CN107705260A - 医学x光图像的去噪系统 - Google Patents
医学x光图像的去噪系统 Download PDFInfo
- Publication number
- CN107705260A CN107705260A CN201710925287.2A CN201710925287A CN107705260A CN 107705260 A CN107705260 A CN 107705260A CN 201710925287 A CN201710925287 A CN 201710925287A CN 107705260 A CN107705260 A CN 107705260A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- module
- msub
- noise
- 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 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000006002 Pepper Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000011017 operating method Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 241000271566 Aves Species 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001788 irregular Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000008521 reorganization Effects 0.000 claims description 2
- 230000011664 signaling Effects 0.000 claims description 2
- 238000002592 echocardiography Methods 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 3
- 230000004807 localization Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于医学领域，具体是一种医学X光图像的去噪系统，包括依次首尾相连的预处理模块、分解模块以及重构处理模块；预处理模块的还连接于采集模块、图像存储模块和图像传输模块，图像采集模块连接图像存储模块，图像存储模块连接预处理模块及图像传输模块，图像传输模块与预处理模块相连接。医学X光图像的去噪系统，可编为操作代码，存入X计算机硬盘，在采集X光片图像时自动运行，有效的实现X光图像去噪。改进型的小波阈值法避免了硬阈值不连续及软阈值存在恒定偏差的不足，小波局部化特性能有效保护图像边缘细节信息，比较适合噪声方差比较小的噪声。
Description
技术领域
本发明属于医学领域，具体是一种医学X光图像的去噪系统。
背景技术
X光医学图像是现代医学诊断疾病重要的参考依据，射线是X光图像的信息源，最初是由德国著名的物理学家伦琴在1895年发现的，之后被用于了医学成像。X光图像的成像原理是由于待成像物体各组成部分的密度不同，因而对X射线的吸收也不同，透射X射线的强度不同，从而在乳胶上形成了X光图像。这种技术可以使患者的体内情况不用开刀就可以被医生观察到，减轻了患者的痛苦。随着计算机技术的发展，实现了X光数字化图像，更加方便存储、传输。X光数字画图像成像过程中，由于受到设备仪器精度误差、操作不当等因素，会在一定程度上或多或少会产生一些的噪声，使得图像的对比度下降。它会影响医生对X光图像的分析，难以从X光图像上得到有效信息，进而影响到对疾病的诊断。
关于去除X光图像上的噪声，目前大多采用中值滤波法，均值滤波法，小波阈值法三大类。中值滤波法是一种基于排序统计理论的非线性数字滤波方法，对于椒盐噪声具有很好的抑制作用，并且在滤除的同时能有效保护好图像的边缘等细节信息。均值滤波法设计原则类似中值滤波，但是对于椒盐噪声效果不如中值滤波。它的作用削弱图像的高频分量，增强图像的低频分量。一般用于消除图像的随机噪声。小波阈值法主要是处理高斯噪声，因为其在空间域和频域同时具有良好的局部化特性，能够呈现图像的任意细节部分，可以对图像多尺度分解，通过选择合适的阈值，将小波系数大于阈值将其保留，小于阈值的置零，然后将处理后小波系数进行重组。因为X光图像一般产生的是混合噪声，包含非高斯和高斯两部分，上述的方法中没有一种能够有效滤除混合噪声部分。
发明专利申请号200710070013.6提出一种基于振荡网络的医学图像分割方法，是针对于光照不均匀的图像难以用统一的门限进行分割、对噪声和灰度不均匀较敏感等问题。本发明方法首先建立振荡网络接着在网络内搜索寻找振荡发起点，由发起点开始振荡，向周边邻域进行迭代扩充、接着振荡发生结束后，以有无标记为根据分割出"目标"和"背景"。综合了图像分割中基于边缘跟踪的方法和基于区域生长方法的优点，但是对于边界模糊的图像振荡法效果不佳。
发明专利CN103500441A在处理X光图像也只是把噪声全部看作高斯噪声，忽略了非高斯部分，这就使得该方法使用时具有一定局限性。
发明内容
为了能够有效的去除X光图像的高斯部分噪声和非高斯部分噪声，同时尽可能的保留图像的原始信息，本发明提出了医学X光图像的去噪系统。
为了实现上述目的，本发明提供如下技术方案：医学X光图像的去噪系统包括依次首尾相连的预处理模块、分解模块以及重构处理模块；所述预处理模块的还连接于图像采集模块、图像存储模块和图像传输模块，所述图像采集模块连接所述图像存储模块，所述图像存储模块连接所述预处理模块及所述图像传输模块，所述图像传输模块与所述预处理模块相连接；所述图像采集模块包括扫描仪或影像获取设备；所述影像获取设备包括图像传感器及图像采集卡；所述图像存储模块包括存储局域网及数据库；所述存储局域网包括应用服务器、光纤交换机、磁盘阵列柜和磁带库；所述图像传输模块包括医院局域网或工作站。
医学X光图像的去噪系统的操作方法，包括以下步骤：
(1)通过图像采集模块采集获取一帧待处理X光骨骼图像，待处理X光骨骼图像存储于图像存储模块中备用，通过图像传输模块间接传送至预处理模块或直接传送至预处理模块中，经预处理模块预处理得到待去噪图像，分析待去噪图像的噪声类型为非高斯噪声或高斯噪声；
(2)为非高斯噪声时，分解模块进行处理，将待去噪图像进行像素分解，通过建立3×3滤波窗口对噪声滤出，然后分别计算窗口内与中心像素相邻的水平像素，垂直像素及两个对角像素的像素差之和，取平均值与设定阈值比较，最后将小于阈值像素保留并进行重组；经过步骤(2)将非高斯噪声转换成高斯噪声；
(3)为高斯噪声时，重构处理模块进行处理，利用小波对分解模块处理后的图像进行多尺度分解，设定上限阈值和下限阈值，将小波系数低于下限阈值的小波系数置零，其它小波系数作阈值量化处理，最后重构处理后小波系数；
(4)得到最终去噪处理后的清晰X光图像。
和现有技术先比，本发明的优点在于：医学X光图像的去噪系统，可编为操作代码，存入X计算机硬盘，在采集X光片图像时自动运行，有效的实现X光图像去噪。改进型的小波阈值法避免了硬阈值不连续及软阈值存在恒定偏差的不足，小波局部化特性能有效保护图像边缘细节信息，比较适合噪声方差比较小的噪声，提高图像质量。
附图说明
为了更清楚地说明本发明实施的技术方案，下面是针对本发明的一些附图，供参考使用。
图1是本发明X光图像去噪系统及原理结构示意图；
图2是X光图像去噪前后效果对比示意图；
图3是处理后图像的性能指标MSE和PSNR对比图。
具体实施方式
为了使本发明的技术方案，优点更加清楚明白，下面将结合附图具体步骤做细致的说明。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种医学X光图像的去噪系统，如图1所示，包括依次首尾相连的预处理模块、分解模块以及重构处理模块；预处理模块的还连接于图像采集模块、图像存储模块和图像传输模块，图像采集模块连接图像存储模块，图像存储模块连接预处理模块及图像传输模块，图像传输模块与预处理模块相连接；图像采集模块包括扫描仪或影像获取设备；影像获取设备包括图像传感器及图像采集卡；图像存储模块包括存储局域网及数据库；存储局域网包括应用服务器、光纤交换机、磁盘阵列柜和磁带库；图像传输模块包括医院局域网或工作站。
如图1所示，为本发明实施例关于X光图像去噪的流程图，医学X光图像的去噪系统的操作方法，包括以下步骤：
(1)通过图像采集模块采集获取一帧待处理X光骨骼图像，待处理X光骨骼图像存储于图像存储模块中备用，通过图像传输模块间接传送至预处理模块或直接传送至预处理模块中，经预处理模块预处理得到待去噪图像，分析待去噪图像的噪声类型为非高斯噪声或高斯噪声；
(2)为非高斯噪声时，分解模块进行处理，将待去噪图像进行像素分解，通过建立3×3滤波窗口对噪声滤出，然后分别计算窗口内与中心像素相邻的水平像素，垂直像素及两个对角像素的像素差之和，取平均值与设定阈值比较，最后将小于阈值像素保留并进行重组；经过步骤(2)将非高斯噪声转换成高斯噪声；
(3)为高斯噪声时，重构处理模块进行处理，利用小波对分解模块处理后的图像进行多尺度分解，设定上限阈值和下限阈值，将小波系数低于下限阈值的小波系数置零，其它小波系数作阈值量化处理，最后重构处理后小波系数；
(4)得到最终去噪处理后的清晰X光图像。
实施例1
医学上的X光图像在采集、处理和传输过程中，由于各种原因的影响，或多或少会出现存在各种噪声、对比度不好等现象。其中，噪声的类型也比较复杂，为方便研究可分为高斯噪声和非高斯噪声两部分，医学上对图像清晰度要求比较高，所以寻找一种方法能同时对两类噪声进行消除是的X光图像去噪的关键。这里的非高斯部分主要是椒盐噪声，高斯部分主要是以颗粒状高斯噪声为主。分解模块进行处理时，非高斯噪声主要是椒盐噪声。
由于非高斯噪声为随机分布h1(x)＝(x1,x2,x3,x4,…,xn)，xi(i＝1,2.3…n)为分解后图像像素，各噪声点排布无规律，去噪时采用非线性中值滤波去噪效果会比较好，而高斯噪声像素排布成正态分布趋势，h2(x)～N(0，1)，在去噪时选择小波，利用其多尺度分辨性及小波在时域和频域方向的局部性等性质，可有效解决噪声问题。
在采集图像原始图像，往往部分噪声已经做了处理。这里为证明本发明所用方法的有效性，分别添加噪声密度为0.2椒盐噪声和方差为0.2的高斯噪声；
非高斯噪声用h1(x)表示，高斯噪声用h2(x)表示，选择模型中合适τ值。
实施例2
分解模块进行处理时，分解模块利用改进型中值滤波对含噪图像的非高斯部分滤除，具体操作方法为：
a.采用3×3奇数模板，在滤波窗口内，目标像素H(i，j)，中值滤波后G(i，j)；
b.将窗口内MAX(H(i，j))&MIN(H(i，j))为噪声点，标记为0，others为信号点，标记为1。滤波窗口如图2所示；
c.观察λi(i＝1，2，3，…，6)的值；
其中：λ1＝2×H(i，j)-H(i-1，j)-H(i+1，j)，λ2＝2×H(i，j)-H(i，j-1)-H(i，j+1)，λ3＝2H(i，j)-H(i-1，j-1)-H(i+1，j+1)，λ4＝2H(i，j)-H(i+1，j-1)-H(i-1，j+1)；
| H(i-1，j-1) | H(i-1，j) | H(i-1，j+1) |
| H(i，j-1) | H(i，j) | H(i，j+1) |
| H(i+1，j-1) | H(i+1，j) | H(i+1，j+1) |
选取λ1～λ4的平均值与阈值T比较，当大于或者等于阈值时，继续标记为0，否则标记为1。
分解模块进行处理时，阈值的求法如下：
计算模板内与中心像素点相邻的8个邻点均值ave和方差var。 计算模板内中心像素和他相邻像素做差取绝对值
|Δφ(i，j)|(i，j＝1，2，…，8)；则阈值T＝Φ[ave/(ave+var)]，最后将标记为1的像素重组，即可实现去噪。
实施例3
重构处理模块进行处理时，高斯噪声主要是颗粒状高斯噪声；因为传统阈值法主要是硬阈值和软阈值。硬阈值的不连续性会使处理后的图像产生较大均方误差，出现振荡。软阈值估计得到的小波系数与实际小波系数总存在恒定偏差，使得处理后的图像过于平滑，尤其是图像的边界。本发明所使用是一种新的改进型阈值方法，弥补硬阈值与软阈值的不足，更好地保护了图像的边缘信息。
重构处理模块利用改进型小波阈值法对高斯噪声进行滤除，具体操作方法为：利用小波的时频特性和多分辨率性对含噪图像进行多尺度分解，小波基db8，分解层数为3，在每一尺度上得到高频系数和低频系数，设定上限阈值和下限阈值，将低于下限阈值的小波系数置零，其它小波系数通过对应的阈值函数作量化处理，最后重构处理后小波系数。
重构处理模块所使用的阈值函数：
其中，a为0.1，T为阈值，T0＝0.4T，wi,j为小波系数，为变换后的小波系数，sign(·)为符号函数，阈值T为是对噪声水平的估计值，N是信号长度。该方法在T和T0点都连续，经处理后的图像能够较好保留图像的边缘信息。
图2(a)为不含噪声原始X光图像；图2(b)为添加噪声后的X光图像；图2(c)为改进型中值滤波处理后的图像；图2(d)为改进型小波阈值处理后的图像。通过图2(a)、图2(b)、图2(c)和图2(d)分析比较可以看出，经过本医学X光图像的去噪系统去噪处理后得到的X光图像的清晰度有了明显的改善。
实施例4
通过客观评价指标均方误差MSE和峰值信噪比PSNR对图像进行评价结果。需要注意在许多实验结果中，人眼对图像识别结果与PSNR的分数并不完全一致，可能PSNR分数较高的图像质量不一定高，这主要是因为人眼对误差的敏感度会受到很多因素影响，并不是绝对的。通过实验数据的分析，具体如图3所示，本发明的去噪方法在噪声方差为0.2、0.3、0.4、0.5时，MSE会逐渐递增，PSNR会逐渐递减。得出本发明比较适合噪声方差比较小的噪声，对被噪声严重污染的图像去噪能力稍弱。
以上所述，仅是本发明的较佳实施例，并非对本发明范围的限制，凡是在本发明的相关技术及实施例基础上所作简单修改，等同的替换和改进等，均属于本发明的保护范围。
Claims (5)
1.医学X光图像的去噪系统，其特征在于：包括依次首尾相连的预处理模块、分解模块以及重构处理模块；所述预处理模块的还连接于图像采集模块、图像存储模块和图像传输模块，所述图像采集模块连接所述图像存储模块，所述图像存储模块连接所述预处理模块及所述图像传输模块，所述图像传输模块与所述预处理模块相连接；所述图像采集模块包括扫描仪或影像获取设备；所述影像获取设备包括图像传感器及图像采集卡；所述图像存储模块包括存储局域网及数据库；所述存储局域网包括应用服务器、光纤交换机、磁盘阵列柜和磁带库；所述图像传输模块包括医院局域网或工作站；
医学X光图像的去噪系统的操作方法，包括以下步骤：
(1)通过图像采集模块采集获取一帧待处理X光骨骼图像，待处理X光骨骼图像存储于图像存储模块中备用，通过图像传输模块间接传送至预处理模块或直接传送至预处理模块中，经预处理模块预处理得到待去噪图像，分析待去噪图像的噪声类型为非高斯噪声或高斯噪声；
(2)为非高斯噪声时，分解模块进行处理，将待去噪图像进行像素分解，通过建立3×3滤波窗口对噪声滤出，然后分别计算窗口内与中心像素相邻的水平像素，垂直像素及两个对角像素的像素差之和，取平均值与设定阈值比较，最后将小于阈值像素保留并进行重组；经过步骤(2)将非高斯噪声转换成高斯噪声；
(3)为高斯噪声时，重构处理模块进行处理，利用小波对分解模块处理后的图像进行多尺度分解，设定上限阈值和下限阈值，将小波系数低于下限阈值的小波系数置零，其它小波系数作阈值量化处理，最后重构处理后小波系数；
(4)得到最终去噪处理后的清晰X光图像。
2.根据权利要求1所述的医学X光图像的去噪系统，其特征在于，分解模块进行处理时，非高斯噪声主要是椒盐噪声；
非高斯噪声为随机分布h1(x)＝(x1,x2,x3,x4,…,xn)，xi(i＝1,2.3…n)为分解后图像像素，各噪声点排布无规律，采用非线性中值滤波去噪；高斯噪声像素排布成正态分布趋势，h2(x)～N(0,1)，利用多尺度分辨性及小波去噪；非高斯噪声用h1(x)表示，高斯噪声用h2(x)表示，选择模型中合适τ值。
3.根据权利要求1所述的医学X光图像的去噪系统，其特征在于，分解模块进行处理时，分解模块利用改进型中值滤波对含噪图像的非高斯部分滤除，具体操作方法为：
a.采用3×3奇数模板，在滤波窗口内，目标像素H(i,j)，中值滤波后G(i,j)；
b.将窗口内MAX(H(i,j))&MIN(H(i,j))为噪声点，标记为0，others为信号点，标记为1。滤波窗口如图2所示；
c.观察λi(i＝1,2,3,…,6)的值；
其中：λ1＝2×H(i,j)-H(i-1,j)-H(i+1,j)，λ2＝2×H(i,j)-H(i,j-1)-H(i,j+1)，λ3＝2H(i,j)-H(i-1,j-1)-H(i+1,j+1)，λ4＝2H(i,j)-H(i+1,j-1)-H(i-1,j+1)；
选取λ1～λ4的平均值λ与阈值T比较，当大于或者等于阈值时，继续标记为0，否则标记为1。
4.根据权利要求3所述的医学X光图像的去噪系统，其特征在于，分解模块进行处理时，阈值的求法如下：
计算模板内与中心像素点相邻的8个邻点均值ave和方差var。 计算模板内中心像素和他相邻像素做差取绝对值|Δφ(i,j)|(i,j＝1,2,…,8)；则阈值T＝Φ[ave/(ave+var)]，最后将标记为1的像素重组，即可实现去噪。
5.根据权利要求1所述的医学X光图像的去噪系统，其特征在于，重构处理模块进行处理时，高斯噪声主要是颗粒状高斯噪声；重构处理模块利用改进型小波阈值法对高斯噪声进行滤除，具体操作方法为：
利用小波的时频特性和多分辨率性对含噪图像进行多尺度分解，小波基db8，分解层数为3，在每一尺度上得到高频系数和低频系数，设定上限阈值和下限阈值，将低于下限阈值的小波系数置零，其它小波系数通过对应的阈值函数作量化处理，最后重构处理后小波系数；
重构处理模块所使用的阈值函数：
<mrow>
<msub>
<mover>
<mi>w</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>-</mo>
<mi>a</mi>
<mi>T</mi>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>-</mo>
<mi>a</mi>
<mi>T</mi>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mo>,</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>-</mo>
<mi>a</mi>
<mi>T</mi>
<mo>)</mo>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>.</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo><</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo><</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中，a为0.1，T为阈值，T0＝0.4T，wi,j为小波系数，为变换后的小波系数，sign(·)为符号函数，阈值T为是对噪声水平的估计值，N是信号长度。该方法在T和T0点都连续，经处理后的图像能够较好保留图像的边缘信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710925287.2A CN107705260B (zh) | 2017-10-03 | 2017-10-03 | 医学x光图像的去噪系统及计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710925287.2A CN107705260B (zh) | 2017-10-03 | 2017-10-03 | 医学x光图像的去噪系统及计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107705260A true CN107705260A (zh) | 2018-02-16 |
| CN107705260B CN107705260B (zh) | 2019-02-12 |
Family
ID=61184595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710925287.2A Active CN107705260B (zh) | 2017-10-03 | 2017-10-03 | 医学x光图像的去噪系统及计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107705260B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198567A (zh) * | 2018-02-22 | 2018-06-22 | 成都启英泰伦科技有限公司 | 一种新型语音除噪系统 |
| CN108961179A (zh) * | 2018-06-19 | 2018-12-07 | 上海中和软件有限公司 | 一种医学图像后处理系统及其使用方法 |
| CN109035538A (zh) * | 2018-10-16 | 2018-12-18 | 深圳美特优科技有限公司 | 一种基于人脸识别的来访人员登记查验装置 |
| CN110930330A (zh) * | 2019-11-22 | 2020-03-27 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
| CN110993122A (zh) * | 2019-11-01 | 2020-04-10 | 广东炬海科技股份有限公司 | 一种基于云计算的医疗健康信息管理系统 |
| CN111681667A (zh) * | 2020-06-23 | 2020-09-18 | 青岛科技大学 | 基于自适应窗口滤波和小波阈值优化的水声信号去噪方法 |
| CN113160080A (zh) * | 2021-04-16 | 2021-07-23 | 桂林市啄木鸟医疗器械有限公司 | 一种cr影像降噪方法、装置、设备及介质 |
| CN116091483A (zh) * | 2023-03-02 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于openCV的水库大坝裂缝检测方法 |
| CN116309447A (zh) * | 2023-03-17 | 2023-06-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
-
2017
- 2017-10-03 CN CN201710925287.2A patent/CN107705260B/zh active Active
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198567A (zh) * | 2018-02-22 | 2018-06-22 | 成都启英泰伦科技有限公司 | 一种新型语音除噪系统 |
| CN108961179B (zh) * | 2018-06-19 | 2022-10-18 | 上海中和软件有限公司 | 一种医学图像后处理系统及其使用方法 |
| CN108961179A (zh) * | 2018-06-19 | 2018-12-07 | 上海中和软件有限公司 | 一种医学图像后处理系统及其使用方法 |
| CN109035538A (zh) * | 2018-10-16 | 2018-12-18 | 深圳美特优科技有限公司 | 一种基于人脸识别的来访人员登记查验装置 |
| CN110993122A (zh) * | 2019-11-01 | 2020-04-10 | 广东炬海科技股份有限公司 | 一种基于云计算的医疗健康信息管理系统 |
| CN110930330A (zh) * | 2019-11-22 | 2020-03-27 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
| CN110930330B (zh) * | 2019-11-22 | 2022-05-31 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
| WO2021258832A1 (zh) * | 2020-06-23 | 2021-12-30 | 青岛科技大学 | 基于自适应窗口滤波和小波阈值优化的水声信号去噪方法 |
| CN111681667A (zh) * | 2020-06-23 | 2020-09-18 | 青岛科技大学 | 基于自适应窗口滤波和小波阈值优化的水声信号去噪方法 |
| CN113160080A (zh) * | 2021-04-16 | 2021-07-23 | 桂林市啄木鸟医疗器械有限公司 | 一种cr影像降噪方法、装置、设备及介质 |
| CN113160080B (zh) * | 2021-04-16 | 2023-09-22 | 桂林市啄木鸟医疗器械有限公司 | 一种cr影像降噪方法、装置、设备及介质 |
| CN116091483A (zh) * | 2023-03-02 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于openCV的水库大坝裂缝检测方法 |
| CN116309447A (zh) * | 2023-03-17 | 2023-06-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
| CN116309447B (zh) * | 2023-03-17 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107705260B (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107705260A (zh) | 医学x光图像的去噪系统 | |
| CN105761216B (zh) | 一种图像去噪处理方法及装置 | |
| Naranjo et al. | Metal artifact reduction in dental CT images using polar mathematical morphology | |
| Raj et al. | Denoising of medical images using dual tree complex wavelet transform | |
| CN106798554A (zh) | 一种含噪imf分量及心电信号的去噪方法 | |
| Elamvazuthi et al. | Despeckling of ultrasound images of bone fracture using multiple filtering algorithms | |
| Lu et al. | Nonlocal Means‐Based Denoising for Medical Images | |
| CN109003232B (zh) | 基于频域尺度平滑Shearlet的医学MRI图像去噪方法 | |
| CN103034989B (zh) | 一种基于优质先验图像的低剂量cbct图像去噪方法 | |
| CN112070785A (zh) | 一种基于计算机视觉的医学图像分析方法 | |
| Bhateja et al. | Medical image fusion in wavelet and ridgelet domains: a comparative evaluation | |
| Bal et al. | An efficient wavelet and curvelet-based PET image denoising technique | |
| Yang | Multiresolution Image Fusion Based on Wavelet Transform By Using a Novel Technique for Selection Coefficients. | |
| CN103632341A (zh) | 一种塔式分解和字典学习的带噪cs-mri重构方法 | |
| CN102637292B (zh) | 一种图像的处理方法和装置 | |
| Liu et al. | An effective wavelet-based scheme for multi-focus image fusion | |
| Diwakar et al. | CT Image noise reduction based on adaptive wiener filtering with wavelet packet thresholding | |
| CN114510976B (zh) | 基于双变量阈值函数的呼吸信号去噪方法及装置 | |
| CN113205461B (zh) | 一种低剂量ct影像去噪模型训练方法、去噪方法及装置 | |
| Qian et al. | Digital mammography: M-channel quadrature mirror filters (QMFs) for microcalcification extraction | |
| Loganathan et al. | Active contour based medical image segmentation and compression using biorthogonal wavelet and embedded zerotree | |
| AlAsadi | Contourlet transform based method for medical image denoising | |
| Lazrag et al. | Despeckling of intravascular ultrasound images using curvelet transform | |
| Mehta et al. | Multimodal medical image fusion using guided filter in NSCT domain | |
| Kadam et al. | A comparative study of image denoising techniques for medical images |
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: 20190102 Address after: 518172 No. 3 Workshops A1402 and A1403 of Tianan Digital Innovation Park, Longgang District, Shenzhen City, Guangdong Province Applicant after: SHENZHEN BASDA MEDICAL CO., LTD. Address before: 266738 Pingdu People's Hospital, 112 Yangzhou Road, Pingdu City, Qingdao City, Shandong Province Applicant before: Chen Zhiying |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder |
Address after: 518000 workshop 1a1901, building a, beisida medical equipment building, 28 Nantong Avenue, Baolong community, Baolong street, Longgang District, Shenzhen City, Guangdong Province Patentee after: SHENZHEN BASDA MEDICAL APPARATUS Co.,Ltd. Address before: 518172 No. 3 Workshops A1402 and A1403 of Tianan Digital Innovation Park, Longgang District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN BASDA MEDICAL APPARATUS Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Denoising system and calculation method of medical X-ray image Effective date of registration: 20200828 Granted publication date: 20190212 Pledgee: Shenzhen Longgang sub branch of Agricultural Bank of China Ltd. Pledgor: SHENZHEN BASDA MEDICAL APPARATUS Co.,Ltd. Registration number: Y2020990001046 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20220424 Granted publication date: 20190212 Pledgee: Shenzhen Longgang sub branch of Agricultural Bank of China Ltd. Pledgor: SHENZHEN BASDA MEDICAL APPARATUS CO.,LTD. Registration number: Y2020990001046 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Denoising system and calculation method of medical X-ray image Effective date of registration: 20220429 Granted publication date: 20190212 Pledgee: Shenzhen Longgang sub branch of Agricultural Bank of China Ltd. Pledgor: SHENZHEN BASDA MEDICAL APPARATUS CO.,LTD. Registration number: Y2022980005037 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |