一是图像恢复。
数字图像可能由于噪声而降级。
由于在射线照相成像中关于剂量限制的强烈关注，越来越多的射线照相图像以较低的剂量取得，从而导致较高的噪声内容。
因此，图像降噪是射线照相图像的视觉化增强的过程中的主要关心。
多年以来，已经公布了多种图像降噪技术。它们在空间域和频率域二者中制定。
不管已经做出的巨大进步如何，研究机构继续针对更高效的降噪方法的搜索。
现有技术降噪算法通常做出关于噪声模型的假设并且因此不是一般适用的。
挑战在于在不创建假象或者移除精细图像结构的情况下抑制噪声。
有希望的图像降噪技术的大类别是基于多尺度的方法，比如多尺度自适应阈值化、贝叶斯小波阈值去噪等。
欧洲专利EP 1933272描述了一种用于基于转化（translation）差异图像的多尺度对比增强的新技术。
在常规的多尺度图像处理方法中，由像素值的阵列所表示的图像通过应用以下步骤而被处理。首先，原始图像被分解成以多个尺度的细节图像的序列以及（偶尔地）残留图像。接下来，细节图像的像素值通过向这些像素值应用至少一个转换而被修改。最后，处理后的图像通过向残留图像和修改后的细节图像应用重构算法来计算。
在上述的专利EP 1933272中描述的新技术提供了一种方法，其中可逆多尺度细节表示被计算为转化差异图像的加权和。
转化差异图像的转化偏移和加权因子以这样的方式从多尺度分解扣除：使得转化差异图像的结果所得的加权和与细节图像中的像素值相同或者是细节图像中的像素值的近似。
本发明的一方面是，进一步精心设计上述的技术，以便在保留精细图像结构的情况下实现高效的图像降噪。
发明内容
上述的方面通过如在权利要求1中阐述的降噪方法来实现。
用于本发明的优选实施例的特定特征在从属权利要求中阐述。
本发明的进一步的优点和实施例将根据以下描述和附图变得显而易见。
本发明适用于所有的多尺度细节表示方法，原始图像可以根据所述方法通过应用逆变换来计算。
本发明适用于所有的多尺度分解方法，其中细节像素值等价于对应的像素值转化差异图像之和或者可以被计算为中央（center）差异图像的像素。
本发明通常被实现为计算机程序产品，其适于当运行在计算机上并存储在计算机可读介质上时执行权利要求中的任一项的方法。
在本发明的上下文中，特定术语被定义如下：
多尺度分解机制：
图像的多尺度（或者多分辨率）分解是以灰度值图像的多个尺度计算所述图像的细节图像的过程。多尺度分解机制通常涉及用于计算细节图像的滤波器组。公知的技术是：拉普拉斯金字塔、Burt金字塔、拉布拉斯堆叠、小波分解、QMF滤波器组。
近似图像：
近似图像是以相同或更大的尺度或者以相同或更低的分辨率表示原始灰度值图像的灰度值图像。以特定尺度的近似图像等价于在其中省略了以该尺度的所有细节的原始灰度值图像，（Mallat S.G.,”A Theory for Multiresolution Signal Decomposition:The Wavelet Representation”, IEEE Trans. On Pattern Analysis and MachineIntelligence, vol. 11, no. 7, July 1989）。
细节图像：
细节图像被定义为以某一尺度的近似图像和以更小的尺度的近似图像之间的信息的差异。
转化差异图像：
以尺度s的转化差异图像是以尺度s的近似图像的每一个像素中的基本对比的量度。它们可以通过取得以该尺度s的近似图像和转化后版本的差异来计算。用于基本对比的其他计算是可能的，例如像素与相邻像素之比可以被用于如下情况：指数变换在处理步骤之前，并且处理步骤之后跟着对数变换。
中央差异图像：
中央差异图像通过将合并算子（operator）（例如，求和）应用于转化差异图像来计算。合并算子可以是转化差异图像中的对应的像素值的线性或非线性函数。
附图说明
图1图示以尺度k的中央差异图像如何从以尺度k-m的近似图像计算，
图2图示用于利用从以相同或更精细的尺度的近似图像导出的转化差异的噪声校正的本发明的方法，
图3示出像素周围的局部（local）邻居。感兴趣的转化差异由具有黑体边界的像素对指示，并且在噪声校正算子中涉及的转化差异T的对应选择由虚边界指示，
图4是图例。
具体实施方式
基于被合并成中央差异的转化差异图像的多尺度图像处理创建了减少存在于数字图像中的噪声的可能性。
其适用于可以被计算为转化差异图像的加权和的可逆多尺度细节表示。
转化差异图像的加权因子和转化偏移可以以这样的方式从多尺度分解扣除：使得转化差异图像的结果所得的加权和与细节像素值相同或者是细节像素值的近似。
为了计算转化差异图像的加权和，可以使用以相同尺度（或分辨率水平）的近似图像或者以更小的尺度（或更精细的分辨率水平）的近似图像。
针对这些多尺度细节表示，可以通过在计算加权和之前将噪声校正算子应用于转化差异图像来减少噪声。
细节图像d k 中的位置i,j处的像素值可以从以相同或更精细的尺度的近似图像g l 计算：
项被称为转化差异。其表达近似图像中的中央像素和相邻像素之间的像素值的差异。其是局部信号变化的量度。
转化差异的加权和被称为中央差异c k (i,j)。
在第一实施例中，针对细节图像中的每一个像素位置i,j，权重w m,n 被计算成使得转化差异的加权和确切地匹配于细节图像中的像素值。
在第二实施例中，未实行用于权重w m,n 的严格准则。
在该实施例中被计算为转化差异的选择的加权和的中央差异c’ k (i,j)是细节图像中的对应像素值d k (i,j)的近似。通过使用转化差异的减少的选择，在多尺度降噪的速度和质量之间生成权衡。
在降噪之后，每一个中央差异c” k (i,j)优选地通过应用乘法校正因子d k (i,j) / c’ k (i,j)来校正。
在转化差异中反映的局部像素差异可以是由于噪声和信号变化二者而造成的。
