CN106780407A - 一种针对超声图像斑点噪声的去噪系统及去噪方法 - Google Patents
一种针对超声图像斑点噪声的去噪系统及去噪方法 Download PDFInfo
- Publication number
- CN106780407A CN106780407A CN201710117756.8A CN201710117756A CN106780407A CN 106780407 A CN106780407 A CN 106780407A CN 201710117756 A CN201710117756 A CN 201710117756A CN 106780407 A CN106780407 A CN 106780407A
- Authority
- CN
- China
- Prior art keywords
- free energy
- ultrasonoscopy
- module
- partial differential
- denoising
- 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 35
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000011068 loading method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 230000004069 differentiation Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种针对超声图像斑点噪声的去噪系统，包括相场加载模块、归一化处理模块、偏微分处理模块、自由能降噪模块、阈值检测模块和图像显示模块。其去噪方法包括以下步骤：S1，超声图像加载；S2，归一化处理；S3，偏微分处理；S4，自由能降噪；S5，阈值检测；S6，图像显示。本发明利用自由能最小化的统计规律来进行去噪，通过对噪声属性的分析，认定均值为零的斑点噪声可以通过建立合适的非线性偏微分方程迭代计算来自我减弱甚至抵消。在平坦区域，去噪的主要目的是消除杂乱的斑点，使得图像更加均一化。在边界区域，去噪首先需要对边界做准确的识别，并对细节进行保留，在演变的过程中把噪声和边界变化分开。
Description
技术领域
本发明具体涉及一种针对超声图像斑点噪声的去噪系统及去噪方法。
背景技术
超声波进入人体组织后形成的反射和散射波经过超声探头接收和后端仪器的分析显示就生成了超声图像。在实际的临床超声检测过程中，由于人体软组织声阻抗的不均匀性和空间分布的随机性，会形成大量随机分布的散射粒子，散射粒子产生彼此相关的散射波。散射波在空间某一点相遇时，产生相长干涉和相消干涉。散射粒子间的相互干涉产生的回波信号和对超声波的散射叠加起来，使得反射回探头的信号成为一个振幅不定的信号，如果回波相位一致，那么接收到的是强信号，如果回波相位不一致，则接收到的是弱信号。该信号在超声图像中会表现为或明或暗的斑点，即超声图像的斑点。这些斑点并不是人体组织内散射粒子的真实图像。由于分辨单元内的散射体是随机分布的，它们反向散射的能量也是随机的，因此，这种回波信号具有一定的统计特性。这种噪声定义为斑点噪声，其特点是属于内部生成的噪声，其属性和图像本身类似，难以用常规的滤波方法加以隔离区分并消除。
发明内容
本发明的目的在于克服现有技术的缺点，提供一种针对超声图像斑点噪声的去噪系统及去噪方法，以解决现有滤波方法难以隔离区分并消除超声图像中的斑点噪声的问题。
为实现上述目的，本发明所采取的技术方案是：
一方面，提供一种针对超声图像斑点噪声的去噪系统，包括
相场加载模块，采用相场模型检测超声图像中的人体组织边界，保留边界的细节并进行平滑和锐化处理，从而完成超声图像的加载；
归一化处理模块，将超声图像中像素点灰度的取值归一化到[0,1]范围内；
偏微分处理模块，用于建立一个非线性偏微分方程，并加载边界条件和初始条件的数值，并对非线性偏微分方程进行差分数值解析；
自由能降噪模块，在差分数值解析完成后加载自由能算法项，通过非线性偏微分方程自我迭代运算，从而消除超声图像中的斑点噪声，并计算超声图像的像素新值和信噪比。
作为优选，还包括阈值检测模块，检测自由能降噪模块输出的超声图像是否达到降噪要求，没有达到要求时将该超声图像返回到自由能降噪模块中再次处理。
作为优选，还包括图像显示模块，将阈值检测模块检测达到降噪要求的超声图像显示出来。
另一方面，提供一种针对超声图像斑点噪声的去噪方法，包括以下步骤，
S1，超声图像加载，采用相场模型加载模块检测超声图像中的人体组织边界，保留边界的细节并进行平滑和锐化处理，从而完成超声图像的加载；
