CN109389567B - 一种快速光学成像数据的稀疏滤波方法 - Google Patents
一种快速光学成像数据的稀疏滤波方法 Download PDFInfo
- Publication number
- CN109389567B CN109389567B CN201811241750.2A CN201811241750A CN109389567B CN 109389567 B CN109389567 B CN 109389567B CN 201811241750 A CN201811241750 A CN 201811241750A CN 109389567 B CN109389567 B CN 109389567B
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- block
- blocks
- estimation
- 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.)
- Expired - Fee Related
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012634 optical imaging Methods 0.000 title claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 230000000903 blocking effect Effects 0.000 claims abstract description 12
- 230000008602 contraction Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 12
- 238000006116 polymerization reaction Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 238000012014 optical coherence tomography Methods 0.000 description 16
- 210000001519 tissue Anatomy 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 241000976737 Zeugodacus tau Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
Images
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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种快速光学成像数据的稀疏滤波方法。该方法分为初始估计和最终估计两个步骤,每个步骤包括图像分块、协同滤波和聚合三个子过程;在第一个步骤中,利用噪声图像的加权绝对距离进行噪声图像的匹配分组,然后做三维离散余弦变换并对变换系数利用硬阈值收缩进行初步估计;在第二个步骤中,利用初步估计图像的加权绝对距离进行噪声图像的匹配分组,再做离散余弦变换然后,利用初步估计地变换系数作为真实数据的逼近计算维纳收缩系数,最后利用维纳收缩进行最终估计。
Description
技术领域
本发明涉及一种快速光学成像数据的稀疏滤波方法,属于图像处理的技术领域。
背景技术
OCT图像提供了生物组织详细的生态学信息,能够满足光学活检和组织学等临床应用。OCT技术主要的应用领域包括眼部疾病和皮肤疾病的检测,以及人体软组织的早期癌变检测。眼科医生可以利用OCT技术进行眼前与眼后节成像来观察并测量与解剖结构对应的各个视网膜内层,这些层结构对对许多眼科疾病如青光眼,老年性黄斑变性和糖尿病等早期发现具有重要的临床意义。OCT技术能够依据癌变组织具有与健康组织不同的光谱特性和结构,得到组织清晰的影像,并实时而准确的进行诊断。由于采用了计算机进行信号处理,所得结果与操作人员的主观因素无关。另外,OCT技术是对皮下组织病变进行实时诊断而无需活组织检查的一种权威方法。OCT技术能够让医生以组织学的分辨率水平,实时看见影像,以便在第一次进行去除肿瘤的外科手术时做出更好的决定。由于基于光学干涉的OCT图像成像原理,会受到严重噪声的干扰,散斑噪声是其中最主要的噪声。散斑噪声使图像产生颗粒状分布的结构,图像的细节和结构在噪声的掩盖之下难以识别,导致OCT图像的质量严重下降,使得临床上出现漏诊、错诊的几率大大增加,进一步导致不能够提前发现病变从而导致病人病情难以控制。因此,有效的抑制噪声以增强光学相干断层影像的重要特征,帮助临床医生正确判读OCT影像具有重大的意义。
经典的高斯平滑和中值滤波方法虽然能够有效地去除散斑噪声,但是图像细节模糊严重,视网膜层间信息损失较大。非局部自相似滤波在去除噪声的同时,较好的保持了图像的结构,但是仍然存在重要细节的损失。这些问题直接影响了后续图像测量和定量分析任务,降低了医学眼科临床诊断和治疗的效率。
目前针对这个问题已经提出了相应的技术。中国专利,公开号107451960A公开了一种基于低秩技术和目标数据库的相干光断层图像降噪方法,先将OCT噪声图像划分成大量的噪声块,针对每个噪声块,利用内部降噪和外部降噪技术搜索出许多相似块和每个噪声块一起构成一个组矩阵,使用低秩技术对这个组矩阵进行降噪处理。然后基于第一步降噪后的图像,利用Gabor变换构建一幅新的噪声图像进行第二步降噪处理,但是,该方法需要目标数据库,即对同一组织部位的需要采集多张图像,不同时间段生物组织会有变化,因此不易获得相似度高的多幅图像;另外该方法的处理速度也较慢。
中国专利,公开号102800064A公开了一种基于自适应双边滤波的OCT图像散斑噪声减小算法,该方法首先建立原始OCT图像的散斑噪声模型,然后依据瑞利准则,将原始OCT图像的散斑噪声模型作为变量,构建空间函数,并通过分析空间函数的特性,推导出空间函数F对滤波权系数进行自适应修正的方法公式。自适应双边滤波本质上是一种局部邻域上的像素加权平均的滤波器,参加计算的相似像素少,以及噪声方差估计不够准确,因此去散斑噪声的性能并不理想。
中国专利,公开号106355564A公开了一种光学相干层析图像的散斑噪声滤波方法,主要应用于医学成像技术和光学图像信息处理领域。其技术方案如下:对输入一幅光学相干层析图像进行取对数操作然后进行剪切波变换以便于获取剪切波系数,对获得的剪切波系数进行一个硬阈值操作,对进行硬阈值操作之后保留的部分进行剪切波逆变换,达到滤波目的。但是该方法容易产生伪影。
现有公开文献,“A.Buades,B.Coll,and J.M.Morel,“A non-local algorithmfor image denoising,”in IEEE Conference on Computer Vision and PatternRecognition,vol.2,pp.60–65,2005”、“K.Dabov,A.Foi,V.Katkovnik,and K.Egiazarian,“Image denoising by sparse 3-D transform-domain collaborative filtering,”IEEETransactions on Image Processing,vol.16,no.8,pp.2080–2095,2007.”、“S.Gu,L.Zhang,W.Zuo,and X.Feng,“Weighted nuclear norm minimization with applicationto image denoising,”in IEEE Conference on Computer Vision and PatternRecognition,pp.2862–2869,2014”、“A.Rajwade,A.Rangarajan,and A.Banerjee.Imagedenoising using the higher order singular value decomposition.IEEETrans.Pattern Analysis and Machine Intelligence,vol.35,no.4,pp.849–862,2013.”公开了在图像处理中,将图像分为交叠的图像块、利用图像块的序列编号形成相似块集合及将二维图像块堆叠为三维图像块的相关具体操作过程。
发明内容
针对现有技术的不足,本发明提供一种快速光学成像数据的稀疏滤波方法。
发明概述:
本发明是一种基于稀疏先验的从图像块的估计到点估计的协同滤波方法,分为初始估计和最终估计两个步骤,每个步骤包括图像分块、协同滤波和聚合三个子过程;在第一个步骤中,利用噪声图像的加权绝对距离进行噪声图像的匹配分组,然后做三维离散余弦变换并对变换系数利用硬阈值收缩进行初步估计;在第二个步骤中,利用初步估计图像的加权绝对距离进行噪声图像的匹配分组,再做离散余弦变换然后,利用初步估计地变换系数作为真实数据的逼近计算维纳收缩系数,最后利用维纳收缩进行最终估计。
本发明的技术方案为:
一种快速光学成像数据的稀疏滤波方法,包括步骤如下:
1)初步估计
1.1)图像分块:将图像分为若干互相交叠的图像块,每个图像块的大小为k×k;
1.2)协同滤波:协同滤波包括图像块分组、三维稀疏变换,变换系数收缩和逆变换三个子过程;
1.2.1)图像块分组:随机选取一个图像块,记为参考块P;在包含参考块P且大小为K×K的窗内搜索多个相似块,将相似块定义为候选块,并将候选块和参照块排列为一个二维图像块序列,堆叠成一个三维图像块;所述三维图像块为一个3维矩阵;整合的顺序对结果影响不大;
其中,搜索相似块Q的过程通过集合形式的公式表示:
注:a.相似度是加权绝对距离的倒数,加权绝对距离定义为:
b.τ1是相应于加权绝对距离d的距离阈值,用以选出与参照块相似的图像块;τ1右上角1表示初始估计;
绝对加权距离的计算是在空间域,即计算相应灰度值的绝对加权距离,可以更精确的找到相似块;
1.2.2)三维稀疏变换
所述三维离散余弦变换的执行过程是:首先将每个三维图像块中的二维的图像块进行二维离散余弦变换;二维离散余弦变换结束后,再沿着三维图像块的第三个维度进行一维离散余弦变换;二维的图像块即噪声图中的某个块。
1.2.3)变换系数收缩及逆变换
对所述三维系数矩阵进行硬阈值处理,将小于阈值的系数置0;再进行3D离散余弦逆变换,这一过程表示为:
此时,每个二维图像块是对步骤1.1)中图像块的估计;
1.3)聚合
融合过程中,处理序号临近的参考块时,它们对应的搜索窗也会发生重叠,因此在相似块匹配时会匹配到相同的相似块,相同的相似块会导致重复估计,而且还会有不同的相似块重叠的像素也会发生重复估计,基于以上情形,对于每个重复估计的像素的灰度值通过对应位置块的值进行加权平均。
将步骤1.2)处理后的图像块融合到原始位置,并对重复估计像素的灰度值加权平均;
将初始估计图像记为Y1,记录协同滤波得到的交叠块的估计及相应每个像素的重复估计:
这里:a.v(x)、δ(x)分别记为初始估计图像每个像素估计的分子部分和分母部分,x表示像素在原始图像中的位置坐标;
因此,初始估计的加权平均关系式为:
这里χQ表示特征函数,即χQ(x)=1仅且仅当x∈Q,否则为0;
2)最终估计
在最终估计的处理过程中,对原始图像执行经验维纳滤波,运用初始估计图像Y1进行块匹配作为原始图像块匹配序列的导向,并运用初始估计图像计算经验维纳滤波的系数。
2.1)分块
最终估计中的分块过程与初步估计类似;不同的是,块分组在本步执行,并且得到两个三维数组:原始噪声图像块形成的三维矩阵和初始估计图像块的三维矩阵。
2.1.1)相似块匹配过程仅在初始估计图像Y1上执行,相似块集合表示为:
注:a.相似度的衡量仍然使用初始估计中的绝对加权距离;b.τ2用于选出与参考块最相似的图像块;c.绝对加权距离仍然是在空间域上计算;
2.2)协同滤波
2.2.1)将步骤2.1)中得到的两类三维图像块进行与初始估计相同的三维离散余弦变换,分别表示为:
其中,P1表示初始估计得到的与原始图像相同位置的二维参考块;
2.2.2)利用计算经验维纳滤波系数其中,ξ为变换系数坐标,σ2是原始图像减去初始估计图像后图像的方差;的维纳协同滤波是将维纳滤波系数逐点与三维原始图像块的离散余弦变换系数相乘,即,用维纳滤波将噪声图形成的三维矩阵进行系数放缩;然后进行同初始估计的逆变换,获得对该三维图像块的估计;的维纳协同滤波具体表示为:
此时,每个二维图像块均是对去噪图像的估计;
2.3)聚合
将步骤2.2.2)得到的三维序列中的每个二维图像块分别融合到原始位置,每个像素的灰度值是每个对应位置块的灰度值的加权平均;将最终估计得到的图像记为Y2。由于分块操作得到的交叠块,且在块匹配过程中不同的参考块会有相同的相似块,相似块会重复估计,因此要对重叠的像素的估计值进行加权平均,最后输出最终估计;重复估计像素的加权平均过程与初始估计相同;
记录协同滤波得到的交叠块的估计及相应每个像素的重复估计:
这里:a.v′(x)、δ′(x)分别记为最终估计图像每个像素估计的分子部分和分母部分,x表示像素在原始图像中的位置坐标;
因此,最终估计的加权平均关系式为:
这里χQ表示特征函数,即χQ(x)=1仅且仅当x∈Q,否则为0。
根据本发明优选的,所述步骤1.2.1)中,搜索步长为3个像素。为了减少计算复杂度,搜索步长可以适当增大为3个像素。
本发明的有益效果为:
1.本发明所述快速光学成像数据的稀疏滤波方法,在块匹配时使用加权绝对距离寻找相似块,是计算图像块与参考快在灰度值意义上的距离,能够更准确的找到相似块,并够降低计算复杂度,从而减少计算时间;有效避免了伪影的产生及自适应双边滤波存在的噪声方差估计不准确等弊端;
2.本发明所述快速光学成像数据的稀疏滤波方法,三维采用离散余弦变换,在三维图像块的每个二维图像块执行二维余弦变换,在第三个维度上执行一维余弦变换;三维余弦变换能更好的近似原始图像信号,增强稀疏性,降低计算复杂度;
3.本发明所述快速光学成像数据的稀疏滤波方法,通过加权绝对距离寻找相似块,即在空间域上计算候选块与相似块灰度值的距离;在初始估计和最终估计中应用三维离散余弦变换;在保持图像重要特征的情况下有效地去除散斑噪声,同时提高处理速度。
4.本发明所述快速光学成像数据的稀疏滤波方法,不需要目标数据库,避免了对同一组织部位的采集多张图像导致的不同时间段生物组织发生变化,可有效获得高相似度的多幅图像;
5.本发明所述快速光学成像数据的稀疏滤波方法,本质上是一种局部邻域上的像素加权平均的滤波器,参加计算的相似像素少,以及噪声方差估计不够准确,因此去散斑噪声的性能并不理想。
附图说明
图1为本发明所述快速光学成像数据的稀疏滤波方法的流程图;
图2为本发明所述快速光学成像数据的稀疏滤波方法的具体实现流程图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明,但不限于此。
实施例1
如图1-2所示。
一种快速光学成像数据的稀疏滤波方法,包括步骤如下:
1)初步估计
1.1)图像分块:将图像分为若干互相交叠的图像块,每个图像块的大小为k×k;
1.2)协同滤波:协同滤波包括图像块分组、三维稀疏变换,变换系数收缩和逆变换三个子过程;
1.2.1)图像块分组:随机选取一个图像块,记为参考块P;在包含参考块P且大小为K×K的窗内搜索(搜索步长为3个像素)多个相似块,将相似块定义为候选块,并将候选块和参照块排列为一个二维图像块序列,堆叠成一个三维图像块;所述三维图像块为一个3维矩阵;整合的顺序对结果影响不大;
其中,搜索相似块Q的过程通过集合形式的公式表示:
注:a.相似度是加权绝对距离的倒数,加权绝对距离定义为:
b.τ1是相应于加权绝对距离d的距离阈值,用以选出与参照块相似的图像块;τ1右上角1表示初始估计;
绝对加权距离的计算是在空间域,即计算相应灰度值的绝对加权距离,可以更精确的找到相似块;
1.2.2)三维稀疏变换
所述三维离散余弦变换的执行过程是:首先将每个三维图像块中的二维的图像块进行二维离散余弦变换;二维离散余弦变换结束后,再沿着三维图像块的第三个维度进行一维离散余弦变换;二维的图像块即噪声图中的某个块。
1.2.3)变换系数收缩及逆变换
对所述三维系数矩阵进行硬阈值处理,将小于阈值的系数置0;再进行3D离散余弦逆变换,这一过程表示为:
此时,每个二维图像块是对步骤1.1)中图像块的估计;
1.3)聚合
融合过程中,处理序号临近的参考块时,它们对应的搜索窗也会发生重叠,因此在相似块匹配时会匹配到相同的相似块,相同的相似块会导致重复估计,而且还会有不同的相似块重叠的像素也会发生重复估计,基于以上情形,对于每个重复估计的像素的灰度值通过对应位置块的值进行加权平均。
将步骤1.2)处理后的图像块融合到原始位置,并对重复估计像素的灰度值加权平均;
将初始估计图像记为Y1,记录协同滤波得到的交叠块的估计及相应每个像素的重复估计:
这里:a.v(x)、δ(x)分别记为初始估计图像每个像素估计的分子部分和分母部分,x表示像素在原始图像中的位置坐标;
因此,初始估计的加权平均关系式为:
这里χQ表示特征函数,即χQ(x)=1仅且仅当x∈Q,否则为0;
2)最终估计
在最终估计的处理过程中,对原始图像执行经验维纳滤波,运用初始估计图像Y1进行块匹配作为原始图像块匹配序列的导向,并运用初始估计图像计算经验维纳滤波的系数。
2.1)分块
最终估计中的分块过程与初步估计类似;不同的是,块分组在本步执行,并且得到两个三维数组:原始噪声图像块形成的三维矩阵和初始估计图像块的三维矩阵。
2.1.1)相似块匹配过程仅在初始估计图像Y1上执行,相似块集合表示为:
注:a.相似度的衡量仍然使用初始估计中的绝对加权距离;b.τ2用于选出与参考块最相似的图像块;c.绝对加权距离仍然是在空间域上计算;
2.2)协同滤波
2.2.1)将步骤2.1)中得到的两类三维图像块进行与初始估计相同的三维离散余弦变换,分别表示为:
其中,P1表示初始估计得到的与原始图像相同位置的二维参考块;
2.2.2)利用计算经验维纳滤波系数其中,ξ为变换系数坐标,σ2是原始图像减去初始估计图像后图像的方差;的维纳协同滤波是将维纳滤波系数逐点与三维原始图像块的离散余弦变换系数相乘,即,用维纳滤波将噪声图形成的三维矩阵进行系数放缩;然后进行同初始估计的逆变换,获得对该三维图像块的估计;的维纳协同滤波具体表示为:
此时,每个二维图像块均是对去噪图像的估计;
2.3)聚合
将步骤2.2.2)得到的三维序列中的每个二维图像块分别融合到原始位置,每个像素的灰度值是每个对应位置块的灰度值的加权平均;将最终估计得到的图像记为Y2。由于分块操作得到的交叠块,且在块匹配过程中不同的参考块会有相同的相似块,相似块会重复估计,因此要对重叠的像素的估计值进行加权平均,最后输出最终估计;重复估计像素的加权平均过程与初始估计相同;
记录协同滤波得到的交叠块的估计及相应每个像素的重复估计:
这里:a.v′(x)、δ′(x)分别记为最终估计图像每个像素估计的分子部分和分母部分,x表示像素在原始图像中的位置坐标;
因此,最终估计的加权平均关系式为:
这里χQ表示特征函数,即χQ(x)=1仅且仅当x∈Q,否则为0。
Claims (2)
1.一种快速光学成像数据的稀疏滤波方法,其特征在于,包括步骤如下:
1)初步估计
1.1)图像分块:将图像分为若干互相交叠的图像块,每个图像块的大小为k×k;
1.2)协同滤波:协同滤波包括图像块分组、三维稀疏变换,变换系数收缩和逆变换三个子过程;
1.2.1)图像块分组:随机选取一个图像块,记为参考块P;在包含参考块P且大小为K×K的窗内搜索多个相似块,将相似块定义为候选块,并将候选块和参照块排列为一个二维图像块序列,堆叠成一个三维图像块;
其中,搜索相似块Q的过程通过集合形式的公式表示:
注:a.相似度是加权绝对距离的倒数,加权绝对距离定义为:
b.τ1是相应于加权绝对距离d的距离阈值,用以选出与参照块相似的图像块;
1.2.2)三维稀疏变换
所述三维离散余弦变换的执行过程是:首先将每个三维图像块中的二维的图像块进行二维离散余弦变换;二维离散余弦变换结束后,再沿着三维图像块的第三个维度进行一维离散余弦变换;
1.2.3)变换系数收缩及逆变换
对所述三维系数矩阵进行硬阈值处理,将小于阈值的系数置0;再进行3D离散余弦逆变换,这一过程表示为:
此时,每个二维图像块是对步骤1.1)中图像块的估计;
1.3)聚合
将步骤1.2)处理后的图像块融合到原始位置,并对重复估计像素的灰度值加权平均;
将初始估计图像记为Y1,记录协同滤波得到的交叠块的估计及相应每个像素的重复估计:
这里:a.v(x)、δ(x)分别记为初始估计图像每个像素估计的分子部分和分母部分,x表示像素在原始图像中的位置坐标;
因此,初始估计的加权平均关系式为:
这里χQ表示特征函数,即χQ(x)=1仅且仅当x∈Q,否则为0;
2)最终估计
2.1)分块
2.1.1)相似块匹配过程仅在初始估计图像Y1上执行,相似块集合表示为:
2.2)协同滤波
2.2.1)将步骤2.1)中得到的两类三维图像块进行与初始估计相同的三维离散余弦变换,分别表示为:
其中,P1表示初始估计得到的与原始图像相同位置的二维参考块;Q1表示初始估计得到的与原始图像相同位置的二维相似块;
此时,每个二维图像块均是对去噪图像的估计;
2.3)聚合
将步骤2.2.2)得到的三维序列中的每个二维图像块分别融合到原始位置,每个像素的灰度值是每个对应位置块的灰度值的加权平均;将最终估计得到的图像记为Y2;
记录协同滤波得到的交叠块的估计及相应每个像素的重复估计:
这里:a.v′(x)、δ′(x)分别记为最终估计图像每个像素估计的分子部分和分母部分,x表示像素在原始图像中的位置坐标;
因此,最终估计的加权平均关系式为:
这里χQ表示特征函数,即χQ(x)=1仅且仅当x∈Q,否则为0。
2.根据权利要求1所述的快速光学成像数据的稀疏滤波方法,其特征在于,所述步骤1.2.1)中,搜索步长为3个像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811241750.2A CN109389567B (zh) | 2018-10-24 | 2018-10-24 | 一种快速光学成像数据的稀疏滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811241750.2A CN109389567B (zh) | 2018-10-24 | 2018-10-24 | 一种快速光学成像数据的稀疏滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389567A CN109389567A (zh) | 2019-02-26 |
CN109389567B true CN109389567B (zh) | 2021-07-16 |
Family
ID=65427707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811241750.2A Expired - Fee Related CN109389567B (zh) | 2018-10-24 | 2018-10-24 | 一种快速光学成像数据的稀疏滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389567B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738612B (zh) * | 2019-09-27 | 2022-04-29 | 深圳市安健科技股份有限公司 | X光透视图像的降噪方法及计算机可读存储介质 |
