CN111127344A - 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法 - Google Patents

一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法 Download PDF

Info

Publication number
CN111127344A
CN111127344A CN201911237924.2A CN201911237924A CN111127344A CN 111127344 A CN111127344 A CN 111127344A CN 201911237924 A CN201911237924 A CN 201911237924A CN 111127344 A CN111127344 A CN 111127344A
Authority
CN
China
Prior art keywords
neural network
ultrasonic image
similarity
area
adaptive
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.)
Pending
Application number
CN201911237924.2A
Other languages
English (en)
Inventor
邵党国
朱小方
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201911237924.2A priority Critical patent/CN111127344A/zh
Publication of CN111127344A publication Critical patent/CN111127344A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法，属于图像处理技术领域。本发明将整幅超声图像区分为斑点噪声区域和组织区域；接着通过获得的相似度值得到其对应的自适应阈值，然后将自适应阈值作为BP神经网络的标签，训练出具有预测阈值能力的BP神经网络，再利用BP神经网络预测阈值；最后根据BP神经网络预测的阈值来自适应的调整双边滤波器的自适应阈值，使得双边滤波器能对超声图像的不同区域进行区别性滤波。本发明解决了人工提取对比区域和计算滤波器的阈值时的繁琐步骤的问题。本发明的方法可以有效的抑制超声图像中的斑点噪声、保留超声图像的边缘特征，提高超声图像的质量。

Description

一种基于BP神经网络的自适应双边滤波的超声图像降噪的 方法
技术领域
本发明涉及一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法，具体涉及医学超声图像降噪，属于图像处理技术领域。
背景技术
超声图像作为医学影像中的一种，在医学临床诊断中发挥着重要的作用。在医学超声成像技术中，由于成像设备、成像机制和检测对象本身具有的不均匀性等因素，造成了在超声图像中存在斑点噪声等不可避免的问题。超声图像中存在的斑点噪声不仅降低了图像的质量，而且给后续的临床诊断和图像处理带来了一定的阻碍。
针对超声图像中存在的斑点噪声研究人员提出了诸多的滤波方法。如基于空间滤波的方法,该方法虽然在平滑图像的同时保留了边缘特征，但是存在窗函数的大小要求高、滤波器的标准差难以确定等缺陷；基于小波变换的小波去噪,该方法虽然在一定程度上改善了传统去噪方法造成的边缘模糊的现象，但是存在容易造成图像的边缘模糊等问题；基于扩散理论的去噪方法主要有传统各向异性扩散(P-M模型)和斑噪去的除各向异性扩散去噪(SRAD)，该方法虽然不会受到滤波器窗函数的大小的影响,但是控制平滑程度的扩散系数需要经验函数确定，同时扩散结束的条件需要人工设定无法做到自适应；Shao等人提出了一种基于特征匹配的自适应快速双边滤波算法，该方法能自适应的对超声图像中的噪声区域和组织区域进行区别处理，可以有效的去除超声图像中的斑点噪声，但是处理每幅图像都要经过人工选定特征区域，这个过程中的繁杂的步骤和运算给实际应用造成了不便。
为克服上述方法存在的不足，本发明提出了一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法。
发明内容
本发明提供了一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法，本发明的方法对于超声图像的降噪，能在达到较好的降噪效果的同时能较好的保留超声图像的边缘和细节特性。也解决了依靠人工选择特征区域以及滤波器的标准差难以确定等问题。
