CN113592725A - 一种医疗光学成像噪声消除方法 - Google Patents
一种医疗光学成像噪声消除方法 Download PDFInfo
- Publication number
- CN113592725A CN113592725A CN202110731018.9A CN202110731018A CN113592725A CN 113592725 A CN113592725 A CN 113592725A CN 202110731018 A CN202110731018 A CN 202110731018A CN 113592725 A CN113592725 A CN 113592725A
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- filtering
- optical imaging
- medical optical
- 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 69
- 238000012634 optical imaging Methods 0.000 title claims abstract description 27
- 230000008030 elimination Effects 0.000 title claims abstract description 24
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 7
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 239000010949 copper Substances 0.000 claims description 4
- 238000003706 image smoothing Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 3
- 229910052782 aluminium Inorganic materials 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 239000011889 copper foil Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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 by non-spatial domain filtering
-
- 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 by the use of local operators
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Abstract
本发明公开了一种医疗光学成像噪声消除方法;包括有以下步骤:S1、通过医疗光学成像设备对人体进行检测;S2、将屏蔽线接入到噪声滤波器中进行处理;S3、在数据传输的过程中通过噪声滤波器处理过后传输给成像设备;S4、在对图像进行处理过后,在对图像进行斑点噪声处理;S5、在对斑点噪声进行建模计算之后进行消除;本发明通过采用屏蔽线缆实现对数据信息进行传输,不会受到外部的环境的干扰,以及是设有滤波器进行处理。先对图像信息进行处理,即通过灰度计算、图像增强与恢复、边缘检测和图像分割对图像处理,使得图像更加的清晰,在通过斑点模式实现对斑点噪声进行处理,使得图像更加的精准。
Description
技术领域
本发明属于光学成像技术领域,具体涉及一种医疗光学成像噪声消除方法。
背景技术
图像是一种重要的信息源,通过图像处理可以帮助人们了解信息的内涵。但是图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质,这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。噪声种类很多,如:电噪声、机械噪声、信道噪声和其他噪声。为了抑制噪声,改善图像质量,便于更高层次的处理,必须对图像进行去噪预处理。消除图像噪声的工作称之为图像滤波或平滑。数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域,是一门综合性很强的边缘科学,如今其理论体系已十分完善,且其实践应用很广泛,在医学、军事、艺术、农业等都有广泛且成熟的应用,尤其是在医学领域,对于图像的处理更加的细致,然而市面上各种的医疗成像仍存在各种各样的问题。
如授权公告号为CN103338337A所公开的光学指示装置中的图像噪声消除方法,其虽然实现了根据CMOS图像传感器的FPN噪声形成原因,充分利用FPN行噪声与该像素所在行的邻近的像素关联紧密以及FPN列噪声与该像素所在列的邻近的像素关联紧密的特性来对该像素进行噪声处理,即距离该像素越近的相邻行像素与该像素的FPN行噪声关系越大,距离该像素越远的相邻像素的与该像素的FPN行噪声关系越小;距离该像素越近的相邻列像素与该像素的FPN列噪声关系越大,距离该像素越远的相邻列像素的与该像素的FPN列噪声关系越小,如此根据该像素邻近的像素与该像素的距离不同而采用不同的加权系数来进行噪声消除,可以最大限度地消除像素的行列FPN噪声,此方法实现方法简单、所用资源很少、对FPN噪声的消除效率与性能很高,但是并未解决现有医疗成像中存在的传输过程中容易受到外接的干扰,不能先对图像进行处理在消除噪声,以及对斑点噪声的处理性能不高等的问题,为此我们提出一种医疗光学成像噪声消除方法。
