CN106204487A - 一种基于稀疏约束的超声图像去噪方法 - Google Patents
一种基于稀疏约束的超声图像去噪方法 Download PDFInfo
- Publication number
- CN106204487A CN106204487A CN201610541962.7A CN201610541962A CN106204487A CN 106204487 A CN106204487 A CN 106204487A CN 201610541962 A CN201610541962 A CN 201610541962A CN 106204487 A CN106204487 A CN 106204487A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- model
- sparse constraint
- sparse
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000002604 ultrasonography Methods 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 6
- 210000000056 organ Anatomy 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 230000007423 decrease Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Abstract
本发明属于医学成像技术领域,涉及一种在超声图像中去除斑点噪声的方法,特别涉及一种基于稀疏约束的超声图像去噪方法;其主要步骤包括图像采集、图像导出、建立能量模型和去噪处理;本发明利用稀疏约束项进行超声图像分解进而用于超声图像去噪,对于利用稀疏约束项建立的能量方程为了避免在求解时所产生的复杂运算,通过引入辅助变量进行求解,不但提高了效率,而且减少了计算的复杂度;其实际应用价值高,超声图像清晰度好,抗干扰作用强,去噪原理简单,操作简便,应用环境友好。
Description
技术领域:
本发明属于医学成像技术领域,涉及一种在超声图像中去除斑点噪声的方法,特别涉及一种基于稀疏约束的超声图像去噪方法。
背景技术:
目前,在医学影像诊断技术领域中,超声诊断具有无痛、无损、方便、价廉、实时等优点,依据超声影像进行诊断成为医学临床的重要手段之一。但是,由于超声成像的固有特点,其噪声污染严重、对比度差、影像中表征组织特性不明显,斑点噪声成为影响超声诊断质量的不利因素。由于斑点噪声的存在,使得很多诊断专家无法从图像中获得进一步有用的信息。因此,如何抑制这种斑点噪声,并保留与增强图像边缘和细节特征,对于准确地进行边缘检测、分割与定位、图像识别,以及诊断器官是否病变等都具有十分重要的意义。针对超声图像斑点噪声抑制的问题,现有技术中常用的斑点去噪方法有:维纳滤波、中值滤波、自适应加权中值滤波、小波软阈值收缩法、各向异性扩散去噪等。这些方法对于超声图像中斑块较大的噪声去除能力较差。因此,寻求提出了一种基于稀疏约束项的分解方法用于超声图像去噪很有应用前景,对于利用稀疏约束项建立的能量方程为了避免在求解时所产生的复杂运算,通过引入辅助变量进行求解,不但提高了效率,而且减少计算的复杂度;实基于稀疏约束的超声去噪方法具有非常好的实际应用价值,对于提高超声图像的清晰度,减少干扰起到了非常重要的作用。
发明内容:
本发明的目的在于克服现有技术存在的缺点,寻求设计一种基于稀疏约束的超声图像去噪方法,该方法利用图像分解技术对超声影像进行分解,分解出的纹理成分即为图像的噪声成分,结构成分即为图像保留的去噪后的信息。
为了实现上述目的,本发明涉及的基于稀疏约束的超声图像去噪方法主要步骤为:
(1)、图像采集:先按照医学原理和要求,对病源器官进行超声图像拍摄,取得符合要求的图像,完成图像采集;
(2)、图像导出:将步骤(1)采集的待去噪的超声图像从超声机器中导出为DICOM(Digital Imaging and Communications in Medicine医学数字成像和通信)格式的序列图像保存至计算机中;将DICOM序列图像数据按照BMP位图图像格式写入到BMP图像文件中,建立导出图像文件;
(3)、建立能量模型:对导出图像文件利用图像分解技术在MATLAB软件中建立基于稀疏约束的变分分解能量模型;
(4)、去噪处理:在装有MATLAB软件的计算机系统中对步骤(3)建立的基于稀疏约束的变分分解能量模型进行去噪处理,将处理后的结果通过图像形式输出,即为去噪后的超声图像。
本发明涉及的建立能量模型的具体工艺为:将步骤(2)得到BMP原始图像输入为f,期望得到的去噪后的图像为u,利用图像分解技术在MATLAB软件中建立基于稀疏约束的变分分解能量模型为:
其中,Δ-1为拉普拉斯操作的反向操作,dxdy为图像积分符号,Ω为超声图像区域,λ为权重系数,控制图像分解的程度,为梯度操作,Wu为基于小波变换域的梯度稀疏算子,W为多尺度小波梯度算子;
本发明涉及的在装有MATLAB软件的计算机系统中对基于稀疏约束的变分分解模型进行去噪处理的步骤为:
A、引入辅助变量d=(d1,d2)T,使得d≈Wu,引入Bregman(一阶导数逼近)距离变量b=(b1,b2)T;基于稀疏约束的变分分解能量模型相应的变为:
其中初始化u0=f,设定最大迭代步数;
