CN106875353B - 超声图像的处理方法及处理系统 - Google Patents

超声图像的处理方法及处理系统 Download PDF

Info

Publication number
CN106875353B
CN106875353B CN201710042037.4A CN201710042037A CN106875353B CN 106875353 B CN106875353 B CN 106875353B CN 201710042037 A CN201710042037 A CN 201710042037A CN 106875353 B CN106875353 B CN 106875353B
Authority
CN
China
Prior art keywords
indicate
ultrasound image
image
indicates
expression
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.)
Active
Application number
CN201710042037.4A
Other languages
English (en)
Other versions
CN106875353A (zh
Inventor
赖昀
马睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Feiyinuo Technology Co ltd
Original Assignee
Feino Technology (suzhou) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Feino Technology (suzhou) Co Ltd filed Critical Feino Technology (suzhou) Co Ltd
Priority to CN201710042037.4A priority Critical patent/CN106875353B/zh
Publication of CN106875353A publication Critical patent/CN106875353A/zh
Application granted granted Critical
Publication of CN106875353B publication Critical patent/CN106875353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof

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

本发明提供一种超声图像的处理方法及处理系统；所述方法包括：S1、获取原始的超声图像；S2、对所述原始的超声图像进行非线性相干扩散滤波去噪保边预处理获得预处理超声图像；S3、对所述预处理超声图像的边缘以及非边缘区域进行增强处理以生成增强超声图像；S4、对所述增强超声图像进行锐化去模糊处理生成最终需求的超声图像。本发明可以明显提高图像质量，尤其是去除噪声和对边界的增强作用明显，而且本算法速度很快，可广泛适用于各种需要对超声图像进行实时处理的场合。

