CN113989141B - Ct头部图像降噪方法、装置及存储介质 - Google Patents
Ct头部图像降噪方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113989141B CN113989141B CN202111235682.0A CN202111235682A CN113989141B CN 113989141 B CN113989141 B CN 113989141B CN 202111235682 A CN202111235682 A CN 202111235682A CN 113989141 B CN113989141 B CN 113989141B
- Authority
- CN
- China
- Prior art keywords
- image
- noise reduction
- iteration
- head
- value
- 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
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 238000009792 diffusion process Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 210000004884 grey matter Anatomy 0.000 description 6
- 210000004885 white matter Anatomy 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种CT头部图像降噪方法、装置及存储介质,包括:对接收到的CT头部图滤波处理得到第一图像;按照预设的聚类算法对所述第一图像分割处理得到第二图像,所述第二图像被分割为多个预设种类的区域;获取所述第二图像中每个预设种类的区域,为每个预设种类的区域配置权重值;对CT头部图进行归一化处理得到第三图像,基于迭代降噪模型和配置权重值对所述第三图像噪处理得到第四图像;将所述第四图像的像素点的灰度值还原至降噪前的像素点灰度值的范围得到第五图像;将所述第五图像和CT头部图进行纹理融合得到目标图像。本发明提供的技术方案,在降低图像噪声的同时,提升了图像的对比度,提高了CT图像的质量,实用性较强。
Description
技术领域
本发明涉及图像降噪技术领域,尤其涉及一种CT头部图像降噪方法、装置及存储介质。
背景技术
在CT成像过程中,在其扫描条件确定的情况下,随着管电流的增加噪声而减小,不同电流两次扫描的重建得到图像的噪声之比约为两次扫描电流反比的开方,即:(其中:N表示噪声,I表示电流)。为了提高图像质量增加扫描管电流值,一方面,增加了辐射剂量,对患者身体造成影响;另一方面,管电流增加使得球管热熔上升较快,当热熔达到扫描上线,需要等待球管散热到正常使用范围才可以继续扫描,影响到使用效率。因此,降低扫描管电流的情况下,降低图像噪声保证图像质量是非常有意义的。在不改变剂量的情况下降噪技术通常做法是将重建卷积核的频带变窄或者是在图像域进行平滑滤波,上述方法通常在降低噪声的同时也造成图像对比度的下降,特别是对头部图像灰白质对比下降更加明显,实用性较差。
发明内容
本发明实施例提供一种CT头部图像降噪方法、装置及存储介质,在降低图像噪声的同时,提升了图像的对比度,提高了CT图像的质量,实用性较强。
本发明实施例的第一方面,提供一种CT头部图像降噪方法,包括:
对接收到的CT头部图滤波处理得到第一图像;
按照预设的聚类算法对所述第一图像分割处理得到第二图像,所述第二图像被分割为多个预设种类的区域;
获取所述第二图像中每个预设种类的区域,为每个预设种类的区域配置权重值;
对CT头部图进行归一化处理得到第三图像,基于迭代降噪模型和配置权重值对所述第三图像噪处理得到第四图像;
将所述第四图像的像素点的灰度值还原至降噪前的像素点灰度值的范围得到第五图像;
将所述第五图像和CT头部图进行纹理融合得到目标图像。
可选地,在第一方面的一种可能实现方式中,按照预设的聚类算法对所述第一图像分割处理得到第二图像包括:
获取初始化聚类数量,通过以下公式对第二图像中的像素点处理得到每类像素点的归属度,
其中,Cj为聚类中心,所述聚类中心为包括多个像素点的值,xi为第一图像的第i个像素点的灰度值,uij为第i个像素对第j类的归属度,N为第一图像中所有的像素点的总数值;
接收正确的聚类中心,通过以下公式对归属度更新,包括,
其中,cm为输入的聚类中心;
根据所述聚类中心对所有的像素点进行归类形成多个分割的区域。
可选地,在第一方面的一种可能实现方式中,获取所述第二图像中每个预设种类的区域,为每个预设种类的区域配置权重值包括:
预先设置权重配置接口,通过以下公式对接收到的配置权重进行处理,
其中,μ(i,j)为配置权重,0<μ1、μ2、μ3以及μ4≤1,I2(i,j)为图像滤波后第i行j列像素点的灰度值。
可选地,在第一方面的一种可能实现方式中,对CT头部图进行归一化处理得到第三图像包括:
通过以下公式计算对CT头部图进行归一化处理得到第三图像中每个像素点的像素值,
I3(i,j)=(I0(i,j)-min(I0))/(max(I0)―min(I0))