S2，归一化处理，通过归一化处理模块将超声图像中像素点灰度的取值归一化到[0,1]范围内；
S3，偏微分处理，通过偏微分处理模块建立一个非线性偏微分方程，并加载边界条件和初始条件的数值，并对非线性偏微分方程进行差分数值解析；
S4，自由能降噪，通过自由能降噪模块在差分数值解析完成后加载自由能算法项，通过非线性偏微分方程自我迭代运算，从而消除超声图像中的斑点噪声，并计算超声图像的像素新值和信噪比。
作为优选，所述步骤S1中的相场模型是针对物质守恒的情况成立的，其自由能公式为f(c)＝-c2/2+c4/4。
作为优选，所述步骤S3中的非线性偏微分方程建立方法为，
用代表非线性偏微分方程自由能泛函，直接将各向异性引入自由能中，故而定义自由能泛函方程为：
其中f(c)是灰度参数的局域自由能，c＝±1对应着不同的相，代表着界面的能量消耗；
而对应的简化模型的泛函方程为：
将(1.4)代入(1.5)可得到非线性偏微分方程：
化学势q(c)代表扩散程度的幅度和灰度值的关系；在自由能曲线最低点c＝±1处取最小值，而在边界取较大的值。
作为优选，步骤S3中所述初始条件的加载方法，设置初始条件：c(t＝0)＝c0
表示数据去噪处理前也就是零时刻的原始输入数据，t表示迭代时间；t＝(n-1)Δt，Δt为自动演化的迭代时间间隔，n是迭代的次数；
所述边界条件加载方法，设定边界封闭，也就是在边界点：c[N]＝c[N-1]其中N是整个输入图像的像素宽度或长度值；
所述差分数值解析方法为中心差分法或有限元法。
作为优选，步骤S4中所述像素新值的计算，是通过差分数值解析加载自由能项的作用，以得到迭代时间t时刻的像素点数值；
所述信噪比的计算，采用峰值信噪比定义PSNR和均方差定义MSE。
作为优选，还包括以下步骤：
S5，阈值检测，通过阈值检测模块检测自由能降噪模块输出的超声图像是否达到降噪要求，没有达到要求时将该超声图像返回到自由能降噪模块中再次处理。
作为优选，还包括以下步骤：
S6，图像显示，通过图像显示模块将阈值检测模块检测达到降噪要求的超声图像显示出来。
本发明的有益效果为：
1、本发明利用自由能最小化的统计规律来进行去噪，通过对噪声属性的分析，认定均值为零的斑点噪声可以通过建立合适的非线性偏微分方程迭代计算来自我减弱甚至抵消。在平坦区域，去噪的主要目的是消除杂乱的斑点，使得图像更加均一化。在边界区域，去噪首先需要对边界做准确的识别，并对细节进行保留，在演变的过程中把噪声和边界变化分开。我们的做法是不通过视觉表象，而是通过噪声的属性来处理噪声的演化。
附图说明
图1为针对超声图像斑点噪声的去噪系统的原理框图；
图2为相场模型边界切面图；
图3为自由能模型势阱结构图；
图4为算法加载的细节实现流程框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。
参考图1、2、3和4，各种宏观微观现象都是以自然界的普遍规律为基础的，噪声也不例外。尤其是斑点噪声这种来自于内部的噪声，不同于来自于外部的噪声，是可以通过内部统计规律进行处理的。这就涉及到自由能的演化。本发明认为斑点噪声的演化可以认为是一种动力学过程，符合Ginzburg-Landau自由能理论。这样我们就可以引入自由能泛函，配以一定的边界条件，具体通过非线性偏微分方程来描述斑点噪声的去噪过程。
医学超声图像中的斑点噪声可以看做均值为0，标准差为σn的高斯分布，故而本发明接下来提出的去除斑点噪声方法将采用公式(1.1)为基础建模，具体来说是使用拉普拉斯函数及相关变换来建立非线性偏微分方程。
本发明技术方案有别于常规的去噪技术，提出了利用自由能最小化的统计规律来进行去噪的新方法。通过对噪声属性的分析，认定均值为零的斑点噪声可以通过建立合适的非线性偏微分方程迭代计算来自我减弱甚至抵消。在平坦区域，去噪的主要目的是消除杂乱的斑点，使得图像更加均一化。在边界区域，去噪首先需要对边界做准确的识别，并对细节进行保留，在演变的过程中把噪声和边界变化分开。我们的做法是不通过视觉表象，而是通过噪声的属性来处理噪声的演化，属于图像后期去噪处理算法。
本发明所基于的理论是用于非平衡统计的相场模型。与常规的界面处理方法不同的是，相场模型会假设两个不同相(对人体来说是不同组织)之间有一个有一定厚度的扩散界面层，而不是一个尖锐的界面。这样就有足够的空间对边界区域进行操作，可以保留边界的细节并更好地利用各向异性方法来平滑和锐化。也就是说相场模型除了是一种非常好的边界检测算法，还可以把对图像的平滑锐化操作直接加载到模型中。
而在临床医学的实际超声图像中，人体的不同区域反应在图像上也的确会有一个一定厚度的扩散界面层。我们引进相场函数来标示物质的状态。比如，φ＝+1标识高亮度区域A相(比如脏器组织)，φ＝-1标识低亮度区域B相(比如血液)，而在二者之间会有一个过渡扩散界面层，其中相场参数会从-1连续变化到+1。状态的演化是一个动力学过程，并可在边界通过非线性偏微分方程设置引入各向异性。这样的假设是符合人体真实的物理情形的。在计算上可以采用有限差分法和自适应有限元法，自适应网格法等。
