CN110163825A - 一种人类胚胎心脏超声图像去噪和增强方法 - Google Patents
一种人类胚胎心脏超声图像去噪和增强方法 Download PDFInfo
- Publication number
- CN110163825A CN110163825A CN201910432219.1A CN201910432219A CN110163825A CN 110163825 A CN110163825 A CN 110163825A CN 201910432219 A CN201910432219 A CN 201910432219A CN 110163825 A CN110163825 A CN 110163825A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- search
- gray
- region
- 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 title claims abstract description 53
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 25
- 210000002257 embryonic structure Anatomy 0.000 title claims abstract description 18
- 230000000747 cardiac effect Effects 0.000 title claims abstract description 17
- 238000005520 cutting process Methods 0.000 claims abstract description 20
- 230000001186 cumulative effect Effects 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000003296 saliva Anatomy 0.000 claims description 2
- 206010016256 fatigue Diseases 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 230000002708 enhancing effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 210000003754 fetus Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人类胚胎心脏超声图像去噪和增强方法,包括以下步骤:S1:获取时间序列和空间序列的超声目标图像并选取中心图像,选取该中心图像的相邻图像;S2:计算中心图像的每一个像素与相邻图像对应区域的相似度:S3:利用加权平均得到去噪后的像素值,遍历整张中心图像后即获得去噪后的清晰图像;S4:计算图像的灰度直方图和大津阈值、利用大津阈值计算灰度直方图的裁剪长度,对灰度直方图进行裁剪并且将裁去的部分分配给所有灰度级对应的直方图得到新灰度直方图;S5:将新灰度直方图映射成新图像:计算灰度累计频率和灰度映射函数、利用灰度映射函数将每一个灰度级映射到新的灰度级得到增强后图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种人类胚胎心脏超声图像去噪和增强方法。
背景技术
目前,超声技术是检测胎儿心脏是否健康的重要手段,但是由于胎儿的特殊性,超声需要额外穿过胎儿母亲的腹部脂肪才能针对胚胎心脏进行成像,这就导致超声图像往往会存在比其他情况下更多的伪影与噪声,而且图像的对比度也比较低。针对这种情况,目前的解决方法有以下几种,首先是依据医疗人员的经验,利用未处理的超声图像进行诊断,这种方法对医疗人员的技术水平要求非常高,会消耗大量时间和精力,并且容易造成误诊;第二个是利用传统滤波方式去除噪声,这种方法虽然有一定的去噪效果,但是由于算法未针对超声图像进行优化,导致了图像中一些关键信息的丢失,不利于医生诊断;第三个是利用直方图均衡化或者微分掩模的方法对图像进行增强,这种方法可以在一定程度上提高对比度,但是这种方法对图像质量的要求比较高并且无法针对图像进行自适应的增强;最后是利用机器学习的方法,使用大量的人类胚胎心脏的超声图像作为训练集,最后得到去噪和增强的效果,这种方法需要大量的数据作为训练集,而临床上这些数据很难获得,并且这种方法对硬件的要求很高,耗时也比较长。
发明内容
根据现有技术存在的问题,本发明公开了一种人类胚胎心脏超声图像去噪和增强方法,具体包括以下步骤:
S1:获取具有时间序列和空间序列特征的超声图像数据集并选取中心图像,确定该中心图像的相邻图像;