本发明的技术方案是：一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法，首先利用局部特征匹配来计算超声图像的局部区域与标准噪声区域的相似度，再根据计算出的相似度值将整幅超声图像区分为斑点噪声区域和组织区域；
接着通过获得的相似度值得到其对应的自适应阈值，然后将自适应阈值作为BP神经网络的标签，训练出具有预测阈值能力的BP神经网络，再利用BP神经网络预测阈值；
最后根据BP神经网络预测的阈值来自适应的调整双边滤波器的自适应阈值，使得双边滤波器能对超声图像的不同区域进行区别性滤波。
进一步地，所述方法的具体步骤如下：
Step1、利用相似度值将整幅超声图像区分为斑点噪声区域和组织区域：
利用局部特征匹配对比并计算超声图像的局部区域与标准噪声区域之间的相似度值，其中局部特征匹配是以超声图像中的标准噪声区域的特征作为测量标准，得到的相似度值是一个能够区分出噪声区域和含有丰富细节信息区域的判断因子；相似度的值越大，说明该局部区域与标准噪声区域匹配度越高，因此在后续的滤波处理中要对该局部区域施以滤波程度较高的平滑滤波；反之相似度的值越小，说明该局部区域与标准噪声区域匹配度越低，因此在后续的滤波处理中要对该局部区域施以滤波程度较低的平滑滤波。其中，定义相似度Sij的函数是一个用户可控的函数：
Sij＝1/[1+α|ν(Xij)-ν(Xref)|β]
ν(Xij)＝σ2(Xij)/μ(Xij)
其中，Xref表示的是超声图像中选定的参考斑点噪声区域，Xij表示的是超声图像中以像素(i,j)为中心的一个局部区域；V(Xref)表示的是超声图像中选定的参考斑点噪声区域的方差，V(Xij)表示的是局部区域Xij的方差，即处理窗口区域的方差；μ(Xij)表示的是局部区域Xij的均值，σ2(Xij)表示的是局部区域Xij的方差；另外，α和β是能调整的参数，在相似度函数Sij中能通过调整α和β中的值来满足不同的应用；由定义相似度的函数Sij可知，相似度的值介于0和1之间；
Step2、通过相似度Sij得到自适应阈值σrij：
通过相似度Sij得到的自适应阈值σrij，在局部特征匹配中，相似度的值很大(即接近1)表示处理的局部区域与参考斑点区域非常相似。这也意味着处理的局部区域应该完全平滑，因此需要更大的标准差。反之，相似度的值很小就意味着处理的局部区域很可能是组织结构，因此需要很小的标准差来抑制平滑。自适应的调整标准差的方式如下：
Figure BDA0002305370780000031
其中，Sij表示的是在i,j位置处的相似度值，σrij表示的是对i,j位置进行滤波时滤波器的自适应阈值，β表示的是相似度的指数，在本发明中将其设置为2；
Step3、将自适应阈值作为BP神经网络的标签，训练出具有预测阈值能力的BP神经网络，再利用BP神经网络预测阈值：首先用9x9的窗口扫描被相似度值区分为斑点噪声区域和组织区域的将整幅超声图像，将读取的每个窗口的81个像素值作为一组BP神经网络的输入，将通过相似度Sij得到的自适应阈值σrij作为BP神经网络训练时的标签，BP神经网络输出预测的阈值；其中采用BP神经网络工具箱建一个四层包括输入层、两个隐藏层、输出层的BP神经网络，其中输入层的节点设置为81个，输出层的节点设置为1个，两个隐藏层的节点分别设置为10个和20个，迭代次数设置为300次，收敛误差设置为10-6，学习率的设置为0.05；对超声图像进行后续的降噪的处理时，能直接利用该BP神经网络预测的阈值来进行滤波；
Step4、自适应双边滤波：
通过BP神经网络预测出的阈值σrij来调整双边滤波器的自适应阈值，实现对超声图像的自适应双边滤波；BP神经网络对于超声图像中的每个局部区域预测出的阈值σrij是不同的，那么在超声图像的不同局部区域双边滤波器的平滑强度也会不同，也就达到了双边滤波器能自适应的对超声图像进行滤波目的，即自适应双边滤波；
仅仅使用一次双边滤波不能达到充分的平滑斑点噪声效果，因此还要进行多次迭代的双边滤波，BF表示双边滤波器，即：
I(n+1)＝BF(I(n))
其中，n表示的是迭代次数；除了调整迭代次数之外，还通过调整滤波窗口的大小和高斯函数中的参数来满足不同的应用。
传统的双边滤波器技术一种非线性技术，可以在对图像进行滤波的同时保留图像中的尖锐或明显的边缘。传统的双边滤波器技术考虑到了强度(范围)和空间接近度量两种因素。传统双边滤波器的输入输出关系如下所示，BF表示双边滤波器：
Figure BDA0002305370780000041