CN112561821B (zh) * | 2020-12-17 | 2024-05-17 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于近场扫描的芯片表面电磁数据降噪方法 |
CN116391202B (zh) * | 2022-08-11 | 2024-03-08 | 上海玄戒技术有限公司 | 图像降噪方法、装置及芯片 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6754398B1 (en) * | 1999-06-10 | 2004-06-22 | Fuji Photo Film Co., Ltd. | Method of and system for image processing and recording medium for carrying out the method |
CN102265618A (zh) * | 2008-12-25 | 2011-11-30 | 夏普株式会社 | 图像解码设备和图像编码设备 |
CN102682429A (zh) * | 2012-04-13 | 2012-09-19 | 泰山学院 | 一种尺寸自适应块匹配变换域滤波图像去噪方法 |
CN105787459A (zh) * | 2016-03-14 | 2016-07-20 | 山东大学 | 一种基于最优评分稀疏判别的erp信号分类方法 |
CN106651789A (zh) * | 2016-11-21 | 2017-05-10 | 北京工业大学 | 一种面向压缩人脸图像的自适应去块效应方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9230161B2 (en) * | 2013-12-06 | 2016-01-05 | Xerox Corporation | Multiple layer block matching method and system for image denoising |
US20180114297A1 (en) * | 2016-10-21 | 2018-04-26 | Qualcomm Incorporated | Systems and methods for image noise reduction |
-
2018
- 2018-10-24 CN CN201811241750.2A patent/CN109389567B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6754398B1 (en) * | 1999-06-10 | 2004-06-22 | Fuji Photo Film Co., Ltd. | Method of and system for image processing and recording medium for carrying out the method |
CN102265618A (zh) * | 2008-12-25 | 2011-11-30 | 夏普株式会社 | 图像解码设备和图像编码设备 |
CN102682429A (zh) * | 2012-04-13 | 2012-09-19 | 泰山学院 | 一种尺寸自适应块匹配变换域滤波图像去噪方法 |
CN105787459A (zh) * | 2016-03-14 | 2016-07-20 | 山东大学 | 一种基于最优评分稀疏判别的erp信号分类方法 |
CN106651789A (zh) * | 2016-11-21 | 2017-05-10 | 北京工业大学 | 一种面向压缩人脸图像的自适应去块效应方法 |
Non-Patent Citations (1)
Title |
---|
Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering;Kostadin Dabov 等;《IEEE Transactions on Image Processing》;IEEE;20070831;第16卷(第8期);2080-2095 * |
Also Published As
Publication number | Publication date |
---|---|
CN109389567A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gurusamy et al. | A machine learning approach for MRI brain tumor classification | |
CN110390650B (zh) | 基于密集连接和生成对抗网络的oct图像去噪方法 | |
Guo et al. | Unsupervised denoising of optical coherence tomography images with nonlocal-generative adversarial network | |
CN109934887B (zh) | 一种基于改进的脉冲耦合神经网络的医学图像融合方法 | |
Gour et al. | Speckle denoising in optical coherence tomography images using residual deep convolutional neural network | |
CN109389567B (zh) | 一种快速光学成像数据的稀疏滤波方法 | |
CN106023200A (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
WO2017036231A1 (zh) | 从光学相干断层图像获取视网膜结构的方法及其系统 | |
CN111178369B (zh) | 一种医学影像的识别方法及系统、电子设备、存储介质 | |
Gan et al. | BM3D-based ultrasound image denoising via brushlet thresholding | |
CN108765427A (zh) | 一种前列腺图像分割方法 | |
CN106504221B (zh) | 基于四元数小波变换上下文结构的医学图像融合方法 | |
CN110660063A (zh) | 多图像融合的肿瘤三维位置精准定位系统 | |
Anoop et al. | A cascaded convolutional neural network architecture for despeckling OCT images | |
CN109035156B (zh) | 基于dnst的医学ct图像去噪方法 | |
Kaur et al. | Review on medical image denoising techniques | |
Liu et al. | Speckle noise reduction for medical ultrasound images based on cycle-consistent generative adversarial network | |
CN115619693A (zh) | 一种基于嵌套多尺度变换的时空融合模型 | |
Chen et al. | Optical coherence tomographic image denoising based on Chi-square similarity and fuzzy logic | |
Wu et al. | Cooperative low-rank models for removing stripe noise from OCTA images | |
Gholizadeh-Ansari et al. | Low-dose CT denoising using edge detection layer and perceptual loss | |
CN109816665B (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
Yu et al. | Generative adversarial networks with dense connection for optical coherence tomography images denoising | |
CN109767410B (zh) | 一种肺部ct与mri影像融合算法 | |
Sharif et al. | Two-Stage Deep Denoising With Self-guided Noise Attention for Multimodal 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210716 |
|
CF01 | Termination of patent right due to non-payment of annual fee |