发明内容
本发明的目的在于提供一种医疗光学成像噪声消除方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种医疗光学成像噪声消除方法,包括有以下步骤:
S1、通过医疗光学成像设备对人体进行检测:在医疗光学成像设备对人体进行检查的时候,通过屏蔽线进行数据传输;
S2、将屏蔽线接入到噪声滤波器中进行处理:在屏蔽线进行数据传输的过程中添加噪声滤波器,通过噪声滤波器实现对传输的数据信息中的噪声进行有效的滤除,且噪声滤波器通过频率域滤波方法除去同期性噪声,以及通过图像平滑或低通滤波的方法加以消除图像的随机噪声;
S3、在数据传输的过程中通过噪声滤波器处理过后传输给成像设备:屏蔽线在通过噪声滤波器进行处理过后将图像信息传输给成像设备,成像设备在接收到图像数据信息之后,对图像数据信息进行灰度计算、图像增强与恢复、边缘检测和图像分割;
S4、在对图像进行处理过后,再对图像进行斑点噪声处理:成像设备对斑点噪声进行概率分布函数计算、斑点噪声的功率密度谱和斑点噪声模型建立;
S5、在对斑点噪声进行建模计算之后进行消除:通过斑点噪声模式对斑点噪声进行有效的处理和消除。
优选的,所述S1中的屏蔽线采用的是编织铜网、铜泊网或者铝网作为屏蔽层的屏蔽线,所述屏蔽层电性接地,用于将外来的干扰信号通过屏蔽层导入大地。
优选的,所述S4中还包括有乘性噪声,所述乘性噪声的消除通过对原始信号进行同态变换—对数变换,将乘性噪声转变为加性噪声,去除噪声与信号的相倚性;并运用小波分析方法进一步对变换后的信号进行去噪处理,最后,联合指数逆变换获得提取的真实信号,以达到消除原始信号中乘性噪声的目的,所述加性类噪声的消除方法有很多,如自适应滤波、经验模态分解方法,所述自适应滤波是在维纳滤波、Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法;所述经验模态分解方法是为了精确描述频率随时间的变化而提出的一种自适应较好,直观的瞬时频率分析方法。
优选的,所述S2中的频率域滤波方法采用的是傅立叶变换算法进行处理,所述傅立叶变换算法中公式如下所示:
傅立叶变换:
傅立叶逆变换:
优选的,所述S2中的平滑或低通滤波的方法采用的是平滑滤波、中值滤波、条件滤波或者各种自适应滤波。
优选的,所述S3中的灰度计算的公式为:Gray=(Red+Green+Blue)/3,所述边缘检测采用的是Soble边缘检测算法,所述图像分割采用的是基于阈值的分割方法、基于区域的分割方法或者基于特定理论的分割方法,所述图像增强与恢复在所述灰度计算、所述边缘检测和所述图像分割之后进行处理。
优选的,所述S4中的斑点噪声进行概率分布函数计算是通过对多视SAR图像进行计算处理,即是同一场景内的n个不连续的独立子图像非相干迭加将改变斑点噪声的概率分布,计算公式如下所示:
优选的,所述S4中的斑点噪声的功率密度谱计算公式如下:
且C1、Cf1和Cfp为常数,且观测图像的功率谱满足下式:
优选的,所述S4中的斑点噪声模型建立计算公式如下:
用x和y分别表示其实部和虚部,强度为I,定义为:I=x2+y2,服从指数分布:
p1(I)=(1/σ2)exp-(I/σ2),
其中均值为Ml(I)=σ2,方差为varl(I)=σ4,振幅A为I的平方根,服从Rayleigh分布:p1(A)=(2A/σ2)exp(-A2/σ2);
优选的,所述S5中的斑点噪声模式采用Lee滤波、Gamma-MAP滤波和一级db32小波分解。
与现有技术相比,本发明的有益效果是:
(1)本发明通过对成像设备的传输数据线缆进行改进,通过采用屏蔽线缆实现对数据信息进行传输,进而使得数据信息在传输的时候,不会受到外部的环境的干扰,提高成像信息传输的稳定性和减少环境噪声的干扰,以及是设有滤波器进行处理。
(2)本发明先对图像信息进行处理,即通过灰度计算、图像增强与恢复、边缘检测和图像分割对图像处理,使得图像更加的清晰,然后在通过斑点模式实现对斑点噪声进行处理,使得图像更加的精准。
附图说明
图1为本发明的步骤流程示意图;
图2为本发明的乘性噪声消除流程。
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种医疗光学成像噪声消除方法,包括有以下步骤:
S1、通过医疗光学成像设备对人体进行检测:在医疗光学成像设备对人体进行检查的时候,通过屏蔽线进行数据传输;
S2、将屏蔽线接入到噪声滤波器中进行处理:在屏蔽线进行数据传输的过程中添加噪声滤波器,通过噪声滤波器实现对传输的数据信息中的噪声进行有效的滤除,且噪声滤波器通过频率域滤波方法除去同期性噪声,以及通过图像平滑或低通滤波的方法加以消除图像的随机噪声;
S3、在数据传输的过程中通过噪声滤波器处理过后传输给成像设备:屏蔽线在通过噪声滤波器进行处理过后将图像信息传输给成像设备,成像设备在接收到图像数据信息之后,对图像数据信息进行灰度计算、图像增强与恢复、边缘检测和图像分割;
S4、在对图像进行处理过后,再对图像进行斑点噪声处理:成像设备对斑点噪声进行概率分布函数计算、斑点噪声的功率密度谱和斑点噪声模型建立;
S5、在对斑点噪声进行建模计算之后进行消除:通过斑点噪声模式对斑点噪声进行有效的处理和消除。