其中，S是以p为中心的局部像素集，q是S中的一个像素点。||p-q||是局部区域中的一个像素点q与中心像素点p之间的欧几里德距离。Iq是局部像素集S中的灰色值，|Ip-Iq|是局部区域中的一个像素点q与中心像素点p两者之间的亮度距离。Gσ是标准差为σ的高斯函数，B表示的是归一化的框函数。
所述步骤Step3中，BP神经网络模仿人类大脑的神经元对外界事物的学习过程，建立多层感知器模型，通过将输入信号正向传播、反向传播和多次迭代学习，来构建一个完整的具有学习能力和预测功能的网络模型。其主要组成部分有输入层、隐藏层和输出层，BP神经网络结构的权值和阈值的选取是通过反向传播算法进行反复训练和调整过的。对于BP神经网络的建立，要明确网络的层数，每层有多少个节点等，清楚网络的具体结构才能更好的对网络性能进行分析。
所述步骤Step4中，如果超声图像降噪得到的结果中SNR、CNR、upSNR和upCNR四个指标的值大、迭代次数少，说明降噪的效果好、所需时间也是较少的。
一般用SNR(信噪比)和CNR(对比度噪声比)这两个指标来衡量超声图像的质量。SNR表示的是图像中信号强度与噪声强度的比率，即：
Figure BDA0002305370780000042
其中：μ表示的是噪声区域的均值，σ表示的是噪声区域的标准差。在具有病变的超声图像中，CNR表示的是病变组织与健康组织这两种组织之间的易区分的程度，定义为:
Figure BDA0002305370780000043
μt与μb分别为组织区域和噪声区域的均值，σb为噪声区域的方差。为了更直观描述本发明的方法对于超声图像的降噪效果，还用到了upSNR(信噪比增长度)和upCNR(对比度信噪比增长度)这两个统计参数作为评价指标。upSNR表示的是超声图像处理前后的信噪比的变化量，是在超声图像处理前的SNR值和处理后的SNR值的基础上得到的。upCNR表示的是超声图像在处理前后的对比度信噪比的变化量，是在超声图像处理前的CNR值和处理后的CNR值的基础上得到的，upSNR和upCNR公式分别为:
upSNR＝100(SNRresult/SNRorigrinal-1)，
upCNR＝100(CNRresult/CNRorigrinal-1)
其中，SNRresult和SNRorigrinal分别表示超声图像处理后的SNR值和处理前的SNR值；CNRresult和CNRorigrinal分别表示超声图像处理后的CNR值和处理前的CNR值。
本发明的有益效果是：
本发明采用BP网络与自适应双边滤波相结合的方法，本发明的方法对于超声图像的降噪，能在达到较好的降噪效果的同时能较好的保留超声图像的边缘和细节特性。也解决了依靠人工选择特征区域以及滤波器的标准差难以确定等问题。另外，本发明的方法在实例的实验中，得到的数据SNR、CNR、upSNR、upCNR值均达到最大，得到的数据迭代次数也是最小。这在定量分析上也说明本发明对于超声图像的降噪效果好、所需时间也是比较少的。
附图说明
图1为本发明的总体流程图；
图2为本发明实施例1：对物理体膜超声图像降噪的实验图；
图2中：(a)物理体膜超声图像原图，其中,图中的黑色区域的白框代表选取的特征区域，非黑色区域的白框表示选取的参考斑点噪声区域；(b)P-M模型降噪的结果；(c)DPAD算法降噪的结果；(d)本发明方法的降噪结果；
图3为本发明实施例2：对肝脏超声图像降噪的实验图。
图3中：(a)肝脏超声图像的原图，其中,图中的黑色区域的白框代表选取的特征区域，非黑色区域的白框表示选取的参考斑点噪声区域；(b)P-M模型降噪的结果；(c)DPAD算法降噪的结果；(d)本发明方法的降噪结果；
图4为本发明实施例3：对肾脏超声图像降噪的实验图。
图4中：(a)肾脏超声图像的原图，其中,图中的黑色区域的白框代表选取的特征区域，非黑色区域的白框表示选取的参考斑点噪声区域；(b)P-M模型降噪的结果；(c)DPAD算法降噪的结果；(d)本发明方法的降噪结果。
具体实施方式
实施例1：如图1-2所示，一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法，对于物理体膜超声图像如图2(a)；
首先利用局部特征匹配来计算超声图像的局部区域与标准噪声区域的相似度，再根据计算出的相似度值将整幅超声图像区分为斑点噪声区域和组织区域；
接着通过获得的相似度值得到其对应的自适应阈值，然后将自适应阈值作为BP神经网络的标签，训练出具有预测阈值能力的BP神经网络，再利用BP神经网络预测阈值；
最后根据BP神经网络预测的阈值来自适应的调整双边滤波器的自适应阈值，使得双边滤波器能对超声图像的不同区域进行区别性滤波。
进一步地，所述方法的具体步骤如下：
Step1、利用相似度值将整幅超声图像区分为斑点噪声区域和组织区域：