S2:将中心图像中的当前待处理像素标记为中心像素,计算该中心像素与相邻图像对应搜索域中每个像素的相似度:设置中心像素对应的搜索域、搜索域对应累计方差、平均累计方差、以及搜索域中每个像素的邻域方差,再计算搜索域中每个像素的邻域平均欧氏距离和搜索域中每个像素与中心像素的相似度;
S3:根据相似度计算相邻图像对应的中心像素灰度值并对该中心像素灰度值进行取平均值操作得到中心像素的最终灰度值,对中心图像的每一个像素采用上述方法计算对应的最终灰度值,遍历整张中心图像后即获得去噪后的清晰图像;
S4:计算图像的灰度直方图和大津阈值、利用大津阈值计算灰度直方图的裁剪长度,对灰度直方图进行裁剪并且将裁去的部分分配给所有灰度级得到新灰度直方图;
S5:将新灰度直方图映射成新图像:计算灰度累计频率和灰度映射函数、利用灰度映射函数将每一个灰度级映射到新的灰度级得到增强后图像。
进一步的,所述中心图像的相邻图像选取方式为:将中心图像的时间序列当中相邻的两张图像和空间序列当中相邻的两张图像共4张作为相邻图像。
进一步的,所述中心图像的每一个像素与相邻图像对应搜索域的相似度采用如下方式确认:
S21:在中心图像中选取中心像素,将中心像素在相邻图像中相同位置的像素定义为目标像素,以目标像素为中心m×m像素范围的区域定义为搜索域,对于每一个搜索域当中的每一个像素,以该像素为中心的n×n像素范围定义为邻域;
S22:计算相邻图像对应的搜索域中的像素P的累计方差:设像素P的灰度值为s,像素P对应的邻域中所有像素的灰度值分别表示为ti,i∈[1,n2],由此计算像素P在这一搜索域上的累计方差为:
S23:对于中心像素对应的所有搜索域,均按照S22采用的方法计算累计方差,则该像素对应的平均累计方差为:
S24:遍历整个搜索域,对搜索域中的每一个像素都按照S23采用的方法计算平均累计方差;
S25:计算搜索域中每个像素的邻域方差:对于一个搜索域的一个像素P,由S23计算出其平均累计方差e,则像素P对应的邻域方差为:
S26:计算邻域方差对应的高斯加权权重:设σ为高斯标准差,h为滤波系数,此时像素P对应的高斯加权权重表示为:
S27:遍历整个搜索域,对于该搜索域当中的每一个像素按照S26所提出的方法计算高斯加权权重,将高斯加权权重表示为邻域平均欧氏距离,对于该搜索域当中的第j个像素所对应的高斯加权权重记为WGj,j∈[1,m2];
S28:将一个搜索域中所有像素对应的高斯加权权重的和定义为归一化系数,由S27获取搜索域中第j个像素对应的高斯加权权重为WGj,则归一化系数表示为:
S29:计算中心像素与搜索域中像素的相似度,其中中心像素和搜索域中的第j个像素的相似度表示为:
进一步的,S3中具体采用如下方式:
S31:计算第k张相邻图像对应的中心像素的灰度值:设sj为此图像搜索域中的第j个像素的灰度值,设第j个像素对应的相似度为Wj,则此相邻图像对应的中心像素灰度值为:
S32:计算中心像素的最终像素值:对于相邻图像采用S31提出的方法计算对应中心像素的灰度值,对相邻图像的对应中心像素的灰度值进行取平均操作即得到中心像素的最终像素值:
S33:对于整张中心图像,遍历其所有的像素,利用上述方案得到对应的像素值最终得到整幅图像的去噪结果。
进一步的,S4具体采用如下方式:
S41:计算完成去噪后图像的灰度直方图:首先对图像灰度级进行统计,每获取一个像素灰度值,则对应的灰度级像素数量加1,遍历整幅图像即获得整幅图像的灰度直方图H;
S42:计算图像的大津阈值:对于长宽为M×N的图像,M和N分别为图像长和宽对应的像素个数,图像中像素值小于阈值T的像素个数记为N0,像素值大于阈值T的像素个数记为N1,则灰度值小于阈值T和大于阈值T的像素在图像中出现的概率分别为:
其中ω0+ω1=1,N0+N1=M×N;
设μ0为概率ω0对应的像素平均灰度,μ1为ω1对应的像素平均灰度,μ=ω0μ0+ω1μ1为整幅图像的平均灰度,则计算类间方差g=ω0ω1(μ0μ1)2;
采用不同的阈值T计算类间方差g,T∈[0,255],当g取最大值时对应的阈值T即为大津阈值;
S43:计算直方图的裁剪长度:设i为灰度值,Hi为此灰度值对应的灰度直方图高度,根据S42获取的图像的大津阈值T计算第i个灰度直方图柱子的裁剪长度为:
S44:将原灰度直方图柱子的长度减去裁剪长度,即可得到剩余的灰度直方图柱子长度:Hi r=Hi-CLi,如果在裁剪后出现则记
S45:将裁去的灰度直方图长度平均分配给所有的灰度级对应的灰度直方图柱子长度得到新的灰度直方图:设r为灰度级的个数,则每个灰度级对应的最终高度为对灰度直方图中的每一个灰度级都采用相同的操作即得到新的灰度直方图H′。
进一步的,将新灰度直方图映射成新图像具体采用如下方式:
S51:计算灰度累计频率:设ni为对应灰度级的像素个数,n为图像像素总个数,r为灰度级的个数,则每一个灰度级的灰度累计频率为:
S52:计算灰度映射函数:设L为灰度直方图中的灰度级最大值,则灰度映射函数表示为:si=L×Pi;
