CN113191961B - 一种基于双边滤波和特征识别的超声去噪方法及系统 - Google Patents

一种基于双边滤波和特征识别的超声去噪方法及系统 Download PDF

Info

Publication number
CN113191961B
CN113191961B CN202110295310.0A CN202110295310A CN113191961B CN 113191961 B CN113191961 B CN 113191961B CN 202110295310 A CN202110295310 A CN 202110295310A CN 113191961 B CN113191961 B CN 113191961B
Authority
CN
China
Prior art keywords
image
current pixel
edge
bilateral filtering
ultrasonic
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.)
Active
Application number
CN202110295310.0A
Other languages
English (en)
Other versions
CN113191961A (zh
Inventor
肖梦楠
苏哲
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.)
Jurong Medical Technology Hangzhou Co ltd
Original Assignee
Jurong Medical Technology Hangzhou 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 Jurong Medical Technology Hangzhou Co ltd filed Critical Jurong Medical Technology Hangzhou Co ltd
Priority to CN202110295310.0A priority Critical patent/CN113191961B/zh
Publication of CN113191961A publication Critical patent/CN113191961A/zh
Application granted granted Critical
Publication of CN113191961B publication Critical patent/CN113191961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • G06T5/94—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering

Abstract

本发明属于超声成像技术领域，具体涉及一种基于双边滤波和特征识别的超声去噪方法及系统，其中所涉及的一种基于双边滤波和特征识别的超声去噪方法，包括以下步骤：S1、对噪声图像进行快速双边滤波，以得到滤波图像；S2、根据滤波图像进行边缘识别，以得到边缘模板；S3、根据边缘模板对滤波图像进行边缘增强，以得到增强图像；本发明能够有效去除超声图像中的乘性和加性噪声，同时还可以大大减小算法的复杂度，提高运行效率，有针对性地加强特定区域的显示，增加超声图像的可解释性。

Description

一种基于双边滤波和特征识别的超声去噪方法及系统
技术领域
本发明属于超声成像技术领域，具体涉及一种基于双边滤波和特征识别的超声去噪方法及系统。
背景技术
医学超声图像中的噪声主要包括加性的随机噪声和乘性的散斑噪声(以下称为speckle)，随机噪声主要来源于内部电路、热效应等，speckle则属于超声成像的特有噪声，是由超声回波的相干散射形成的。散斑噪声的存在会同时降低图像的空间分辨率和对比分辨率，从而影响图像中解剖信息的获取。
现有的speckle抑制方法主要包括三大类，第一类是基于复合的方法，比如空间复合；第二类是基于噪声模型的方法，但该类方法的缺点是噪声模型过于理想，一般很难完全刻画噪声的特征；第三类是基于图像后处理的方法，该类方法具体又可以分为单尺度和多尺度两种方法；双边滤波是一种非线性的图像处理算法，可以达到保边平滑的效果，但传统的暴力双边滤波由于计算复杂度过高无法应用于实时的超声成像。此外，对于超声图像而言，增强边缘对于增加图像的可解释性是非常有帮助的，然而双边滤波主要是起到边缘保留的作用，并不能有效增强边缘，为此，有必要对其改进，以克服实际应用中的不足。
发明内容
基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种基于双边滤波和特征识别的超声去噪方法及系统。
为了达到上述发明目的，本发明采用以下技术方案：
一种基于双边滤波和特征识别的超声去噪方法，包括以下步骤：
S1、对噪声图像进行快速双边滤波，以得到滤波图像；
S2、根据滤波图像进行边缘识别，以得到边缘模板；
S3、根据边缘模板对滤波图像进行边缘增强，以得到增强图像。
作为优选方案，所述步骤S1中根据计算当前像素对应的各向异性向量和降采样坐标，并依次遍历噪声图像的所有像素，以得到噪声图像的降采样空间。
作为优选方案，所述快速双边滤波包括三维高斯卷积的定义以及参数初始化，三维高斯卷积核g通过尺寸σs和σr以及降采样倍数ss和sr定义；其中，下标s表示空间域，下标r表示值域；初始化ω↓i↓和ω↓为0。
作为优选方案，所述当前像素对应的各向异性向量为：
(ωi,ω)＝(I(x,y),1)；
其中，I表示待处理噪声图像；(x,y)表示当前像素的位置坐标。
作为优选方案，所述当前像素对应的降采样坐标：
Figure BDA0002984115580000021
其中，round表示对每个分量进行四舍五入，Imin表示I的最小值；
所述当前像素对应的降采样空间为：
Figure BDA0002984115580000022
依次遍历噪声图像I的所有像素，以完成图像降采样空间的建立。
作为优选方案，所述降采样空间与三维高斯核g进行卷积得到
Figure BDA0002984115580000023
对当前像素的
Figure BDA0002984115580000024
和
Figure BDA0002984115580000025
进行三维线性插值得到
Figure BDA0002984115580000026
和
Figure BDA0002984115580000027
即：
Figure BDA0002984115580000028
Figure BDA0002984115580000029
计算当前像素的双边滤波值：
Figure BDA0002984115580000031
依次遍历图像中的所有像素，以得到滤波图像。
作为优选方案，所述步骤S2具体为：
将滤波图像与laplace模板进行卷积得到Ilaplace；
根据Ilaplace对滤波图像进行锐化得到Isharp；
对滤波图像进行sobel边缘检测得到Isobel；
根据Isharp和Isobel得到特征图像；
对特征图像进行阈值检测，以得到边缘模板。
作为优选方案，所述步骤S3中根据边缘模板对滤波图像的边缘区域进行非线性灰度变换，以对滤波图像进行边缘增强。
本发明还提供一种基于双边滤波和特征识别的超声去噪系统，包括：
滤波模块，用于对噪声图像进行快速双边滤波，以得到滤波图像；
识别模块，用于对滤波图像进行边缘识别，以得到边缘模板；
增强模块，用于根据边缘模板对滤波图像进行边缘增强，以得到增强图像。
作为优选方案，所述滤波模块包括：
计算模块，用于根据计算当前像素对应的各向异性向量和降采样坐标，并依次遍历噪声图像的所有像素，以得到噪声图像的降采样空间。
本发明与现有技术相比，有益效果是：
本发明基于双边滤波和特征识别的超声去噪方法能够有效去除超声图像中的乘性和加性噪声，同时还可以大大减小算法的复杂度，提高运行效率。
本发明对滤波图像进行边缘识别和增强可以有针对性地加强特定区域的显示，增加超声图像的可解释性。
本发明基于双边滤波和特征识别的超声去噪方法能够用作超声图像的预处理。
附图说明
图1是本发明实施例一的一种基于双边滤波和特征识别的超声去噪方法的步骤流程图；
图2是本发明图1中的基于快速双边滤波和特征识别的流程图；
图3是本发明实施例二的一种基于双边滤波和特征识别的超声去噪系统的结构图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
实施例一：
本实施例提供一种基于双边滤波和特征识别的超声去噪方法，如图1所示，包括以下步骤：
S1、对噪声图像进行快速双边滤波，以得到滤波图像；
S2、根据滤波图像进行边缘识别，以得到边缘模板；
S3、根据边缘模板对滤波图像进行边缘增强，以得到增强图像。
其中，步骤S1对噪声图像进行快速双边滤波，具体包括：
S101、设置快速双边滤波的参数：高斯卷积核尺寸σs＝7和σr＝10以及降采样倍数ss＝3和sr＝5；其中，下标s表示空间域，下标r表示值域；
S102、进行初始化ω↓i↓和ω↓为0；
S103、计算当前像素对应的各向异性向量(ωi,ω)＝(I(x,y),1)，其中，I表示待处理噪声图像，(x,y)表示当前像素的位置坐标；
S104、计算当前像素的降采样坐标：
Figure BDA0002984115580000051
其中，round表示对每个分量进行四舍五入，Imin表示I的最小值；
S105、按照下述公式更新降采样空间：
Figure BDA0002984115580000052
S106、按照上述步骤S103至S105依次遍历噪声图像I的每个像素直到完成整幅图像降采样空间的建立；
S107、将降采样空间与三维高斯核g进行卷积得到
Figure BDA0002984115580000053
g由σs，σr，ss，sr定义；
S108、分别对当前像素的
Figure BDA0002984115580000054
和
Figure BDA0002984115580000055
进行三维线性插值得到
Figure BDA0002984115580000056
和
Figure BDA0002984115580000057
用公式表示如下：
Figure BDA0002984115580000058
Figure BDA0002984115580000059
S109、基于上述结果计算当前像素的双边滤波值，用公式表示如下：
Figure BDA00029841155800000510
S110、按照上述步骤S108至S109依次遍历图像中的每个像素直到得到完整的滤波图像Ib。
步骤S2根据滤波图像进行边缘识别，具体包括：
S201、将滤波图像Ib与laplace模板h进行卷积得到Ilaplace，用公式表示如下：
Ilaplace＝conv(Ib,h) (5)
可以选取h＝[-1-1-1；-1 8-1；-1-1-1]，即大小为3*3；
S202、基于Ilaplace对滤波图像进行锐化得到锐化图像Isharp，此处可以选择Isharp＝Ib+Ilaplac； (6)
S203、对滤波图像Ib进行水平sobel边缘检测得到gx。用公式表示如下：
gx＝conv(Ib,wx)； (7)
其中，wx为水平sobel算子，可以选取wx＝[-1 0 1；-2 0 2；-1 0 1]；
S204、对滤波图像Ib进行垂直sobel边缘检测得到gy；如下式所示：
gy＝conv(Ib,wy) (8)
其中，wy为垂直sobel算子，可以选取wy＝[-1-2-1；0 0 0；1 2 1]；
S205、计算sobel边缘检测图像：
Figure BDA0002984115580000061
S206、计算特征图像：mask＝Isharp*Isobel。 (10)
S207、对特征图像进行阈值检测得到边缘模板，当mask大于阈值T时，edge＝1，否则edge＝0；
步骤S3根据边缘模板对滤波图像进行边缘增强，具体为：
对滤波图像Ib的边缘区域(edge＝1)进行非线性灰度变换，非线性灰度变换可以选择将大于阈值G的灰度设定为固定值H，本实施例中取阈值G＝200，H＝255，从而以得到增强图像。
与现有技术相比，本实施例具有以下有益效果：
本实施例基于双边滤波和特征识别的超声去噪方法一方面能够有效去除超声图像中的乘性和加性噪声，另一方面可以大大减小算法的复杂度，提高运行效率。
本实施例对滤波图像进行边缘识别和增强可以有针对性地加强特定区域的显示，增加超声图像的可解释性。
实施例二：
本实施例提供一种基于双边滤波和特征识别的超声去噪系统，如图2所示，包括：
滤波模块11，用于对噪声图像进行快速双边滤波，以得到滤波图像；
识别模块12，用于对滤波图像进行边缘识别，以得到边缘模板；
具体地，将滤波图像与laplace模板进行卷积得到Ilaplace，基于Ilaplace对滤波图像进行锐化得到Isharp，对滤波图像进行sobel边缘检测得到Isobel，基于Isharp和Isobel得到特征图像，并对特征图像进行阈值检测得到边缘模板；
增强模块13，用于根据边缘模板对滤波图像进行边缘增强，以得到增强图像。
进一步地，滤波模块11包括：
计算模块，用于根据计算当前像素对应的各向异性向量和降采样坐标，并依次遍历噪声图像的所有像素，以得到噪声图像的降采样空间。
需要说明的是，本实施例提供的一种基于双边滤波和特征识别的超声去噪系统与实施例一的方法相对应，在此不多做赘述。
与现有技术相比，本发明具有以下有益效果：
1、本发明能够有效去除超声图像中的乘性和加性噪声，同时还可以大大减小算法的复杂度，提高运行效率。
2、本发明对滤波图像进行边缘识别和增强可以有针对性地加强特定区域的显示，增加超声图像的可解释性。
3、本发明可以用作超声图像的预处理。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (4)

1.一种基于双边滤波和特征识别的超声去噪方法，其特征在于，包括以下步骤：
S1、对噪声图像进行快速双边滤波，以得到滤波图像；
S2、根据滤波图像进行边缘识别，以得到边缘模板；
S3、根据边缘模板对滤波图像进行边缘增强，以得到增强图像；
步骤S1中根据计算当前像素对应的各向异性向量和降采样坐标，并依次遍历噪声图像的所有像素，以得到噪声图像的降采样空间；
快速双边滤波包括三维高斯卷积的定义以及参数初始化，三维高斯卷积核g通过尺寸σs和σr以及降采样倍数ss和sr定义；其中，下标s表示空间域，下标r表示值域；初始化ω↓i↓和ω↓为0；
当前像素对应的各向异性向量为：
(ωi,ω)＝(I(x,y),1)；
其中，I表示待处理噪声图像；(x,y)表示当前像素的位置坐标；
当前像素对应的降采样坐标：
Figure FDA0003777603390000011
其中，round表示对每个分量进行四舍五入，Imin表示I的最小值；
所述当前像素对应的降采样空间为：
Figure FDA0003777603390000012
依次遍历噪声图像I的所有像素，以完成图像降采样空间的建立；
降采样空间与三维高斯核g进行卷积得到
Figure FDA0003777603390000013
对当前像素的
Figure FDA0003777603390000014
和
Figure FDA0003777603390000015
进行三维线性插值得到
Figure FDA0003777603390000016
和
Figure FDA0003777603390000017
即：
Figure FDA0003777603390000018
Figure FDA0003777603390000019
计算当前像素的双边滤波值：
Figure FDA0003777603390000021
依次遍历图像中的所有像素，以得到滤波图像。
2.根据权利要求1所述的一种基于双边滤波和特征识别的超声去噪方法，其特征在于，步骤S2具体为：
将滤波图像与laplace模板进行卷积得到Ilaplace；
根据Ilaplace对滤波图像进行锐化得到Isharp；
对滤波图像进行sobel边缘检测得到Isobel；
根据Isharp和Isobel得到特征图像；
对特征图像进行阈值检测，以得到边缘模板。
3.根据权利要求1所述的一种基于双边滤波和特征识别的超声去噪方法，其特征在于，步骤S3中根据边缘模板对滤波图像的边缘区域进行非线性灰度变换，以对滤波图像进行边缘增强。
4.一种基于双边滤波和特征识别的超声去噪系统，其特征在于，包括：
滤波模块，用于对噪声图像进行快速双边滤波，以得到滤波图像；
识别模块，用于对滤波图像进行边缘识别，以得到边缘模板；
增强模块，用于根据边缘模板对滤波图像进行边缘增强，以得到增强图像；
所述滤波模块包括：
计算模块，用于根据计算当前像素对应的各向异性向量和降采样坐标，并依次遍历噪声图像的所有像素，以得到噪声图像的降采样空间；
快速双边滤波包括三维高斯卷积的定义以及参数初始化，三维高斯卷积核g通过尺寸σs和σr以及降采样倍数ss和sr定义；其中，下标s表示空间域，下标r表示值域；初始化ω↓i↓和ω↓为0；
当前像素对应的各向异性向量为：
(ωi,ω)＝(I(x,y),1)；
其中，I表示待处理噪声图像；(x,y)表示当前像素的位置坐标；
当前像素对应的降采样坐标：
Figure FDA0003777603390000031
其中，round表示对每个分量进行四舍五入，Imin表示I的最小值；
所述当前像素对应的降采样空间为：
Figure FDA0003777603390000032
依次遍历噪声图像I的所有像素，以完成图像降采样空间的建立；
降采样空间与三维高斯核g进行卷积得到
Figure FDA0003777603390000033
对当前像素的
Figure FDA0003777603390000034
和
Figure FDA0003777603390000035
进行三维线性插值得到
Figure FDA0003777603390000036
和
Figure FDA0003777603390000037
即：
Figure FDA0003777603390000038
Figure FDA0003777603390000039
计算当前像素的双边滤波值：
Figure FDA00037776033900000310
依次遍历图像中的所有像素，以得到滤波图像。
CN202110295310.0A 2021-03-19 2021-03-19 一种基于双边滤波和特征识别的超声去噪方法及系统 Active CN113191961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110295310.0A CN113191961B (zh) 2021-03-19 2021-03-19 一种基于双边滤波和特征识别的超声去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110295310.0A CN113191961B (zh) 2021-03-19 2021-03-19 一种基于双边滤波和特征识别的超声去噪方法及系统

Publications (2)

Publication Number Publication Date
CN113191961A CN113191961A (zh) 2021-07-30
CN113191961B true CN113191961B (zh) 2022-10-25

Family

ID=76973507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110295310.0A Active CN113191961B (zh) 2021-03-19 2021-03-19 一种基于双边滤波和特征识别的超声去噪方法及系统

Country Status (1)

Country Link
CN (1) CN113191961B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789636A (zh) * 2012-08-01 2012-11-21 中山大学 基于多尺度联合双边栅格平滑模型的图像细节增强方法
CN103578084A (zh) * 2013-12-09 2014-02-12 西安电子科技大学 基于亮通道滤波的彩色图像增强方法
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
CN109377450A (zh) * 2018-08-24 2019-02-22 南京理工大学 一种边缘保护的去噪方法
CN110136161A (zh) * 2019-05-31 2019-08-16 苏州精观医疗科技有限公司 图像特征提取分析方法、系统及装置
CN111986095A (zh) * 2019-05-22 2020-11-24 上海哔哩哔哩科技有限公司 基于边缘提取的图像处理方法及图像处理装置
CN111986098A (zh) * 2020-05-14 2020-11-24 南京航空航天大学 一种含固定背景的被动式太赫兹图像增强方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008073305A (ja) * 2006-09-22 2008-04-03 Gifu Univ 超音波乳房診断システム
JP5525867B2 (ja) * 2009-03-04 2014-06-18 株式会社東芝 超音波診断装置、画像処理装置、超音波診断装置の制御方法、及び画像処理方法
GB2551396B (en) * 2016-06-17 2018-10-10 Imagination Tech Ltd Augmented reality occlusion
CN108415077B (zh) * 2018-02-11 2021-02-26 中国石油化工股份有限公司 边缘检测低序级断层识别方法
CN112508859A (zh) * 2020-11-19 2021-03-16 聚融医疗科技(杭州)有限公司 一种基于小波变换的子宫内膜厚度自动测量方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789636A (zh) * 2012-08-01 2012-11-21 中山大学 基于多尺度联合双边栅格平滑模型的图像细节增强方法
CN103578084A (zh) * 2013-12-09 2014-02-12 西安电子科技大学 基于亮通道滤波的彩色图像增强方法
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
CN109377450A (zh) * 2018-08-24 2019-02-22 南京理工大学 一种边缘保护的去噪方法
CN111986095A (zh) * 2019-05-22 2020-11-24 上海哔哩哔哩科技有限公司 基于边缘提取的图像处理方法及图像处理装置
CN110136161A (zh) * 2019-05-31 2019-08-16 苏州精观医疗科技有限公司 图像特征提取分析方法、系统及装置
CN111986098A (zh) * 2020-05-14 2020-11-24 南京航空航天大学 一种含固定背景的被动式太赫兹图像增强方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种改进的增维型双边滤波的快速算法;李俊峰等;《电路与系统学报》;20130215(第01期);全文 *
基于双边滤波的Retinex图像增强算法;胡韦伟等;《工程图学学报》;20100415(第02期);全文 *
针对实时视觉通信的图像序列自动提炼;黄沛杰等;《电子学报》;20090415;全文 *

Also Published As

Publication number Publication date
CN113191961A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Wang et al. Noise detection and image denoising based on fractional calculus
CN108921800B (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
CN104574293A (zh) 基于有界运算的多尺度Retinex图像清晰化算法
Mustafa et al. Image enhancement technique on contrast variation: a comprehensive review
CN104463814A (zh) 基于局部纹理方向性的图像增强方法
CN107451986B (zh) 一种基于融合技术的单幅红外图像增强方法
Xiao et al. Adaptive bilateral filtering and its application in retinex image enhancement
Narváez et al. Point cloud denoising using robust principal component analysis
CN103927715A (zh) 一种超声图像斑点噪声抑制方法
CN104616259B (zh) 一种噪声强度自适应的非局部均值图像去噪方法
CN103971345A (zh) 一种基于改进双边滤波的图像去噪方法
CN113191961B (zh) 一种基于双边滤波和特征识别的超声去噪方法及系统
Nadernejad et al. Using anisotropic diffusion equations in pixon domain for image de-noising
CN105741255A (zh) 图像融合方法及装置
Kim et al. Separable bilateral nonlocal means
CN114818766A (zh) 一种基于opencv的自适应的条码对比度增强方法
Wang et al. Infrared image edge detection based on improved Canny algorithm
Dasgupta Comparative analysis of non-blind deblurring methods for noisy blurred images
CN112927169A (zh) 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法
Mandava et al. Speckle noise reduction using local binary pattern
CN106651804B (zh) 基于自适应扩散滤波的车载图像去噪方法及系统
CN111652808A (zh) 一种红外图像细节增强及噪声抑制方法
Zhao et al. An improved Roberts edge detection algorithm based on mean filter and wavelet denoising
CN115953459B (zh) 一种复杂光照条件下的激光条纹中心线提取方法
Liu et al. An improved non-local mean ultrasound image denoising algorithm

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An ultrasonic denoising method and system based on Bilateral filter and feature recognition

Effective date of registration: 20230413

Granted publication date: 20221025

Pledgee: Zhejiang Lin'an Rural Commercial Bank Co.,Ltd. Qingshan Branch

Pledgor: JURONG MEDICAL TECHNOLOGY (HANGZHOU) Co.,Ltd.

Registration number: Y2023330000747