Description

超声图像的处理方法及处理系统
技术领域
本发明主要应用于医疗超声诊断技术领域，尤其涉及一种超声图像的处理方法及处理系统。
背景技术
超声图像中，噪声尤其是散斑噪声会掩盖和降低图像某些细节信息，严重影响超声影像的品质；抑制超声图像中的散斑噪声和增强边缘可以极大提高图像质量。
现有的超声图像去噪算法主要有空间域局部统计滤波算法、基于多尺度变换的滤波算法、各向异性扩散滤波算法。
公开号为CN 104299191 A的专利文献“一种超声图像去噪方法及中值滤波方法”中使用多个方向滤波器确定每一像素的局部区域方向，再基于确定的局部方向进行中值滤波；该方案相对传统中值滤波和维纳滤波器，其去噪效果和边缘处理有了一定的提高，但边缘处理仅限于保留而没有增强，边缘连续性也没有改善。
公开号为US5497777A的专利授权文献“Speckle noise filtering inultrasound imaging”对超声图像进行多级小波变换，然后对系数进行阈值修正，最后进行小波反变换；小波阈值法有软阈值法和硬阈值法之分，但是硬阈值法中容易造成小波数据的不连续，从而影响图像的细节，而软阈值法中较大小波系数总数被缩减导致图像过于平滑。
授权公告号为CN 102073994 B的专利文献“基于多尺度各向异性扩散的超声医学图像散斑噪声抑制方法”提出对图像进行小波分解，根据每个尺度下的噪声区域均值确定扩散阈值从而计算扩散参数，利用扩散参数对小波系数进行加权计算再小波反变换；该方法中通过分线性扩散参数对小波系数处理相当于进行了各向异性扩散；该方法比较好的抑制了斑点噪声和增强了边缘，但是过于平滑实质区域清晰度不够。
综上所述，传统空域滤波法可以抑制斑点噪声但是不能增强边缘甚至是可能模糊边缘；小波阈值法处理不管是软阈值还是硬阈值都存在影响图像特征的问题；虽然各向异性扩散滤波可以达到去噪保边的效果，但是容易出现过平滑及部分实质区域清晰度不够的情况。
发明内容
为了解决上述问题，本发明的目的在于提供一种超声图像的处理方法及处理系统。
相应的，本发明一实施方式提供的超声图像的处理方法包括以下步骤：
S1、获取原始的超声图像；
S2、对所述原始的超声图像进行非线性相干扩散滤波去噪保边预处理获得预处理超声图像；
S3、对所述预处理超声图像的边缘以及非边缘区域进行增强处理以生成增强超声图像；
S4、对所述增强超声图像进行锐化去模糊处理生成最终需求的超声图像。
作为本发明一实施方式的进一步改进，所述步骤S2具体包括：
P1、根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
P21、根据所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，λ2＝α，α表示扩散速度，其为常数值，取值范围为0至1之间，s为扩散因子；
P3、根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，▽I表示对I求梯度。
作为本发明一实施方式的进一步改进，所述步骤S2具体包括：
P1、根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
P22、根据超声图像梯度获取不同梯度区域内新的扩散速度；
根据不同梯度区域内新的扩散速度，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α′，
α′＝α·e(1-g)
α表示扩散速度，其为常数值，取值范围为0至1之间，α′表示不同梯度区域内扩散速度，Norm()表示归一化处理；s为扩散因子。
P3、根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，▽I表示对I求梯度。
作为本发明一实施方式的进一步改进，所述步骤S2具体包括：
P1、根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
P23、根据不同时刻下的扩散因子，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α，
s(0)＝s,
s(t+1)＝s(t)·e-λ,λ∈(0,1]
α表示扩散速度，其为常数值，取值范围为0至1之间，s(t)表示在t时刻下的扩散因子。
P3、根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，▽I表示对I求梯度。
作为本发明一实施方式的进一步改进，所述步骤S3具体包括：
M1、对所述预处理超声图像使用Sobel算子进行边缘检测，以获取边缘过渡图像；
对所述预处理超声图像使用Laplace算子进行图像突变信息检测，以获取拉普拉斯图像；
以及提取预处理超声图像中的高频信息；
所述高频信息的表达式为：
IHP＝I-Incd,其中，I表示原始的超声图像，Incd表示预处理超声图像；
M2、将所述边缘过渡图像和所述拉普拉斯图像进行点乘，并将其结果叠加到所述预处理超声图像上，以获得边缘补偿图像；
其表达式为：
IedgeEnhance＝Incd+mag(▽Incd*Gρ)·▽2Incd，
其中，IedgeEnhanec表示边缘补偿图像，▽Incd表示对Incd求梯度，Gρ表示标准差为ρ的高斯核；
M3、对获取的高频信息进行补偿以及对边缘补偿图像的非边缘区域进行增强以生成增强超声图像；
其表达式为：
Iadd＝IedgeEnhance+(1-β·mag(▽Incd*Gρ))·IHP
其中，Iadd表示增强超声图像，β为细节信号衰减因子，其取值范围为0至1。
作为本发明一实施方式的进一步改进，所述步骤S4具体包括：
N1、对所述增强超声图像同时进行高斯滤波处理和对比度处理以分别获得模糊图像和对比度图像；
其表达式分别为：
Iblur＝Iadd*Gρ，
Icontrast＝Iadd+(Iadd-Imean)*c，
其中，Iblur表示模糊图像，Iadd表示增强超声图像，Gρ表示标准差为ρ的高斯核；Icontrast表示对比度图像，Imean表示增强超声图像的均值，c表示对比度因子；
N2、根据所述增强超声图像以及模糊图像形成模板图像；
其表达式分别为：
Imask＝Iadd-Iblur，其中，Imask表示模板图像；
N3、将所述模板图像融合至所述对比度图像中形成最终需求的超声图像。
Isharp＝Icontrast+k·Imask，
其中，Isharp表示最终需求的超声图像，k表示权重系数，k≥0。
相应地，为了实现上述发明目的之一，本发明一实施方式提供一种超声图像的处理系统，所述系统包括：
获取模块，用于获取原始的超声图像；
预处理模块，用于对所述原始的超声图像进行非线性相干扩散滤波去噪保边预处理获得预处理超声图像；
边缘增强模块，用于对所述预处理超声图像的边缘以及非边缘区域进行增强处理以生成增强超声图像；
锐化去模糊模块，用于对所述增强超声图像进行锐化去模糊处理生成最终需求的超声图像。
作为本发明一实施方式的进一步改进，所述预处理模块具体用于：
根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
所述预处理模块还用于：根据所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，λ2＝α，α表示扩散速度，其为常数值，取值范围为0至1之间，s为扩散因子；
所述预处理模块还用于：根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，▽I表示对I求梯度。
作为本发明一实施方式的进一步改进，所述预处理模块具体用于：
根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
所述预处理模块还用于：根据超声图像梯度获取不同梯度区域内新的扩散速度；
根据不同梯度区域内新的扩散速度，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α′，