S53:利用灰度映射函数将每一个灰度级映射到新的灰度级得到增强后图像。
由于采用了上述技术方案,本发明提供的一种人类胚胎心脏超声图像去噪和增强方法,该方法基于时间序列和空间序列对人类胚胎心脏超声图像进行去噪和增强,对质量较低的图像也能有较好的处理效果,对之后的医生诊断和三维重建等工作提供了比较好的前期准备工作;本方法在去噪过程中可以自由调整参数,在去噪效果与时间效率方面做出平衡,除此之外本方法在增强的时候限制了图像对比度,有效防止了图像对比度过大而产生的噪声放大和细节丢失;和基于机器学习的方法相比,本方法不需要训练集的支撑,易于编程实现,算法复杂度较低。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中方法的流程图
图2为本发明中输入图像的示意图
图3为本发明所用的中心图像原图
图4为本发明中心图像与搜索域示意图
图5为本发明搜索域与邻域示意图
图6为本发明去噪的最终结果
图7为本发明灰度直方图裁剪示意图
图8为本发明裁剪下的灰度平均分配的示意图
图9为本发明增强最终结果示意图
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
如图1所示的一种人类胚胎心脏超声图像去噪和增强方法,具体包括如下步骤:
S1:获取具有时间序列和空间序列特征的超声图像数据集并选取中心图像,确定该中心图像的相邻图像,如图2所示;
S11:将病例数据包含的超声图像转化为灰度图像;
S12:选择一幅图像为中心图像,中心图像原图如图3所示,获得其在时间序列当中相邻的两张图像和空间序列当中相邻的两张图像共4张作为相邻图像。
S2:将中心图像中的当前待处理像素标记为中心像素,计算该中心像素与相邻图像对应搜索域中每个像素的相似度:设置中心像素对应的搜索域、计算搜索域对应累计方差,计算平均累计方差、计算搜索域中每个像素的邻域方差、计算搜索域中每个像素的邻域平均欧氏距离、计算搜索域中每个像素与中心像素的相似度。
S21:确定搜索域与邻域:如图4所示,在中心图像当中选择一点作为中心像素,将其在4张相邻图像当中相同位置的像素称为目标像素,如图5所示,对于一个目标像素,以它为中心m×m像素范围的区域称为搜索域,对于每一个搜索域当中的每一个像素,以它为中心的n×n像素范围定义为邻域;对于一个搜索域中的一个像素,以它为中心的n×n像素范围定义为邻域,搜索域中的每一个像素都对应一个邻域。
S22:计算累计方差:对于第k张相邻图像对应的搜索域中的一个像素P,P的灰度值表示为s,P对应的邻域中所有像素的灰度值分别表示为ti,i∈[1,n2],由此可计算P在这一搜索域上的累计方差为:
S23:计算平均累计方差:对其他的搜索域,均按照S22采用的方法计算累计方差,则该像素对应的平均累计方差为:
S24:遍历整个搜索域,对搜索域中的每一个像素都按照S23采用的方法计算平均累计方差;
S25:计算每个像素的邻域方差:对于一个搜索域的一个像素P,由S23可以计算出其平均累计方差e,则像素P对应的邻域方差为:
S26:计算邻域方差对应的高斯加权权重:设σ为高斯标准差,h为滤波系数,此时像素P对应的高斯加权权重可表示为:
S27:遍历整个搜索域,对于该搜索域当中的每一个像素,都按照S26所提出的方法计算出高斯加权权重,将高斯加权权重表示为邻域平均欧氏距离,对于该搜索域当中的第j个像素,它所对应的高斯加权权重记为WGj,j∈[1,m2];
S28:计算归一化系数:在本方法中,归一化系数表示为一个搜索域中所有像素对应的高斯加权权重的和,由S27可知搜索域中第j个像素对应的高斯加权权重为WGj,则归一化系数可表示为:
S29:计算相似度:由S28可以计算出归一化系数N。则中心像素和一个搜索域中的第j个像素的相似度可表示为:
S3:采用加权平均获取中心像素去噪后的像素值,遍历整幅图像得到去噪结果:由S2可以计算出一张相邻图像对应的搜索域中每一个邻域与目标像素的相似度、由此相似度计算此相邻图像对应的中心像素灰度值,对4张相邻图像都采用上述方法计算对应中心像素的灰度值、对4张相邻图像计算出的中心像素灰度值进行取平均操作,得到中心像素的最终灰度值,对中心图像的每一个像素都使用上述方法计算对应的最终灰度值,遍历完整张中心图像之后即可得到去噪最终结果。
S31:计算第k张相邻图像对应的中心像素灰度值:设sj为此图像搜索域中的第j个像素的灰度值,由S29可知第j个像素对应的相似度为Wj,则此相邻图像对应的中心像素灰度值为:
S32:计算中心像素的最终像素值:对四张相邻图像,都用S31提出的方法计算对应中心像素的灰度值,最后进行取平均操作即可得到中心像素的最终像素值:
S33:对于整张中心图像,遍历其所有的像素,利用上述方案得到对应的像素值,最终得到整幅图像的去噪结果,如图6所示。
S4:计算去噪后图像的灰度直方图、对灰度直方图进行裁剪,计算图像的大津阈值,对直方图进行裁剪:计算图像的灰度直方图和大津阈值、利用计算出的大津阈值计算灰度直方图的裁剪长度、对灰度直方图进行裁剪并且将裁去的部分分配给所有灰度级对应的直方图,得到新的灰度直方图。