B、在MATLAB中利用变量交替迭代优化求解分别计算步骤A中的变量u和d;固定d求u,基于稀疏约束的变分分解能量模型相应的变为:
在MATLAB中通过欧拉方程计算该模型,得到:
由于WTW=I,所以
其中,上标k+1表示第k+1次迭代,上标k表示第k次迭代,k为正整数;再固定u求d,基于稀疏约束的变分分解能量模型相应的变为:
在MATLAB中通过欧拉方程计算该模型,得到模型:
在MATLAB中通过广义小波收缩算子处理该模型,得到模型:
在MATLAB中对该模型中u进行迭代处理,当相邻两次迭代的差小于设定的阈值时,即|uk+1-uk|≤ε,得到的u即为去噪后的超声图像。
本发明与现有技术相比,利用稀疏约束项进行超声图像分解进而用于超声图像去噪,对于利用稀疏约束项建立的能量方程为了避免在求解时所产生的复杂运算,通过引入辅助变量进行求解,不但提高了效率,而且减少了计算的复杂度;其实际应用价值高,超声图像清晰度好,抗干扰作用强,去噪原理简单,操作简便,应用环境友好。
附图说明:
图1为利用本发明在超声图像1得到的结果与VO分解模型的比较;a原始超声图像,b基于VO分解的去噪后的图像,c基于VO分解得到的噪声成分,d基于本发明得到的去噪结果,e基于本发明得到的噪声成分。
图2为利用本发明在超声图像2得到的结果与VO分解模型的比较;a原始超声图像,b基于VO分解的去噪后的图像,c基于VO分解得到的噪声成分,d基于本发明得到的去噪结果,e基于本发明得到的噪声成分。
图3为利用本发明在超声图像3得到的结果与VO分解模型的比较;a原始超声图像,b基于VO分解的去噪后的图像,c基于VO分解得到的噪声成分,d基于本发明得到的去噪结果,e基于本发明得到的噪声成分。
图4为利用本发明在超声图像4得到的结果与VO分解模型的比较;a原始超声图像,b基于VO分解的去噪后的图像,c基于VO分解得到的噪声成分,d基于本发明得到的去噪结果,e基于本发明得到的噪声成分。
图5为本发明的去噪处理工艺流程框图。
具体实施方式:
下面通过实施例并结合附图对本发明做进一步说明。
实施例1:
本实施例涉及的基于稀疏约束的超声图像去噪方法,工艺具体步骤如下:
(1)、图像采集:先按照医学原理和要求,对病源器官进行超声图像拍摄,取得符合要求的图像,完成图像采集;
(2)、图像导出:将步骤(1)采集的待去噪的超声图像从超声机器中导出为DICOM格式的序列图像保存至计算机中;将DICOM序列图像数据按照BMP位图图像格式写入到BMP图像文件中,建立导出图像文件;
(3)、建立能量模型:对导出图像文件利用图像分解技术在MATLAB软件中建立基于稀疏约束的变分分解能量模型;
(4)、去噪处理:在装有MATLAB软件的计算机系统中对步骤(3)建立的基于稀疏约束的变分分解能量模型进行去噪处理,将处理后的结果通过图像形式输出,即为去噪后的超声图像。
本实施例涉及的建立能量模型的具体工艺为:将步骤(2)得到BMP原始图像输入为f,期望得到的去噪后的图像为u,利用图像分解技术在MATLAB软件中建立基于稀疏约束的变分分解能量模型为:
其中,Δ-1为拉普拉斯操作的反向操作,Ω为超声图像区域,dxdy为图像积分符号,λ为权重系数,控制图像分解的程度,为梯度操作,Wu为基于小波变换域的梯度稀疏算子,W为多尺度小波梯度算子;
本实施例涉及的在装有MATLAB软件的计算机系统中对基于稀疏约束的变分分解模型进行去噪处理的步骤为:
A、引入辅助变量d=(d1,d2)T,使得d≈Wu,引入Bregman(一阶导数逼近)距离变量b=(b1,b2)T;基于稀疏约束的变分分解能量模型相应的变为:
其中初始化u0=f,设定最大迭代步数;
B、在MATLAB中利用变量交替迭代优化求解分别计算步骤A中的变量u和d;固定d求u,基于稀疏约束的变分分解能量模型相应的变为:
在MATLAB中通过欧拉方程计算该模型,得到:
由于WTW=I,所以
其中,上标k+1表示第k+1次迭代,上标k表示第k次迭代,k为正整数;再固定u求d,基于稀疏约束的变分分解能量模型相应的变为:
在MATLAB中通过欧拉方程计算该模型,得到模型:
在MATLAB中通过广义小波收缩算子处理该模型,得到模型:
在MATLAB中对该模型中u进行迭代处理,当相邻两次迭代的差小于设定的阈值时,即|uk+1-uk|≤ε,得到的u即为去噪后的超声图像。
Claims (3)
1.一种基于稀疏约束的超声图像去噪方法,其特征在于主要以下步骤:
(1)、图像采集:先按照医学原理和要求,对病源器官进行超声图像拍摄,取得符合要求的图像,完成图像采集;
(2)、图像导出:将步骤(1)采集的待去噪的超声图像从超声机器中导出为DICOM格式的序列图像保存至计算机中;将DICOM序列图像数据按照BMP位图图像格式写入到BMP图像文件中,建立导出图像文件;
(3)、建立能量模型:对导出图像文件利用图像分解技术在MATLAB软件中建立基于稀疏约束的变分分解能量模型;
(4)、去噪处理:在装有MATLAB软件的计算机系统中对步骤(3)建立的基于稀疏约束的变分分解能量模型进行去噪处理,将处理后的结果通过图像形式输出,即为去噪后的超声图像。
2.根据权利要求1所述的基于稀疏约束的超声图像去噪方法,其特征在于所述的建立能量模型的具体工艺为:将步骤(2)得到BMP原始图像输入为f,期望得到的去噪后的图像为u,利用图像分解技术在MATLAB软件中建立基于稀疏约束的变分分解能量模型为:
其中,Δ-1为拉普拉斯操作的反向操作,Ω为超声图像区域,dxdy为图像积分符号,λ为权重系数,控制图像分解的程度,为梯度操作,Wu为基于小波变换域的梯度稀疏算子,W为多尺度小波梯度算子。
3.根据权利要求1所述的基于稀疏约束的超声图像去噪方法,其特征在于所述的在装有MATLAB软件的计算机系统中对基于稀疏约束的变分分解模型进行去噪处理的步骤为:
A、引入辅助变量d=(d1,d2)T,使得d≈Wu,引入Bregman距离变量b=(b1,b2)T;基于稀疏约束的变分分解能量模型相应的变为:
其中初始化u0=f,设定最大迭代步数;
B、在MATLAB中利用变量交替迭代优化求解分别计算步骤A中的变量u和d;固定d求u,基于稀疏约束的变分分解能量模型相应的变为:
在MATLAB中通过欧拉方程计算该模型,得到:
由于WTW=I,所以
其中,上标k+1表示第k+1次迭代,上标k表示第k次迭代,k为正整数;再固定u求d,基于稀疏约束的变分分解能量模型相应的变为:
在MATLAB中通过欧拉方程计算该模型,得到模型:
在MATLAB中通过广义小波收缩算子处理该模型,得到模型:
在MATLAB中对该模型中u进行迭代处理,当相邻两次迭代的差小于设定的阈值时,即|uk +1-uk|≤ε,得到的u即为去噪后的超声图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610541962.7A CN106204487B (zh) | 2016-07-26 | 2016-07-26 | 一种基于稀疏约束的超声图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610541962.7A CN106204487B (zh) | 2016-07-26 | 2016-07-26 | 一种基于稀疏约束的超声图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204487A true CN106204487A (zh) | 2016-12-07 |
CN106204487B CN106204487B (zh) | 2019-06-14 |
Family
ID=57476216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610541962.7A Active CN106204487B (zh) | 2016-07-26 | 2016-07-26 | 一种基于稀疏约束的超声图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204487B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705265A (zh) * | 2017-10-11 | 2018-02-16 | 青岛大学 | 一种基于总曲率的sar图像变分去噪方法 |
CN108668131A (zh) * | 2018-05-16 | 2018-10-16 | 西安理工大学 | 一种基于稀疏表示的图像压缩编码方法 |
CN109427044A (zh) * | 2017-08-25 | 2019-03-05 | 瑞昱半导体股份有限公司 | 电子装置 |
CN111563907A (zh) * | 2020-05-09 | 2020-08-21 | 青岛大学 | 一种不受噪声影响的遥感图像分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102727259A (zh) * | 2012-07-26 | 2012-10-17 | 中国科学院自动化研究所 | 基于有限角度扫描的光声断层成像装置及方法 |
CN103279966A (zh) * | 2013-06-02 | 2013-09-04 | 复旦大学 | 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 |
-
2016
- 2016-07-26 CN CN201610541962.7A patent/CN106204487B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102727259A (zh) * | 2012-07-26 | 2012-10-17 | 中国科学院自动化研究所 | 基于有限角度扫描的光声断层成像装置及方法 |
CN103279966A (zh) * | 2013-06-02 | 2013-09-04 | 复旦大学 | 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 |
Non-Patent Citations (3)
Title |
---|
GUODONG WANG 等: "Ultrasound image denoising using backward diffusion and framelet regularization", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
STANLEY OSHER 等: "An Iterative Regularization Method for Total Variation-Based Image Restoration", 《SIAM JOURNAL ON MULTISCALE MODELING & SIMULATION 》 * |