利用局部特征匹配对比并计算超声图像的局部区域与标准噪声区域之间的相似度值，其中局部特征匹配是以超声图像中的标准噪声区域的特征作为测量标准，得到的相似度值是一个能够区分出噪声区域和含有丰富细节信息区域的判断因子；相似度的值越大，说明该局部区域与标准噪声区域匹配度越高，因此在后续的滤波处理中要对该局部区域施以滤波程度较高的平滑滤波；反之相似度的值越小，说明该局部区域与标准噪声区域匹配度越低，因此在后续的滤波处理中要对该局部区域施以滤波程度较低的平滑滤波。其中，定义相似度Sij的函数是一个用户可控的函数：
Sij＝1/[1+α|ν(Xij)-ν(Xref)|β]
ν(Xij)＝σ2(Xij)/μ(Xij)
其中，Xref表示的是超声图像中选定的参考斑点噪声区域，Xij表示的是超声图像中以像素(i,j)为中心的一个局部区域；V(Xref)表示的是超声图像中选定的参考斑点噪声区域的方差，V(Xij)表示的是局部区域Xij的方差，即处理窗口区域的方差；μ(Xij)表示的是局部区域Xij的均值，σ2(Xij)表示的是局部区域Xij的方差；另外，α和β是能调整的参数，在相似度函数Sij中能通过调整α和β中的值来满足不同的应用；由定义相似度的函数Sij可知，相似度的值介于0和1之间；
Step2、通过相似度Sij得到自适应阈值σrij：
通过相似度Sij得到的自适应阈值σrij，在局部特征匹配中，相似度的值很大(即接近1)表示处理的局部区域与参考斑点区域非常相似。这也意味着处理的局部区域应该完全平滑，因此需要更大的标准差。反之，相似度的值很小就意味着处理的局部区域很可能是组织结构，因此需要很小的标准差来抑制平滑。自适应的调整标准差的方式如下：
Figure BDA0002305370780000071
其中，Sij表示的是在i,j位置处的相似度值，σrij表示的是对i,j位置进行滤波时滤波器的自适应阈值，β表示的是相似度的指数，在本发明中将其设置为2；
Step3、将自适应阈值作为BP神经网络的标签，训练出具有预测阈值能力的BP神经网络，再利用BP神经网络预测阈值：首先用9x9的窗口扫描被相似度值区分为斑点噪声区域和组织区域的将整幅超声图像，将读取的每个窗口的81个像素值作为一组BP神经网络的输入，将通过相似度Sij得到的自适应阈值σrij作为BP神经网络训练时的标签，BP神经网络输出预测的阈值；其中采用BP神经网络工具箱建一个四层包括输入层、两个隐藏层、输出层的BP神经网络，其中输入层的节点设置为81个，输出层的节点设置为1个，两个隐藏层的节点分别设置为10个和20个，迭代次数设置为300次，收敛误差设置为10-6，学习率的设置为0.05；对超声图像进行后续的降噪的处理时，能直接利用该BP神经网络预测的阈值来进行滤波；
Step4、自适应双边滤波：
通过BP神经网络预测出的阈值σrij来调整双边滤波器的自适应阈值，实现对超声图像的自适应双边滤波；BP神经网络对于超声图像中的每个局部区域预测出的阈值σrij是不同的，那么在超声图像的不同局部区域双边滤波器的平滑强度也会不同，也就达到了双边滤波器能自适应的对超声图像进行滤波目的，即自适应双边滤波；
仅仅使用一次双边滤波不能达到充分的平滑斑点噪声效果，因此还要进行多次迭代的双边滤波，BF表示双边滤波器，即：
I(n+1)＝BF(I(n))
其中，n表示的是迭代次数；除了调整迭代次数之外，还通过调整滤波窗口的大小和高斯函数中的参数来满足不同的应用。
所述步骤Step3中，BP神经网络模仿人类大脑的神经元对外界事物的学习过程，建立多层感知器模型，通过将输入信号正向传播、反向传播和多次迭代学习，来构建一个完整的具有学习能力和预测功能的网络模型。其主要组成部分有输入层、隐藏层和输出层，BP神经网络结构的权值和阈值的选取是通过反向传播算法进行反复训练和调整过的。对于BP神经网络的建立，要明确网络的层数，每层有多少个节点等，清楚网络的具体结构才能更好的对网络性能进行分析。
所述步骤Step4中，如果超声图像降噪得到的结果中SNR、CNR、upSNR和upCNR四个指标的值大、迭代次数少，说明降噪的效果好、所需时间也是较少的。
一般用SNR(信噪比)和CNR(对比度噪声比)这两个指标来衡量超声图像的质量。SNR表示的是图像中信号强度与噪声强度的比率，即：
Figure BDA0002305370780000081
其中：μ表示的是噪声区域的均值，σ表示的是噪声区域的标准差。在具有病变的超声图像中，CNR表示的是病变组织与健康组织这两种组织之间的易区分的程度，定义为:
Figure BDA0002305370780000082
μt与μb分别为组织区域和噪声区域的均值，σb为噪声区域的方差。为了更直观描述本发明的方法对于超声图像的降噪效果，还用到了upSNR(信噪比增长度)和upCNR(对比度信噪比增长度)这两个统计参数作为评价指标。upSNR表示的是超声图像处理前后的信噪比的变化量，是在超声图像处理前的SNR值和处理后的SNR值的基础上得到的。upCNR表示的是超声图像在处理前后的对比度信噪比的变化量，是在超声图像处理前的CNR值和处理后的CNR值的基础上得到的，upSNR和upCNR公式分别为:
upSNR＝100(SNRresult/SNRorigrinal-1)，
upCNR＝100(CNRresult/CNRorigrinal-1)
其中，SNRresult和SNRorigrinal分别表示超声图像处理后的SNR值和处理前的SNR值；CNRresult和CNRorigrinal分别表示超声图像处理后的CNR值和处理前的CNR值。
本发明所述方法得到的结果如图2(d)所示；
效果评价：将三种不同的方法去噪后的结果进行比较，采取的效果的评价指标包括SNR、CNR、UpSNR、upSNR、迭代次数。对于超声图像的原图，即图2(a)图像大小为507x243，SNR、CNR分别为3.842和3.951。
降噪方法比较：比较方法包括P-M模型、DPAD算法。先对每种方法的分割效果进行分析对比，如图2(b)、(c)、(d)所示，再通过SNR、CNR、UpSNR、upSNR和迭代次数五种指标进行定量的分析和对比。表1为实施例1降噪结果的定量分析及方法比较。
表1实施例1降噪结果的定量分析及方法比较
Figure BDA0002305370780000083
Figure BDA0002305370780000091
本发明能自动获取局部区域的阈值，解决了依靠人工选择特征区域以及滤波器的标准差难以确定等问题。再根据获得的阈值对超声图像中的噪声区域和组织区域进行自适应的滤波处理，达到了更好的抑制斑点噪声与提高超声图像质量的效果。本发明创新性在于将BP神经网络与自适应双边滤波相结合对超声图像进行降噪。本发明的方法对于超声图像的降噪，能在达到较好的降噪效果的同时能较好的保留超声图像的边缘和细节特性。
实施例2：如图1，图3所示，一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法，本实施例与实施例1相同，对于肝脏超声图像降噪的实验图，如图3(a)，本发明所述方法得到的结果如图3(d)所示；
效果评价：将三种不同的方法去噪后的结果进行比较，如图3(b)、(c)、(d)所示，且采取的效果的评价指标包括SNR、CNR、upSNR、upSNR、迭代次数。对于超声图像的原图，即图3(a)图像大小为512x741，SNR、CNR分别为4.905和4.492。
降噪方法比较：比较方法包括P-M模型、DPAD算法。先对每种方法的分割效果进行分析对比，再通过SNR、CNR、UpSNR、upSNR和迭代次数五种指标进行定量的分析和对比。表2为实施例2降噪结果的定量分析及方法比较。
表2实施例2降噪结果的定量分析及方法比较
Figure BDA0002305370780000092
实施例3：如图1，图4所示，一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法，本实施例与实施例1相同，对于肾脏超声图像如图4(a)，本发明所述方法得到的结果如图4(d)所示；
效果评价：将三种不同的方法去噪后的结果进行比较，采取的效果的评价指标包括SNR、CNR、UpSNR、upSNR、迭代次数。对于超声图像的原图，即图4(a)图像大小为446x519，SNR、CNR分别为7.013和6.676。
降噪方法比较：比较方法包括P-M模型、DPAD算法。先对每种方法的分割效果进行分析对比，如图4(b)、(c)、(d)所示，再通过SNR、CNR、UpSNR、upSNR和迭代次数五种指标进行定量的分析和对比。表3为实施例3降噪结果的定量分析及方法比较。
表3实施例3降噪结果的定量分析及方法比较
Figure BDA0002305370780000101
本发明解决了人工提取对比区域和计算滤波器的阈值时的繁琐步骤的问题。本发明的方法可以有效的抑制超声图像中的斑点噪声、保留超声图像的边缘特征，提高超声图像的质量。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种基于BP神经网络的自适应双边滤波的超声图像降噪的方法，其特征在于：首先利用局部特征匹配来计算超声图像的局部区域与标准噪声区域的相似度，再根据计算出的相似度值将整幅超声图像区分为斑点噪声区域和组织区域；
接着通过获得的相似度值得到其对应的自适应阈值，然后将自适应阈值作为BP神经网络的标签，训练出具有预测阈值能力的BP神经网络，再利用BP神经网络预测阈值；
最后根据BP神经网络预测的阈值来自适应的调整双边滤波器的自适应阈值，使得双边滤波器能对超声图像的不同区域进行区别性滤波。
2.根据权利要求1所述的基于BP神经网络的自适应双边滤波的超声图像降噪的方法，其特征在于：
所述方法的具体步骤如下：
Step1、利用相似度值将整幅超声图像区分为斑点噪声区域和组织区域：
利用局部特征匹配对比并计算超声图像的局部区域与标准噪声区域之间的相似度值，其中局部特征匹配是以超声图像中的标准噪声区域的特征作为测量标准，得到的相似度值是一个能够区分出噪声区域和含有丰富细节信息区域的判断因子；其中，定义相似度Sij的函数是一个用户可控的函数：
Sij＝1/[1+α|ν(Xij)-ν(Xref)|β]
ν(Xij)＝σ2(Xij)/μ(Xij)
其中，Xref表示的是超声图像中选定的参考斑点噪声区域，Xij表示的是超声图像中以像素(i,j)为中心的一个局部区域；V(Xref)表示的是超声图像中选定的参考斑点噪声区域的方差，V(Xij)表示的是局部区域Xij的方差，即处理窗口区域的方差；μ(Xij)表示的是局部区域Xij的均值，σ2(Xij)表示的是局部区域Xij的方差；另外，α和β是能调整的参数，在相似度函数Sij中能通过调整α和β中的值来满足不同的应用；由定义相似度的函数Sij可知，相似度的值介于0和1之间；
Step2、通过相似度Sij得到自适应阈值σrij：
通过相似度Sij得到的自适应阈值σrij，自适应的调整标准差的方式如下：
Figure FDA0002305370770000021
其中，Sij表示的是在i,j位置处的相似度值，σrij表示的是对i,j位置进行滤波时滤波器的自适应阈值，β表示的是相似度的指数，在本发明中将其设置为2；
Step3、将自适应阈值作为BP神经网络的标签，训练出具有预测阈值能力的BP神经网络，再利用BP神经网络预测阈值：首先用9x9的窗口扫描被相似度值区分为斑点噪声区域和组织区域的将整幅超声图像，将读取的每个窗口的81个像素值作为一组BP神经网络的输入，将通过相似度Sij得到的自适应阈值σrij作为BP神经网络训练时的标签，BP神经网络输出预测的阈值；其中采用BP神经网络工具箱建一个四层包括输入层、两个隐藏层、输出层的BP神经网络，其中输入层的节点设置为81个，输出层的节点设置为1个，两个隐藏层的节点分别设置为10个和20个，迭代次数设置为300次，收敛误差设置为10-6，学习率的设置为0.05；对超声图像进行后续的降噪的处理时，能直接利用该BP神经网络预测的阈值来进行滤波；
Step4、自适应双边滤波：
通过BP神经网络预测出的阈值σrij来调整双边滤波器的自适应阈值，实现对超声图像的自适应双边滤波；BP神经网络对于超声图像中的每个局部区域预测出的阈值σrij是不同的，那么在超声图像的不同局部区域双边滤波器的平滑强度也会不同，也就达到了双边滤波器能自适应的对超声图像进行滤波目的，即自适应双边滤波；
仅仅使用一次双边滤波不能达到充分的平滑斑点噪声效果，因此还要进行多次迭代的双边滤波。
CN201911237924.2A 2019-12-06 2019-12-06 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法 Pending CN111127344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911237924.2A CN111127344A (zh) 2019-12-06 2019-12-06 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911237924.2A CN111127344A (zh) 2019-12-06 2019-12-06 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法

Publications (1)

Publication Number Publication Date
CN111127344A true CN111127344A (zh) 2020-05-08

Family

ID=70497878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911237924.2A Pending CN111127344A (zh) 2019-12-06 2019-12-06 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法

Country Status (1)

Country Link
CN (1) CN111127344A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111863232A (zh) * 2020-08-06 2020-10-30 罗春华 基于区块链和医学影像的远程疾病智能诊断系统
CN112053421A (zh) * 2020-10-14 2020-12-08 腾讯科技（深圳）有限公司 信号降噪处理方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070165962A1 (en) * 2006-01-13 2007-07-19 Ati Technologies Inc. Method and apparatus for bilateral high pass filter
CN103093443A (zh) * 2012-12-26 2013-05-08 南京信息工程大学 基于ga-bp神经网络的图像椒盐噪声自适应滤波方法
CN104240203A (zh) * 2014-09-09 2014-12-24 浙江工业大学 基于小波变换和快速双边滤波的医学超声图像去噪方法
CN106127711A (zh) * 2016-06-23 2016-11-16 浙江工业大学之江学院 shearlet变换和快速双边滤波器图像去噪方法
CN108460742A (zh) * 2018-03-14 2018-08-28 日照职业技术学院 一种基于bp神经网络的图像复原方法
CN109191387A (zh) * 2018-07-20 2019-01-11 河南师范大学 一种基于巴特沃斯滤波器的红外图像去噪方法
CN109978828A (zh) * 2019-02-26 2019-07-05 山东师范大学 一种基于图像处理的火车轨道质量判别方法及系统
US20190266703A1 (en) * 2018-02-26 2019-08-29 Abc Fintech Co., Ltd. Image preprocessing method and device for jpeg compressed file
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070165962A1 (en) * 2006-01-13 2007-07-19 Ati Technologies Inc. Method and apparatus for bilateral high pass filter
CN103093443A (zh) * 2012-12-26 2013-05-08 南京信息工程大学 基于ga-bp神经网络的图像椒盐噪声自适应滤波方法
CN104240203A (zh) * 2014-09-09 2014-12-24 浙江工业大学 基于小波变换和快速双边滤波的医学超声图像去噪方法
CN106127711A (zh) * 2016-06-23 2016-11-16 浙江工业大学之江学院 shearlet变换和快速双边滤波器图像去噪方法
US20190266703A1 (en) * 2018-02-26 2019-08-29 Abc Fintech Co., Ltd. Image preprocessing method and device for jpeg compressed file
CN108460742A (zh) * 2018-03-14 2018-08-28 日照职业技术学院 一种基于bp神经网络的图像复原方法
CN109191387A (zh) * 2018-07-20 2019-01-11 河南师范大学 一种基于巴特沃斯滤波器的红外图像去噪方法
CN109978828A (zh) * 2019-02-26 2019-07-05 山东师范大学 一种基于图像处理的火车轨道质量判别方法及系统
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DANGGUO SHAO等: "Characteristic matching-based adaptive fast bilateral filter for ultrasound speckle reduction", 《PATTERN RECOGNITION LETTERS》 *
MOHAMED ELHOSENY等: "Optimal bilateral filter and Convolutional Neural Network based denoising method of medical image measurements", 《MEASUREMENT》 *
净亮等: "BP神经网络在医学超声图像去噪中的应用研究", 《数据通信》 *
肖秀春等: "基于相似像素选择的双边滤波图像去噪", 《广东海洋大学学报》 *
陈烨: "超声图像去噪算法及其在肌肉评估中的应用研究", 《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
CN111863232A (zh) * 2020-08-06 2020-10-30 罗春华 基于区块链和医学影像的远程疾病智能诊断系统
CN111863232B (zh) * 2020-08-06 2021-02-19 深圳市柯尼达巨茂医疗设备有限公司 基于区块链和医学影像的远程疾病智能诊断系统
CN112053421A (zh) * 2020-10-14 2020-12-08 腾讯科技（深圳）有限公司 信号降噪处理方法、装置、设备及存储介质
CN112053421B (zh) * 2020-10-14 2023-06-23 腾讯科技（深圳）有限公司 信号降噪处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN105654436B (zh) 一种基于前景背景分离的背光图像增强去噪方法
CN102982542B (zh) 一种基于相位一致性的眼底图像血管分割方法
CN106355561B (zh) 基于噪点先验约束的全变分图像去噪方法
Liu et al. Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window
CN103761726B (zh) 基于fcm的分块自适应图像分割方法
CN113313641A (zh) 一种自适应中值滤波的ct图像去噪方法
CN109035172A (zh) 一种基于深度学习的非局部均值超声图像去噪方法
Du et al. Convolutional networks for the segmentation of intravascular ultrasound images: Evaluation on a multicenter dataset
Subramani et al. Fuzzy contextual inference system for medical image enhancement
CN110136088B (zh) 一种人类胚胎心脏超声图像去噪方法
CN112465842B (zh) 基于U-net网络的多通道视网膜血管图像分割方法
CN111127344A (zh) 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法
CN117994154B (zh) 一种基于传感器的图像智能去噪方法
Goyal et al. Multi-modality image fusion for medical assistive technology management based on hybrid domain filtering
CN108305247B (zh) 一种基于ct图像灰度值检测组织硬度的方法
CN115205315A (zh) 一种眼科体征保持的眼底图像增强方法
WO2018227881A1 (zh) 一种视频去噪方法
CN117495719A (zh) 一种基于大气光幕与雾浓度分布估计的去雾方法
CN115222725B (zh) 一种基于nsct域pcrgf与双通道pcnn医学图像融合方法
CN116630198A (zh) 一种结合自适应伽马校正的多尺度融合水下图像增强方法
CN111126403A (zh) 一种基于磁共振血管造影图像的脑血管分割方法和系统
Mehena et al. Medical image segmentation and detection of MR images based on spatial multiple-kernel fuzzy C-means algorithm
CN112991224B (zh) 基于改进小波阈值函数的图像去噪方法
CN106570837B (zh) 基于高斯多尺度空间的脑组织mri图像偏移场校正方法
CN106952243A (zh) Uuv近海面红外图像自适应归并直方图拉伸增强方法

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20221101

AD01 Patent right deemed abandoned