S41:计算完成去噪后图像的灰度直方图:首先对图像灰度级进行统计,每获取一个像素灰度值,则对应的灰度级像素数量加1,遍历完整幅图像之后,即可得到整幅图像的灰度直方图H。
S42:计算图像的大津阈值:对于长宽为M×N的图像,M和N分别为图像长和宽对应的像素个数,,像素值大于T的像素个数记为N1,则灰度值小于T和大于T的像素在图像中出现的概率分别为:
其中ω0+ω1=1,N0+N1=M×N。
又记μ0为ω0对应的像素平均灰度,μ1为ω1对应的像素平均灰度,μ=ω0μ0+ω1μ1为整幅图像的平均灰度,则可计算类间方差g=ω0ω1(μ0μ1)2。
采取遍历的方法,可得到使g最大的阈值T,即大津阈值T;
S43:求出直方图的裁剪长度:由S42可知图像的大津阈值T,设i为灰度值,Hi为此灰度值对应的灰度直方图高度,则第i个灰度直方图柱子的裁剪长度可以表示为:
S44:将原灰度直方图柱子的长度减去裁剪长度,即可得到剩余的灰度直方图柱子长度:Hi r=Hi-CLi,如果在裁剪后出现则记
S45:将裁去的灰度直方图长度平均分配给所有的灰度级对应的灰度直方图柱子长度得到新的灰度直方图,如图8所示:设r为灰度级的个数,则每个灰度级对应的最终高度为对灰度直方图中的每一个灰度级都采用相同的操作即得到新的灰度直方图H′。
S5:将灰度直方图映射成为新的图像:计算灰度累计频率、计算灰度映射函数、利用灰度映射函数将每一个灰度级映射到新灰度级,因此得到增强之后的图像。
S51:计算灰度累计频率:由S45可得到的新的灰度直方图H′,设ni为对应灰度级的像素个数,n为图像像素总个数,r为灰度级的个数,则每一个灰度级的灰度累计频率为:
S52:计算灰度映射函数:设L为灰度直方图中的灰度级最大值,则灰度映射函数可以表示为:si=L×Pi;
S53:由S52求出灰度映射函数之后,利用灰度映射函数将每一个灰度级映射到新的灰度级,即可得到增强后的图像,最终结果如图9所示。
本发明公开的一种人类胚胎心脏超声图像去噪和增强方法,本发明公开的方法在增强的过程中对图像的对比度做出了限制,有效地避免了因为增强后图像对比度过高而产生的图像噪声放大的问题,对医学图像尤其是人类胚胎心脏超声图像这类本身就含有较多噪声的图像来说效果更加明显。另外本方法复杂度较低,在实现上相对来说比较简单,运行速度也比较快;最后,人类胚胎心脏超声图像采集相对困难,目前尚未有可用的数据集提供给基于机器学习的方法使用,而本方法不需要训练数据集,仅需要原始数据即可得到最后结果,对使用者比较友好。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种人类胚胎心脏超声图像去噪和增强方法,其特征在于包括:以下步骤:
S1:获取具有时间序列和空间序列特征的超声图像数据集并选取中心图像,确定该中心图像的相邻图像;
S2:将中心图像中的当前待处理像素标记为中心像素,计算该中心像素与相邻图像对应搜索域中每个像素的相似度:设置中心像素对应的搜索域、搜索域对应累计方差、平均累计方差、以及搜索域中每个像素的邻域方差,再计算搜索域中每个像素的邻域平均欧氏距离和搜索域中每个像素与中心像素的相似度;
S3:根据相似度计算相邻图像对应的中心像素灰度值并对该中心像素灰度值进行取平均值操作得到中心像素的最终灰度值,对中心图像的每一个像素采用上述方法计算对应的最终灰度值,遍历整张中心图像后即获得去噪后的清晰图像;
S4:计算图像的灰度直方图和大津阈值、利用大津阈值计算灰度直方图的裁剪长度,对灰度直方图进行裁剪并且将裁去的部分分配给所有灰度级得到新灰度直方图;
S5:将新灰度直方图映射成新图像:计算灰度累计频率和灰度映射函数、利用灰度映射函数将每一个灰度级映射到新的灰度级得到增强后图像。
2.根据权利要求1所述的一种人类胚胎心脏超声图像去噪和增强方法,其特征还在于:所述中心图像的相邻图像选取方式为:将中心图像的时间序列当中相邻的两张图像和空间序列当中相邻的两张图像共4张作为相邻图像。
3.根据权利要求2所述的一种人类胚胎心脏超声图像去噪和增强方法,其特征还在于:所述中心图像的每一个像素与相邻图像对应搜索域的相似度采用如下方式确认:
S21:在中心图像中选取中心像素,将中心像素在相邻图像中相同位置的像素定义为目标像素,以目标像素为中心m×m像素范围的区域定义为搜索域,对于每一个搜索域当中的每一个像素,以该像素为中心的n×n像素范围定义为邻域;
S22:计算相邻图像对应的搜索域中的像素P的累计方差:设像素P的灰度值为s,像素P对应的邻域中所有像素的灰度值分别表示为ti,i∈[1,n2],由此计算像素P在这一搜索域上的累计方差为:
S23:对于中心像素对应的所有搜索域,均按照S22采用的方法计算累计方差,则该像素对应的平均累计方差为:
S24:遍历整个搜索域,对搜索域中的每一个像素都按照S23采用的方法计算平均累计方差;