为了使得数据传输的过程中更加的安全,减少环境的噪声干扰,本实施例中,优选的,所述S1中的屏蔽线采用的是编织铜网、铜泊网或者铝网作为屏蔽层的屏蔽线,所述屏蔽层电性接地,用于将外来的干扰信号通过屏蔽层导入大地。
为了实现对乘性噪声进行消除,本实施例中,优选的,所述S4中还包括有乘性噪声,所述乘性噪声的消除通过对原始信号进行同态变换—对数变换,将乘性噪声转变为加性噪声,去除噪声与信号的相倚性;并运用小波分析方法进一步对变换后的信号进行去噪处理,最后,联合指数逆变换获得提取的真实信号,以达到消除原始信号中乘性噪声的目的,所述加性类噪声的消除方法有很多,如自适应滤波、经验模态分解方法,所述自适应滤波是在维纳滤波、Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法;所述经验模态分解方法是为了精确描述频率随时间的变化而提出的一种自适应较好,直观的瞬时频率分析方法。
为了实现对频率域滤波进行处理,本实施例中,优选的,所述S2中的频率域滤波方法采用的是傅立叶变换算法进行处理,所述傅立叶变换算法中公式如下所示:
傅立叶变换:
傅立叶逆变换:
为了实现平滑或低通滤波的处理,本实施例中,优选的,所述S2中的平滑或低通滤波的方法采用的是平滑滤波、中值滤波、条件滤波或者各种自适应滤波。
为了实现对图像进行预先的处理,本实施例中,优选的,所述S3中的灰度计算的公式为:Gray=(Red+Green+Blue)/3,所述边缘检测采用的是Soble边缘检测算法,所述图像分割采用的是基于阈值的分割方法、基于区域的分割方法或者基于特定理论的分割方法,所述图像增强与恢复在所述灰度计算、所述边缘检测和所述图像分割之后进行处理。
为了实现对斑点噪声进行概率分布计算,本实施例中,优选的,所述S4中的斑点噪声进行概率分布函数计算是通过对多视SAR图像进行计算处理,即是同一场景内的n个不连续的独立子图像非相干迭加将改变斑点噪声的概率分布,计算公式如下所示:
为了实现对斑点噪声的功率密度进行计算,本实施例中,优选的,所述S4中的斑点噪声的功率密度谱计算公式如下:
且C1、Cf1和Cfp为常数,且观测图像的功率谱满足下式:
为了实现对斑点噪声的模型进行计算,本实施例中,优选的,所述S4中的斑点噪声模型建立计算公式如下:
用x和y分别表示其实部和虚部,强度为I,定义为:I=x2+y2,服从指数分布:
p1(I)=(1/σ2)exp-(I/σ2),
其中均值为Ml(I)=σ2,方差为varl(I)=σ4,振幅A为I的平方根,服从Rayleigh分布:p1(A)=(2A/σ2)exp(-A2/σ2);
为了实现对斑点噪声进行处理,本实施例中,优选的,所述S5中的斑点噪声模式采用Lee滤波、Gamma-MAP滤波和一级db32小波分解。
本发明的工作原理及使用流程:
第一步、通过医疗光学成像设备对人体进行检测:在医疗光学成像设备对人体进行检查的时候,通过屏蔽线进行数据传输;
第二步、将屏蔽线接入到噪声滤波器中进行处理:在屏蔽线进行数据传输的过程中添加噪声滤波器,通过噪声滤波器实现对传输的数据信息中的噪声进行有效的滤除,且噪声滤波器通过频率域滤波方法除去同期性噪声,以及通过图像平滑或低通滤波的方法加以消除图像的随机噪声;
第三步、在数据传输的过程中通过噪声滤波器处理过后传输给成像设备:屏蔽线在通过噪声滤波器进行处理过后将图像信息传输给成像设备,成像设备在接收到图像数据信息之后,对图像数据信息进行灰度计算、图像增强与恢复、边缘检测和图像分割;
第四步、在对图像进行处理过后,再对图像进行斑点噪声处理:成像设备对斑点噪声进行概率分布函数计算、斑点噪声的功率密度谱和斑点噪声模型建立;
第五步、在对斑点噪声进行建模计算之后进行消除:通过斑点噪声模式对斑点噪声进行有效的处理和消除。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种医疗光学成像噪声消除方法,其特征在于,包括有以下步骤:
S1、通过医疗光学成像设备对人体进行检测:在医疗光学成像设备对人体进行检查的时候,通过屏蔽线进行数据传输;
S2、将屏蔽线接入到噪声滤波器中进行处理:在屏蔽线进行数据传输的过程中添加噪声滤波器,通过噪声滤波器实现对传输的数据信息中的噪声进行有效的滤除,且噪声滤波器通过频率域滤波方法除去同期性噪声,以及通过图像平滑或低通滤波的方法加以消除图像的随机噪声;
S3、在数据传输的过程中通过噪声滤波器处理过后传输给成像设备:屏蔽线在通过噪声滤波器进行处理过后将图像信息传输给成像设备,成像设备在接收到图像数据信息之后,对图像数据信息进行灰度计算、图像增强与恢复、边缘检测和图像分割;
S4、在对图像进行处理过后,再对图像进行斑点噪声处理:成像设备对斑点噪声进行概率分布函数计算、斑点噪声的功率密度谱和斑点噪声模型建立;
S5、在对斑点噪声进行建模计算之后进行消除:通过斑点噪声模式对斑点噪声进行有效的处理和消除。
2.根据权利要求1所述的一种医疗光学成像噪声消除方法,其特征在于:所述S1中的屏蔽线采用的是编织铜网、铜泊网或者铝网作为屏蔽层的屏蔽线,所述屏蔽层电性接地,用于将外来的干扰信号通过屏蔽层导入大地。
3.根据权利要求1所述的一种医疗光学成像噪声消除方法,其特征在于:所述S4中还包括有乘性噪声,所述乘性噪声的消除通过对原始信号进行同态变换—对数变换,将乘性噪声转变为加性噪声,去除噪声与信号的相倚性;并运用小波分析方法进一步对变换后的信号进行去噪处理,最后,联合指数逆变换获得提取的真实信号,以达到消除原始信号中乘性噪声的目的,所述加性类噪声的消除方法有很多,如自适应滤波、经验模态分解方法,所述自适应滤波是在维纳滤波、Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法;所述经验模态分解方法是为了精确描述频率随时间的变化而提出的一种自适应较好,直观的瞬时频率分析方法。
