CN106204487A - 一种基于稀疏约束的超声图像去噪方法 - Google Patents

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

一种基于稀疏约束的超声图像去噪方法

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：

$\underset{u}{\min }\{E\left(u\right)={\∫}_{\mathrm{\Ω}}|Wu|dxdy+\frac{1}{2\mathrm{\λ}}{\∫}_{\mathrm{\Ω}}|\▿\left({\mathrm{\Δ}}^{-1}\right(f-u\left)\right){|}^{2}dxdy\}$

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：

$\underset{u,w}{\min }\{E(u,d)={\∫}_{\mathrm{\Ω}}|d|dxdy+\frac{1}{2\mathrm{\θ}}{\∫}_{\mathrm{\Ω}}{(d-Wu-b^{k+1})}^{2}dxdy+\frac{1}{2\mathrm{\λ}}{\∫}_{\mathrm{\Ω}}|\▿\left({\mathrm{\Δ}}^{-1}\right(u-f\left)\right){|}^{2}dxdy\}$

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：

$\underset{u}{\min }\{E\left(u\right)=\frac{1}{2\mathrm{\θ}}{\∫}_{\mathrm{\Ω}}{(d-Wu-b^{k+1})}^{2}dxdy+\frac{1}{2\mathrm{\λ}}{\∫}_{\mathrm{\Ω}}|\▿\left({\mathrm{\Δ}}^{-1}\right(u-f\left)\right){|}^{2}dxdy\}$

在MATLAB中通过欧拉方程计算该模型，得到：

$u^{k+1}=f-\frac{\mathrm{\λ}}{\mathrm{\θ}}\mathrm{\Δ}(W^T{\mathrm{Wu}}^k+W^T{b}^{k+1}-W^T{d}^k)$

由于W^TW＝I,所以

$u^{k+1}=f-\frac{\mathrm{\λ}}{\mathrm{\θ}}\mathrm{\Δ}(u^k+W^T{b}^{k+1}-W^T{d}^k)$

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：

$\underset{d}{\min }\{E\left(d\right)=\mathrm{\λ}{\∫}_{\mathrm{\Ω}}|d|dxdy+\frac{1}{2\mathrm{\θ}}{\∫}_{\mathrm{\Ω}}{(d-Wu-b^{k+1})}^{2}dxdy\};$

在MATLAB中通过欧拉方程计算该模型，得到模型：

$d^{k+1}={\mathrm{Wu}}^{k+1}+b^{k+1}-\frac{1}{\mathrm{\θ}}\frac{w^{k+1}}{\left|w^{k+1}\right|};$

在MATLAB中通过广义小波收缩算子处理该模型，得到模型：

$d^{k+1}=max\left(\right|{\mathrm{Wu}}^{k+1}+b^{k+1}|-\frac{1}{\mathrm{\θ}},0)\frac{{\mathrm{Wu}}^{k+1}+b^{k+1}}{|{\mathrm{Wu}}^{k+1}+b^{k+1}|};$

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|u^k+1-u^k|≤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：

$\underset{u}{\min }\{E\left(u\right)={\∫}_{\mathrm{\Ω}}|Wu|dxdy+\frac{1}{2\mathrm{\λ}}{\∫}_{\mathrm{\Ω}}|\▿\left({\mathrm{\Δ}}^{-1}\right(f-u\left)\right){|}^{2}dxdy\}$

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：

$\underset{u,w}{\min }\{E(u,d)={\∫}_{\mathrm{\Ω}}|d|dxdy+\frac{1}{2\mathrm{\θ}}{\∫}_{\mathrm{\Ω}}{(d-Wu-b^{k+1})}^{2}dxdy+\frac{1}{2\mathrm{\λ}}{\∫}_{\mathrm{\Ω}}|\▿\left({\mathrm{\Δ}}^{-1}\right(u-f\left)\right){|}^{2}dxdy\}$

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：

$\underset{u}{\min }\{E\left(u\right)=\frac{1}{2\mathrm{\θ}}{\∫}_{\mathrm{\Ω}}{(d-Wu-b^{k+1})}^{2}dxdy+\frac{1}{2\mathrm{\λ}}{\∫}_{\mathrm{\Ω}}|\▿\left({\mathrm{\Δ}}^{-1}\right(u-f\left)\right){|}^{2}dxdy\}$

在MATLAB中通过欧拉方程计算该模型，得到：

$u^{k+1}=f-\frac{\mathrm{\λ}}{\mathrm{\θ}}\mathrm{\Δ}(W^T{\mathrm{Wu}}^k+W^T{b}^{k+1}-W^T{d}^k)$

由于W^TW＝I,所以

$u^{k+1}=f-\frac{\mathrm{\λ}}{\mathrm{\θ}}\mathrm{\Δ}(u^k+W^T{b}^{k+1}-W^T{d}^k)$

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：

$\underset{d}{\min }\{E\left(d\right)=\mathrm{\λ}{\∫}_{\mathrm{\Ω}}|d|dxdy+\frac{1}{2\mathrm{\θ}}{\∫}_{\mathrm{\Ω}}{(d-Wu-b^{k+1})}^{2}dxdy\}$

在MATLAB中通过欧拉方程计算该模型，得到模型：

$d^{k+1}={\mathrm{Wu}}^{k+1}+b^{k+1}-\frac{1}{\mathrm{\θ}}\frac{w^{k+1}}{\left|w^{k+1}\right|}$

在MATLAB中通过广义小波收缩算子处理该模型，得到模型：

$d^{k+1}=max\left(\right|{\mathrm{Wu}}^{k+1}+b^{k+1}|-\frac{1}{\mathrm{\θ}},0)\frac{{\mathrm{Wu}}^{k+1}+b^{k+1}}{|{\mathrm{Wu}}^{k+1}+b^{k+1}|};$

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|u^k+1-u^k|≤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W^TW＝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|u^{k +1}-u^k|≤ε，得到的u即为去噪后的超声图像。