界面层具体的图示见附图2。采用这种方法，可以在整个空间运用同一种去噪方法，能够让平坦区域和界面区域更准确地反映实际图像。因为人体内部特性而形成的斑点噪声符合统计规律。
首先定义一个局域自由能：f(φ)＝-φ2/2+φ4/4 (1.2)
该自由能在-1和+1两个φ取值点有最小值，其曲线函数见附图3。
如果采用常规的相场模型，即用φ表示不同区域的相区别，则需另有一个参数(比如c)代表超声图像像素点灰度的取值。为了减少实时运算的计算量，我们对其进行简化，直接把c和φ的作用合并到新的c中，从而建立一种简化的相场模型，类似于相场模型中的B模型。该模型是针对物质守恒的情况成立。故而自由能公式变为：f(c)＝-c2/2+c4/4 (1.3)
本发明认为，在超声图像中，鉴于斑点噪声属于内部噪声，我们可以认为物质守恒定律成立。
本发明实现的具体步骤如下：
首先读取图像，再做一个归一化处理，把c的绝对值归一化到[0,1]范围内。
接下来我们来建立非线性偏微分方程。用代表Ginzburg-Landau自由能泛函。考虑到各向异性的因素，我们直接将各向异性引入自由能中，
故而定义自由能泛函为：
其中由f(c)(公式1.3)是灰度参数的局域自由能，其最小值c＝±1对应着不同的相。在自由能向最低值趋稳的作用下，随着时间的推移，平坦区域的噪声会自动归向自由能最小的值，从而减弱对图像的干扰。在非均匀区域，代表着界面的能量消耗，所以该项的存在，会加速平坦区域的均匀化。
而对应的简化模型的泛函方程为：
考虑到扩散系数的幅度，将(1.4)代入(1.5)可得到非线性偏微分方程：
这里化学势而q(c)则代表了扩散程度的幅度和灰度值得关系。通常在自由能曲线最低点c＝±1处取最小值，而在边界取较大的值。
本发明以下面公式为例：q(c)＝0.2+10(1-c2)2 (1.7)
当考虑到边界的各向异性程度扩散时，各向异性会被包含在中。D则代表了扩散常数。我们这不单独讨论各向异性的细节操作，只是着重讲述自由能项对去噪的作用。
和常规的相场模型相比，我们模型中有一个额外的它来源于我们的守恒定律假设，它意味着：只要没有额外的外界因素，整个图像的像素值的总和是一个常数。这种假设是在排除了外部噪声之后才成立的，因为我们认为斑点噪声是一种来自于组织内部的噪声，虽然在各个点的影响各异，但是总体效果守恒。
展开公式(1.6)，如果是各向同性，最终得到的方程是：
这里D是扩散常数，变成W各向同性，而q(c)是代表扩散系数的数值，主要调节平坦区域和边界区域的扩散幅度。
如果不考虑随方向的变化，公式(1.8a)即可使用，比如在平坦区域。但是在边界区域，我们经常考虑到随方向位置改变，那样的话，最终方程就应该是：
关于各向异性参数，有不同的定义方法，比如我们可以选取其中θ＝arctan(cy/cx),cy和cx分别为c沿y和x方向的导数。这里不是本发明讨论的重点，只是解释一下如何代入各向异性。
以上是本发明的非线性偏微分方程(1.8)建立依据及过程，我们也同时对其包含的变量做了定义。
接下来我们设置初始条件：c(t＝0)＝c0(1.10)
表示数据去噪处理前也就是零时刻的原始输入数据，对于迭代时间t，有t＝(n-1)Δt，其中Δt为自动演化的迭代时间间隔，n是迭代的次数。
接下来设置边界条件：
因为我们推断得到物质总量守恒，所以设定边界封闭，也就是在边界点：
c[N]＝c[N-1] (1.11)
其中N是整个输入图像的像素宽度或长度值。
边界条件和初始条件都设立好之后，就进入数值解析的操作。我们采用的是数学上常见的一些解析方法。比如普通的差分法，有限元法等。这里以中心差分法为例，中心差分解析基本公式为：
这里网格设定是均匀的，所以x＝iΔx,t＝nΔt。
一旦根据数值解析操作把非线性偏微分方程数值化，我们算法中独特的自由能项就可以通过非线性偏微分方程自我迭代运算而实现加载去噪效果的目的。我们的自由能方程(1.3)式在非线性偏微分方程里边具体表现为-c+c3，这是狭义的定义。广义的定义是指自由能泛函，要考虑到边界的能量变化，这样(1.8a)和(1.8b)右侧的方括号“[]”中的公式都可以认为是自由能项。正是通过数值解析加载自由能项的作用，我们可以得到迭代时间t时刻的像素点数值并进一步得到处理后的图像。因为各向异性的影响也是根据数组元素计算导数得出来的，故而在平坦区域，各向异性很小或近似认为0，基本不会对运算产生影响，近似认为各项同性，所乘因子基本为常数。但在边界区域的变化就非常大，各向异性直接影响了边界的效果。
对于输入的超声图像，灰度值读入二维数组中，把灰度值归一化到绝对值[0,1]的范围内，根据实际情况建立非线性偏微分方程，带各向异性的自由能算法方程在迭代过程中起到对斑点噪声抑制降噪的作用，同时有保留了有价值的真实图像信息。