5.根据权利要求1所述的一种医疗光学成像噪声消除方法,其特征在于:所述S2中的平滑或低通滤波的方法采用的是平滑滤波、中值滤波、条件滤波或者各种自适应滤波。
6.根据权利要求1所述的一种医疗光学成像噪声消除方法,其特征在于:所述S3中的灰度计算的公式为:Gray=(Red+Green+Blue)/3,所述边缘检测采用的是Soble边缘检测算法,所述图像分割采用的是基于阈值的分割方法、基于区域的分割方法或者基于特定理论的分割方法,所述图像增强与恢复在所述灰度计算、所述边缘检测和所述图像分割之后进行处理。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682452.1A CN116797476A (zh) | 2021-06-29 | 2021-06-29 | 一种医疗光学成像噪声消除方法 |
CN202110731018.9A CN113592725B (zh) | 2021-06-29 | 2021-06-29 | 一种医疗光学成像噪声消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110731018.9A CN113592725B (zh) | 2021-06-29 | 2021-06-29 | 一种医疗光学成像噪声消除方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310682452.1A Division CN116797476A (zh) | 2021-06-29 | 2021-06-29 | 一种医疗光学成像噪声消除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592725A true CN113592725A (zh) | 2021-11-02 |
CN113592725B CN113592725B (zh) | 2023-07-28 |
Family
ID=78245231
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110731018.9A Active CN113592725B (zh) | 2021-06-29 | 2021-06-29 | 一种医疗光学成像噪声消除方法 |
CN202310682452.1A Pending CN116797476A (zh) | 2021-06-29 | 2021-06-29 | 一种医疗光学成像噪声消除方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310682452.1A Pending CN116797476A (zh) | 2021-06-29 | 2021-06-29 | 一种医疗光学成像噪声消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113592725B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452439A (zh) * | 2023-03-29 | 2023-07-18 | 中国工程物理研究院计算机应用研究所 | 一种针对激光雷达点云强度图像的降噪方法及装置 |
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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038186A (zh) * | 2006-06-10 | 2007-09-19 | 伊仁图太 | 一种对输电线路覆冰及舞动的在线预警装置 |
WO2012066568A1 (en) * | 2010-11-15 | 2012-05-24 | Indian Institute Of Technology | An improved ultrasound imaging method/technique for speckle reduction/suppression in an improved ultra sound imaging system |
CN104200440A (zh) * | 2014-09-16 | 2014-12-10 | 哈尔滨恒誉名翔科技有限公司 | 一种基于多尺度小波变换的斑点图像处理算法 |
CN104657942A (zh) * | 2014-12-08 | 2015-05-27 | 浙江工业大学 | 基于改进阈值的小波变换和引导滤波器的医学超声图像去噪方法 |
CN105631820A (zh) * | 2015-12-25 | 2016-06-01 | 浙江工业大学 | 基于小波变换和三边滤波器的医学超声图像去噪方法 |
CN105718677A (zh) * | 2016-01-22 | 2016-06-29 | 中国科学院电工研究所 | 自屏蔽超导核磁共振成像系统梯度线圈设计方法 |
