CN108876734A - 图像去噪方法、装置、电子设备及存储介质 - Google Patents

图像去噪方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN108876734A
CN108876734A CN201810552836.0A CN201810552836A CN108876734A CN 108876734 A CN108876734 A CN 108876734A CN 201810552836 A CN201810552836 A CN 201810552836A CN 108876734 A CN108876734 A CN 108876734A
Authority
CN
China
Prior art keywords
image
low frequency
high frequency
noise
frequency part
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
Application number
CN201810552836.0A
Other languages
English (en)
Other versions
CN108876734B (zh
Inventor
楼珊珊
闫孟雨
逄岭
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.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems 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 Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201810552836.0A priority Critical patent/CN108876734B/zh
Publication of CN108876734A publication Critical patent/CN108876734A/zh
Application granted granted Critical
Publication of CN108876734B publication Critical patent/CN108876734B/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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种图像去噪方法、装置、电子设备及存储介质，该方案首先利用两类滤波方法获得两类图像，由于两类图像的对比度存在差异，因此可以获得对比度高、但噪声形态较差的第一图像，以及对比度较低、但噪声形态较好的第二图像，然后分别将两类图像进行分解，分别获得两类图像的高频部分和低频部分。结合上述四个部分的优缺点，可以通过设定各部分的权重值，继而对四个部分进行合成重构，从而可以得到对比度良好且颗粒噪声良好的去噪图像。

Description

图像去噪方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及图像去噪方法、装置、电子设备及存储介质。
背景技术
CT是采用X射线束对被扫描对象的一定部位进行扫描，通过对扫描结果进行一系列处理以得到由像素组成的CT图像的一种技术。通常，CT图像的方向性条状噪声和颗粒噪声是影响图像质量的主要因素，而传统的图像处理方法如滤波法在对CT图像进行处理时，多考虑图像本身的自相似性对像素点进行加权处理来达到去除噪声(简称：去噪)的效果，因此对CT图像的噪声削弱作用较小。
具体地，传统方法(如：中值滤波、高斯滤波、非局部均值滤波等)多通过考虑一定范围或区域内图像的自相似性来实现去噪，在图像对比度和噪声形态上很难同时取得较优的效果。以非局部均值滤波方法为例，该方案的整体构思为：在一定的区域范围内考虑图像像素点的相似性，像素的估计值由图像中与它具有相似邻域结构的像素加权平均得到。对于该方法，若选取的区域范围较小，则不能很好地衡量像素点的相似性，造成图像噪声形态分布较差；若选取的区域范围较大，则可能带来图像对比度下降及孤立点突出等问题。
发明内容
为克服相关技术中存在的问题，本申请提供了一种图像去噪方法、装置、电子设备及存储介质。
根据本申请实施例的第一方面，提供一种图像去噪方法，所述方法包括：
获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像；
分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分；
获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分的权重值，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
可选的，所述原始图像包括：具有条状噪声的图像，和/或具有颗粒噪声的图像。
可选的，所述第二图像的低频部分指示所述第二图像的图像轮廓信息；
所述第一图像的高频部分在进行所述合成前，利用如下方式进行噪声削弱：
通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的高频部分的噪声进行削弱。
可选的，所述通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的高频部分的噪声进行削弱，包括：
获取所述第二图像的低频部分各像素点的梯度值，根据所述梯度值确定所述第二图像的低频部分中各像素点的权重值，利用所述权重值计算所述第一图像的高频部分中各像素点像素值的加权值，以对第一图像的高频部分进行噪声削弱。
可选的，所述第一图像的低频部分在进行所述合成前利用如下方式进行噪声削弱：
通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的低频部分进行噪声削弱。
根据本申请实施例的第二方面，提供一种图像去噪装置，所述装置包括：
滤波模块，用于：获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像；
分解模块，用于：分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分；
合成模块，用于：获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分在去噪图像中所占的权重值后，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
可选的，所述第二图像的低频部分指示所述第二图像的图像轮廓信息；
所述合成模块，还用于：在所述第一图像的高频部分在进行所述合成前，利用如下方式进行噪声削弱：
通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的高频部分的噪声进行削弱。
可选的，所述合成模块，具体用于：
获取所述第二图像的低频部分各像素点的梯度值，根据所述梯度值确定所述第二图像的低频部分中各像素点的权重值，利用所述权重值计算所述第一图像的高频部分中各像素点像素值的加权值，以对第一图像的高频部分进行噪声削弱。
根据本申请实施例的第三方面，提供一种装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像；
分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分；
获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分的权重值，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述图像去噪方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请中，首先利用两类滤波方法获得两类图像，由于两类图像的对比度存在差异，因此可以获得对比度高、但噪声形态较差的第一图像，以及对比度较低、但噪声形态较好的第二图像，然后分别将两类图像进行分解，分别获得两类图像的高频部分和低频部分。高频部分即图像中灰度变化较快的部分，通常包括图像中的边缘信息和噪声；低频部分即图像中灰度缓慢变化的部分，也就是连续渐变的一块区域，通常代表图像中的图像轮廓信息。
通过上述处理，可以获得第一图像的高频部分，该部分的边缘清晰、但颗粒噪声较大；第一图像的低频部分，该部分包含图像轮廓信息，可能还包含有少量的大颗粒噪声；第二图像的高频部分包含边缘信息，可能还含有少量噪声，第二图像的低频部分包含图像轮廓信息，颗粒噪声可忽略不计。
因此，本申请结合上述四个部分的优缺点，可以通过设定各部分的权重值，继而对四个部分进行合成重构，从而可以得到对比度良好且颗粒噪声良好的去噪图像。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请根据一示例性实施例示出的一种图像去噪方法的流程图。
图2A是本申请根据一示例性实施例示出的另一种图像去噪方法的流程图。
图2B是本申请根据一示例性实施例示出的对CT图像进行去噪处理后的效果示意图。
图3是本申请图像去噪装置所在计算机设备的一种硬件结构图。
图4是本申请根据一示例性实施例示出的一种图像去噪装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在图像处理技术领域，通常采用滤波算法进行图像去噪。传统的滤波算法包括有：中值滤波、高斯滤波或非局部均值滤波等等。这些传统滤波方法通过考虑一定范围或区域内图像的自相似性来实现去噪，在图像对比度和噪声形态上很难同时取得较优的效果。若选取的区域范围较小，则不能很好地衡量像素点的相似性，造成图像噪声形态分布较差，例如颗粒噪声的形状较大等等；若选取的区域范围较大，则可能带来图像对比度下降及孤立点突出等问题。
基于此，本申请实施例提供一种图像去噪方案，可以获得对比度良好且颗粒噪声良好的去噪图像。如图1所示，图1是本申请根据一示例性实施例示出的一种图像去噪方法的流程图，包括以下步骤：
在步骤102中，获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像。
在步骤104中，分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分。
在步骤106中，获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分在去噪图像中所占的权重值后，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
本申请实施例中，考虑到传统滤波算法所得到的去噪图像，在对比度条件满足的情况下，则噪声形态分布较差；在噪声形态分布良好的情况下，则损失了对比度。
其中，噪声形态分布的好坏，在一些例子中，可能噪声像素点(简称噪声像素点)数量较多，但这些噪声像素点可能较为均匀分布，因此，可以是根据图像中噪声像素点数量确定噪声形态分布；在另一些例子中，也有可能噪声像素点的总体数量不会很多，但这些噪声像素点聚集在一起，形成一个或多个区域，导致一个或多个区域的面积较大，因此，可以是根据噪声像素点所构成区域的面积确定噪声形态分布，例如，只要其中有一个区域的面积较大，可以认为噪声形态分布较差。在其他例子中，也可以同时结合噪声像素点的数量和噪声像素点所构成区域的面积来确定噪声形态分布的好坏。