张茜: "CT图像中肝脏分割方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427044A (zh) * | 2017-08-25 | 2019-03-05 | 瑞昱半导体股份有限公司 | 电子装置 |
CN109427044B (zh) * | 2017-08-25 | 2022-02-25 | 瑞昱半导体股份有限公司 | 电子装置 |
CN107705265A (zh) * | 2017-10-11 | 2018-02-16 | 青岛大学 | 一种基于总曲率的sar图像变分去噪方法 |
CN107705265B (zh) * | 2017-10-11 | 2020-10-27 | 青岛大学 | 一种基于总曲率的sar图像变分去噪方法 |
CN108668131A (zh) * | 2018-05-16 | 2018-10-16 | 西安理工大学 | 一种基于稀疏表示的图像压缩编码方法 |
CN108668131B (zh) * | 2018-05-16 | 2022-01-07 | 西安理工大学 | 一种基于稀疏表示的图像压缩编码方法 |
CN111563907A (zh) * | 2020-05-09 | 2020-08-21 | 青岛大学 | 一种不受噪声影响的遥感图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106204487B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104367316B (zh) | 基于形态学滤波与提升小波变换的心电信号去噪方法 | |
CN104282007B (zh) | 基于非采样的轮廓波变换自适应的医学图像融合方法 | |
CN103049895B (zh) | 基于平移不变剪切波变换的多模态医学图像融合方法 | |
CN104063886B (zh) | 一种基于稀疏表示和非局部相似的核磁共振图像重建方法 | |
CN111046824A (zh) | 一种时间序列信号高效去噪和高精度重构建模方法及系统 | |
CN103093433B (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN103985099B (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
CN106204487A (zh) | 一种基于稀疏约束的超声图像去噪方法 | |
CN105631820A (zh) | 基于小波变换和三边滤波器的医学超声图像去噪方法 | |
CN103985105A (zh) | 基于统计建模的Contourlet域多模态医学图像融合方法 | |
CN105279740A (zh) | 一种基于稀疏正则化的图像去噪方法 | |
CN104240203A (zh) | 基于小波变换和快速双边滤波的医学超声图像去噪方法 | |
CN104008537A (zh) | 结合cs-ct-chmm的噪声图像融合新方法 | |
CN106157261A (zh) | 平移不变性的shearler变换医学图像去噪方法 | |
CN103854262A (zh) | 基于结构聚类与稀疏字典学习的医学图像降噪方法 | |
CN104318527A (zh) | 基于小波变换和引导滤波器的医学超声图像去噪方法 | |
CN101477679A (zh) | 基于轮廓波Contourlet变换的图像去噪方法 | |
CN106097280A (zh) | 基于正态逆高斯模型的医学超声图像去噪方法 | |
CN104392444A (zh) | 基于二维集合经验模式分解的医学mr图像特征提取方法 | |
CN104657942A (zh) | 基于改进阈值的小波变换和引导滤波器的医学超声图像去噪方法 | |
CN109003232A (zh) | 基于频域尺度平滑Shearlet的医学MRI图像去噪方法 | |
CN103632341A (zh) | 一种塔式分解和字典学习的带噪cs-mri重构方法 | |
Flores-Tapia et al. | Semi automatic MRI prostate segmentation based on wavelet multiscale products | |
CN102682439B (zh) | 基于多向经验模式分解的医学图像融合方法 | |
CN105894472B (zh) | 基于非下采样小波变换的改进四阶偏微分图像去噪方法 |
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 |
Effective date of registration: 20210114 Address after: 266071 11, level 6, software park, 288 Ningxia Road, Shinan District, Qingdao, Shandong. Patentee after: SONGLI HOLDINGS GROUP Co.,Ltd. Address before: 266071 Shandong city of Qingdao province Ningxia City Road No. 308 Patentee before: QINGDAO University |
|
TR01 | Transfer of patent right |