当我们建立好非线性偏微分方程后(同时参数已定义)，对于初始条件和边界条件给出限定，然后进入数值解析流程，每个像素点的灰度值会根据自由能算法项及其包含的各向异性参数的作用而发生变化，从而使得偏离正常取值的斑点噪声灰度趋于正常稳定的范围，这个时候我们再用常规的计算信噪比的方法来确认噪声的抑制程度，如果噪声与信号的比例已经达到要求(小于阈值)，跳出计算循环，避免资源的浪费。
其中对于图像信噪比的计算，我们建议采用常规的峰值信噪比定义PSNR和均方差定义MSE。峰值信噪比(Peak Signal to Noise Ratio,PSNR)是最广泛使用的评价图像质量的客观标准。二者定义如下：
以上是对于m x n的单色图像I和K的计算公式。其中，MAXI是表示图像点颜色的最大数值，一般的，PSNR＝10*log(2552/MSE)，其中255就是8bits表示法的最大值，而MSE表示原图像与处理图像之间均方误差(Mean Square Error)。
普通的滤波去噪方法，往往把图像信息分解成不同的频率，然后选择性地采用高通或低通滤波保留需要的部分，去除不需要的部分。基于非线性偏微分方程的自由能演化方法是把读取的图像灰度值当做一个可以自我更新的区域场，利用自由能最小原理，让系统噪声自动平整，这种处理的情况下，我们并不是滤掉了部分信号，而是对信号按照规律做了一定的演化，从而达到改善图像效果的目的。
本发明方法也可以和现有的边界检测算法可以同时使用，比如利用检测算法区分出边界区域和平坦区域，对两个区域分别处理；也可以作为一个整体处理，所以具有很强的适应性。如果有需要，也可以对自由能演化之后的图像做进一步的滤波处理。所以这种新方法是从另外一个视角提高图像效果，与现有的算法可以独立运行或互为补充。
上述实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (10)
1.一种针对超声图像斑点噪声的去噪系统，其特征在于，包括
相场加载模块，采用相场模型检测超声图像中的人体组织边界，保留边界的细节并进行平滑和锐化处理，从而完成超声图像的加载；
归一化处理模块，将超声图像中像素点灰度的取值归一化到[0,1]范围内；
偏微分处理模块，用于建立一个非线性偏微分方程，并加载边界条件和初始条件的数值，并对非线性偏微分方程进行差分数值解析；
自由能降噪模块，在差分数值解析完成后加载自由能算法项，通过非线性偏微分方程自我迭代运算，从而消除超声图像中的斑点噪声，并计算超声图像的像素新值和信噪比。
2.根据权利要求1所述的针对超声图像斑点噪声的去噪系统，其特征在于，还包括阈值检测模块，检测自由能降噪模块输出的超声图像是否达到降噪要求，没有达到要求时将该超声图像返回到自由能降噪模块中再次处理。
3.根据权利要求1所述的针对超声图像斑点噪声的去噪系统，其特征在于，还包括图像显示模块，将阈值检测模块检测达到降噪要求的超声图像显示出来。
4.一种针对超声图像斑点噪声的去噪方法，其特征在于，包括以下步骤，
S1，超声图像加载，采用相场模型加载模块检测超声图像中的人体组织边界，保留边界的细节并进行平滑和锐化处理，从而完成超声图像的加载；
S2，归一化处理，通过归一化处理模块将超声图像中像素点灰度的取值归一化到[0,1]范围内；
S3，偏微分处理，通过偏微分处理模块建立一个非线性偏微分方程，并加载边界条件和初始条件的数值，并对非线性偏微分方程进行差分数值解析；
S4，自由能降噪，通过自由能降噪模块在差分数值解析完成后加载自由能算法项，通过非线性偏微分方程自我迭代运算，从而消除超声图像中的斑点噪声，并计算超声图像的像素新值和信噪比。
5.根据权利要求4所述的针对超声图像斑点噪声的去噪方法，其特征在于，所述步骤S1中的相场模型是针对物质守恒的情况成立的，其自由能公式为f(c)＝-c2/2+c4/4。
6.根据权利要求4所述的针对超声图像斑点噪声的去噪方法，其特征在于，所述步骤S3中的非线性偏微分方程建立方法为，
用代表非线性偏微分方程自由能泛函，直接将各向异性引入自由能中，故而定义自由能泛函方程为：
其中f(c)是灰度参数的局域自由能，c＝±1对应着不同的相，代表着界面的能量消耗；
而对应的简化模型的泛函方程为：
将(1.4)代入(1.5)可得到非线性偏微分方程：
化学势q(c)代表扩散程度的幅度和灰度值的关系；在自由能曲线最低点c＝±1处取最小值，而在边界取较大的值。
7.根据权利要求4所述的针对超声图像斑点噪声的去噪方法，其特征在于：步骤S3中所述初始条件的加载方法，设置初始条件：c(t＝0)＝c0
表示数据去噪处理前也就是零时刻的原始输入数据，t表示迭代时间；t＝(n-1)Δt，Δt为自动演化的迭代时间间隔，n是迭代的次数；