α′＝α·e(1-g)
α表示扩散速度，其为常数值，取值范围为0至1之间，α′表示不同梯度区域内扩散速度，Norm()表示归一化处理；s为扩散因子。
所述预处理模块还用于：根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，▽I表示对I求梯度。
作为本发明一实施方式的进一步改进，所述预处理模块具体用于：
根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
所述预处理模块还用于：根据不同时刻下的扩散因子，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α，
s(0)＝s,
s(t+1)＝s(t)·e-λ,λ∈(0,1]
α表示扩散速度，其为常数值，取值范围为0至1之间，s(t)表示在t时刻下的扩散因子。
所述预处理模块还用于：根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，▽I表示对I求梯度。
作为本发明一实施方式的进一步改进，所述边缘增强模块具体用于：
对所述预处理超声图像使用Sobel算子进行边缘检测，以获取边缘过渡图像；对所述预处理超声图像使用Laplace算子进行图像突变信息检测，以获取拉普拉斯图像；以及提取预处理超声图像中的高频信息；
所述高频信息的表达式为：
IHP＝I-Incd,其中，I表示原始的超声图像，Incd表示预处理超声图像；
所述边缘增强模块还用于：将所述边缘过渡图像和所述拉普拉斯图像进行点乘，并将其结果叠加到所述预处理超声图像上，以获得边缘补偿图像；
其表达式为：
IedgeEnhance＝Incd+mag(▽Incd*Gρ)·▽2Incd，
其中，IedgeEnhance表示边缘补偿图像，▽Incd表示对Incd求梯度，Gρ表示标准差为ρ的高斯核；
所述边缘增强模块还用于：对获取的高频信息进行补偿以及对边缘补偿图像的非边缘区域进行增强以生成增强超声图像；
其表达式为：
Iadd＝IedgeEnhance+(1-β·mag(▽Incd*Gρ))·IHP
其中，Iadd表示增强超声图像，β为细节信号衰减因子，其取值范围为0至1。
作为本发明一实施方式的进一步改进，所述锐化去模糊模块具体用于：
对所述增强超声图像同时进行高斯滤波处理和对比度处理以分别获得模糊图像和对比度图像；
其表达式分别为：
Iblur＝Iadd*Gρ，
Icontrast＝Iadd+(Iadd-Imean)*c，
其中，Iblur表示模糊图像，Iadd表示增强超声图像，Gρ表示标准差为ρ的高斯核；Icontrast表示对比度图像，Imean表示增强超声图像的均值，c表示对比度因子；
所述锐化去模糊模块还用于：根据所述增强超声图像以及模糊图像形成模板图像；
其表达式分别为：
Imask＝Iadd-Iblur，其中，Imask表示模板图像；
所述锐化去模糊模块还用于：将所述模板图像融合至所述对比度图像中形成最终需求的超声图像。
Isharp＝Icontrast+k·Imask，
其中，Isharp表示最终需求的超声图像，k表示权重系数，k≥0。
与现有技术相比，采用非线性相干扩散滤波对原始的超声图像进行去噪保边处理，对保边处理后的超声图像采用不同的算子对其边缘及非边缘区域进行增强，对边缘及非边缘区域增强的超声图像融合衰减信息做锐化滤镜处理，进而对于原始的超声图像即实现了斑点抑制、边缘增强，同时提高了其对比度，本发明可以明显提高图像质量，尤其是去除噪声和对边界的增强作用明显，而且本算法速度很快，可广泛适用于各种需要对超声图像进行实时处理的场合。
附图说明
图1是本发明一实施方式中超声图像的处理方法的流程图；
图2是本发明一实施方式中超声图像的处理系统的结构示意图
图3是本发明一实施方式中Sobel算子的具体取值示意图；
图4是本发明一实施方式中Laplace算子的具体取值示意图；
图5是对应图1中步骤S3的具体实现过程示意图
图6是对应图1中步骤S4的具体实现过程示意图。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示，在本发明一实施方式中超声图像的处理方法，所述方法包括以下步骤：
S1、获取原始的超声图像。
具体的，在超声扫描仪工作过程中，使用超声探头压迫或者超声产生的声压力等沿着一个方向压迫组织，以此获得组织受压后返回的回波信号，进一步的，对回波信号进行解析，获取其对应该组织的原始的超声图像。
进一步的，本发明优选实施方式中，对获取的原始的超声图像进行预处理，所述方法具体包括：
S2、对所述原始的超声图像进行非线性相干扩散滤波去噪保边预处理获得预处理超声图像；
在实际应用过程中，如果仅对原始的超声图像进行非线性相干扩散滤波去噪保边预处理，则可能会对处理后的超声图像造成过渡平滑，如此，本发明的步骤S2中，仅对原始的超声图像进行保边去噪预处理，以方便后续区分超声图像的边缘区域和非边缘区域。
需要说明的是，本发明的非线性相干扩散滤波去噪保边预处理过程采用NCD方程实现。
本发明具体实施方式中，NCD由传统的PM方程改进而来，其可以根据原始的超声图像的局部统计特性在非线性各向同性扩散、各向异性扩散和平均曲率运动扩散中切换。相应的，所述步骤S2具体包括：
P1、根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
该示例中，特征向量w1,w2表示了最大和最小的邻域变化方向，而特征值μ1,μ2表示对应这些变化方向上的强度；当μ1≈μ2≈0时，表示超声图像在该点附近任何方向灰度变化都很小，可以认为是平坦区域；当μ1≥μ2≈0时，表示超声图像沿某一方向的变化率远大于垂直于此方向的变换率，表明此处可能为边缘或流线状结构；当μ1＞μ2＞0时，表示灰度在两个方向的变化率都大，说明此处可能存在拐角。
由此，由此构造出结构张量D；所述步骤S2还包括：P21、根据所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，λ2＝α，α表示扩散速度，其为常数值，取值范围为0至1之间，s为扩散因子；
进一步的，所述方法还包括：P3、根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，▽I表示对I求梯度。
本发明一优选实施方式中，上述的NCD方程中，非边缘区域沿梯度方向扩散速度和轮廓方向的扩散速度都为α，在边缘区域沿轮廓方向的扩散速度也为α；而超声图像中边缘区域的梯度不是恒定的，在梯度弱的边缘区域仍按定值速度扩散，将导致部分边缘变模糊。该优选实施方式中，在上述NCD方程的构建基础上对结构张量D的构建中引入超声图像梯度来决定不同梯度区域采用不同的扩散以保留更多的边缘。
相应的，将上述NCD构建过程中的步骤P21替换为P22，则所述步骤P22包括：P22、根据超声图像梯度获取不同梯度区域内新的扩散速度；
根据不同梯度区域内新的扩散速度，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α′，
α′＝α·e(1-g)
α表示扩散速度，其为常数值，取值范围为0至1之间，α′表示不同梯度区域内扩散速度，Norm()表示归一化处理；s为扩散因子。
进一步的，最终根据所述结构张量D构建的NCD方程也随之改变，在此不做详细赘述。
本发明再一优选实施方式中，上述的NCD方程中，随着扩散的不断进行，超声图像梯度绝对值会相应下降，与此同时，若扩散因子保持不变，则超声图像边缘将趋于模糊；相应的，将上述NCD构建过程中的步骤P21替换为P23，保证了随着扩散的进行扩散因子随着改变，超声图像边缘得以保持。
相应的，所述步骤P23包括：P23、根据不同时刻下的扩散因子，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α，
s(0)＝s,
s(t+1)＝s(t)·e-λ,λ∈(0,1]
α表示扩散速度，其为常数值，取值范围为0至1之间，s(t)表示在t时刻下的扩散因子。
进一步的，最终根据所述结构张量D构建的NCD方程也随之改变，在此不做详细赘述。
可以理解的是，上述步骤P21也可以由步骤P22、P23进行综合后再进行替换，即对构建NCD方程中的扩散速度α以及扩散因子s同时进行改进，如此，可同时解决上述两个问题，如此，所述结构张量表达为：
其中，
λ2＝α·e(1-g)，
s(0)＝s,
s(t+1)＝s(t)·e-λ,λ∈(0,1]，
该示例方程中，各个参数的具体释义可参照上述具体示例，在此不做继续赘述。
进一步的，本发明一实施方式中，所述方法还包括：S3、对所述预处理超声图像的边缘以及非边缘区域进行增强处理以生成增强超声图像；
所述步骤S3具体包括：
M1、对所述预处理超声图像使用Sobel算子进行边缘检测，以获取边缘过渡图像；
对所述预处理超声图像使用Sobel算子进行边缘检测，以求取梯度，梯度值大说明可能处于边缘区域，反之认为该区域为非边缘区域。结合图3所示，揭示一种Sobel算子，其中两个Sobel算子分别对应X方向、Y方向，当然，在本发明其他实施方式中，所述Sobel算子的值也可以有所不同，在此不做详细赘述。
进一步的，所述步骤M1还包括：对所述预处理超声图像使用Laplace算子进行图像突变信息检测，以获取拉普拉斯图像；
该步骤中，超声图像的边缘与非边缘之间存在灰度的突变，灰度的突变可以通过微分算子检测，采用Laplace算子进行突变信息检测得到拉普拉斯图像。结合图4所示，揭示一种Laplace算子；需要说明的是，与所述Sobel算子相类似的，Laplace算子的值也可以有所不同，在此不做详细赘述。
进一步的，所述预处理超声图像抑制了斑点噪声同时也滤除了许多高频信息，而高频信息也是超声图像细节信息；如此，本实施方式还需要提取预处理超声图像中的高频信息；相应的，提取高频信息可以通过高通滤波提取，也可以采用如下方式进行提取；所述步骤M1还包括：提取预处理超声图像中的高频信息；
所述高频信息的表达式为：
IHP＝I-Incd,其中，I表示原始的超声图像，Incd表示预处理超声图像。
进一步的，突变信息其实是边缘与非边缘之间灰度突变，将拉普拉斯图像以及边缘过渡图像叠加到预处理超声图像上，可以对预处理图像的边缘进行锐化，从而使预处理图像的边缘得到增强；相应的，所示步骤S3还包括：M2、将所述边缘过渡图像和所述拉普拉斯图像进行点乘，并将其结果叠加到所述预处理超声图像上，以获得边缘补偿图像；
其表达式为：
IedgeEnhance＝Incd+mag(▽Incd*Gρ)·▽2Incd，
其中，IedgeEnhanec表示边缘补偿图像，▽Incd表示对Incd求梯度，Gρ表示标准差为ρ的高斯核。
进一步的，由于所述预处理超声图像获取过程中，即去除了噪声也滤去了细节信息，导致超声图像的非边缘区域趋于平滑；如此，本发明一实施方式中按照梯度权重对非边缘区域进行细节叠加。则所述步骤S3还包括：M3、对获取的高频信息进行补偿以及对边缘补偿图像的非边缘区域进行增强以生成增强超声图像；
其表达式为：
Iadd＝IedgeEnhance+(1-β·mag(▽Incd*Gρ))·IHP
其中，Iadd表示增强超声图像，β为细节信号衰减因子，其取值范围为0至1。
进一步的，本发明一实施方式中，所述方法还包括：S4、对所述增强超声图像进行锐化去模糊处理生成最终需求的超声图像。
该实施方式中，上述的增强超声图像虽然进行了高频信息补偿处理，但由于补偿的细节信号经过衰减处理，所述增强超声图像图像偏模糊，故需要进一步的对细节信号进行锐化处理。
本实施方式中，所述步骤S4具体包括：
N1、对所述增强超声图像同时进行高斯滤波处理和对比度处理以分别获得模糊图像和对比度图像；
其表达式分别为：
Iblur＝Iadd*Gρ，
Icontrast＝Iadd+(Iadd-Imean)*c，
其中，Iblur表示模糊图像，Iadd表示增强超声图像，Gρ表示标准差为ρ的高斯核；Icontrast表示对比度图像，Imean表示增强超声图像的均值，c表示对比度因子；本实施方式中，c越大，获得的图像的对比度越高，但c过大也容易造成灰度饱和，在此不做详细赘述。
进一步的，所述步骤S4还包括：
N2、根据所述增强超声图像以及模糊图像形成模板图像；
其表达式分别为：
Imask＝Iadd-Iblur，其中，Imask表示模板图像；
该模板图像中包含增强超声图像中的细节突变信息。
进一步的，所述步骤S4还包括：
N3、将所述模板图像融合至所述对比度图像中形成最终需求的超声图像，以使获得的最终需求的超声图像的细节更加清晰。
Isharp＝Icontrast+k·Imask，
其中，Isharp表示最终需求的超声图像，k表示权重系数，k≥0。
结合图2所示，本发明一实施方式中，揭示一种超声图像的处理系统，所述系统包括：获取模块100、预处理模块200、边缘增强模块300以及锐化去模糊模块400。
获取模块100用于获取原始的超声图像。
具体的，在超声扫描仪工作过程中，使用超声探头压迫或者超声产生的声压力等沿着一个方向压迫组织，以此获得组织受压后返回的回波信号，进一步的，对回波信号进行解析，获取其对应该组织的原始的超声图像。
进一步的，本发明优选实施方式中，预处理模块200用于对获取的原始的超声图像进行预处理。本实施方式中，所述预处理模块200具体用于：对所述原始的超声图像进行非线性相干扩散滤波去噪保边预处理获得预处理超声图像；
在实际应用过程中，如果仅对原始的超声图像进行非线性相干扩散滤波去噪保边预处理，则可能会对处理后的超声图像造成过渡平滑，如此，该实施方式下，所述预处理模块200仅对原始的超声图像进行保边去噪预处理，以方便后续区分超声图像的边缘区域和非边缘区域。
需要说明的是，本发明的非线性相干扩散滤波去噪保边预处理过程采用NCD方程实现。
本发明具体实施方式中，NCD由传统的PM方程改进而来，其可以根据原始的超声图像的局部统计特性在非线性各向同性扩散、各向异性扩散和平均曲率运动扩散中切换。相应的，所述预处理模块200具体用于：
根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
该示例中，特征向量w1,w2表示了最大和最小的邻域变化方向，而特征值μ1,μ2表示对应这些变化方向上的强度；当μ1≈μ2≈0时，表示超声图像在该点附近任何方向灰度变化都很小，可以认为是平坦区域；当μ1≥μ2≈0时，表示超声图像沿某一方向的变化率远大于垂直于此方向的变换率，表明此处可能为边缘或流线状结构；当μ1＞μ2＞0时，表示灰度在两个方向的变化率都大，说明此处可能存在拐角。
由此，由此构造出结构张量D；所述预处理模块200还用于：根据所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，λ2＝α，α表示扩散速度，其为常数值，取值范围为0至1之间，s为扩散因子；
进一步的，所述预处理模块200还用于：根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，▽I表示对I求梯度。
本发明一优选实施方式中，上述的NCD方程中，非边缘区域沿梯度方向扩散速度和轮廓方向的扩散速度都为α，在边缘区域沿轮廓方向的扩散速度也为α；而超声图像中边缘区域的梯度不是恒定的，在梯度弱的边缘区域仍按定值速度扩散，将导致部分边缘变模糊。该优选实施方式中，在上述NCD方程的构建基础上对结构张量D的构建中引入超声图像梯度来决定不同梯度区域采用不同的扩散以保留更多的边缘。
相应的，将上述NCD构建过程中构建结构张量D的过程进行修改，所述预处理模块200可选择性用于：根据超声图像梯度获取不同梯度区域内新的扩散速度；
根据不同梯度区域内新的扩散速度，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α′，
α′＝α·e(1-g)
α表示扩散速度，其为常数值，取值范围为0至1之间，α′表示不同梯度区域内扩散速度，Norm()表示归一化处理；s为扩散因子。
进一步的，最终根据所述结构张量D构建的NCD方程也随之改变，在此不做详细赘述。
