CN109767400B - 一种导向三边滤波的超声图像散斑噪声去除方法 - Google Patents

Abstract

一种导向三边滤波的超声图像散斑噪声去除方法，包括：对导向图像利用高斯函数计算空域距离权，其标准偏差的设置随噪声强度增大而增大；对导向图像局部区域进行直方图拟合，拟合函数选用Fisher‑Tippett概率密度函数，其分布参数采用最大似然法估计，根据估计的参数计算分布相似权；对导向图像利用指数函数计算像素值差异权，其尺度参数设置随估计的Fisher‑Tippett分布参数正比例变化；利用前述计算的三个权值，对超声图像进行局部迭代滤波，迭代收敛后即得到散斑噪声去除的超声图像。本发明通过空域距离、像素值差异和分布相似性三方面信息计算滤波权值，能有效降低散斑噪声的同时更好地保留图像的细节和边缘信息，从而增强超声图像的视觉判读性。

Description

一种导向三边滤波的超声图像散斑噪声去除方法

技术领域

本发明涉及图像处理技术领域，具体是一种导向三边滤波的超声图像散斑噪声去除方法。

背景技术

目前超声影像已成为临床多种疾病诊断的首选方法，并已发展成为一种能提供多种参数的系列诊断技术。超声成像方法常用来判断脏器的位置、大小、形态，确定病灶的范围和物理性质，提供一些腺体组织的解剖图，鉴别胎儿的正常与异常，在妇产科及心血管系统、消化系统、泌尿系统的应用十分广泛。超声成像采用回声原理，由仪器探头向人体发射一束超声进入体内，并进行线形、扇形或其它形式的扫描，遇到不同声阻抗的两种组织的交界面，即有超声反射回来，由探头接收后，经过信号放大或信息处理，形成人体的断层图像。除了反射回波外，人体组织的微小结构作为散射体使声波产生散射后形成的散射回波也会被接收，但这部分回波相互干涉通常产生所谓的散斑噪声。由于该类噪声的存在，使得图像分辨率和对比度严重下降，影响计算机辅助的临床诊断，并为后续的组织或病灶体分割、识别、配准或三维重建等造成极大困难。因此超声图像散斑噪声去除一直是医学成像领域研究的热点问题。

多年来，国内外学者致力于超声图像的去噪研究，提出了多种不同类型的去噪方法，包括局部空域滤波，各项异性扩散滤波，非局部均值滤波，总变分方法，多尺度方法以及同态滤波方法等。这些方法，或者去噪效果不够理想，或者去噪算法复杂度较高，因此，寻求一种算法简单有效且去噪效果较理想的方案，是目前超声图像实时处理的必要条件，也是去噪算法移植到实际医疗设备的先决条件。

发明内容

本发明提供一种导向三边滤波的超声图像散斑噪声去除方法，通过空域距离、像素值差异、分布相似性三方面信息计算滤波权值，能有效降低散斑噪声的同时更好地保留图像的细节和边缘信息，从而增强超声图像的视觉判读性。

本发明采取的技术方案为：

一种导向三边滤波的超声图像散斑噪声去除方法，包括以下步骤：

步骤1：对导向图像利用高斯函数计算空域距离权，其标准偏差的设置随噪声强度增大而增大；

步骤2：对导向图像局部区域进行直方图拟合，拟合函数选用Fisher-Tippett概率密度函数，其分布参数采用最大似然法估计，根据估计的参数计算分布相似权；

步骤3：对导向图像利用指数函数计算像素值差异权，其尺度参数设置随估计的Fisher-Tippett分布参数正比例变化；

步骤4：利用前述计算的三个权值，对超声图像进行局部迭代滤波，迭代收敛后即得到散斑噪声去除的超声图像。

步骤1包括：

导向图像

的整个区域为Ω，待处理像素位置x(x∈Ω)的邻域区域为N_r(x)，其大小表示为[-r,r]×[-r,r]，对该邻域内的某一像素t(t∈N_r(x))，其空域距离权g_t采用如下高斯函数：

其中：exp()为指数函数满足exp(y)＝e^y，||t||为待处理像素x与邻域像素t的欧氏距离，σ_s为标准偏差，其典型取值范围为1～3，且散斑噪声强度越大，取值越大。

步骤2包括：

对像素位置x的邻域内的某一像素点t(t∈N_r(x))，其位置坐标表示为x+t，在该点形成大小为[-r,r]×[-r,r]的邻域区域表示为N_r(x+t)，并对该邻域区域的像素进行直方图拟合，拟合函数采用Fisher-Tippett概率密度函数，其分布参数表示为θ_t，则计算的像素点位置t的分布相似权ρ_t为：

其中：

为导向图像在像素位置x的灰度值，Fisher-Tippett概率密度函数的分布参数θ_t采用最大似然估计可得：

其中：

表示分布参数θt的估计值，||N_r(x+t)||为邻域区域N_r(x+t)内的像素总数，j表示邻域区域N_r(x+t)内某像素点位置，

为导向图像在像素位置j的灰度值。

步骤3中：

利用指数函数计算像素点位置t的像素值差异权

为：

其中：I为含噪超声图像，I(x+t)表示含噪超声图像在像素位置x+t的灰度值，s为尺度参数，其随估计的Fisher-Tippett概率密度函数的分布参数

正比例变化，且满足表达式：

其中，λ为比例系数，其值的设置与噪声强度相关。

步骤4中：

对待处理像素位置x的邻域区域N_r(x)内的某一像素t，其得到的空域距离权g_t、分布相似权ρt和像素值差异权

三个权值生成关于像素位置x的局部迭代滤波式如下：

其中：

表示导向图像像素位置x的灰度值在第k+1次迭代运行后的滤波结果，当k＝0时，导向图像

即初始化导向图像为含噪超声图像，后续的迭代采用前一次滤波结果作为导向图像；

根据前后两次迭代的滤波图像均方差小于给定的阈值，即

来判定迭代收敛，阈值ε典型取值为0.01，迭代收敛后的滤波图像即为散斑噪声去除的超声图像。

本发明一种导向三边滤波的超声图像散斑噪声去除方法，技术效果如下：

1：本发明利用导向图像计算权值，避免了利用噪声图像计算权值可能产生的偏差；同时本发明利用了空域距离、像素值差异以及分布特性三方面的信息来度量邻域像素之间的相似性，能更精确地描述边缘信息以及微小细节信息，从而使去噪算法实现在均匀区域有效降低散斑噪声，在细节区域有效保留或增强对比度。

2：本发明算法采用局部邻域滤波，算法复杂度不高，适宜进行硬件固化。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明中提及的图像区域和像素点的局部邻域的关系示意图。

图2为本发明实施例中的待去噪超声图。

图3为本发明实施例中的去噪结果图。

图4为本发明方法对两幅测试图像的去噪结果的峰值信噪比(Peak Signal toNoise Ratio,PSNR)随迭代次数k的变化曲线图。

图5为本发明方法对两幅测试图像的去噪结果的PSNR随比例系数λ的变化曲线图。

图6为本发明方法对两幅测试图像的去噪结果的PSNR随局部邻域大小r的变化曲线图。

图7为本发明方法对两幅测试图像的去噪结果的PSNR随空域权标准偏差σ_s的变化曲线图。

图8(1)为SRAD超声图像去噪方法的处理结果图；

图8(2)为OBNLM超声图像去噪方法的处理结果图；

图8(3)为SRBF超声图像去噪方法的处理结果图；

图8(4)为MIDAL超声图像去噪方法的处理结果图；

图8(5)为HomoBM3D超声图像去噪方法的处理结果图；

图8(6)为HomoDDID超声图像去噪方法的处理结果图；

图8(7)为WSFBF超声图像去噪方法的处理结果图；

图8(8)为本发明GTF超声图像去噪方法的处理结果图。

具体实施方式

一种导向三边滤波(Guided Trilateral Filtering,GTF)的超声图像散斑噪声去除方法，包括以下步骤：

步骤1：导向图像

的整个区域为Ω，待处理像素位置x(x∈Ω)的邻域区域为N₄(x)，其大小表示为[-4,4]×[-4,4]，对邻域内的某一像素t(t∈N₄(x))，其空域距离权g_t采用如下高斯函数：

其中：||t||为待处理像素x与邻域像素t的欧氏距离，σ_s为标准偏差，其取值为2。

步骤2：对像素位置x的邻域内的某一像素点t(t∈N₄(x))，其位置坐标表示为x+t，在该点形成大小为[-4,4]×[-4,4]的邻域区域表示为N₄(x+t)，并对该邻域区域的像素进行直方图拟合，拟合函数采用Fisher-Tippett概率密度函数，其分布参数表示为θ_t，则计算的像素点位置t的分布相似权ρ_t为：

其中：

为导向图像在像素位置x的灰度值，exp()为指数函数满足exp(y)＝e^y，Fisher-Tippett概率密度函数的分布参数θ_t采用最大似然估计可得：

其中：

表示分布参数θt的估计值，||N₄(x+t)||为邻域区域N₄(x+t)内的像素总数，实施例中其值为9×9＝81。j表示邻域区域N₄(x+t)内某像素点位置，

为导向图像在像素位置j的灰度值。

步骤3：利用指数函数计算像素点位置t的像素值差异权

为：

其中：I为含噪超声图像，I(x+t)表示含噪超声图像在像素位置x+t的灰度值，s为尺度参数，其随估计的Fisher-Tippett概率密度函数的分布参数

正比例变化，且满足表达式：

其中，λ为比例系数，其值为15。

步骤4：对待处理像素位置x的邻域区域N₄(x)内的某一像素t，其得到的空域距离权g_t、分布相似权ρ_t和像素值差异权

三个权值生成关于像素位置x的局部迭代滤波式如下：

其中：

表示导向图像像素位置x的灰度值在第k+1次迭代运行后的滤波结果，当k＝0时，导向图像

即初始化导向图像为含噪超声图像，后续的迭代采用前一次滤波结果作为导向图像；

根据前后两次迭代的滤波图像均方差小于给定的阈值，即

来判定迭代收敛，阈值ε典型取值为0.01。实施例中经过2次迭代收敛，收敛后的滤波图像即为散斑噪声去除的超声图像

图2为实施例所用的乳腺良性肿瘤超声图像，图3是本发明方法对该超声图像的散斑噪声去除后的结果。

图8(1)～图8(8)为不同散斑噪声去除方法的处理结果对比图：包括SRAD(SpeckleReduction Anisotropic Diffusion，散斑消减各项异性扩散)、OBNLM(OptimizedBayesian NonLocal Means filter，优化贝叶斯非局部均值滤波)、SRBF(SpeckleReduction Bilateral Filter，散斑消减双边滤波)、MIDAL(Multiplicative ImageDenoising by Augmented Lagrangian，增广拉格朗日乘性图像去噪)、HomoBM3D(Homomorphic Block-Matching and 3-D filtering，同态块匹配及三维滤波)、HomoDDID(Homomorphic Dual-Domain Image Denoising，同态双域图像去噪)、WSFBF(WaveletShrinkage and Fast Bilateral Filter，小波收缩及快速双边滤波)以及本发明的GTF(Guided Trilateral Filtering，导向三边滤波)方法。

由图8(1)～图8(8)可以看到SRAD、MIDAL和WSFBF的滤波结果仍有少量的散斑噪声残留，OBNLM、HomoBM3D和HomoDDID的处理结果出现了伴生的伪影现象，SRBF的滤波结果整体偏亮，降低了对比度，本发明的GTF方法具有最好的视觉效果。

本发明提供了一种导向三边滤波的框架，具体实现时可以通过替换不同的权值计算函数，尤其是与处理图像分布有关的概率密度函数，从而得到不同形式的三边滤波器结构。对于本技术领域的普通技术人员来说，在不改变本发明原理的前提下而作出的若干改进和优化，均属于本发明的导向三边滤波方案，也应视为本发明的保护范围。

Claims (5)

1.一种导向三边滤波的超声图像散斑噪声去除方法，其特征在于包括以下步骤：

步骤1：对导向图像利用高斯函数计算空域距离权，其标准偏差的设置随噪声强度增大而增大；

步骤2：对导向图像局部区域进行直方图拟合，拟合函数选用Fisher-Tippett概率密度函数，其分布参数采用最大似然法估计，根据估计的参数计算分布相似权；

步骤3：对导向图像利用指数函数计算像素值差异权，其尺度参数设置随估计的Fisher-Tippett分布参数正比例变化；

步骤4：利用前述计算的三个权值，对超声图像进行局部迭代滤波，迭代收敛后即得到散斑噪声去除的超声图像。

2.根据权利要求1所述一种导向三边滤波的超声图像散斑噪声去除方法，其特征在于步骤1包括：

导向图像

的整个区域为Ω，待处理像素位置x(x∈Ω)的邻域区域为N_r(x)，其大小表示为[-r,r]×[-r,r]，对该邻域内的某一像素t(t∈N_r(x))，其空域距离权g_t采用如下高斯函数：

其中：exp()为指数函数满足exp(y)＝e^y，||t||为待处理像素x与邻域像素t的欧氏距离，σ_s为标准偏差，其典型取值范围为1～3，且散斑噪声强度越大，取值越大。

3.根据权利要求1所述一种导向三边滤波的超声图像散斑噪声去除方法，其特征在于：

步骤2包括：

对像素位置x的邻域内的某一像素点t(t∈N_r(x))，其位置坐标表示为x+t，在该点形成大小为[-r,r]×[-r,r]的邻域区域表示为N_r(x+t)，并对该邻域区域的像素进行直方图拟合，拟合函数采用Fisher-Tippett概率密度函数，其分布参数表示为θ_t，则计算的像素点位置t的分布相似权ρ_t为：

其中：

为导向图像在像素位置x的灰度值，Fisher-Tippett概率密度函数的分布参数θ_t采用最大似然估计可得：

其中：

表示分布参数θt的估计值，||N_r(x+t)||为邻域区域N_r(x+t)内的像素总数，j表示邻域区域N_r(x+t)内某像素点位置，

为导向图像在像素位置j的灰度值。

4.根据权利要求1所述一种导向三边滤波的超声图像散斑噪声去除方法，其特征在于：

步骤3中：利用指数函数计算像素点位置t的像素值差异权

为：

其中：I为含噪超声图像，I(x+t)表示含噪超声图像在像素位置x+t的灰度值，s为尺度参数，其随估计的Fisher-Tippett概率密度函数的分布参数

正比例变化，且满足表达式：

其中，λ为比例系数，其值的设置与噪声强度相关。

5.根据权利要求1所述一种导向三边滤波的超声图像散斑噪声去除方法，其特征在于：

步骤4中：对待处理像素位置x的邻域区域N_r(x)内的某一像素t，其得到的空域距离权g_t、分布相似权ρ_t和像素值差异权

三个权值生成关于像素位置x的局部迭代滤波式如下：

其中：

表示导向图像像素位置x的灰度值在第k+1次迭代运行后的滤波结果，当k＝0时，导向图像

即初始化导向图像为含噪超声图像，后续的迭代采用前一次滤波结果作为导向图像；

根据前后两次迭代的滤波图像均方差小于给定的阈值，即

来判定迭代收敛，阈值ε典型取值为0.01，迭代收敛后的滤波图像即为散斑噪声去除的超声图像。

Images