所述边界条件加载方法，设定边界封闭，也就是在边界点：c[N]＝c[N-1]其中N是整个输入图像的像素宽度或长度值；
所述差分数值解析方法为中心差分法或有限元法。
8.根据权利要求4所述的针对超声图像斑点噪声的去噪方法，其特征在于：步骤S4中所述像素新值的计算，是通过差分数值解析加载自由能项的作用，以得到迭代时间t时刻的像素点数值；
所述信噪比的计算，采用峰值信噪比定义PSNR和均方差定义MSE。
9.根据权利要求4所述的针对超声图像斑点噪声的去噪方法，其特征在于，还包括以下步骤：
S5，阈值检测，通过阈值检测模块检测自由能降噪模块输出的超声图像是否达到降噪要求，没有达到要求时将该超声图像返回到自由能降噪模块中再次处理。
10.根据权利要求4所述的针对超声图像斑点噪声的去噪方法，其特征在于，还包括以下步骤：
S6，图像显示，通过图像显示模块将阈值检测模块检测达到降噪要求的超声图像显示出来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710117756.8A CN106780407B (zh) | 2017-03-01 | 2017-03-01 | 一种针对超声图像斑点噪声的去噪系统及去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710117756.8A CN106780407B (zh) | 2017-03-01 | 2017-03-01 | 一种针对超声图像斑点噪声的去噪系统及去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106780407A true CN106780407A (zh) | 2017-05-31 |
| CN106780407B CN106780407B (zh) | 2024-03-26 |
Family
ID=58960822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710117756.8A Active CN106780407B (zh) | 2017-03-01 | 2017-03-01 | 一种针对超声图像斑点噪声的去噪系统及去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106780407B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107928707A (zh) * | 2017-12-07 | 2018-04-20 | 苏州掌声医疗科技有限公司 | 一种适用于便携式超声设备的面积快速测量方法及系统 |
| CN113679418A (zh) * | 2021-08-24 | 2021-11-23 | 合肥工业大学 | 一种基于压缩信噪比系数加权的超声成像方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009128764A1 (en) * | 2008-04-17 | 2009-10-22 | Olof Dahlqvist Leinhard | Improvement in magnetic resonance imaging relating to correction of chemical shift artifact and intensity inhomogeneity |
| US20100020204A1 (en) * | 2008-03-18 | 2010-01-28 | Fleischer Jason W | System and method for nonlinear self-filtering via dynamical stochastic resonance |
| CN101739668A (zh) * | 2009-11-12 | 2010-06-16 | 天津大学 | 电子散斑干涉条纹图滤波方法 |
| CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
| US20110043950A1 (en) * | 2009-08-21 | 2011-02-24 | Carey Matthew J | Tunneling magnetoresistive (tmr) read head with low magnetic noise |
| CN102521811A (zh) * | 2011-12-09 | 2012-06-27 | 中国人民解放军海军航空工程学院 | 基于各向异性扩散和互信息匀质性测度的sar图像降斑方法 |