本发明再一优选实施方式中，上述的NCD方程中，随着扩散的不断进行，超声图像梯度绝对值会相应下降，与此同时，若扩散因子保持不变，则超声图像边缘将趋于模糊；相应的，将上述NCD构建过程中，构建结构张量D的过程进行修改，保证了随着扩散的进行扩散因子随着改变，超声图像边缘得以保持。相应的，所述预处理模块200可选择性用于：
根据不同时刻下的扩散因子，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α，
s(0)＝s,
s(t+1)＝s(t)·e-λ,λ∈(0,1]
α表示扩散速度，其为常数值，取值范围为0至1之间，s(t)表示在t时刻下的扩散因子。
进一步的，最终根据所述结构张量D构建的NCD方程也随之改变，在此不做详细赘述。
可以理解的是，上述构建结构张量D的过程中，所述预处理模块200可选择性用于：对构建NCD方程中的扩散速度α以及扩散因子s同时进行改进，如此，可同时解决上述两个问题，如此，所述结构张量表达为：
其中，
λ2＝α·e(1-g)，
s(0)＝s,
s(t+1)＝s(t)·e-λ,λ∈(0,1]，
该示例方程中，各个参数的具体释义可参照上述具体示例，在此不做继续赘述。
进一步的，本发明一实施方式中，所述边缘增强模块300用于：对所述预处理超声图像的边缘以及非边缘区域进行增强处理以生成增强超声图像；
所述边缘增强模块300具体用于：对所述预处理超声图像使用Sobel算子进行边缘检测，以获取边缘过渡图像；
对所述预处理超声图像使用Sobel算子进行边缘检测，以求取梯度，梯度值大说明可能处于边缘区域，反之认为该区域为非边缘区域。结合图3所示，揭示一种Sobel算子，其中两个Sobel算子分别对应X方向、Y方向，当然，在本发明其他实施方式中，所述Sobel算子的值也可以有所不同，在此不做详细赘述。
进一步的，所述边缘增强模块300还用于：对所述预处理超声图像使用Laplace算子进行图像突变信息检测，以获取拉普拉斯图像；
该步骤中，超声图像的边缘与非边缘之间存在灰度的突变，灰度的突变可以通过微分算子检测，采用Laplace算子进行突变信息检测得到拉普拉斯图像。结合图4所示，揭示一种Laplace算子；需要说明的是，与所述Sobel算子相类似的，Laplace算子的值也可以有所不同，在此不做详细赘述。
进一步的，所述预处理超声图像抑制了斑点噪声同时也滤除了许多高频信息，而高频信息也是超声图像细节信息；如此，本实施方式还需要提取预处理超声图像中的高频信息；相应的，提取高频信息可以通过高通滤波提取，也可以采用如下方式进行提取；所述边缘增强模块300还用于：提取预处理超声图像中的高频信息；
所述高频信息的表达式为：
IHP＝I-Incd,其中，I表示原始的超声图像，Incd表示预处理超声图像。
进一步的，突变信息其实是边缘与非边缘之间灰度突变，将拉普拉斯图像以及边缘过渡图像叠加到预处理超声图像上，可以对预处理图像的边缘进行锐化，从而使预处理图像的边缘得到增强；相应的，所示步骤S3还包括：M2、将所述边缘过渡图像和所述拉普拉斯图像进行点乘，并将其结果叠加到所述预处理超声图像上，以获得边缘补偿图像；
其表达式为：
IedgeEnhance＝Incd+mag(▽Incd*Gρ)·▽2Incd，
其中，IedgeEnhanec表示边缘补偿图像，▽Incd表示对Incd求梯度，Gρ表示标准差为ρ的高斯核。
进一步的，由于所述预处理超声图像获取过程中，即去除了噪声也滤去了细节信息，导致超声图像的非边缘区域趋于平滑；如此，本发明一实施方式中按照梯度权重对非边缘区域进行细节叠加。则所述边缘增强模块300还用于：对获取的高频信息进行补偿以及对边缘补偿图像的非边缘区域进行增强以生成增强超声图像；
其表达式为：
Iadd＝IedgeEnhance+(1-β·mag(▽Incd*Gρ))·IHP
其中，Iadd表示增强超声图像，β为细节信号衰减因子，其取值范围为0至1。
进一步的，本发明一实施方式中，所述锐化去模糊模块400用于对所述增强超声图像进行锐化去模糊处理生成最终需求的超声图像。
该实施方式中，上述的增强超声图像虽然进行了高频信息补偿处理，但由于补偿的细节信号经过衰减处理，所述增强超声图像图像偏模糊，故需要进一步的对细节信号进行锐化处理。
本实施方式中，所述锐化去模糊模块400具体用于：对所述增强超声图像同时进行高斯滤波处理和对比度处理以分别获得模糊图像和对比度图像；
其表达式分别为：
Iblur＝Iadd*Gρ，
Icontrast＝Iadd+(Iadd-Imean)*c，
其中，Iblur表示模糊图像，Iadd表示增强超声图像，Gρ表示标准差为ρ的高斯核；Icontrast表示对比度图像，Imean表示增强超声图像的均值，c表示对比度因子；本实施方式中，c越大，获得的图像的对比度越高，但c过大也容易造成灰度饱和，在此不做详细赘述。
进一步的，所述锐化去模糊模块400还用于：根据所述增强超声图像以及模糊图像形成模板图像；
其表达式分别为：
Imask＝Iadd-Iblur，其中，Imask表示模板图像；
该模板图像中包含增强超声图像中的细节突变信息。
进一步的，所述锐化去模糊模块400还用于：将所述模板图像融合至所述对比度图像中形成最终需求的超声图像，以使获得的最终需求的超声图像的细节更加清晰。
Isharp＝Icontrast+k·Imask，
其中，Isharp表示最终需求的超声图像，k表示权重系数，k≥0。
综上所述，本发明的超声图像的处理方法及处理系统，采用非线性相干扩散滤波对原始的超声图像进行去噪保边处理，对保边处理后的超声图像采用不同的算子对其边缘及非边缘区域进行增强，对边缘及非边缘区域增强的超声图像融合衰减信息做锐化滤镜处理，进而对于原始的超声图像即实现了斑点抑制、边缘增强，同时提高了其对比度，本发明可以明显提高图像质量，尤其是去除噪声和对边界的增强作用明显，而且本算法速度很快，可广泛适用于各种需要对超声图像进行实时处理的场合。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
以上所描述的装置实施方式仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施方式方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种超声图像的处理方法，其特征在于，所述方法包括以下步骤：
S1、获取原始的超声图像；
S2、对所述原始的超声图像进行非线性相干扩散滤波去噪保边预处理获得预处理超声图像；
S3、对所述预处理超声图像的边缘以及非边缘区域进行增强处理以生成增强超声图像；
S4、对所述增强超声图像进行锐化去模糊处理生成最终需求的超声图像；
其中，所述步骤S4具体包括：
N1、对所述增强超声图像同时进行高斯滤波处理和对比度处理以分别获得模糊图像和对比度图像；
其表达式分别为：
Iblur＝Iadd*Gρ，
Icontrast＝Iadd+(Iadd-Imean)*c，
其中，Iblur表示模糊图像，Iadd表示增强超声图像，Gρ表示标准差为ρ的高斯核；Icontrast表示对比度图像，Imean表示增强超声图像的均值，c表示对比度因子；
N2、根据所述增强超声图像以及模糊图像形成模板图像；
其表达式分别为：
Imask＝Iadd-Iblur，其中，Imask表示模板图像；
N3、将所述模板图像融合至所述对比度图像中形成最终需求的超声图像；
Isharp＝Icontrast+k·Imask，
其中，Isharp表示最终需求的超声图像，k表示权重系数，k≥0。
2.根据权利要求1所述的超声图像的处理方法，其特征在于，所述步骤S2具体包括：
P1、根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
P21、根据所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，λ2＝α，α表示扩散速度，其为常数值，取值范围为0至1之间，s为扩散因子；
P3、根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，表示对I求梯度。
3.根据权利要求1所述的超声图像的处理方法，其特征在于，所述步骤S2具体包括：
P1、根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
P22、根据超声图像梯度获取不同梯度区域内新的扩散速度；
根据不同梯度区域内新的扩散速度，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α′，
α′＝α·e(1-g)
α表示扩散速度，其为常数值，取值范围为0至1之间，α′表示不同梯度区域内扩散速度，Norm()表示归一化处理；s为扩散因子；
P3、根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，表示对I求梯度。
4.根据权利要求1所述的超声图像的处理方法，其特征在于，所述步骤S2具体包括：
P1、根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
P23、根据不同时刻下的扩散因子，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α，
s(0)＝s,
s(t+1)＝s(t)·e-λ,λ∈(0,1]
α表示扩散速度，其为常数值，取值范围为0至1之间，s(t)表示在t时刻下的扩散因子；
P3、根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，表示对I求梯度。
5.根据权利要求1所述的超声图像的处理方法，其特征在于，所述步骤S3具体包括：
M1、对所述预处理超声图像使用Sobel算子进行边缘检测，以获取边缘过渡图像；
对所述预处理超声图像使用Laplace算子进行图像突变信息检测，以获取拉普拉斯图像；
以及提取预处理超声图像中的高频信息；
所述高频信息的表达式为：
IHP＝I-Incd,其中，I表示原始的超声图像，Incd表示预处理超声图像；
M2、将所述边缘过渡图像和所述拉普拉斯图像进行点乘，并将其结果叠加到所述预处理超声图像上，以获得边缘补偿图像；
其表达式为：
其中，IedgeEnhance表示边缘补偿图像，表示对Incd求梯度，Gρ表示标准差为ρ的高斯核；
M3、对获取的高频信息进行补偿以及对边缘补偿图像的非边缘区域进行增强以生成增强超声图像；
其表达式为：
其中，Iadd表示增强超声图像，β为细节信号衰减因子，其取值范围为0至1。
6.一种超声图像的处理系统，其特征在于，所述系统包括：
获取模块，用于获取原始的超声图像；
预处理模块，用于对所述原始的超声图像进行非线性相干扩散滤波去噪保边预处理获得预处理超声图像；
边缘增强模块，用于对所述预处理超声图像的边缘以及非边缘区域进行增强处理以生成增强超声图像；
锐化去模糊模块，用于对所述增强超声图像进行锐化去模糊处理生成最终需求的超声图像；
其中，所述锐化去模糊模块具体用于：
对所述增强超声图像同时进行高斯滤波处理和对比度处理以分别获得模糊图像和对比度图像；
其表达式分别为：
Iblur＝Iadd*Gρ，
Icontrast＝Iadd+(Iadd-Imean)*c，
其中，Iblur表示模糊图像，Iadd表示增强超声图像，Gρ表示标准差为ρ的高斯核；Icontrast表示对比度图像，Imean表示增强超声图像的均值，c表示对比度因子；
所述锐化去模糊模块还用于：根据所述增强超声图像以及模糊图像形成模板图像；
其表达式分别为：
Imask＝Iadd-Iblur，其中，Imask表示模板图像；
所述锐化去模糊模块还用于：将所述模板图像融合至所述对比度图像中形成最终需求的超声图像；
Isharp＝Icontrast+k·Imask，
其中，Isharp表示最终需求的超声图像，k表示权重系数，k≥0。
7.根据权利要求6所述的超声图像的处理系统，其特征在于，所述预处理模块具体用于：
根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
所述预处理模块还用于：根据所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，λ2＝α，α表示扩散速度，其为常数值，取值范围为0至1之间，s为扩散因子；
所述预处理模块还用于：根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，表示对I求梯度。
8.根据权利要求6所述的超声图像的处理系统，其特征在于，所述预处理模块具体用于：
根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
所述预处理模块还用于：根据超声图像梯度获取不同梯度区域内新的扩散速度；
根据不同梯度区域内新的扩散速度，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α′，
α′＝α·e(1-g)
α表示扩散速度，其为常数值，取值范围为0至1之间，α′表示不同梯度区域内扩散速度，Norm()表示归一化处理；s为扩散因子；
所述预处理模块还用于：根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，表示对I求梯度。
9.根据权利要求6所述的超声图像的处理系统，其特征在于，所述预处理模块具体用于：
根据结构矩阵获取特征向量以及特征值；
其中，Jρ表示结构矩阵，Ix表示水平梯度，Iy表示垂直梯度，*表示卷积，Gρ表示标准差为ρ的高斯核，w1,w2表示特征向量，μ1,μ2表示特征值，T表示转置；
所述预处理模块还用于：根据不同时刻下的扩散因子，所述特征向量和所述特征值构建结构张量；
所述结构张量表达为：
其中，
λ2＝α，
s(0)＝s,
s(t+1)＝s(t)·e-λ,λ∈(0,1]
α表示扩散速度，其为常数值，取值范围为0至1之间，s(t)表示在t时刻下的扩散因子；
所述预处理模块还用于：根据所述结构张量构建NCD方程，其表达为：
为求导符号，I(x,y,t)表示对应像素点(x，y)在t时刻下的超声图像，div表示散度算子，I0表示初始时刻下的超声图像，D表示结构张量，表示对I求梯度。
10.根据权利要求6所述的超声图像的处理系统，其特征在于，所述边缘增强模块具体用于：
对所述预处理超声图像使用Sobel算子进行边缘检测，以获取边缘过渡图像；对所述预处理超声图像使用Laplace算子进行图像突变信息检测，以获取拉普拉斯图像；以及提取预处理超声图像中的高频信息；
所述高频信息的表达式为：
IHP＝I-Incd,其中，I表示原始的超声图像，Incd表示预处理超声图像；
所述边缘增强模块还用于：将所述边缘过渡图像和所述拉普拉斯图像进行点乘，并将其结果叠加到所述预处理超声图像上，以获得边缘补偿图像；
其表达式为：
其中，IedgeEnhance表示边缘补偿图像，表示对Incd求梯度，Gρ表示标准差为ρ的高斯核；
所述边缘增强模块还用于：对获取的高频信息进行补偿以及对边缘补偿图像的非边缘区域进行增强以生成增强超声图像；
其表达式为：
其中，Iadd表示增强超声图像，β为细节信号衰减因子，其取值范围为0至1。
CN201710042037.4A 2017-01-20 2017-01-20 超声图像的处理方法及处理系统 Active CN106875353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710042037.4A CN106875353B (zh) 2017-01-20 2017-01-20 超声图像的处理方法及处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710042037.4A CN106875353B (zh) 2017-01-20 2017-01-20 超声图像的处理方法及处理系统

Publications (2)

Publication Number Publication Date
CN106875353A CN106875353A (zh) 2017-06-20
CN106875353B true CN106875353B (zh) 2019-11-08

Family

ID=59158600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710042037.4A Active CN106875353B (zh) 2017-01-20 2017-01-20 超声图像的处理方法及处理系统

Country Status (1)

Country Link
CN (1) CN106875353B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516302A (zh) * 2017-08-31 2017-12-26 北京无线电计量测试研究所 一种基于OpenCV的混合图像增强的方法
CN109118442B (zh) * 2018-07-20 2021-08-03 湖北工业大学 一种基于Sobel算子滤波的图像增强方法
CN110263640A (zh) * 2019-05-16 2019-09-20 东软集团股份有限公司 铸坯缩孔识别方法、装置、存储介质及电子设备
CN111340739A (zh) * 2020-03-24 2020-06-26 珠海嘉润医用影像科技有限公司 一种图像处理方法及系统
CN111724404A (zh) * 2020-06-28 2020-09-29 深圳市慧鲤科技有限公司 边缘检测方法及装置、电子设备及存储介质
CN114022444A (zh) * 2021-11-04 2022-02-08 青岛海信医疗设备股份有限公司 超声图像的处理方法及装置
CN114638849B (zh) * 2022-05-19 2022-09-09 山东亚历山大智能科技有限公司 Dm二维码识别方法、agv定位方法、系统及agv

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1892696A (zh) * 2005-07-08 2007-01-10 深圳迈瑞生物医疗电子股份有限公司 超声图像边缘锐化与斑点抑制方法
CN102136138A (zh) * 2011-03-28 2011-07-27 深圳市蓝韵实业有限公司 一种医学图像降噪与增强的处理方法
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
CN102708553A (zh) * 2012-05-29 2012-10-03 飞依诺科技(苏州)有限公司 一种实时超声图像斑点噪声抑制方法
CN102722874A (zh) * 2012-05-29 2012-10-10 飞依诺科技(苏州)有限公司 超声图像斑点噪声抑制方法
CN103345731A (zh) * 2013-07-22 2013-10-09 上海大学 基于McIlhagga边缘检测算子的各向异性扩散图像降噪方法
CN104680495A (zh) * 2015-03-17 2015-06-03 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100484479C (zh) * 2005-08-26 2009-05-06 深圳迈瑞生物医疗电子股份有限公司 超声图像增强与斑点抑制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1892696A (zh) * 2005-07-08 2007-01-10 深圳迈瑞生物医疗电子股份有限公司 超声图像边缘锐化与斑点抑制方法
CN102136138A (zh) * 2011-03-28 2011-07-27 深圳市蓝韵实业有限公司 一种医学图像降噪与增强的处理方法
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
CN102708553A (zh) * 2012-05-29 2012-10-03 飞依诺科技(苏州)有限公司 一种实时超声图像斑点噪声抑制方法
CN102722874A (zh) * 2012-05-29 2012-10-10 飞依诺科技(苏州)有限公司 超声图像斑点噪声抑制方法
CN103345731A (zh) * 2013-07-22 2013-10-09 上海大学 基于McIlhagga边缘检测算子的各向异性扩散图像降噪方法
CN104680495A (zh) * 2015-03-17 2015-06-03 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Multiplicative Gradient-Based Anisotropic Diffusion Approach for Speckle Noise Removal;Romulus Terebes 等;《The 5th IEEE International Conference on E-Health and Bioengineering - EHB 2015》;20151121;1-6 *
Real time adaptive ultrasound speckle reduction and coherence enhancement;Khaled Z. Abd-Elmoniem 等;《 Proceedings 2000 International Conference on Image Processing》;20000913;172-175 *
一种复合各向异性扩散的图像去噪算法;陈婷婷 等;《数据采集与处理》;20140930;第29卷(第5期);757-763 *
基于医学成像的斑点降噪与特征保持的研究及实现;王宇辉;《中国优秀硕士学位论文全文数据库信息科技辑》;20130615;第2013年卷(第6期);第3.3节，图3.4-3.5 *
自适应SUSAN扩散的超声图像去噪算法;徐宇贵 等;《电子测量与仪器学报》;20120430;第26卷(第4期);331-337 *

Also Published As

Publication number Publication date
CN106875353A (zh) 2017-06-20

Similar Documents

Publication Publication Date Title
CN106875353B (zh) 超声图像的处理方法及处理系统
Makandar et al. Image enhancement techniques using highpass and lowpass filters
US11151414B2 (en) Training image enhancement model and enhancing image
CN108921800A (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
Kanwal et al. Region based adaptive contrast enhancement of medical X-ray images
US20130202177A1 (en) Non-linear resolution reduction for medical imagery
Goyal et al. Two-dimensional gray scale image denoising via morphological operations in NSST domain & bitonic filtering
US20170140545A1 (en) Phase transform for object and shape detection in digital images
Joshi et al. An improved approach for denoising MRI using non local means filter
Sharma et al. Identification of pre-processing technique for enhancement of mammogram images
Dewangan et al. Image smoothening and sharpening using frequency domain filtering technique
Elahi et al. BM3D mridenoising equipped with noise invalidation technique
Joseph et al. A modified unsharp masking with adaptive threshold and objectively defined amount based on saturation constraints
Raj et al. Denoising of medical images using total variational method
Septiana et al. X-ray image enhancement using a modified anisotropic diffusion
Lan et al. Multimodal medical image fusion using wavelet transform and human vision system
CN112785520B (zh) Ct图像伪影去除方法
Bhonsle et al. Medical Image De-Noising Using Combined Bayes Shrink and Total Variation Techniques
Zhang et al. Image denoising using local adaptive layered Wiener filter in the gradient domain
US20230133074A1 (en) Method and Apparatus for Noise Reduction
Garg et al. Comparative analysis of various filters for denoising of the spinal cord MRIs
Ghatwary et al. Liver CT enhancement using fractional differentiation and integration
Jeevakala et al. Non local means filter based Rician noise removal of MR images
Mohan et al. A novel method of medical image denoising using bilateral and NLM filtering
Thitivirut et al. Image Enhancement by using Triple Filter and Histogram Equalization for Organ Segmentation

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 215123 5th floor, building a, 4th floor, building C, No. 27, Xinfa Road, Suzhou Industrial Park, Jiangsu Province

Patentee after: Feiyinuo Technology (Suzhou) Co.,Ltd.

Address before: 215123 5th floor, building a, 4th floor, building C, No. 27, Xinfa Road, Suzhou Industrial Park, Jiangsu Province

Patentee before: VINNO TECHNOLOGY (SUZHOU) Co.,Ltd.

Address after: 215123 5th floor, building a, 4th floor, building C, No. 27, Xinfa Road, Suzhou Industrial Park, Jiangsu Province

Patentee after: Feiyinuo Technology Co.,Ltd.

Address before: 215123 5th floor, building a, 4th floor, building C, No. 27, Xinfa Road, Suzhou Industrial Park, Jiangsu Province

Patentee before: Feiyinuo Technology (Suzhou) Co.,Ltd.

CP01 Change in the name or title of a patent holder