US20190064301A1 (en) * | 2017-08-30 | 2019-02-28 | Andrew Thomas Curtis | Method and system of frequency constrained gradient waveform production |
US20200357098A1 (en) * | 2019-05-07 | 2020-11-12 | Healcerion Co., Ltd. | Discrete wavelet transform-based noise removal apparatus for removing noise from image signal and remote medical diagnosis system including the same |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980286B (zh) * | 2010-11-12 | 2012-02-08 | 西安电子科技大学 | 结合双树复小波与双变量模型的sar图像降斑方法 |
CN104702243A (zh) * | 2013-12-05 | 2015-06-10 | 中国科学院深圳先进技术研究院 | 一种基于模糊逻辑滤除工频干扰的自适应滤波系统 |
CN109547040B (zh) * | 2018-11-13 | 2021-01-26 | 西安邮电大学 | 一种防干扰信号输送方法 |
-
2021
- 2021-06-29 CN CN202110731018.9A patent/CN113592725B/zh active Active
- 2021-06-29 CN CN202310682452.1A patent/CN116797476A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038186A (zh) * | 2006-06-10 | 2007-09-19 | 伊仁图太 | 一种对输电线路覆冰及舞动的在线预警装置 |
WO2012066568A1 (en) * | 2010-11-15 | 2012-05-24 | Indian Institute Of Technology | An improved ultrasound imaging method/technique for speckle reduction/suppression in an improved ultra sound imaging system |
CN104200440A (zh) * | 2014-09-16 | 2014-12-10 | 哈尔滨恒誉名翔科技有限公司 | 一种基于多尺度小波变换的斑点图像处理算法 |
CN104657942A (zh) * | 2014-12-08 | 2015-05-27 | 浙江工业大学 | 基于改进阈值的小波变换和引导滤波器的医学超声图像去噪方法 |
CN105631820A (zh) * | 2015-12-25 | 2016-06-01 | 浙江工业大学 | 基于小波变换和三边滤波器的医学超声图像去噪方法 |
CN105718677A (zh) * | 2016-01-22 | 2016-06-29 | 中国科学院电工研究所 | 自屏蔽超导核磁共振成像系统梯度线圈设计方法 |
US20190064301A1 (en) * | 2017-08-30 | 2019-02-28 | Andrew Thomas Curtis | Method and system of frequency constrained gradient waveform production |
US20200357098A1 (en) * | 2019-05-07 | 2020-11-12 | Healcerion Co., Ltd. | Discrete wavelet transform-based noise removal apparatus for removing noise from image signal and remote medical diagnosis system including the same |
Non-Patent Citations (4)
Title |
---|
BASELICE F,ET AL.: "Enhanced Wiener filter for ultrasound image restoration", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》, pages 71 - 81 * |
郭敏;马远良;朱霆;: "基于小波变换的医学超声图像去噪及增强方法", 中国医学影像技术, no. 09 * |
马荣飞;: "基于偏微分方程的医学超声图像降噪研究", 计算机仿真, no. 02 * |
龚勋 等: "甲状腺、乳腺超声影像自动分析技术综述", 《软件学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452439A (zh) * | 2023-03-29 | 2023-07-18 | 中国工程物理研究院计算机应用研究所 | 一种针对激光雷达点云强度图像的降噪方法及装置 |
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 |
---|---|