| CN102663692A (zh) * | 2012-03-28 | 2012-09-12 | 汕头大学 | 医学超声图像自适应susan扩散去噪方法 |
| WO2014086190A1 (zh) * | 2012-12-05 | 2014-06-12 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增益优化方法及超声成像增益自动优化装置 |
| CN104166965A (zh) * | 2014-08-13 | 2014-11-26 | 四川省人民医院 | 一种扩散函数随图像熵变化的偏微分去噪算法 |
| CN104408300A (zh) * | 2014-11-18 | 2015-03-11 | 西北工业大学 | 时效成形/扩散复合工艺的微观相场建模与分析方法 |
| CN105678002A (zh) * | 2016-01-12 | 2016-06-15 | 中国科学技术大学 | 等离子体粒子-场自洽系统长期大规模高保真模拟方法 |
| CN105825500A (zh) * | 2016-03-10 | 2016-08-03 | 江苏商贸职业学院 | 一种对相机图像质量的评价方法与装置 |
-
2017
- 2017-03-01 CN CN201710117756.8A patent/CN106780407B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100020204A1 (en) * | 2008-03-18 | 2010-01-28 | Fleischer Jason W | System and method for nonlinear self-filtering via dynamical stochastic resonance |
| WO2009128764A1 (en) * | 2008-04-17 | 2009-10-22 | Olof Dahlqvist Leinhard | Improvement in magnetic resonance imaging relating to correction of chemical shift artifact and intensity inhomogeneity |
| US20110043950A1 (en) * | 2009-08-21 | 2011-02-24 | Carey Matthew J | Tunneling magnetoresistive (tmr) read head with low magnetic noise |
| CN101739668A (zh) * | 2009-11-12 | 2010-06-16 | 天津大学 | 电子散斑干涉条纹图滤波方法 |
| CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
| CN102521811A (zh) * | 2011-12-09 | 2012-06-27 | 中国人民解放军海军航空工程学院 | 基于各向异性扩散和互信息匀质性测度的sar图像降斑方法 |
| CN102663692A (zh) * | 2012-03-28 | 2012-09-12 | 汕头大学 | 医学超声图像自适应susan扩散去噪方法 |
| WO2014086190A1 (zh) * | 2012-12-05 | 2014-06-12 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增益优化方法及超声成像增益自动优化装置 |
| CN104166965A (zh) * | 2014-08-13 | 2014-11-26 | 四川省人民医院 | 一种扩散函数随图像熵变化的偏微分去噪算法 |
| CN104408300A (zh) * | 2014-11-18 | 2015-03-11 | 西北工业大学 | 时效成形/扩散复合工艺的微观相场建模与分析方法 |
| CN105678002A (zh) * | 2016-01-12 | 2016-06-15 | 中国科学技术大学 | 等离子体粒子-场自洽系统长期大规模高保真模拟方法 |
| CN105825500A (zh) * | 2016-03-10 | 2016-08-03 | 江苏商贸职业学院 | 一种对相机图像质量的评价方法与装置 |
Non-Patent Citations (3)
| Title |
|---|
| QIFENG YU 等: "Removing speckle noise and extracting the skeletons from a single speckle fringe pattern by spin filtering with curved-surface windows", OPTICAL ENGINEERING * |