为了减少噪声，转化差异单独地与局部邻居中的其他转化差异相比较。在被用于计算中央差异c k (i,j)的转化差异的选择的程度上定义局部邻居。
根据本发明的方法的实施例，将转化差异与局部邻居中的转化差异的选择T的加权平均ave T 相比较。
具有比局部邻居中的转化差异的选择T的平均ave T 的量值大的量值的转化差异指示强的信号变化并且需要被保留。
具有比平均ave T 的量值小的量值的转化差异指示小的噪声信号变化并且可以被减少。
通过选择适当的校正算子，可以实现噪声减少同时保留图像中的精细的细节结构。
因为转化差异被定义为近似图像中的中央像素和相邻像素之间的差异，所以这2个像素定义定向P。
在本发明的一个实施例中，转化差异的选择T被定义为具有近似垂直于定向P的定向Q的转化差异。用于计算转化差异的选择T的加权平均ave T 的权重被定义为相邻像素和中央像素之间的按对距离的函数和（或）2个方向Q和P之间的按对差异的函数。
在优选实施例中，ave T 被计算为：
其中，A和B为标准化常量。
噪声减少然后可以通过每转化差异应用乘法校正因子来实现。校正因子被定义为转化差异的量值和转化差异的选择T的平均ave T 的量值之比的函数。
在优选实施例中，该函数为：
其中，在[0.0 , 1.0]之间修剪（clip）乘法校正因子。
因子b k 规定每尺度的噪声减少的量。
降噪后的中央差异被计算为噪声减少的转化差异图像之和：
最终，图像的降噪后版本通过将多尺度重构应用于降噪后的中央差异图像即添加插值降噪中央差异图像来计算，以获得全分辨率图像。
已经详细地描述了本发明的优选实施例，现在对于本领域技术人员将显而易见的是，可以在其中做出许多修改而不脱离如所附权利要求中定义的本发明的范围。
Claims (8)
1.一种对由数字信号表示所表示的图像进行降噪的方法，其中
- 以至少一个尺度的至少一个近似图像通过将多尺度分解算法应用于所述图像来创建，以某一尺度的近似图像表示在其中省略了以该尺度的所有细节的所述图像的像素的灰度值，
- 转化差异图像通过按像素减去以尺度s的近似图像的值和所述近似图像的转化后版本的值来创建，其特征在于，
- 将降噪算子应用于所述转化差异图像的转化差异值，由此所述转化差异值被修改为估计的局部信号对噪声比的函数，从而产生降噪后的转化差异图像，
- 以特定尺度的至少一个降噪后的中央差异图像通过合并以尺度s或更精细的尺度的降噪后的转化差异图像来计算，
- 降噪后的图像通过将反转所述分解算法的重构算法应用于降噪后的中央差异图像来计算，所述局部信号对噪声比通过将转化差异与所述转化差异的局部邻域中的转化差异的选择相比较来估计。
2.根据权利要求1所述的方法，其中所述转化差异的选择被定义为具有与感兴趣的转化差异的定向近似垂直的定向的那些转化差异。
3.根据权利要求1所述的方法，其中将转化差异与局部邻域中的所述转化差异的选择的加权平均相比较。
4.根据权利要求3所述的方法，其中加权平均的权重是相邻像素和中央像素之间的按对距离和/或相邻转化差异和感兴趣的转化差异的定向之间的按对差异的函数。
5.根据权利要求1所述的方法，其中所述降噪算子将乘法校正因子应用于转化差异。
6.根据权利要求5所述的方法，其中所述乘法校正因子是转化差异的量值和局部邻域中的转化差异的选择的加权平均的量值之比的函数。
7.根据权利要求1所述的方法，其中所述图像是射线照相图像。
8.一种包括计算机可执行代码的计算机可读介质，所述代码适于当在计算机上执行时执行权利要求1-7中的任一项的方法的步骤。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP13193290 | 2013-11-18 | ||
| EP13193290.7 | 2013-11-18 | ||
| PCT/EP2014/074316 WO2015071282A1 (en) | 2013-11-18 | 2014-11-12 | Image de-noising method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105723416A CN105723416A (zh) | 2016-06-29 |
| CN105723416B true CN105723416B (zh) | 2019-01-08 |
Family
ID=49585317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201480062992.9A Expired - Fee Related CN105723416B (zh) | 2013-11-18 | 2014-11-12 | 图像降噪方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US9721329B2 (zh) |
| EP (1) | EP3072104B1 (zh) |
| CN (1) | CN105723416B (zh) |
| WO (1) | WO2015071282A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170150014A1 (en) * | 2015-11-24 | 2017-05-25 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for video denoising and detail enhancement |
| CN109410127B (zh) * | 2018-09-17 | 2020-09-01 | 西安电子科技大学 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
| CN110269584A (zh) * | 2019-06-27 | 2019-09-24 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 一种耳鼻喉辅助治疗检查仪 |
| EP3806027B8 (en) * | 2019-10-10 | 2023-11-01 | Agfa Nv | Method and apparatus for noise reduction |
| CN110969588A (zh) * | 2019-12-02 | 2020-04-07 | 杨勇 | 一种基于非线性导向滤波的图像增强方法及系统 |
| US11741577B2 (en) | 2020-12-11 | 2023-08-29 | Samsung Electronics Co., Ltd | Method and apparatus for multi-frame based detail grade map estimation and adaptive multi-frame denoising |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2026278A1 (en) * | 2007-08-06 | 2009-02-18 | Agfa HealthCare NV | Method of enhancing the contrast of an image. |
| EP1933272B1 (en) * | 2006-12-11 | 2009-06-10 | Agfa HealthCare NV | Method of generating a contrast enhanced image using multiscale analysis |
| CN101821775A (zh) * | 2007-07-20 | 2010-09-01 | 爱克发医疗保健公司 | 用于生成多尺度的对比度增强的图像的方法 |
| CN101889295A (zh) * | 2007-10-08 | 2010-11-17 | 爱克发医疗保健公司 | 生成多尺度对比度增强的图像的方法 |
| CN102428478A (zh) * | 2009-04-17 | 2012-04-25 | 里弗兰医疗集团公司 | 多尺度图像归一化和增强 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1933273B1 (en) * | 2006-12-11 | 2009-12-16 | Agfa HealthCare NV | Generating a contrast enhanced image using multiscale analysis |
| US8345130B2 (en) * | 2010-01-29 | 2013-01-01 | Eastman Kodak Company | Denoising CFA images using weighted pixel differences |
-
2014
- 2014-11-12 WO PCT/EP2014/074316 patent/WO2015071282A1/en active Application Filing
- 2014-11-12 US US15/030,421 patent/US9721329B2/en active Active
- 2014-11-12 EP EP14798797.8A patent/EP3072104B1/en active Active
- 2014-11-12 CN CN201480062992.9A patent/CN105723416B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1933272B1 (en) * | 2006-12-11 | 2009-06-10 | Agfa HealthCare NV | Method of generating a contrast enhanced image using multiscale analysis |
| CN101821775A (zh) * | 2007-07-20 | 2010-09-01 | 爱克发医疗保健公司 | 用于生成多尺度的对比度增强的图像的方法 |
| EP2026278A1 (en) * | 2007-08-06 | 2009-02-18 | Agfa HealthCare NV | Method of enhancing the contrast of an image. |
| CN101889295A (zh) * | 2007-10-08 | 2010-11-17 | 爱克发医疗保健公司 | 生成多尺度对比度增强的图像的方法 |
| CN102428478A (zh) * | 2009-04-17 | 2012-04-25 | 里弗兰医疗集团公司 | 多尺度图像归一化和增强 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3072104B1 (en) | 2018-12-19 |
| WO2015071282A1 (en) | 2015-05-21 |
| EP3072104A1 (en) | 2016-09-28 |
| US9721329B2 (en) | 2017-08-01 |
| CN105723416A (zh) | 2016-06-29 |
| US20160275655A1 (en) | 2016-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105723416B (zh) | 图像降噪方法 | |
| Choi et al. | Despeckling images using a preprocessing filter and discrete wavelet transform-based noise reduction techniques | |
| Li et al. | Fast guided global interpolation for depth and motion | |
| Sutour et al. | Adaptive regularization of the NL-means: Application to image and video denoising | |
| CN109840927B (zh) | 一种基于各向异性全变分的有限角度ct重建算法 | |
| US9589328B2 (en) | Globally dominant point spread function estimation | |
| Zhang et al. | A fast adaptive reweighted residual-feedback iterative algorithm for fractional-order total variation regularized multiplicative noise removal of partly-textured images | |
| CN102147915B (zh) | 一种权重的稀疏边缘正则化图像复原方法 | |
| KR20130038794A (ko) | 디지털 엑스레이 프레임들 시리즈에서의 잡음 감소의 방법 | |
| Ertas et al. | An iterative tomosynthesis reconstruction using total variation combined with non-local means filtering | |
| CN113793272B (zh) | 图像降噪方法及装置、存储介质、终端 | |
| Yang et al. | A novel gradient attenuation Richardson–Lucy algorithm for image motion deblurring | |
| Shahdoosti et al. | Combined ripplet and total variation image denoising methods using twin support vector machines | |
| Maier et al. | GPU denoising for computed tomography | |
| US10229479B2 (en) | Image signal processing apparatus, image signal processing method and image signal processing program | |
| Mei et al. | Primal-dual splitting method for high-order model with application to image restoration | |
| Wang et al. | Convex regularized inverse filtering methods for blind image deconvolution | |
| Juneja et al. | Denoising techniques for cephalometric x-ray images: A comprehensive review | |
| Das et al. | Design of RAMF for Impulsive Noise Cancelation from Chest X-Ray Image | |
| Li et al. | A nonconvex hybrid regularization model for restoring blurred images with mixed noises | |
| Canh et al. | Compressive sensing reconstruction via decomposition | |
| Mohamadi et al. | A new hybrid denoising model based on PDEs | |
| Huo et al. | Removing ring artifacts in CBCT images via smoothing | |
| Jiang et al. | Sparse nonlocal priors based two-phase approach for mixed noise removal | |
| Ullah et al. | A Novel Hybrid Framework to Enhance Dual‐Energy X‐Ray Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190430 Address after: Belgian Mo Patentee after: Agfa Co.,Ltd. Address before: Belgian Mo Patentee before: AGFA HEALTHCARE |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190108 |