S25:计算搜索域中每个像素的邻域方差:对于一个搜索域的一个像素P,由S23计算出其平均累计方差e,则像素P对应的邻域方差为:
S26:计算邻域方差对应的高斯加权权重:设σ为高斯标准差,h为滤波系数,此时像素P对应的高斯加权权重表示为:
S27:遍历整个搜索域,对于该搜索域当中的每一个像素按照S26所提出的方法计算高斯加权权重,将高斯加权权重表示为邻域平均欧氏距离,对于该搜索域当中的第j个像素所对应的高斯加权权重记为WGj,j∈[1,m2];
S28:将一个搜索域中所有像素对应的高斯加权权重的和定义为归一化系数,由S27获取搜索域中第j个像素对应的高斯加权权重为WGj,则归一化系数表示为:
S29:计算中心像素与搜索域中像素的相似度,其中中心像素和搜索域中的第j个像素的相似度表示为:
4.根据权利要求3所述的一种人类胚胎心脏超声图像去噪和增强方法,其特征还在于:S3中具体采用如下方式:
S31:计算第k张相邻图像对应的中心像素的灰度值:设sj为此图像搜索域中的第j个像素的灰度值,设第j个像素对应的相似度为Wj,则此相邻图像对应的中心像素灰度值为:
S32:计算中心像素的最终像素值:对于相邻图像采用S31提出的方法计算对应中心像素的灰度值,对相邻图像的对应中心像素的灰度值进行取平均操作即得到中心像素的最终像素值:
S33:对于整张中心图像,遍历其所有的像素,利用上述方案得到对应的像素值最终得到整幅图像的去噪结果。
5.根据权利要求4所述的一种人类胚胎心脏超声图像去噪和增强方法,其特征还在于:S4具体采用如下方式:
S41:计算完成去噪后图像的灰度直方图:首先对图像灰度级进行统计,每获取一个像素灰度值,则对应的灰度级像素数量加1,遍历整幅图像即获得整幅图像的灰度直方图H;
S42:计算图像的大津阈值:对于长宽为M×N的图像,M和N分别为图像长和宽对应的像素个数,图像中像素值小于阈值T的像素个数记为N0,像素值大于阈值T的像素个数记为N1,则灰度值小于阈值T和大于阈值T的像素在图像中出现的概率分别为:
其中ω0+ω1=1,N0+N1=M×N;
设μ0为概率ω0对应的像素平均灰度,μ1为ω1对应的像素平均灰度,μ=ω0μ0+ω1μ1为整幅图像的平均灰度,则计算类间方差g=ω0ω1(μ0μ1)2;
采用不同的阈值T计算类间方差g,T∈[0,255],当g取最大值时对应的阈值T即为大津阈值;
S43:计算直方图的裁剪长度:设i为灰度值,Hi为此灰度值对应的灰度直方图高度,根据S42获取的图像的大津阈值T计算第i个灰度直方图柱子的裁剪长度为:
S44:将原灰度直方图柱子的长度减去裁剪长度,即可得到剩余的灰度直方图柱子长度:如果在裁剪后出现则记
S45:将裁去的灰度直方图长度平均分配给所有的灰度级对应的灰度直方图柱子长度得到新的灰度直方图:设r为灰度级的个数,则每个灰度级对应的最终高度为对灰度直方图中的每一个灰度级都采用相同的操作即得到新的灰度直方图H′。
6.根据权利要求5所述的一种人类胚胎心脏超声图像去噪和增强方法,其特征还在于:将新灰度直方图映射成新图像具体采用如下方式:
S51:计算灰度累计频率:设ni为对应灰度级的像素个数,n为图像像素总个数,r为灰度级的个数,则每一个灰度级的灰度累计频率为:
S52:计算灰度映射函数:设L为灰度直方图中的灰度级最大值,则灰度映射函数表示为:si=L×Pi;
S53:利用灰度映射函数将每一个灰度级映射到新的灰度级得到增强后图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432219.1A CN110163825B (zh) | 2019-05-23 | 2019-05-23 | 一种人类胚胎心脏超声图像去噪和增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432219.1A CN110163825B (zh) | 2019-05-23 | 2019-05-23 | 一种人类胚胎心脏超声图像去噪和增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163825A true CN110163825A (zh) | 2019-08-23 |
CN110163825B CN110163825B (zh) | 2022-11-25 |
Family
ID=67632221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910432219.1A Active CN110163825B (zh) | 2019-05-23 | 2019-05-23 | 一种人类胚胎心脏超声图像去噪和增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163825B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563858A (zh) * | 2020-05-14 | 2020-08-21 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN112505278A (zh) * | 2020-11-30 | 2021-03-16 | 深圳市联正通达科技有限公司 | 一种抽样式污水监控分析设备 |
CN116843582A (zh) * | 2023-08-31 | 2023-10-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150712A (zh) * | 2013-01-18 | 2013-06-12 | 清华大学 | 一种基于投影序列数据相似性的图像去噪方法 |
CN103369209A (zh) * | 2013-07-31 | 2013-10-23 | 上海通途半导体科技有限公司 | 视频降噪装置及方法 |
US20140064615A1 (en) * | 2012-09-05 | 2014-03-06 | Peking University | Method and Device for Denoising Videos Based on Non-Local Means |
CN105654436A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种基于前景背景分离的背光图像增强去噪方法 |
CN106056577A (zh) * | 2016-05-19 | 2016-10-26 | 西安电子科技大学 | 基于mds‑srm混合级联的sar图像变化检测方法 |
US20170098317A1 (en) * | 2015-10-02 | 2017-04-06 | Toshiba Medical Systems Corporation | Apparatus and method for robust non-local means filtering of tomographic images |
CN109685730A (zh) * | 2018-12-11 | 2019-04-26 | 上海集成电路研发中心有限公司 | 一种基于自适应非局域均值的小波去噪方法 |
-
2019
- 2019-05-23 CN CN201910432219.1A patent/CN110163825B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140064615A1 (en) * | 2012-09-05 | 2014-03-06 | Peking University | Method and Device for Denoising Videos Based on Non-Local Means |
CN103150712A (zh) * | 2013-01-18 | 2013-06-12 | 清华大学 | 一种基于投影序列数据相似性的图像去噪方法 |
CN103369209A (zh) * | 2013-07-31 | 2013-10-23 | 上海通途半导体科技有限公司 | 视频降噪装置及方法 |
US20170098317A1 (en) * | 2015-10-02 | 2017-04-06 | Toshiba Medical Systems Corporation | Apparatus and method for robust non-local means filtering of tomographic images |
CN105654436A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种基于前景背景分离的背光图像增强去噪方法 |
CN106056577A (zh) * | 2016-05-19 | 2016-10-26 | 西安电子科技大学 | 基于mds‑srm混合级联的sar图像变化检测方法 |
CN109685730A (zh) * | 2018-12-11 | 2019-04-26 | 上海集成电路研发中心有限公司 | 一种基于自适应非局域均值的小波去噪方法 |
Non-Patent Citations (2)
Title |
---|
C. SONG: "4D non-local means post-filtering for cardiac gated SPECT", 《2015 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
S. JENIFER 等: "Otsu"s method for clip limiting histograms for contrast enhancement of digital mammograms", 《2014 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL 》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563858A (zh) * | 2020-05-14 | 2020-08-21 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN111563858B (zh) * | 2020-05-14 | 2023-08-22 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN112505278A (zh) * | 2020-11-30 | 2021-03-16 | 深圳市联正通达科技有限公司 | 一种抽样式污水监控分析设备 |
CN112505278B (zh) * | 2020-11-30 | 2024-05-17 | 福建钱江水务有限公司 | 一种抽样式污水监控分析设备 |
CN116843582A (zh) * | 2023-08-31 | 2023-10-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
CN116843582B (zh) * | 2023-08-31 | 2023-11-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110163825B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785243B (zh) | 基于对抗生成网络未配准低剂量ct的去噪方法、计算机 | |
CN110163825A (zh) | 一种人类胚胎心脏超声图像去噪和增强方法 | |
US8682074B2 (en) | Method for checking the segmentation of a structure in image data | |
CN110827216A (zh) | 图像去噪的多生成器生成对抗网络学习方法 | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
CN110136088A (zh) | 一种人类胚胎心脏超声图像去噪方法 | |
CN106023200A (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
CN112258415B (zh) | 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法 | |
CN105447837B (zh) | 基于自适应云模型的多模态脑部图像融合方法 | |
CN102428478A (zh) | 多尺度图像归一化和增强 | |
CN106683061B (zh) | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 | |
CN110288698B (zh) | 基于mri的半月板三维重建系统 | |
CN106910179A (zh) | 基于小波变换的多模态医学图像融合方法 | |
CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
CN116188488B (zh) | 基于灰度梯度的b超图像病灶区域分割方法及装置 | |
CN108364297A (zh) | 血管图像分割方法、终端、存储介质 | |
CN104091309A (zh) | 一种平板x射线图像的均衡显示方法及系统 | |
CN105678750B (zh) | 医学图像的灰度映射曲线生成方法及装置 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN104751457B (zh) | 一种新的基于变分能量的肝脏分割方法 | |
CN103247025B (zh) | 基于圆形自适应模板的图像加权均值滤波方法 | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
CN107564021A (zh) | 高衰减组织的检测方法、装置及数字乳房x线摄影系统 | |
CN111563858B (zh) | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 | |
Na'am et al. | Filter technique of medical image on multiple morphological gradient (MMG) method |
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 |