因此，本申请的图像去噪方案基于两类图像进行，这两类图像通过对所述原始图像分别采用两类不同滤波算法进行处理后获得，并且，两类图像的对比度具有一定差异，实际应用中，使得其中一类图像的对比度能够满足去噪要求，另一类图像的噪声形态能够满足去噪要求即可，本申请实施例对此不作限定。
本实施例将对比度较大的一类图像称为第一图像，将对比度较小的一类图像称为第二图像。可以理解，第一图像的对比度较好，但噪声形态分布较差，也即是图像中噪声像素点的数量较多，和/或噪声像素点面积较大；第二图像的对比度较差，但噪声形态分布较好。其中，第一图像和第二图像是从类别上对图像进行区分，实际应用中，第一图像可以包括一幅或多幅该种类别的图像，第二图像也可以包括一幅或多幅该种类别的图像，本领域技术人员可以根据需要灵活选择图像数量，本实施例对此不作限定。
接下来对上述的第一图像和第二图像进行分解处理，获得第一图像的高频部分、第一图像的低频部分、第二图像的高频部分和第二图像的低频部分。其中，分解处理具体可以采用多尺度方法，例如：金字塔分解算法、小波变换算法等等。
具体的，高频表示频率变化快，高频部分即是指图像中颜色或灰度变化激烈的部分。例如，图像中，前景与背景的边缘部位通常会有明显的差别，因此高频部分通常包括图像中的边缘信息和部分细节信息。另外，高频部分也包含了属于噪声的像素点；图像中，像素点之所以属于噪声，是因为该像素点与周边其他正常的像素点的强度变化不一致，也就是说该像素点灰度值明显不一样，因此该点的灰度值与周边像素点的灰度值有快速的变化，所以高频部分也包括了噪点。
低频表示颜色或灰度缓慢地变化，图像的低频部分指示图像中连续渐变的一块区域，对于一幅图像来说，除去高频部分就是低频部分，低频部分代表了图像轮廓信息。
通过上述处理，本申请实施例可以获得第一图像的高频部分，该部分的边缘清晰、但颗粒噪声较大；第一图像的低频部分，该部分包含图像轮廓信息，可能还包含有少量的大颗粒噪声；第二图像的高频部分包含边缘信息，可能还含有少量噪声，第二图像的低频部分包含图像轮廓信息，颗粒噪声可忽略不计。
本申请结合上述四个部分的优缺点，可以获取各部分在去噪图像中所占的权重值，实际应用中，各部分的权重值可以根据需要灵活配置。作为示例，假设期望去噪图像中对比度较好，可以令第一图像的高频部分或低频部分所占权重较大，假设期望去噪图像中噪声颗粒较细，可以令第二图像的高频部分或低频部分所占权重较大等等，本领域技术人员可以根据具体去噪要求灵活调整各部分的权重值，使得最终的去噪图像符合需求即可。具体的合成过程，可以是将各部分中每个像素点的值乘以权重后再相加，从而获得合成结果作为去噪图像。
由前述分析可知，第一图像的高频部分，该部分的边缘清晰、但颗粒噪声较大；在一个可选的实现方式中，还可以在进行合成前，对第一图像的高频部分进行噪声削弱。具体的，考虑到第二图像的低频部分包含图像轮廓信息，颗粒噪声几乎可忽略不计，因此，可以通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的高频部分的噪声进行削弱，从而提高图像去噪效果。
可选的，提取图像轮廓信息的方式可以采用图像梯度算法实现，利用图像梯度算法对图像中各像素点进行梯度运算，能够获得各像素点的梯度值，各像素点的梯度值表征了图像轮廓信息。之后，利用图像轮廓信息对所述第一图像的高频部分的噪声进行削弱，具体是基于第二图像的低频部分各像素点的梯度值计算第二图像的低频部分中各像素点的权重值，利用所述权重值计算所述第一图像的高频部分中各像素点像素值的加权值，以对第一图像的高频部分进行噪声削弱。
可选的，计算权重值的方式可以采用高斯权重或sigmoid方程等方式计算得到。以sigmoid方程为例进行说明，如下示出了sigmoid方程的计算公式：
其中，i表示像素点，wi表示像素点i的权重，xi表示像素点i的梯度值，B为系数，该系数可根据需要灵活调整。
在计算出上述权重后，可以计算所述第一图像的高频部分中各像素点像素值的加权值，也即是将所述第一图像的高频部分中各像素点像素值乘以权重，从而削弱第一图像的高频部分的噪声。
本实施例中，采用上述方式削弱第一图像的高频部分的噪声，由于对第二图像的低频部分进行图像梯度运算，可以获得完整的边缘信息；基于该边缘信息的指示，能够在保持边缘的前提下，采用权重处理的方式以削弱第一图像的高频部分中的噪声颗粒。
因此，可以是获取所述第二图像的低频部分梯度值，根据所述梯度值确定所述第二图像的低频部分中各像素点的权重值，利用所述权重值计算所述第一图像的高频部分中各像素点像素值的加权值，以对第一图像的高频部分进行噪声削弱。本实施例中，可以利用第二图像的低频部分所指示的图像轮廓信息，从中获得梯度信息，利用梯度信息计算每个像素点的权重，具体计算权重的方式可以采用高斯权重或sigmoid方程等方式计算得到，之后对第一图像的高频部分进行处理，由于梯度信息包含完整的边缘信息，因而利用权重处理后，在保持边缘的前提下，可大大削弱第一图像的高频部分中的噪声颗粒。
同理，对于第一图像的低频部分，该部分包含图像轮廓信息，可能还包含有少量的大颗粒噪声，因此，在一个可选的实现方式中，还可以在进行合成前，对第一图像的低频部分进行噪声削弱，考虑到第二图像的低频部分指示图像轮廓信息，颗粒噪声几乎可忽略不计，因此，可以通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的低频部分进行噪声削弱。具体的，可以利用前述的第二图像的低频部分中各像素点的权重值，根据所述权重值计算所述第一图像的高频部分中各像素点像素值的加权值，以对第一图像的低频部分进行噪声削弱。
本申请实施例对于具有条状噪声的图像和/或具有颗粒噪声的图像的去噪效果较为显著，例如CT图像等。接下来通过CT图像的处理过程再次对本申请实施例方案进行详细说明。
结合图2A和图2B进行说明，如图2A所示，是本申请根据一示例性实施例示出的另一种图像去噪方法的流程图。如图2B所示，是本申请根据一示例性实施例示出的一种对CT图像进行去噪处理后效果的示意图，该CT图像具体为对用户身体某个部位的扫描图。
通过传统滤波方法对待去噪的原始图像进行处理，获得两类图像：
一类为噪声颗粒形态分布较差但对比度良好的图像(可以采用较小的搜索邻域的非局部均值方法等进行处理得到，该类图像以下简称为Part1)；
一类为噪声颗粒形态分布较好但损失对比度的图像(可以采用迭代的非局部均值方法等进行处理得到，该类图像以下简称为Part2)。
作为示例，迭代的非局部均值方法具体处理过程如下：
1)对原始图像(一下简称Iori)进行非局部均值滤波，得到滤波后的图像I1；
2)将I1与Iori按比例混合，得到新的混合图像I2；
3)将I2代替原始图像，重复1)和2)过程若干次，得到输出图像，获得Part2。
对得到的两类图像进行分解。
分解处理可以选取多尺度方法，例如：金字塔分解算法、小波变换算法等，对第一步中得到的两类图像进行分解，获得第一类图像的高频部分和低频部分，以及第二类图像的高频部分和低频部分。
对于噪声颗粒形态分布较差但对比度良好的第一类图像，其高频部分(以下简称Part1_High)主要包含Part1的边缘部分和颗粒部分，其低频部分(以下简称Part1_Low)主要包含Part1的信息部分和少量颗粒。
对于噪声颗粒形态分布较好但损失对比度的第二类图像，其高频部分(以下简称Part2_High)主要包含Part2的边缘部分和少量噪声，其低频部分(以下简称Part2_Low)主要包含Part2的信息部分。
可选的，对第一类图像的高频部分和低频部分进行噪声削弱。
通过前述的图像性质分析可知，Part1_Low部分包含大量对比度存在良好的信息但存在少量大颗粒，而Part2_Low部分则主要包含损失了对比度的身体部位组织信息，但几乎不含噪声信息。可选的，为了进一步提高去噪效果，本实施例在合成重构前，对第一图像的高频部分和低频部分进行如下处理：
利用Part2_Low部分求得梯度信息，利用梯度信息获得每个像素点的权重(以下简称Weight)。其中，计算权重的方法可以采用高斯权重或sigmoid方程等。
对Part1_High的部分进行处理，由于梯度信息包含完整的边缘信息，因而利用权重处理后，可大大削弱Part1_High中的噪声颗粒并保持边缘(对于新得到的Part1高频部分，以下简称Part1_HighNew)。
由于Part1_Low中包含对比度良好的组织及边缘信息，将Part2_Low与Part1_Low按照每个像素点求得的权重进行混合，可得到组织和边缘信息良好且噪声颗粒削弱的低频部分(以下简称Part1_LowNew)。
由于权重和梯度有关，因而通过上述处理，既可保留对比度良好且完整的边缘部分，又可削弱噪声颗粒。
对各部分进行合成重构。
对于处理后的不同尺度的图像，包括Part1_HighNew、Part1_LowNew、Part2_High、Part2_Low等，将上述图像通过一定的权重系数进行混合，该权重系数(w1、w2、w3和w4)表示各部分在合成后图像的权重值，
最终图像
＝w1*Part1_HighNew+w2*Part2_High+w3*Part1_LowNew+w4*Part2_Low，其中：w1+w2+w3+w4＝1；
综上所述，最终可以得到对比度良好且噪声颗粒形态分布良好的去噪图像，实现CT图像去噪的目的。
与前述图像去噪方法的实施例相对应，本申请还提供了图像去噪装置及其所应用的电子设备的实施例。
本申请图像去噪装置的实施例可以应用在多种电子设备上，例如个人计算机、医疗设备等等。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在图像去噪的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本申请图像去噪装置所在电子设备的一种硬件结构图，除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外，实施例中装置331所在电子设备，通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。
如图4所示，图4是本申请根据一示例性实施例示出的一种图像去噪装置的框图，所述装置包括：
滤波模块41，用于：获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像；
分解模块42，用于：分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分；
合成模块43，用于：获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分在去噪图像中所占的权重值后，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
可选的，所述第一图像的对比度大于所述第二图像的对比度，所述第二图像的低频部分指示所述第二图像的图像轮廓信息；
所述合成模块43，还用于：在所述第一图像的高频部分在进行所述合成前，利用如下方式进行噪声削弱：
通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的高频部分的噪声进行削弱。
可选的，所述合成模块43，具体用于：
获取所述第二图像的低频部分各像素点的梯度值，根据所述梯度值确定所述第二图像的低频部分中各像素点的权重值，利用所述权重值计算所述第一图像的高频部分中各像素点像素值的加权值，以对第一图像的高频部分进行噪声削弱。
可选的，所述合成模块43，具体用于：
在所述第一图像的低频部分在进行所述合成前，利用如下方式进行噪声削弱：
通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的低频部分进行噪声削弱。
可选的，所述原始图像包括：具有条状噪声的图像，和/或具有颗粒噪声的图像。
相应的，本申请还提供一种电子设备，所述电子设备包括有处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：
获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像；
分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分；
获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分的权重值，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述图像去噪方法的步骤。
上述图像去噪装置中各个模块的功能和作用的实现过程具体详见上述图像去噪方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，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申请方案的目的。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。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种图像去噪方法，其特征在于，所述方法包括：
获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像；
分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分；
获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分的权重值，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
2.根据权利要求1所述的方法，其特征在于，所述原始图像包括：具有条状噪声的图像，和/或具有颗粒噪声的图像。
3.根据权利要求1所述的方法，其特征在于，所述第二图像的低频部分指示所述第二图像的图像轮廓信息；
所述第一图像的高频部分在进行所述合成前，利用如下方式进行噪声削弱：
通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的高频部分的噪声进行削弱。
4.根据权利要求3所述的方法，其特征在于，所述通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的高频部分的噪声进行削弱，包括：
获取所述第二图像的低频部分各像素点的梯度值，根据所述梯度值确定所述第二图像的低频部分中各像素点的权重值，利用所述权重值计算所述第一图像的高频部分中各像素点像素值的加权值，以对第一图像的高频部分进行噪声削弱。
5.根据权利要求1所述的方法，其特征在于，所述第一图像的低频部分在进行所述合成前利用如下方式进行噪声削弱：
通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的低频部分进行噪声削弱。
6.一种图像去噪装置，其特征在于，所述装置包括：
滤波模块，用于：获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像；
分解模块，用于：分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分；
合成模块，用于：获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分在去噪图像中所占的权重值后，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
7.根据权利要求6所述的装置，其特征在于，所述第二图像的低频部分指示所述第二图像的图像轮廓信息；
所述合成模块，还用于：在所述第一图像的高频部分在进行所述合成前，利用如下方式进行噪声削弱：
通过所述第二图像的低频部分所指示的图像轮廓信息对所述第一图像的高频部分的噪声进行削弱。
8.根据权利要求7所述的装置，其特征在于，所述合成模块，具体用于：
获取所述第二图像的低频部分各像素点的梯度值，根据所述梯度值确定所述第二图像的低频部分中各像素点的权重值，利用所述权重值计算所述第一图像的高频部分中各像素点像素值的加权值，以对第一图像的高频部分进行噪声削弱。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取待去噪的原始图像，对所述原始图像分别采用两类不同滤波算法进行处理，获得第一图像和第二图像；其中，所述第一图像的对比度大于所述第二图像的对比度，所述第一图像中噪声像素点的数量和/或噪声像素点所构成区域的面积大于所述第二图像；
分别对所述第一图像和所述第二图像进行分解，获得所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分；
获取所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分的权重值，根据各所述权重值将所述第一图像的高频部分、所述第一图像的低频部分、所述第二图像的高频部分和所述第二图像的低频部分进行合成，获得消除噪声的图像。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5任一所述方法的步骤。
CN201810552836.0A 2018-05-31 2018-05-31 图像去噪方法、装置、电子设备及存储介质 Active CN108876734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810552836.0A CN108876734B (zh) 2018-05-31 2018-05-31 图像去噪方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810552836.0A CN108876734B (zh) 2018-05-31 2018-05-31 图像去噪方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN108876734A true CN108876734A (zh) 2018-11-23
CN108876734B CN108876734B (zh) 2022-06-07

Family

ID=64335617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810552836.0A Active CN108876734B (zh) 2018-05-31 2018-05-31 图像去噪方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN108876734B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353958A (zh) * 2020-02-28 2020-06-30 北京东软医疗设备有限公司 图像处理方法、装置及系统
CN111861931A (zh) * 2020-07-27 2020-10-30 北京金山云网络技术有限公司 模型训练、图像增强方法和装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102075683A (zh) * 2009-11-20 2011-05-25 三星电子株式会社 数字图像处理设备和数字图像处理设备的拍摄方法
CN102722877A (zh) * 2012-06-07 2012-10-10 内蒙古科技大学 基于双通道pcnn的多聚焦图像融合方法
CN103473749A (zh) * 2013-01-09 2013-12-25 深圳信息职业技术学院 一种基于全变分图像融合的方法及装置
CN104103040A (zh) * 2013-04-10 2014-10-15 上海联影医疗科技有限公司 一种图像增强的方法
CN104751433A (zh) * 2015-04-15 2015-07-01 成都欧莱特自动化控制工程有限公司 一种图像合成方法及系统
CN106296655A (zh) * 2016-07-27 2017-01-04 西安电子科技大学 基于自适应权值和高频阈值的sar图像变化检测方法
WO2017166301A1 (zh) * 2016-04-01 2017-10-05 华为技术有限公司 一种图像处理方法、电子设备以及存储介质
CN107292263A (zh) * 2017-06-19 2017-10-24 深圳市创艺工业技术有限公司 一种机动、电动车辆自动驾驶识别系统
CN107767356A (zh) * 2016-08-23 2018-03-06 浙江宇视科技有限公司 一种图像处理方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102075683A (zh) * 2009-11-20 2011-05-25 三星电子株式会社 数字图像处理设备和数字图像处理设备的拍摄方法
CN102722877A (zh) * 2012-06-07 2012-10-10 内蒙古科技大学 基于双通道pcnn的多聚焦图像融合方法
CN103473749A (zh) * 2013-01-09 2013-12-25 深圳信息职业技术学院 一种基于全变分图像融合的方法及装置
CN104103040A (zh) * 2013-04-10 2014-10-15 上海联影医疗科技有限公司 一种图像增强的方法
CN104751433A (zh) * 2015-04-15 2015-07-01 成都欧莱特自动化控制工程有限公司 一种图像合成方法及系统
WO2017166301A1 (zh) * 2016-04-01 2017-10-05 华为技术有限公司 一种图像处理方法、电子设备以及存储介质
CN106296655A (zh) * 2016-07-27 2017-01-04 西安电子科技大学 基于自适应权值和高频阈值的sar图像变化检测方法
CN107767356A (zh) * 2016-08-23 2018-03-06 浙江宇视科技有限公司 一种图像处理方法和装置
CN107292263A (zh) * 2017-06-19 2017-10-24 深圳市创艺工业技术有限公司 一种机动、电动车辆自动驾驶识别系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAINING SUN 等: "An Improved Correction Method for Reducing Off-Focal Artifacts in CT Imaging", 《PROCEEDINGS OF THE 2005 IEEE》 *
常宁赫: "非局部均值滤波去除图像高斯噪声的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353958A (zh) * 2020-02-28 2020-06-30 北京东软医疗设备有限公司 图像处理方法、装置及系统
US11645736B2 (en) 2020-02-28 2023-05-09 Beijing Neusoft Medical Equipment Co., Ltd. Image processing methods, apparatuses and systems
CN111353958B (zh) * 2020-02-28 2023-07-25 北京东软医疗设备有限公司 图像处理方法、装置及系统
CN111861931A (zh) * 2020-07-27 2020-10-30 北京金山云网络技术有限公司 模型训练、图像增强方法和装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108876734B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
Zong et al. Speckle reduction and contrast enhancement of echocardiograms via multiscale nonlinear processing
Miller et al. Image denoising using derotated complex wavelet coefficients
KR100646715B1 (ko) 후처리를 통한 2차원 초음파 영상의 화질 개선 방법
JPH11155834A (ja) 医用イメージング・システム及び医用画像を形成する方法
US8139891B2 (en) System and method for structure enhancement and noise reduction in medical images
US9058656B2 (en) Image restoration system and method
Thaipanich et al. An adaptive nonlocal means scheme for medical image denoising
Goyal et al. Noise Reduction in MR brain image via various transform domain schemes
Yang Multiresolution Image Fusion Based on Wavelet Transform By Using a Novel Technique for Selection Coefficients.
CN108876734A (zh) 图像去噪方法、装置、电子设备及存储介质
Raj et al. Ultrasound medical image denoising using hybrid bilateral filtering
Larrabide et al. A medical image enhancement algorithm based on topological derivative and anisotropic diffusion
Kadam et al. A comparative study of image denoising techniques for medical images
Deivalakshmi et al. Balanced GHM Mutiwavelet Transform Based Contrast Enhancement Technique for Dark Images Using Dynamic Stochastic Resonance.
Tischenko et al. An artifact-free structure-saving noise reduction using the correlation between two images for threshold determination in the wavelet domain
Nisha et al. Wavelet coefficients thresholding techniques for denoising MRI images
Kayal et al. Spectral data augmentation techniques to quantify lung pathology from CT-Images
Goel et al. CT and MRI image fusion using wiener filter in dual tree framework
CN113111874A (zh) 一种腰椎侧位图像快速分类方法
Raj et al. Denoising of medical ultrasound images using spatial filtering and multiscale transforms
Long et al. Denoising of images with multiplicative noise corruption
Christov Multiscale image edge detection
Trifas Medical image enhancement
Bamberger Method for image interpolation based on a novel multirate filter bank structure and properties of the human visual system
JP2009028319A (ja) Ｉｖｒ画像の画質改善法

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
CB02 Change of applicant information

Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: DongSoft Medical System Co., Ltd.

Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant