CN113222854A - 一种小波变换的ct图像去噪方法 - Google Patents

一种小波变换的ct图像去噪方法 Download PDF

Info

Publication number
CN113222854A
CN113222854A CN202110581749.XA CN202110581749A CN113222854A CN 113222854 A CN113222854 A CN 113222854A CN 202110581749 A CN202110581749 A CN 202110581749A CN 113222854 A CN113222854 A CN 113222854A
Authority
CN
China
Prior art keywords
wavelet
image
threshold
denoising
particle
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
Application number
CN202110581749.XA
Other languages
English (en)
Other versions
CN113222854B (zh
Inventor
郭树理
王国威
韩丽娜
宋晓伟
杨文涛
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.)
Hainan College Of Software Technology
Beijing Institute of Technology BIT
Second Medical Center of PLA General Hospital
Original Assignee
Hainan College Of Software Technology
Beijing Institute of Technology BIT
Second Medical Center of PLA General Hospital
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 Hainan College Of Software Technology, Beijing Institute of Technology BIT, Second Medical Center of PLA General Hospital filed Critical Hainan College Of Software Technology
Priority to CN202110581749.XA priority Critical patent/CN113222854B/zh
Publication of CN113222854A publication Critical patent/CN113222854A/zh
Application granted granted Critical
Publication of CN113222854B publication Critical patent/CN113222854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种小波变换的CT图像去噪方法，属于医学图像处理技术领域，特别适合新冠肺炎的CT图像去噪。CT图像在传输和获取过程中易受到高斯噪声的干扰，小波变换能够有效去除高斯噪声的干扰。针对新冠CT图像早期病灶变化不明显，病灶数目较少，病灶范围较小，密度较低，容易造成早期新冠患者漏诊问题，采取提高新冠病灶的对比度，即提出指数调整的反正切改进自适应小波阈值函数和基于收缩因子的改进阈值，反正切函数在零点附近变化快，远离零点处变化缓慢，调整指数函数来适应不同层数阈值函数，实现获得肺部CT图像中更多高频细节信息，保留细节边缘，降低模糊性。小波阈值函数参数的选取是决定影像去噪后的失真和误差的关键因素，通过正余弦融合正态分布的改进粒子群算法寻找最优调整参数，使阈值寻优效果大大提升。

Description

一种小波变换的CT图像去噪方法
技术领域
本发明涉及图像信号处理技术领域，具体涉及一种基于改进阈值函数的小波变换CT影像去噪方法，适合于肺炎CT影像的滤波处理，特别适合于新冠肺炎的CT影像去噪，属于医学图像处理技术领域。
背景技术
新冠肺炎的病灶特点主要表现为各种形态的磨玻璃影，或者伴有实变影。CT影像在传输和获取过程中受到高斯噪声的干扰。数字图像小波变换是采用数学方法来处理图像的新方法，它是个数值逼近的问题，将母函数扩展和平移到新的函数空间，按照准则找出最佳的逼近方法，从而实现原始图像信息与噪声信息的区分，能够有效去除高斯噪声的干扰。本发明提出一种基于改进阈值函数的小波变换新冠肺炎CT影像去噪方法，达到了很好的图像去噪效果，优于以往传统小波变换图像去噪方法。
针对新冠早期病灶变化不明显，病灶数目较少，病灶范围较小，密度较低，容易造成早期新冠患者漏诊问题，拟采取提高新冠病灶的对比度，即提出指数调整的反正切改进自适应小波阈值函数和基于收缩因子的改进阈值，反正切函数在零点附近变化快，远离零点处变化缓慢，调整指数函数来适应不同层数阈值函数，实现获得肺部CT图像中更多高频细节信息，保留细节边缘，降低模糊性。小波阈值函数参数的选取是决定影像去噪后的失真和误差的关键因素，通过正余弦融合正态分布的改进粒子群算法寻找最优调整参数，使阈值寻优效果大大提升。
发明内容
鉴于此，本发明根据CT影像在获取时易产生高斯噪声的特点，以及为了能够适应新冠早期病灶变化不明显，病灶数目较少，密度较低的问题，提出了一种小波变换的CT影像去噪方法，包括以下步骤：
S10，对含有高斯白噪声n(j,l)的CT图像g(j,l)，用db5小波基函数ψ(j,l)进行多层次的正交小波变换：
∫g(j,l)ψ(j,l)djdl＝∫f(j,l)ψ(j,l)djdl+∫n(j,l)ψ(j,l)djdl (1)
得到所述g(j,l)的各层小波系数wj,l，关系式为wj,l＝fj,l+nj,l，其中，f(j,l)为不含噪声的原始图像信号，j和l表示图像的像素位置，fj,l表示f(j,l)的各层小波变换系数，nj,l表示n(j,l)的各层小波变换系数，所述高斯白噪声服从正态分布N(0,δ2)。
S20，对所述各层小波系数wj,l进行阈值处理，得到的小波估计系数
Figure BDA0003079732710000021
设定所述阈值为
Figure BDA0003079732710000022
式中，
Figure BDA0003079732710000023
为收缩因子，n为小波包的分解层数，M×N表示所述CT图像的大小，δ表示高斯噪声方差，作为优选，δ＝median(|wj,l|)/0.6745，其中，median()函数表示在一组数值中返回居于中间数值；z为可调节参数。这里，阈值λ通过调节参数z使得阈值λ与去噪的信噪比(SNR)相关，阈值λ能够根据信号的去噪效果通过参数z自适应调节其值大小。
S30，利用对阈值处理后得到的所述小波估计系数
Figure BDA0003079732710000024
通过小波基函数db5对小波估计系数进行小波重构，得到去噪后的CT图像
Figure BDA0003079732710000025
进一步，对所述wj,l进行阈值处理的方法为：当|wj,l|≥λ时，小波估计系数
Figure BDA0003079732710000026
取阈值函数
Figure BDA0003079732710000027
当|wj,l|＜λ时，小波估计系数
Figure BDA0003079732710000028
取阈值函数
Figure BDA0003079732710000029
阈值函数
Figure BDA00030797327100000210
和
Figure BDA00030797327100000211
的计算式分别为：
Figure BDA00030797327100000212
Figure BDA00030797327100000213
其中：u为调节因子，
Figure BDA00030797327100000214
b、β、α、γ为可调参数，且都为正数；p表示当前为第p层的小波分解，n为小波包的分解层数，sgn()为符号函数。
本方法通过增加调节因子u来缩小原小波系数与估计小波系数之间存在的恒定偏差，通过改变调节因子u，获取最佳的小波估计系数；设置以绝对值λ的阈值为界，采用不同底数的指数，通过不断调整指数的底数和自变量形式，调整适应不同层数的阈值函数，能更好的对每层带噪声小波系数做去噪处理，同时反正切函数还具有在零点附近变化较快，远离零点处变化缓慢的性质，保证了改进阈值函数的连续性、无固定偏差、阈值处收缩效果明显等特点，适用于更多信噪比的带噪信号。
再进一步，所述方法还包括利用改进粒子群算法对步所述阈值函数
Figure BDA00030797327100000215
及阈值的可调参数b、β、α、γ进行参数寻优的步骤。
再进一步，所述方法中步骤S20还包括：
S21，设定以下参数：阈值可调节参数z，小波阈值函数可调节参数b、β、α、γ，粒子种群维数n1，粒子种群规模m，最大迭代次数Tmax，并将种群位置和速度随机初始化。
S22，将信噪比(SNR)作为改进粒子群算法的适应度，计算粒子适应度SNR的值，SNR表示经过去噪后的输出信号功率与带噪信号和滤波后输出信号差之间功率比的对数值，输出信噪比越大，代表去噪效果更好。这里，定义粒子适应度SNR的计算式为:
Figure BDA0003079732710000031
其中，f(j,l)表示不含噪声的原图像信号，
Figure BDA0003079732710000032
代表去噪后的图像信号，M、N分别表示图像的长度和宽度；从初始化的粒子适应度值中确定粒子的个体最优解
Figure BDA0003079732710000033
以及种群的全局最优解
Figure BDA0003079732710000034
所述种群的全局最优解
Figure BDA0003079732710000035
表示包括阈值λ的可调节参数z，改进的自适应小波阈值函数中的可调参数b、β、α。
S23，对每个粒子的速度和位置进行更新，更新公式为：
Figure BDA0003079732710000036
其中：d＝1,2,...,n1，i＝1,2,...,m；t表示当前迭代次数，w表示惯性权重，c1、c2表示加速度权重，r1、r2表示分布在[0，1]内的随机数，
Figure BDA0003079732710000037
表示第i个粒子在特征空间中的第d维的速度，
Figure BDA0003079732710000038
表示第i个粒子在特征空间中的第d维的坐标，
Figure BDA0003079732710000039
表示粒子的个体最优解，
Figure BDA00030797327100000310
表示种群的全局最优解。
这里提出正余弦融合正态分布衰减惯性权重的方法，具体为：w以正态分布曲线进行衰减，在前期一定次数的迭代过程中，w始终保持较大的数值，使算法的全局搜索能力持续最大，令算法能快速收敛到最优解所在的区域内。中期w迅速衰减，全局搜索能力慢慢减弱，局部搜索能力逐渐增强，并最终使得两种捜索能力保持动态平衡。后期w减小到一定值后，算法不断迭代，令其局部搜索能力达到最强.；动态变化的w既避免陷入局部最优，又保证算法的收敛速度。为了增加粒子搜索过程的随机性，结合正弦函数的周期性和rand(0～1之间)随机数，在搜索的初期和末期通过加入随机扰动正弦调整粒子群的惯性权值，在粒子搜索阶段以余弦函数的变化方式调整惯性权重系数，对粒子群搜索初期及末期都进行正弦调整，对搜索过程进行余弦调整，以增强算法的搜索能力和收敛精度，体现粒子群搜索的非线性动态过程，提高搜索效率，克服算法早熟现象。
因此，作为优选，所述惯性权重w的计算式为下述(7)式：
Figure BDA0003079732710000041
其中，wmax表示最大惯性权重系数，wmin表示最小惯性权重系数，t表示当前迭代次数，Tmax表示最大迭代次数，k表示非线性控制因子；θ描述了正态分布数据分布的离散程度，作为优选，θ＝0.4433，rand表示产生(0，1)之间的一个随机数。
这里提出基于正余弦融合惯性权重互补学习因子的方法，具体为：c1采用logistic回归曲线单调递减函数方程，这个函数满足了进化初期c1取较大的值，群体能在较短时间内快速搜索到最优值；进化中期随w快速变化，加快算法的速度；后期缓慢变化，配合w进行精细搜索，平衡算法的全局和局部的搜索能力。c1与c2是此消彼长设置。前期c1较大而c2较小，此时粒子的自我学习能力较强而社会学习能力较弱，有利于加强算法的全局搜索；后期c1较小而c2较大，此时粒子的社会学习能力较强而自我学习能力较弱，有利于算法局部的精细搜索。
因此，作为优选，所述加速度权重c1、c2的更新规则满足下式：
Figure BDA0003079732710000042
其中，t表示当前迭代次数，Tmax表示最大迭代次数。
S24，比较第t次粒子群算法迭代后的粒子适应度SNRt与粒子群算法迭代过程中最大粒子适应度SNRmax的大小，若SNRt＞SNRmax，则将当前粒子群位置替代为粒子群最优值位置；若SNRt≤SNRmax，则粒子群最优位置保持不变。
S25，比较当前迭代次数t与最大迭代次数Tmax的大小，若t≤Tmax，则当前迭代次数t加1，变为t＝t+1后，执行步骤S22，若t＞Tmax，则执行步骤S26。
S26，输出稳定迭代所得的最优解值
Figure BDA0003079732710000051
将其代入所提出改进的阈值函数及阈值中进行图像去噪。
相比于现有技术，本方法有如下有益效果：
1、本方法使用基于收缩因子的改进阈值，收缩因子与小波包的分解层数有关，阈值随着分解尺度变大而逐渐减小，对于阈值的选取，不同的分解层数可以选择不同的阈值，增加了阈值选取的灵活性，改进的阈值计算公式具有良好的自适应性，去噪的效果更好。
2、本方法使用指数调整的反正切改进自适应小波阈值函数对小波系数进行阈值处理，通过不断调整指数的底数和自变量形式，调整适应不同层数的阈值函数，能更好的对每层带噪声小波系数做去噪处理，同时反正切函数还具有在零点附近变化较快，远离零点处变化缓慢的性质，保证了改进阈值函数的连续性、无固定偏差、阈值处收缩效果明显等特点，适用于更多信噪比的带噪信号。
3、本方法使用改进的粒子群算法对小波阈值函数中若干个可调参数进行寻优，在粒子速度更新公式中提出正余弦融合正态分布衰减惯性权重，惯性权重以正态分布曲线进行衰减，在前期一定次数的迭代过程中，惯性权重始终保持较大的数值，使算法的全局搜索能力持续最大，令算法能快速收敛到最优解所在的区域内。中期惯性权重迅速衰减，全局搜索能力慢慢减弱，局部搜索能力逐渐增强，并最终使得两种捜索能力保持动态平衡。后期惯性权重减小到一定值后，算法不断迭代，令其局部搜索能力达到最强；动态变化的惯性权重既避免陷入局部最优，又保证算法的收敛速度。为了增加粒子搜索过程的随机性，结合正弦函数的周期性和rand(0～1之间)随机数，在搜索的初期和末期通过加入随机扰动正弦调整粒子群的惯性权值，在粒子搜索阶段以余弦函数的变化方式调整惯性权重系数，对粒子群搜索初期及末期都进行正弦调整，对搜索过程进行余弦调整，以增强算法的搜索能力和收敛精度，体现粒子群搜索的非线性动态过程，提高搜索效率，克服算法早熟现象。
4、在粒子速度更新公式中提出基于正余弦融合惯性权重互补的学习因子，c1学习因子采用logistic回归曲线单调递减函数方程，这个函数满足了进化初期c1取较大的值，群体能在较短时间内快速搜索到最优值；进化中期随惯性权重快速变化，加快算法的速度；后期缓慢变化，配合惯性权重进行精细搜索，平衡算法的全局和局部的搜索能力。c1与c2学习因子是此消彼长设置。前期c1较大而c2较小，此时粒子的自我学习能力较强而社会学习能力较弱，有利于加强算法的全局搜索；后期c1较小而c2较大，此时粒子的社会学习能力较强而自我学习能力较弱，有利于算法局部的精细搜索。
附图说明
图1为本发明的流程示意图；
图2为新冠肺炎胸部CT原图像；
图3为加入高斯噪声后的新冠肺炎胸部CT图像；
图4为本发明的小波阈值去噪分解的低频分量(包括水平细节分量、垂直细节分量、对角细节分量)；
图5为本发明的小波阈值去噪分解的高频分量(包括水平细节分量、垂直细节分量、对角细节分量)；
图6为本发明的改进阈值函数小波去噪后的新冠肺炎胸部CT影像；
图7为传统小波软阈值去噪后的新冠肺炎胸部CT影像；
图8为本发明的改进粒子群算法标准差变化曲线；
图9为传统粒子群算法标准差变化曲线。
具体实施方式
下面根据附图和实例对本发明进行详细说明，但本发明的具体实施方式不仅于此。
本实施例阐述了本发明应用于新冠肺炎胸部CT影像高斯噪声的去噪流程。下面结合附图对本发明的实施方式做具体说明。
图1为本发明算法的总体流程图，一种小波变换的CT图像去噪方法，包含以下步骤：
步骤A，选择db5小波基函数对含高斯噪声的CT图像进行小波分解。
步骤B，对含噪图像的小波分解系数进行多尺度小波变换。小波分解后，分别获得不同的子带系数：低频分量(包括水平细节分量、垂直细节分量、对角细节分量)的小波系数，高频分量(包括水平细节分量、垂直细节分量、对角细节分量)的小波系数。
步骤C，对每一层的小波系数(包括水平细节分量、垂直细节分量、对角细节分量)分别确定一个阈值，随着分解层次的增加，噪声的能量逐渐减弱，所以相应的阈值也应随着层数的增加而减小。在高频子带中，高斯噪声能量所占比例较大，小波系数主要是噪声的小波系数，因此在处理不同子带时，阈值也应当有所不同。最终，阈值的表达式为公式(2)所示，随着小波分解尺度的变大，计算得到的阈值会逐渐减小，每一个分解尺度上选择的阈值都不相同，具有良好的自适应性，去噪效果更好。
步骤D，采用改进的阈值函数分别对每一层的小波分解系数wjl进行阈值处理，得到处理后的小波估计系数
Figure BDA0003079732710000061
改进型阈值函数中的高频分量的小波估计系数根据公式(3)计算，低频估计分量的小波估计系数根据公式(4)计算。小波低频估计分量，包括水平细节分量、垂直细节分量、对角细节分量分别如图4(a)(b)(c)所示；小波高频估计分量，包括水平细节分量、垂直细节分量、对角细节分量分别如图5(a)(b)(c)所示。本方法使用指数调整的反正切改进自适应小波阈值函数对小波系数进行阈值处理，通过不断调整指数的底数和自变量形式，调整适应不同层数的阈值函数，能更好的对每层带噪声小波系数做去噪处理，同时反正切函数还具有在零点附近变化较快，远离零点处变化缓慢的性质，保证了改进阈值函数的连续性、无固定偏差、阈值处收缩效果明显等特点，适用于更多信噪比的带噪信号。
步骤E，利用改进粒子群算法对步骤C、D中改进阈值函数及阈值的可调参数进行参数寻优，使其去噪效果最优。
具体到本实施例，步骤E.1，预先设定粒子群算法的初始参数，步骤C、D中待优化的参数有5个，因此设定特征空间维度为5，粒子种群数为30，最大迭代次数为100。正余弦融合正态分布衰减惯性权重中的wmax＝0.9，wmin＝0.4，θ＝0.4433。
步骤E.2，根据公式(5)，将输出信噪比(SNR)作为适应度值，以此来判断粒子群算法优化参数的最优与否情况。
步骤E.3，根据公式(6)，来更新每个粒子的速度和位置，惯性权重w公式参考公式(7)，学习因子c1、c2计算根据公式(8)。
步骤E.4，将速度、位置更新后的粒子计算适应度值，与原对应的粒子适应度值做比较，替代作为全局最优值。
步骤E.5，若满足所设定的最大迭代次数，则停止更新，输出参数全局最优值。
步骤F，通过对阈值处理后得到的小波估计系数和处于低频的小波系数，利用小波基函数db5对估计小波系数进行小波重构，得到去噪后的图像。
具体到本实施例，本发明采用Matlab R2018a软件平台，对算法进行编程。图2为新冠肺炎胸部CT影像，箭头指向的红色圆圈部位是新冠肺炎的磨玻璃影病灶；图3为加入噪声(噪声强度为0.4的高斯噪声)后的新冠肺炎胸部CT影像，图片大小均为512*512。使用改进加权中值滤波对带有噪声的新冠肺炎胸部CT影像进行去噪，得到去噪后的的新冠肺炎胸部CT影像，如图6所示。
步骤G，为了进一步验证本发明的新冠肺炎CT影像去噪方法去噪效果，从客观数据比较分析所提出的方法性能，使用均方误差(mean squared error，MSE)、峰值信噪比(peaksignal-to-noise ratio，PSNR)和信噪比(SNR)对去噪后的图像进行数值计算，均方误差数值越小说明去噪图像质量越好；峰值信噪比、信噪比数值越大，说明去噪效果越好。均方误差的表达式为：
Figure BDA0003079732710000071
峰值信噪比的表达式为：
Figure BDA0003079732710000081
其中f(j,l)表示去噪后的信号，
Figure BDA0003079732710000082
代表带脉冲噪声的输入信号，M、N表示输入图像的长度和宽度，图片大小均为512*512，信噪比的表达式为公式(5)。
采用传统小波软阈值去噪做对比去噪仿真实验，进一步比较分析不同去噪方法下的MSE、PSNR和SNR，图7为传统小波阈值去噪后新冠肺炎CT影像，图6为本方法去噪后新冠肺炎CT影像，评定指标数值如表1所示。
表1去噪评定指标
去噪方法 MSE PSNR/dB SNR/dB
含噪声图像 740.6482 10.8537 7.7469
传统小波软阈值去噪方法 204.1648 25.3770 26.5043
本专利方法 69.6348 37.7456 39.4737
从表中数据的变化趋势可知，与对比实验去噪方法相比，当前已改进的去噪方法下加噪图像的PSNR增加了约12dB，MSE值大大降低，SNR增加了约13dB。本专利改进的CT影像去噪方法下的峰值信噪比值最大值为37.7456，与传统去噪方法下的PSNR相比，增加了约12dB，由此可知，采用本专利方法下的去噪效果是最佳的。
为了进一步验证本发明的改进粒子群算法优越性，与传统粒子群算法作比较，图8为本发明的改进粒子群标准差变化曲线图，图9为传统的粒子群标准差变化曲线图。可见，在相同的粒子群标准差下，本发明的改进粒子群算法收敛速度更快，所用的迭代次数更少。
至此，从步骤A到步骤G完成了本实施例一种基于改进阈值函数的小波变换新冠肺炎CT影像去噪方法。

Claims (10)

1.一种小波变换的CT图像去噪方法，其特征在于，包括：
S10，对含有高斯白噪声n(j,l)的CT图像g(j,l)，用db5小波基函数ψ(j,l)进行多层次的正交小波变换：∫g(j,l)ψ(j,l)djdl＝∫f(j,l)ψ(j,l)djdl+∫n(j,l)ψ(j,l)djdl，得到所述g(j,l)的各层小波系数wj,l，关系式为wj,l＝fj,l+nj,l，其中，f(j,l)为不含噪声的原始图像信号，j和l表示图像的像素位置，fj,l表示f(j,l)的各层小波变换系数，nj,l表示n(j,l)的各层小波变换系数，所述高斯白噪声服从正态分布N(0,δ2)；
S20，对所述各层小波系数wj,l进行阈值处理，得到的小波估计系数
Figure FDA00030797327000000115
设定所述阈值为
Figure FDA0003079732700000011
式中，
Figure FDA0003079732700000012
为收缩因子，n为小波包的分解层数，M×N表示所述CT图像的大小，δ表示高斯噪声方差，z为可调节参数；
S30，利用对阈值处理后得到的所述小波估计系数
Figure FDA0003079732700000013
通过小波基函数db5对小波估计系数
Figure FDA0003079732700000014
进行小波重构，得到去噪后的CT图像
Figure FDA0003079732700000015
2.如权利要求1所述的CT图像去噪方法，其特征在于，对所述wj,l进行阈值处理的方法为：当|wj,l|≥λ时，小波估计系数
Figure FDA0003079732700000016
取阈值函数
Figure FDA0003079732700000017
当|wj,l|＜λ时，小波估计系数
Figure FDA0003079732700000018
取阈值函数
Figure FDA0003079732700000019
阈值函数
Figure FDA00030797327000000110
和
Figure FDA00030797327000000111
的计算式分别为：
Figure FDA00030797327000000112
Figure FDA00030797327000000113
其中：u为调节因子，
Figure FDA00030797327000000116
b、β、α、γ为可调参数，且都为正数；p表示当前为第p层的小波分解，n为小波包的分解层数，sgn()为符号函数。
3.如权利要求2所述的CT图像去噪方法，其特征在于，利用改进粒子群算法对步所述阈值函数
Figure FDA00030797327000000114
及阈值的可调参数b、β、α、γ进行参数寻优。
4.如权利要求2所述的CT图像去噪方法，其特征在于，所述方法中步骤S20还包括：
S21，设定以下参数：阈值可调节参数z，小波阈值函数可调节参数b、β、α、γ，粒子种群维数n1，粒子种群规模m，最大迭代次数Tmax，并将种群位置和速度随机初始化；
S22，计算粒子适应度
Figure FDA0003079732700000021
的值，其中，f(j,l)表示不含噪声的原图像信号，
Figure FDA0003079732700000022
代表去噪后的图像信号，M、N分别表示图像的长度和宽度；从初始化的粒子适应度值中确定粒子的个体最优解
Figure FDA0003079732700000023
以及种群的全局最优解
Figure FDA0003079732700000024
S23，对每个粒子的速度和位置进行更新，更新公式为：
Figure FDA0003079732700000025
其中：d＝1,2,...,n1，i＝1,2,...,m；t表示当前迭代次数，w表示惯性权重，c1、c2表示加速度权重，r1、r2表示分布在[0，1]内的随机数，
Figure FDA0003079732700000026
表示第i个粒子在特征空间中的第d维的速度，
Figure FDA0003079732700000027
表示第i个粒子在特征空间中的第d维的坐标，
Figure FDA0003079732700000028
表示粒子的个体最优解，
Figure FDA0003079732700000029
表示种群的全局最优解；
S24，比较第t次粒子群算法迭代后的粒子适应度SNRt与粒子群算法迭代过程中最大粒子适应度SNRmax的大小，若SNRt≤SNRmax，则粒子群最优位置保持不变；若SNRt＞SNRmax，则将当前粒子群位置替代为粒子群最优值位置；
S25，比较当前迭代次数t与最大迭代次数Tmax的大小，若t≤Tmax，则当前迭代次数t加1，变为t＝t+1后，执行步骤S22，若t＞Tmax，则执行步骤S26；
S26，输出稳定迭代所得的最优解值
Figure FDA00030797327000000210
将其代入所提出改进的阈值函数及阈值中进行图像去噪。
5.如权利要求4所述的CT图像去噪方法，其特征在于，所述惯性权重w的计算式为：
Figure FDA00030797327000000211
其中，wmax表示最大惯性权重系数，wmin表示最小惯性权重系数，t表示当前迭代次数，Tmax表示最大迭代次数，k表示非线性控制因子；θ描述了正态分布数据分布的离散程度，rand表示产生(0，1)之间的一个随机数。
6.如权利要求4所述的CT图像去噪方法，其特征在于，所述加速度权重c1、c2的计算式为：
Figure FDA0003079732700000031
其中，t表示当前迭代次数，Tmax表示最大迭代次数。
7.如权利要求4所述的CT图像去噪方法，其特征在于，所述种群的全局最优解
Figure FDA0003079732700000032
表示包括阈值λ的可调节参数z，改进的自适应小波阈值函数中的可调参数b、β、α。
8.如权利要求5所述的CT图像去噪方法，其特征在于，所述θ＝0.4433。
9.如权利要求5所述的CT图像去噪方法，其特征在于，所述最大惯性权重系数wmax＝0.9，最小惯性权重系数wmin＝0.4。
10.如权利要求1所述的CT图像去噪方法，其特征在于，所述δ＝median(|wj,l|)/0.6745，其中，median()函数表示在一组数值中返回居于中间数值。
CN202110581749.XA 2021-05-24 2021-05-24 一种小波变换的ct图像去噪方法 Active CN113222854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110581749.XA CN113222854B (zh) 2021-05-24 2021-05-24 一种小波变换的ct图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110581749.XA CN113222854B (zh) 2021-05-24 2021-05-24 一种小波变换的ct图像去噪方法

Publications (2)

Publication Number Publication Date
CN113222854A true CN113222854A (zh) 2021-08-06
CN113222854B CN113222854B (zh) 2022-05-03

Family

ID=77099113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110581749.XA Active CN113222854B (zh) 2021-05-24 2021-05-24 一种小波变换的ct图像去噪方法

Country Status (1)

Country Link
CN (1) CN113222854B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549353A (zh) * 2022-02-22 2022-05-27 中科微影(浙江)医疗科技有限公司 一种用于核磁共振图像的去噪方法与系统
CN115861359A (zh) * 2022-12-16 2023-03-28 兰州交通大学 一种水面漂浮垃圾图像自适应分割提取方法
CN117314785A (zh) * 2023-10-30 2023-12-29 阿尔麦德智慧医疗(湖州)有限公司 基于ai的超声造影诊断辅助系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182935A (zh) * 2014-08-11 2014-12-03 同济大学 一种基于层次分析法选取小波基的图像去噪方法
US20190287220A1 (en) * 2016-05-11 2019-09-19 Cornell University Systems, methods and programs for denoising signals using wavelets
CN110765834A (zh) * 2019-08-25 2020-02-07 青岛科技大学 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法
CN112163536A (zh) * 2020-09-30 2021-01-01 沈阳工业大学 基于粒子群算法改进的小波阈值函数去噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182935A (zh) * 2014-08-11 2014-12-03 同济大学 一种基于层次分析法选取小波基的图像去噪方法
US20190287220A1 (en) * 2016-05-11 2019-09-19 Cornell University Systems, methods and programs for denoising signals using wavelets
CN110765834A (zh) * 2019-08-25 2020-02-07 青岛科技大学 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法
CN112163536A (zh) * 2020-09-30 2021-01-01 沈阳工业大学 基于粒子群算法改进的小波阈值函数去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NASSER EDINNE BENHASSINE ET AL.: "Medical image denoising using optimal thresholding of wavelet coefficients with selection of the best decomposition level and mother wavelet", 《INTERNATIONAL JOURNAL OF IMAGING SYSTEMS AND TECHNOLOGY》 *
王风 等: "图像的小波可变阈值去噪方法", 《光电子·激光》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549353A (zh) * 2022-02-22 2022-05-27 中科微影(浙江)医疗科技有限公司 一种用于核磁共振图像的去噪方法与系统
CN115861359A (zh) * 2022-12-16 2023-03-28 兰州交通大学 一种水面漂浮垃圾图像自适应分割提取方法
CN115861359B (zh) * 2022-12-16 2023-07-21 兰州交通大学 一种水面漂浮垃圾图像自适应分割提取方法
CN117314785A (zh) * 2023-10-30 2023-12-29 阿尔麦德智慧医疗(湖州)有限公司 基于ai的超声造影诊断辅助系统
CN117314785B (zh) * 2023-10-30 2024-05-24 阿尔麦德智慧医疗(湖州)有限公司 基于ai的超声造影诊断辅助系统

Also Published As

Publication number Publication date
CN113222854B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN113222854B (zh) 一种小波变换的ct图像去噪方法
CN113313641B (zh) 一种自适应中值滤波的ct图像去噪方法
CN111681667B (zh) 基于自适应窗口滤波和小波阈值优化的水声信号去噪方法
CN110246106B (zh) 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法
CN110706181B (zh) 一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统
CN110765834B (zh) 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法
CN110648290A (zh) 一种基于sure参数优化的双核非局部均值图像去噪方法
CN112163536B (zh) 基于粒子群算法改进的小波阈值函数去噪方法
CN109100788B (zh) 地震数据非局部均值去噪方法
CN109151332B (zh) 基于适应度函数的相机编码曝光最优码字序列搜索方法
CN112132758B (zh) 基于非对称光学系统点扩散函数模型的图像复原方法
CN117527570B (zh) 基于边缘强化学习的传感器集群位置优化方法
CN110047055A (zh) 一种红外图像细节增强及去噪方法
CN114742727A (zh) 一种基于图像平滑的噪声处理方法及系统
CN116012273B (zh) 一种基于局部灰度波动率的图像增强方法和装置
CN105338219B (zh) 视频图像去噪处理方法和装置
Jianhua et al. A novel algorithm for threshold image denoising based on wavelet construction
CN107025640A (zh) 基于优化的非局部均值的医学图像去噪方法
CN111242854A (zh) 一种图像去噪方法
CN116756491A (zh) 一种基于蜣螂优化算法优化小波阈值的阀门信号降噪方法
CN112001256A (zh) 混合信号去工频干扰方法及系统
CN106023103B (zh) 一种基于精确局部方差先验建模的自适应正交小波图像去噪方法
CN114417920A (zh) 一种基于de优化小波参数的信号去噪方法及装置
CN114266275A (zh) 一种基于改进小波阈值函数的信号降噪算法
CN116070094B (zh) 一种基于自适应小波阈值函数的水声信号处理方法

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
GR01 Patent grant
GR01 Patent grant