CN113592725B (zh) | 2023-07-28 |
CN116797476A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tania et al. | A comparative study of various image filtering techniques for removing various noisy pixels in aerial image | |
Hiremath et al. | Speckle noise reduction in medical ultrasound images | |
CN113592725B (zh) | 一种医疗光学成像噪声消除方法 | |
Bijalwan et al. | Wavelet transform based image denoise using threshold approaches | |
Hoshyar et al. | Comparing the performance of various filters on skin cancer images | |
Gopinathan et al. | Wavelet and FFT Based Image Denoising Using Non-Linear Filters. | |
Singh et al. | Statistical quality analysis of wavelet based sar images in despeckling process | |
Weizheng et al. | Digital image denoising method based on mean filter | |
CN111192204A (zh) | 一种图像增强方法、系统和计算机可读存储介质 | |
Toledo et al. | Image denoising based on genetic algorithm | |
Uddin et al. | Speckle reduction and deblurring of ultrasound images using artificial neural network | |
Abu-Ein | A novel methodology for digital removal of periodic noise using 2D fast Fourier transforms | |
Satapathy et al. | Bio-medical image denoising using wavelet transform | |
Sudharson et al. | Noise level estimation for effective blind despeckling of medical ultrasound images | |
Pang | Improved image denoising based on Haar wavelet transform | |
Singh et al. | Noise reduction in ultrasound images using wavelet and spatial filtering techniques | |
CN107230189B (zh) | 湍流图像去噪方法 | |
Singh et al. | Medical image denoising using sub band adaptive thresholding techniques based on wavelet 2D transform | |
Nitin | A hybrid image denoising method based on discrete wavelet transformation with pre-gaussian filtering | |
Habeeb | Performance Enhancement of Medical Image Fusion Based on DWT and Sharpening Wiener Filter | |
Tayade et al. | Medical image denoising and enhancement using DTCWT and Wiener filter | |
Narayan et al. | A comparative analysis for Haar wavelet efficiency to remove Gaussian and Speckle noise from image | |
McLaughlin et al. | Multi-resolution deblurring | |
Saravanan et al. | A color image enhancement based on discrete wavelet transform | |
Biswas et al. | Enhancing the Quality of 2D and 3D Image Using Block Matching 3D and Fuzzy Hybrid Model Based on Random Noise Reduction |
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 |