| 张琼 等: "基于变分法的超声图像斑点噪声自适应滤波算法", 《北京生物医学工程》 * |
| 张琼 等: "基于变分法的超声图像斑点噪声自适应滤波算法", 《北京生物医学工程》, 30 June 2011 (2011-06-30), pages 0 - 3 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107928707A (zh) * | 2017-12-07 | 2018-04-20 | 苏州掌声医疗科技有限公司 | 一种适用于便携式超声设备的面积快速测量方法及系统 |
| CN107928707B (zh) * | 2017-12-07 | 2023-08-15 | 成都优途科技有限公司 | 一种适用于便携式超声设备的面积快速测量方法及系统 |
| CN113679418A (zh) * | 2021-08-24 | 2021-11-23 | 合肥工业大学 | 一种基于压缩信噪比系数加权的超声成像方法 |
| CN113679418B (zh) * | 2021-08-24 | 2024-03-22 | 合肥工业大学 | 一种基于压缩信噪比系数加权的超声成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106780407B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Santos et al. | Ultrasound image despeckling using stochastic distance-based BM3D | |
| Valckx et al. | Characterization of echographic image texture by cooccurrence matrix parameters | |
| Finn et al. | Echocardiographic speckle reduction comparison | |
| Michailovich et al. | Despeckling of medical ultrasound images | |
| Tsui et al. | Small-window parametric imaging based on information entropy for ultrasound tissue characterization | |
| Tuthill et al. | Deviations from Rayleigh statistics in ultrasonic speckle | |
| Bamber et al. | Adaptive filtering for reduction of speckle in ultrasonic pulse-echo images | |
| Narayanan et al. | A view on despeckling in ultrasound imaging | |
| Benzarti et al. | Speckle noise reduction in medical ultrasound images | |
| CN102306377B (zh) | 一种超声图像去噪的方法和装置 | |
| US20040013292A1 (en) | Apparatus and method for statistical image analysis | |
| Damodaran et al. | Speckle noise reduction in ultrasound biomedical B-scan images using discrete topological derivative | |
| Baek et al. | Clusters of ultrasound scattering parameters for the classification of steatotic and normal livers | |
| Khan et al. | Experimental evaluation of filters used for removing speckle noise and enhancing ultrasound image quality | |
| Treece et al. | Ultrasound attenuation measurement in the presence of scatterer variation for reduction of shadowing and enhancement | |