其中,I3(i,j)为第三图像中第i行,第j个列像素点的归一化后的灰度值,I0(i,j)为CT头部图中第i行,第j个列像素点的灰度值,min(I0)为CT头部图中的最小灰度值,max(I0)为CT头部图中的最大灰度值。
可选地,在第一方面的一种可能实现方式中,基于迭代降噪模型和配置权重值对所述第三图像噪处理得到第四图像包括:
将所述配置权重值作为降噪参数输入至迭代降噪模型中;
迭代降噪模型基于偏微分方程和降噪参数对所述第三图像噪处理得到第四图像。
可选地,在第一方面的一种可能实现方式中,迭代降噪模型基于偏微分方程和降噪参数对所述第三图像噪处理得到第四图像包括:
初始化迭代参数,所述迭代参数至少包括归一化处理后的第三图像、初始化迭代步长、总迭代次数、常数以及融合权重参数;
基于所述初始化迭代参数得到扩散系数;
根据所述扩散系数对第三图像进行降噪更新得到第四图像。
可选地,在第一方面的一种可能实现方式中,基于所述初始化迭代参数得到扩散系数包括:
通过以下公式得到初始化迭代参数,
其中,Cn(i,j)为第n次计算得到的扩散系数,un(i,j)为第三图像经过多次迭代后得到的第四图像,K为常数。
可选地,在第一方面的一种可能实现方式中,根据所述扩散系数对第三图像进行降噪更新得到第四图像包括:
获取第n次迭代后的图像,通过以下公式对第n次迭代后的图像更新得到第四图像,
其中,un+1(i,j)第n+1次迭代得到的图像,Δt为迭代步长。
本发明实施例的第二方面,提供一种CT头部图像降噪装置,包括:
滤波模块,用于对接收到的CT头部图滤波处理得到第一图像;
分割模块,用于按照预设的聚类算法对所述第一图像分割处理得到第二图像,所述第二图像被分割为多个预设种类的区域;
配置模块,用于获取所述第二图像中每个预设种类的区域,为每个预设种类的区域配置权重值;
降噪模块,用于对CT头部图进行归一化处理得到第三图像,基于迭代降噪模型和配置权重值对所述第三图像噪处理得到第四图像;
处理模块,用于将所述第四图像的像素点的灰度值还原至降噪前的像素点灰度值的范围得到第五图像;
融合模块,用于将所述第五图像和CT头部图进行纹理融合得到目标图像。
本发明实施例的第三方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种CT头部图像降噪方法、装置及存储介质,将颅脑CT图像的灰质与白质部分分割后,根据分割后的图像不同区域设置不同的降噪参数,然后,采用不同区域降噪参数不同的偏微分方程迭代降噪方法进行降噪。这样既通过迭代使得图像的整体噪声降低,同时由于灰质和白质的降噪参数不同,灰质和白质的最终噪声水平略有差异,提高了图像的灰白值的对比度。通常的偏微分方程迭代降噪算法灰或白质区域内的每个像素点对应的降噪参数是不变的,造成降噪后图像的对比度下降,该发明利用预先分割的图像指导偏微分方程迭代降噪参数不同区域的设置,这样既降低了图像的噪声也提升了图像的对比度。
附图说明
图1为CT头部图像降噪装置的第一种实施方式的流程示意图。
图2A为分割后图像的示意图;
图2B为目标图像的示意图;
图3为CT头部图像降噪装置的第一种实施方式的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种CT头部图像降噪方法,如图1所示其流程图,包括:
步骤S110、对接收到的CT头部图滤波处理得到第一图像。本步骤中,首先会接收到CT扫描装置输入的原始的CT颅脑图像(CT头部图)。对原始的CT头部图进行平滑滤波得到第一图像,第一图像在滤波时,可选3X3的平均滤波或高斯滤波。
步骤S120、按照预设的聚类算法对所述第一图像分割处理得到第二图像,所述第二图像被分割为多个预设种类的区域。如图2A所示分割后的图像。
在步骤S120中,将第一图像进行分割得到分割后的第二图像。分割的方法可以采用阈值分割或模糊C聚类的方法进行分割,颅脑CT图像一般分为灰质、白质、空气和骨头组成。下面以模糊C聚类的方法说明颅脑CT图像分割的方法。模糊C聚类是一个不断计算归属度和聚类中心的过程,直到达到最优。
在步骤S120中,包括:
获取初始化聚类数量,通过以下公式对第二图像中的像素点处理得到每类像素点的归属度,
其中,Cj为,xi为第一图像的第i个像素点的灰度值,所述聚类中心为包括多个像素点的值,uij为第i个像素对第j类的归属度,N为第一图像中所有的像素点的总数值。
接收正确的聚类中心,通过以下公式对归属度更新,包括,
其中,cm为输入的聚类中心;
根据所述聚类中心对所有的像素点进行归类形成多个分割的区域。
根据迭代得到的最终每个像素i,对每个聚类中心Cj的归属结果Uij,比较同一个像素点在不同聚类中心的归属度值,哪个归属中心对应的归属度大即该像素点就归属于那一类。最终将第一图像分为灰质、白质、空气和骨头四类,分类结果存放到第二图像中。
步骤S130、获取所述第二图像中每个预设种类的区域,为每个预设种类的区域配置权重值。
其中,步骤S130包括:
预先设置权重配置接口,通过以下公式对接收到的配置权重进行处理,
其中,μ(i,j)为配置权重,0<μ1、μ2、μ3以及μ4≤1,I2(i,j)为图像滤波后第i行j列像素点的灰度值。本发明可以根据实际的场景进行相应的赋值,对于赋值方式,本发明不做任何限定。其中,μ(i,j)可以是人为设置的经验值。
步骤S140、对CT头部图进行归一化处理得到第三图像,基于迭代降噪模型和配置权重值对所述第三图像噪处理得到第四图像。
其中,对CT头部图进行归一化处理得到第三图像包括:
通过以下公式计算对CT头部图进行归一化处理得到第三图像中每个像素点的像素值,
I3(i,j)=(I0(i,j)-min(I0))/(max(I0)―min(I0))
其中,I3(i,j)为第三图像中第i行,第j个列像素点的归一化后的灰度值,I0(i,j)为CT头部图中第i行,第j个列像素点的灰度值,min(I0)为CT头部图中的最小灰度值,max(I0)为CT头部图中的最大灰度值。
在一个可能的实施方式中,基于迭代降噪模型和配置权重值对所述第三图像噪处理得到第四图像包括:
将所述配置权重值作为降噪参数输入至迭代降噪模型中。本发明在对第三图像处理时,会充分参考降噪参数,将降噪参数代入至降噪模型中进行处理,使得不同的分区、种类的权重值是不同的。
迭代降噪模型基于偏微分方程和降噪参数对所述第三图像噪处理得到第四图像。
初始化迭代参数,所述迭代参数至少包括归一化处理后的第三图像、初始化迭代步长、总迭代次数、常数以及融合权重参数;
基于所述初始化迭代参数得到扩散系数;
根据所述扩散系数对第三图像进行降噪更新得到第四图像。
其中,基于所述初始化迭代参数得到扩散系数包括:
通过以下公式得到初始化迭代参数,
其中,Cn(i,j)为第n次计算得到的扩散系数,un(i,j)为第n次迭代后的图像,K为常数。
在一个可能的实施方式中,根据所述扩散系数对第三图像进行降噪更新得到第四图像包括:
获取第n次迭代后的图像,通过以下公式对第n次迭代后的图像更新得到第四图像,
其中,un+1(i,j)第n+1次迭代得到的图像,Δt为迭代步长。
重复上述的步骤,当图像的迭代次数达到预设的M次时,迭代结束,得到降噪后的图像第四图像I4(i,j)=un+1(i,j)。
步骤S150、将所述第四图像的像素点的灰度值还原至降噪前的像素点灰度值的范围得到第五图像。降噪后的第四图像,CT值范围还原到降噪前的范围,得到降噪的第五图像。如以下公式所示:
I5(i,j)=I4(i,j)*(max(I0)―min(I0))+min(I0)。
步骤S160、将所述第五图像和CT头部图进行纹理融合得到目标图像。本发明降噪后的第五图像与CT头部图纹理融合,得到降噪后的目标图像I6。如以下公式所示:
I6(i,j)=ρ*I0(i,j)+(1―ρ)*I5(i,j)
其中,ρ为图像融合的权重因子。
如图2B所示降噪后的图像。
本发明的技术方案,首先对输入的CT图像进行滤波预处理;然后进行进行颅脑图像灰白质分割;根据分割后的结果设置各个像素点的降噪参数,对归一化后他的CT图像进行迭代降噪输出降噪后的图像;然后降噪后的将CT值还原到原图的范围;最后将降噪后的图像与原CT图像进行纹理融合,得到最终处理后的图像。
本发明还提供一种CT头部图像降噪装置,如图3所示,包括:
滤波模块,用于对接收到的CT头部图滤波处理得到第一图像;
分割模块,用于按照预设的聚类算法对所述第一图像分割处理得到第二图像,所述第二图像被分割为多个预设种类的区域;
配置模块,用于获取所述第二图像中每个预设种类的区域,为每个预设种类的区域配置权重值;
降噪模块,用于对CT头部图进行归一化处理得到第三图像,基于迭代降噪模型和配置权重值对所述第三图像噪处理得到第四图像;
处理模块,用于将所述第四图像的像素点的灰度值还原至降噪前的像素点灰度值的范围得到第五图像;
融合模块,用于将所述第五图像和CT头部图进行纹理融合得到目标图像。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种CT头部图像降噪方法,其特征在于,包括:
对接收到的CT头部图滤波处理得到第一图像;
按照预设的聚类算法对所述第一图像分割处理得到第二图像,所述第二图像被分割为多个预设种类的区域;
获取所述第二图像中每个预设种类的区域,为每个预设种类的区域配置权重值;
对CT头部图进行归一化处理得到第三图像,基于迭代降噪模型和配置权重值对所述第三图像降噪处理得到第四图像;
将所述第四图像的像素点的灰度值还原至降噪前的像素点灰度值的范围得到第五图像;
将所述第五图像和CT头部图进行纹理融合得到目标图像;
基于迭代降噪模型和配置权重值对所述第三图像降噪处理得到第四图像包括:
将所述配置权重值作为降噪参数输入至迭代降噪模型中;
迭代降噪模型基于偏微分方程和降噪参数对所述第三图像降噪处理得到第四图像;
迭代降噪模型基于偏微分方程和降噪参数对所述第三图像降噪处理得到第四图像包括:
初始化迭代参数,所述迭代参数至少包括归一化处理后的第三图像、初始化迭代步长、总迭代次数、常数以及融合权重参数;
基于所述初始化迭代参数得到扩散系数;
根据所述扩散系数对第三图像进行降噪更新得到第四图像;
基于所述初始化迭代参数得到扩散系数包括:
通过以下公式得到初始化迭代参数,
其中,Cn(i,j)为第n次计算得到的扩散系数,un(i,j)为第三图像经过多次迭代后得到的第四图像,K为常数;
根据所述扩散系数对第三图像进行降噪更新得到第四图像包括:
获取第n次迭代后的图像,通过以下公式对第n次迭代后的图像更新得到第四图像,
其中,un+1(i,j)第n+1次迭代得到的图像,Δt为迭代步长,μ(i,j)为配置权重。
4.根据权利要求3所述的CT头部图像降噪方法,其特征在于,
对CT头部图进行归一化处理得到第三图像包括:
通过以下公式计算对CT头部图进行归一化处理得到第三图像中每个像素点的像素值,
I3(i,j)=(I0(i,j)-min(I0))/(max(I0)-min(I0))
其中,I3(i,j)为第三图像中第i行,第j个列像素点的归一化后的灰度值,I0(i,j)为CT头部图中第i行,第j个列像素点的灰度值,min(I0)为CT头部图中的最小灰度值,max(I0)为CT头部图中的最大灰度值。
5.一种CT头部图像降噪装置,其特征在于,包括:
滤波模块,用于对接收到的CT头部图滤波处理得到第一图像;
分割模块,用于按照预设的聚类算法对所述第一图像分割处理得到第二图像,所述第二图像被分割为多个预设种类的区域;
配置模块,用于获取所述第二图像中每个预设种类的区域,为每个预设种类的区域配置权重值;
降噪模块,用于对CT头部图进行归一化处理得到第三图像,基于迭代降噪模型和配置权重值对所述第三图像降噪处理得到第四图像;
处理模块,用于将所述第四图像的像素点的灰度值还原至降噪前的像素点灰度值的范围得到第五图像;
融合模块,用于将所述第五图像和CT头部图进行纹理融合得到目标图像;
基于迭代降噪模型和配置权重值对所述第三图像降噪处理得到第四图像包括:
将所述配置权重值作为降噪参数输入至迭代降噪模型中;
迭代降噪模型基于偏微分方程和降噪参数对所述第三图像降噪处理得到第四图像;
迭代降噪模型基于偏微分方程和降噪参数对所述第三图像降噪处理得到第四图像包括:
初始化迭代参数,所述迭代参数至少包括归一化处理后的第三图像、初始化迭代步长、总迭代次数、常数以及融合权重参数;
基于所述初始化迭代参数得到扩散系数;
根据所述扩散系数对第三图像进行降噪更新得到第四图像;
基于所述初始化迭代参数得到扩散系数包括:
通过以下公式得到初始化迭代参数,
其中,Cn(i,j)为第n次计算得到的扩散系数,un(i,j)为第三图像经过多次迭代后得到的第四图像,K为常数;
根据所述扩散系数对第三图像进行降噪更新得到第四图像包括:
获取第n次迭代后的图像,通过以下公式对第n次迭代后的图像更新得到第四图像,
其中,un+1(i,j)第n+1次迭代得到的图像,Δt为迭代步长,μ(i,j)为配置权重。
6.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235682.0A CN113989141B (zh) | 2021-10-22 | 2021-10-22 | Ct头部图像降噪方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235682.0A CN113989141B (zh) | 2021-10-22 | 2021-10-22 | Ct头部图像降噪方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989141A CN113989141A (zh) | 2022-01-28 |
CN113989141B true CN113989141B (zh) | 2022-12-23 |
Family
ID=79740610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111235682.0A Active CN113989141B (zh) | 2021-10-22 | 2021-10-22 | Ct头部图像降噪方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989141B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205794A (zh) * | 2015-10-27 | 2015-12-30 | 西安电子科技大学 | 一种低照度图像的同步增强去噪方法 |
WO2017101489A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 图像滤波方法及装置 |
CN107622481A (zh) * | 2017-10-25 | 2018-01-23 | 沈阳东软医疗系统有限公司 | 降低ct图像噪声的方法、装置和计算机设备 |
CN108665427A (zh) * | 2018-04-17 | 2018-10-16 | 浙江华睿科技有限公司 | 一种图像降噪方法及装置 |
CN113014745A (zh) * | 2021-02-26 | 2021-06-22 | 杭州朗和科技有限公司 | 视频图像降噪方法及装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903227B (zh) * | 2012-12-29 | 2015-04-15 | 上海联影医疗科技有限公司 | 一种图像降噪的方法和装置 |
-
2021
- 2021-10-22 CN CN202111235682.0A patent/CN113989141B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205794A (zh) * | 2015-10-27 | 2015-12-30 | 西安电子科技大学 | 一种低照度图像的同步增强去噪方法 |
WO2017101489A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 图像滤波方法及装置 |
CN107622481A (zh) * | 2017-10-25 | 2018-01-23 | 沈阳东软医疗系统有限公司 | 降低ct图像噪声的方法、装置和计算机设备 |
CN108665427A (zh) * | 2018-04-17 | 2018-10-16 | 浙江华睿科技有限公司 | 一种图像降噪方法及装置 |
CN113014745A (zh) * | 2021-02-26 | 2021-06-22 | 杭州朗和科技有限公司 | 视频图像降噪方法及装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于改进模糊聚类算法的CT图像病变区域分割;苏博 等;《现代电子技术》;20161215;第39卷(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113989141A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sulaiman et al. | Denoising-based clustering algorithms for segmentation of low level salt-and-pepper noise-corrupted images | |
Hsiao et al. | Supervised textured image segmentation using feature smoothing and probabilistic relaxation techniques | |
CN108985345B (zh) | 一种基于肺部医学图像融合分类的检测装置 | |
Khmag et al. | Natural image noise removal using nonlocal means and hidden Markov models in transform domain | |
Yin et al. | Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data | |
CN110956632B (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN109658378B (zh) | 基于土壤ct图像的孔隙辨识方法及系统 | |
CN106600610B (zh) | 一种fcm图像分割方法及装置 | |
Song et al. | Brain tissue segmentation and bias field correction of MR image based on spatially coherent FCM with nonlocal constraints | |
Peter et al. | Nonlocal-means image denoising technique using robust M-estimator | |
Pok et al. | Efficient block matching for removing impulse noise | |
Memon et al. | Segmentation of Intensity‐Corrupted Medical Images Using Adaptive Weight‐Based Hybrid Active Contours | |
CN107085839B (zh) | 基于纹理增强与稀疏编码的sar图像降斑方法 | |
CN113989141B (zh) | Ct头部图像降噪方法、装置及存储介质 | |
Xing et al. | An efficient method to remove mixed Gaussian and random-valued impulse noise | |
Yang et al. | Mixed noise removal by residual learning of deep cnn | |
WO2019209179A1 (en) | System and method for intensity inhomogeneous image segmentation | |
CN106504260B (zh) | 一种fcm图像分割方法和系统 | |
CN114240990B (zh) | Sar图像点目标分割方法 | |
Sen et al. | A comparative analysis of the algorithms for de-noising images contaminated with impulse noise | |
Khmag et al. | Natural image noise removal using non local means and hidden Markov models in stationary wavelet transform domain | |
Yunus et al. | Improved fuzzy c-means and k-means algorithms for texture and boundary segmentation | |
CN112330566A (zh) | 图像去噪的方法、装置及计算机存储介质 | |
CN112258534A (zh) | 一种超声图像中小脑蚓部的定位及分割方法 |
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 |