| Samimi et al. | Optimum diffraction-corrected frequency-shift estimator of the ultrasonic attenuation coefficient | |
| CN106780407A (zh) | 一种针对超声图像斑点噪声的去噪系统及去噪方法 | |
| Verhoeven et al. | Improvement of lesion detectability by speckle reduction filtering: A quantitative study | |
| Ghofrani et al. | An adaptive speckle suppression filter based on Nakagami distribution | |
| CN102402783A (zh) | 一种三维超声图像的斑点处理方法 | |
| Kaspersen et al. | Wavelet-based edge detection in ultrasound images | |
| Li et al. | Ultrasound speckle reduction based on image segmentation and diffused region growing | |
| Jurkonis et al. | Algorithms and results of eye tissues differentiation based on RF ultrasound | |
| Manikandan et al. | Adaptive Fuzzy Logic Despeckling in Non-Subsampled Contourlet Transformed Ultrasound Pictures | |
| Fang et al. | Discrimination between Newly Formed and Aged Thrombi Using Empirical Mode Decomposition of Ultrasound B‐Scan Image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240228 Address after: No. 27-9, Baijia Industrial Park, High tech Zone, Qingyuan City, Guangdong Province 511500, Qingyuan Pioneer Materials Co., Ltd. 30 # Pioneer University, 1st Floor, Axis 9-11 Applicant after: Qingyuan Pioneer Kezhen Medical Technology Co.,Ltd. Country or region after: China Address before: 610000 No. 04, floor 03, building 8, science and Technology Incubation Park, high tech Zone, Chengdu, Sichuan Applicant before: CHENGDU YOUTU TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Room 325, Block A, Building 1, No. 6 Kaixuan South Road, Quzhou City, Zhejiang Province, China 324002 Patentee after: Zhejiang Pioneer Medical Technology Co.,Ltd. Country or region after: China Address before: No. 27-9, Baijia Industrial Park, High tech Zone, Qingyuan City, Guangdong Province 511500, Qingyuan Pioneer Materials Co., Ltd. 30 # Pioneer University, 1st Floor, Axis 9-11 Patentee before: Qingyuan Pioneer Kezhen Medical Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |