CN114549353B - 一种用于核磁共振图像的去噪方法与系统 - Google Patents
一种用于核磁共振图像的去噪方法与系统 Download PDFInfo
- Publication number
- CN114549353B CN114549353B CN202210160113.2A CN202210160113A CN114549353B CN 114549353 B CN114549353 B CN 114549353B CN 202210160113 A CN202210160113 A CN 202210160113A CN 114549353 B CN114549353 B CN 114549353B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- nuclear magnetic
- resonance image
- image
- denoising
- 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
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims description 38
- 230000004927 fusion Effects 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004800 variational method 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
- G06T5/50—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种用于核磁共振图像的去噪方法与系统包括:对核磁共振图像进行小波分解得到多个小波系数;根据核磁共振图像的尺寸得到去噪阈值;根据去噪阈值去除核磁共振图像的噪声得到滤波后的核磁共振图像;对核磁共振图像进行图像增强处理得到增强后的核磁共振图像;将增强后的核磁共振图像与滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像。本发明通过将增强后的核磁共振图像与滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像,不仅可以有效的消除核磁共振图像中的噪声,而且还可以增强图像的几何细节信息表征能力,提高图像判读效果。
Description
技术领域
本发明涉及图像去噪技术领域,具体而言,涉及一种用于核磁共振图像的去噪方法与系统。
背景技术
随着磁共振成像技术的迅速发展,磁共振图像的分辨率、信噪比和扫描速度都有了较大的提高,但是磁共振图像噪声依然是磁共振成像技术研究的重要难题。为了减小噪声的影响,磁共振图像降噪技术广泛应用于定量磁共振、医学影像分析和临床诊断。然而,由于磁共振成像机理、扫描速度和目标运动等多方面因素的限制,磁共振成像扫描仪采集的图像仍表现出明显的噪声和伪影。
早期的图像降噪方法利用图像在空间域上信号分布的冗余信息来去除噪声。高斯滤波器广泛用于医学图像降噪中,但是该方法造成磁共振图像上某些复杂的解剖结构过于平滑。为了有效地保留磁共振图像的解剖结构,近年来,非局部均值方法开始用于磁共振图像降噪并表现出较好的降噪效果,通常超过了其他经典方法,例如基于高斯滤波器和总体变分法的降噪方法。另一种常用的降噪方法是核回归法,利用二阶泰勒展开寻找随机变量关于局部邻域的条件期望。随后,基于核回归的特征提取被提出用于三维磁共振图像降噪,并在很多情况下超过现有的去噪方法,例如,基于传统非局部均值滤波器、无偏非局部均值滤波器和自适应分块非局部均值滤波器的降噪方法。然而,上述两种方法虽然能保存较好保留磁共振图像的解剖结构,但是并不能有效地去除噪声。
发明内容
为解决上述问题,本发明的目的在于提供一种用于核磁共振图像的去噪方法与系统以解决现有图像降噪方法不能有效地去除噪声的问题。
一种用于核磁共振图像的去噪方法,包括:
步骤1:获取核磁共振图像;
步骤2:对所述核磁共振图像进行小波分解得到多个小波系数;
步骤3:根据核磁共振图像的尺寸得到去噪阈值;
步骤4:根据去噪阈值去除核磁共振图像的噪声得到滤波后的核磁共振图像;
步骤5:对所述核磁共振图像进行图像增强处理得到增强后的核磁共振图像;
步骤6:将所述增强后的核磁共振图像与所述滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像。
优选的,所述步骤3:根据核磁共振图像的尺寸得到去噪阈值,包括:
采用公式:
λ=σ[2log(M×N)]1/2/(2L-1)
得到去噪阈值;其中,λ表示去噪阈值,σ表示高斯噪声标准差,M表示核磁共振图像的长度,N表示核磁共振图像的宽度,L表示核磁共振图像的分解尺度。
优选的,所述步骤4:根据去噪阈值去除核磁共振图像的噪声得到滤波后的核磁共振图像,包括:
步骤4.1:根据去噪阈值构建去噪函数;所述去噪函数为:
其中,wij为小波系数,sign为符号函数,λ0=0.4λ,λ表示去噪阈值,a为调节参数;
步骤4.2:利用所述去噪函数去除相应的小波系数得到滤波后的小波系数;
步骤4.3:对所述滤波后的小波系数进行重构得到滤波后的核磁共振图像。
优选的,所述步骤5:对所述核磁共振图像进行图像增强处理得到增强后的核磁共振图像,包括:
步骤5.1:采用直方图模型对所述核磁共振图像进行处理得到处理后的核磁共振图像;其中,所述直方图模型为:
其中,g(x,y)表示处理后的核磁共振图像,f(x,y)表示核磁共振图像,[a,b]表示核磁共振图像的灰度区间,[c,d]表示处理后的核磁共振图像灰度区间;
步骤5.2:对所述处理后的核磁共振图像进行小波分解得到小波系数;
步骤5.3:根据所述处理后的核磁共振图像的分解尺度构建自适应阈值;
步骤5.4:根据所述自适应阈值构建自适应小波系数滤波模型;
步骤5.5:利用所述自适应小波系数滤波模型对所述处理后的核磁共振图像进行去噪得到增强后的核磁共振图像。
优选的,所述步骤5.3:根据所述处理后的核磁共振图像的分解尺度构建自适应阈值,包括:
采用公式:
确定自适应阈值;其中,M表示核磁共振图像的长度,N表示核磁共振图像的宽度,σ表示高斯噪声的标准差,d表示核磁共振图像的分解尺度。
优选的,所述步骤5.4:根据所述自适应阈值构建自适应小波系数滤波模型,包括:
采用公式:
构建自适应小波系数滤波模型;其中,w为小波系数,sign为符号函数,T0为下限阈值,T为自适应阈值,且T0=εT,ε为第一可调参数,k为第二可调参数。
优选的,所述步骤6:将所述增强后的核磁共振图像与所述滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像,包括:
步骤6.1:提取所述增强后的核磁共振图像和所述滤波后的核磁共振图像的显著图;
步骤6.2:基于显著阈值将每一个显著图进行分割得到背景区域显著图和目标区域显著图;
步骤6.3:计算所述背景区域显著图和所述目标区域显著图的图像真实度;所述图像真实度计算公式为:
λ=exp((1-md)×CV×H)-1
其中,λ表示图像真实度,md表示相应显著图的平均深度值,CV表示差异系数,H表示深度频率熵;
步骤6.4:去除所述图像真实度小于真实度阈值的相应显著图,得到分割后的显著图;
步骤6.5:计算分割后的显著图的融合特征;
步骤6.6:将所述融合特征作为权重对分割后的显著图进行线性加权融合得到去噪完成的核磁共振图像。
优选的,所述分割后的显著图的融合特征的计算公式为:
其中,SQi表示第i个显著图的融合特征,N(p)表示像素p的八邻域像素集合,Wpq表示相邻像素p和q之间的相关性,cp表示像素p的L*a*b的值,cq表示像素q的L*a*b的值,dp表示像素p的深度值,dq表示像素q的深度值,σ2为近邻参数,St表示分割后的显著图的目标区域,Bt表示分割后的显著图的背景区域。
优选的,所述步骤6.6:将所述融合特征作为权重对分割后的显著图进行线性加权融合得到去噪完成的核磁共振图像,包括:
采用公式:
对分割后的显著图进行线性加权融合得到去噪完成的核磁共振图像;其中,Mi表示第i个显著图,Norm表示归一化函数。
本发明还提供了一种用于核磁共振图像的去噪系统,包括:
图像获取模块,用于获取核磁共振图像;
小波分解模块,用于对所述核磁共振图像进行小波分解得到多个小波系数;
相似度计算模块,用于根据核磁共振图像的尺寸得到去噪阈值;
滤波模块,用于根据去噪阈值去除核磁共振图像的噪声得到滤波后的核磁共振图像;
图像增强模块,用于对所述核磁共振图像进行图像增强处理得到增强后的核磁共振图像;
图像融合模块,用于将所述增强后的核磁共振图像与所述滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像。
本发明提供的一种用于核磁共振图像的去噪方法与系统的有益效果在于:与现有技术相比,本发明通过将增强后的核磁共振图像与滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像,不仅可以有效的消除核磁共振图像中的噪声,而且还可以增强图像的几何细节信息表征能力,提高图像判读效果。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
图1示出了本发明实施例所提供的一种用于核磁共振图像的去噪方法流程图;
图2示出了本发明实施例所提供一种用于核磁共振图像的去噪系统原理图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明实施例的目的在于提供一种用于核磁共振图像的去噪方法与系统旨在解决现有图像降噪方法不能有效地去除噪声的问题。
请参阅图1,一种用于核磁共振图像的去噪方法,包括以下步骤:
S1:获取核磁共振图像;
小波变换算法是一种常见的数据处理技术。对核磁共振图像通过一定尺度分解,可产生不同大小的小波系数,其中无噪的核磁共振图像的小波系数与分解尺度m成正比,而噪声与m成反比,基于该特点可进行核磁共振图像的消噪处理,提高核磁共振图像的成像质量,其具体的去噪过程如下:
S2:对核磁共振图像进行小波分解得到多个小波系数;进一步的,本发明采用小波变换对核磁共振图像进行多尺度分解可得到多个小波系数。
S3:根据核磁共振图像的尺寸得到去噪阈值;
进一步的,S3包括:
采用公式:
λ=σ[2log(M×N)]1/2/(2L-1)
得到去噪阈值;其中,λ表示去噪阈值,σ表示高斯噪声标准差,M表示核磁共振图像的长度,N表示核磁共振图像的宽度,L表示核磁共振图像的分解尺度。
S4:根据去噪阈值去除核磁共振图像的噪声得到滤波后的核磁共振图像;
进一步的,S4包括:
S4.1:根据去噪阈值构建去噪函数;所述去噪函数为:
其中,wij为小波系数,sign为符号函数,λ0=0.4λ,λ表示去噪阈值,a为调节参数。
S4.2:利用所述去噪函数去除相应的小波系数得到滤波后的小波系数;
S4.3:对滤波后的小波系数进行重构得到滤波后的核磁共振图像。
本发明采用小波逆变换对滤波后的小波系数进行重构,可以消除核磁共振图像中的噪声,提高核磁共振图像的数据质量。
S5:对核磁共振图像进行图像增强处理得到增强后的核磁共振图像;进一步的,S5包括:
步骤S5.1:采用直方图模型对核磁共振图像进行处理得到处理后的核磁共振图像;其中,直方图模型为:
其中,g(x,y)表示处理后的核磁共振图像,f(x,y)表示核磁共振图像,[a,b]表示核磁共振图像的灰度区间,a为核磁共振图像中像素灰度的最小值,b为核磁共振图像中像素灰度的最大值,[c,d]表示处理后的核磁共振图像的灰度区间,且c=0,d=255。
本发明通过利用直方图模型对核磁共振图像进行图像增强可以提高核磁共振图像上各个特征之间的对比度,使核磁共振图像更加清晰。
S5.2:对所述处理后的核磁共振图像进行小波分解得到小波系数;
S5.3:根据所述处理后的核磁共振图像的分解尺度构建自适应阈值;
进一步的,采用公式:
确定自适应阈值;其中,M表示核磁共振图像的长度,N表示核磁共振图像的宽度,σ表示高斯噪声的标准差,d表示核磁共振图像的分解尺度。
S5.4:根据所述自适应阈值构建自适应小波系数滤波模型;在本发明中,S5.4具体为:
采用公式:
构建自适应小波系数滤波模型;其中,w为小波系数,sign为符号函数,T0为下限阈值,T为自适应阈值,且T0=εT,ε为第一可调参数,k为第二可调参数。
S5.5:利用所述自适应小波系数滤波模型对所述处理后的核磁共振图像进行去噪得到增强后的核磁共振图像。
需要说明的是,在w<T时,常规的阈值函数通常置零,从而忽略了该部分系数中含有少量的有用小波系数,而本发明的自适应小波系数滤波模型通过引入下限阈值,定义了区间T0≤|w|<T上的函数表达式,通过调节参数k的大小来筛选出有用的小波系数,灵活性强,可根据不同的需要得到实用性强的阈值函数,且函数表达式无过多的参量,计算复杂度小。
本发明通过利用自适应阈值对小波系数进行处理,可以使去噪后的图像细节和边缘信息保留更加完整。
S6:将增强后的核磁共振图像与滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像。
在本发明中,S6包括:
S6.1:提取增强后的核磁共振图像和滤波后的核磁共振图像的显著图;
具体的,本发明可利用RGB-D显著性检测算法提取核磁共振图像的显著图。
S6.2:基于显著阈值将每一个显著图进行分割得到背景区域显著图和目标区域显著图;
在本发明实施例中,对于第i个显著图Mi,首先计算Mi中所有像素的平均显著值,并将该平均显著值作为显著阈值对每一个显著图进行分割,其计算公式如下:
其中,Mi(p)表示显著图Mi中像素p的显著值,其值为1则表示像素p属于显著区域St,反之属于背景区域Bt。
S6.3:计算背景区域显著图和目标区域显著图的图像真实度;由于质量较差的显著图可能会影响像素之间的深度相似性的计算结果,因此本发明引入图像真实度来衡量显著图深度信息的质量,其计算公式为。
λ=exp((1-md)×CV×H)-1
计算背景区域显著图和目标区域显著图的图像真实度;其中,λ表示图像真实度,md表示相应显著图的平均深度值,CV表示差异系数,H表示深度频率熵。
S6.4:去除图像真实度小于真实度阈值的相应显著图,得到分割后的显著图;
S6.5:计算分割后的显著图的融合特征;分割后的显著图的融合特征的计算公式为:
其中,SQi表示第i个显著图的融合特征,N(p)表示像素p的八邻域像素集合,Wpq表示相邻像素p和q之间的相关性,cp表示像素p的L*a*b的值,cq表示像素q的L*a*b的值,dp表示像素p的深度值,dq表示像素q的深度值,σ2为近邻参数,一般取0.01,St表示分割后的显著图的目标区域,Bt表示分割后的显著图的背景区域。
一个好的分割结果应该呈现出区域内相似性最大化而区域间相似性最小化,因此本发明引入融合特征计算公式计算各个显著图的分割质量。
S6.6:将融合特征作为权重对分割后的显著图进行线性加权融合得到去噪完成的核磁共振图像。
进一步的,S6.6包括:
采用公式:
对分割后的显著图进行线性加权融合得到去噪完成的核磁共振图像;其中,Mi表示第i个显著图,Norm表示归一化函数。
本发明依照显著图的分割质量对各个显著图进行加权融合可以缓解图像平滑的问题,鼓励特征复用,可以弥补图像级别融合的细节缺失部分,促使整个融合过程优势互补,使得去噪完成的核磁共振图像更加切合实际,不会失真。
请参阅图2,本发明还提供了一种用于核磁共振图像的去噪系统,包括:
图像获取模块100,用于获取核磁共振图像;
小波分解模块200,用于对核磁共振图像进行小波分解得到多个小波系数;
相似度计算模块300,用于根据核磁共振图像的尺寸得到去噪阈值;
滤波模块400,用于根据去噪阈值和相似度去除核磁共振图像的噪声得到滤波后的核磁共振图像;
图像增强模块500,用于对核磁共振图像进行图像增强处理得到增强后的核磁共振图像;
图像融合模块600,用于将增强后的核磁共振图像与滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像。
本发明提供的一种用于核磁共振图像的去噪方法与系统的有益效果在于:与现有技术相比,本发明通过将增强后的核磁共振图像与滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像,不仅可以有效的消除核磁共振图像中的噪声,而且还可以增强图像的几何细节信息表征能力,提高图像判读效果。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换的技术方案,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种用于核磁共振图像的去噪方法,其特征在于,包括:
步骤1:获取核磁共振图像;
步骤2:对所述核磁共振图像进行小波分解得到多个小波系数;
步骤3:根据核磁共振图像的尺寸得到去噪阈值;
步骤4:根据去噪阈值去除核磁共振图像的噪声得到滤波后的核磁共振图像;
步骤5:对所述核磁共振图像进行图像增强处理得到增强后的核磁共振图像;
步骤6:将所述增强后的核磁共振图像与所述滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像;
所述步骤3:根据核磁共振图像的尺寸得到去噪阈值,包括:
采用公式:
λ=σ[2log(M×N)]1/2/(2L-1)
得到去噪阈值;其中,λ表示去噪阈值,σ表示高斯噪声标准差,M表示核磁共振图像的长度,N表示核磁共振图像的宽度,L表示核磁共振图像的分解尺度;
所述步骤4:根据去噪阈值去除核磁共振图像的噪声得到滤波后的核磁共振图像,包括:
步骤4.1:根据去噪阈值构建去噪函数;所述去噪函数为:
其中,wij为小波系数,sign为符号函数,λ0=0.4λ,λ表示去噪阈值,a为调节参数;
步骤4.2:利用所述去噪函数去除相应的小波系数得到滤波后的小波系数;
步骤4.3:对所述滤波后的小波系数进行重构得到滤波后的核磁共振图像;
所述步骤5:对所述核磁共振图像进行图像增强处理得到增强后的核磁共振图像,包括:
步骤5.1:采用直方图模型对所述核磁共振图像进行处理得到处理后的核磁共振图像;其中,所述直方图模型为:
其中,g(x,y)表示处理后的核磁共振图像,f(x,y)表示核磁共振图像,[a,b]表示核磁共振图像的灰度区间,[c,d]表示处理后的核磁共振图像灰度区间;
步骤5.2:对所述处理后的核磁共振图像进行小波分解得到小波系数;
步骤5.3:根据所述处理后的核磁共振图像的分解尺度构建自适应阈值;
步骤5.4:根据所述自适应阈值构建自适应小波系数滤波模型;
步骤5.5:利用所述自适应小波系数滤波模型对所述处理后的核磁共振图像进行去噪得到增强后的核磁共振图像;
所述步骤5.3:根据所述处理后的核磁共振图像的分解尺度构建自适应阈值,包括:
采用公式:
确定自适应阈值;其中,M表示核磁共振图像的长度,N表示核磁共振图像的宽度,σ表示高斯噪声的标准差,d表示核磁共振图像的分解尺度;
所述步骤5.4:根据所述自适应阈值构建自适应小波系数滤波模型,包括:
采用公式:
构建自适应小波系数滤波模型;其中,w为小波系数,sign为符号函数,T0为下限阈值,T为自适应阈值,且T0=εT,ε为第一可调参数,k为第二可调参数。
2.根据权利要求1所述的一种用于核磁共振图像的去噪方法,其特征在于,所述步骤6:将所述增强后的核磁共振图像与所述滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像,包括:
步骤6.1:提取所述增强后的核磁共振图像和所述滤波后的核磁共振图像的显著图;
步骤6.2:基于显著阈值将每一个显著图进行分割得到背景区域显著图和目标区域显著图;
步骤6.3:计算所述背景区域显著图和所述目标区域显著图的图像真实度;所述图像真实度计算公式为:
λ=exp((1-md)×CV×H)-1
其中,λ表示图像真实度,md表示相应显著图的平均深度值,CV表示差异系数,H表示深度频率熵;
步骤6.4:去除所述图像真实度小于真实度阈值的相应显著图,得到分割后的显著图;
步骤6.5:计算分割后的显著图的融合特征;
步骤6.6:将所述融合特征作为权重对分割后的显著图进行线性加权融合得到去噪完成的核磁共振图像;
所述分割后的显著图的融合特征的计算公式为:
其中,SQi表示第i个显著图的融合特征,N(p)表示像素p的八邻域像素集合,Wpq表示相邻像素p和q之间的相关性,cp表示像素p的L*a*b的值,cq表示像素q的L*a*b的值,dp表示像素p的深度值,dq表示像素q的深度值,σ2为近邻参数,St表示分割后的显著图的目标区域,Bt表示分割后的显著图的背景区域。
4.一种用于核磁共振图像的去噪系统,其特征在于,包括:
图像获取模块,用于获取核磁共振图像;
小波分解模块,用于对所述核磁共振图像进行小波分解得到多个小波系数;
相似度计算模块,用于根据核磁共振图像的尺寸得到去噪阈值,包括:
采用公式:
λ=σ[2log(M×N)]1/2/(2L-1)
得到去噪阈值;其中,λ表示去噪阈值,σ表示高斯噪声标准差,M表示核磁共振图像的长度,N表示核磁共振图像的宽度,L表示核磁共振图像的分解尺度;
滤波模块,用于根据去噪阈值去除核磁共振图像的噪声得到滤波后的核磁共振图像,包括:
根据去噪阈值构建去噪函数;所述去噪函数为:
其中,wij为小波系数,sign为符号函数,λ0=0.4λ,λ表示去噪阈值,a为调节参数;
利用所述去噪函数去除相应的小波系数得到滤波后的小波系数;
对所述滤波后的小波系数进行重构得到滤波后的核磁共振图像;
图像增强模块,用于对所述核磁共振图像进行图像增强处理得到增强后的核磁共振图像,包括:
采用直方图模型对所述核磁共振图像进行处理得到处理后的核磁共振图像;其中,所述直方图模型为:
其中,g(x,y)表示处理后的核磁共振图像,f(x,y)表示核磁共振图像,[a,b]表示核磁共振图像的灰度区间,[c,d]表示处理后的核磁共振图像灰度区间;
对所述处理后的核磁共振图像进行小波分解得到小波系数;
根据所述处理后的核磁共振图像的分解尺度构建自适应阈值;
根据所述自适应阈值构建自适应小波系数滤波模型;
利用所述自适应小波系数滤波模型对所述处理后的核磁共振图像进行去噪得到增强后的核磁共振图像;
根据所述处理后的核磁共振图像的分解尺度构建自适应阈值,包括:
采用公式:
确定自适应阈值;其中,M表示核磁共振图像的长度,N表示核磁共振图像的宽度,σ表示高斯噪声的标准差,d表示核磁共振图像的分解尺度;
根据所述自适应阈值构建自适应小波系数滤波模型,包括:
采用公式:
构建自适应小波系数滤波模型;其中,w为小波系数,sign为符号函数,T0为下限阈值,T为自适应阈值,且T0=εT,ε为第一可调参数,k为第二可调参数;
图像融合模块,用于将所述增强后的核磁共振图像与所述滤波后的核磁共振图像进行融合得到去噪完成的核磁共振图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160113.2A CN114549353B (zh) | 2022-02-22 | 2022-02-22 | 一种用于核磁共振图像的去噪方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160113.2A CN114549353B (zh) | 2022-02-22 | 2022-02-22 | 一种用于核磁共振图像的去噪方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114549353A CN114549353A (zh) | 2022-05-27 |
CN114549353B true CN114549353B (zh) | 2022-09-02 |
Family
ID=81677573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210160113.2A Active CN114549353B (zh) | 2022-02-22 | 2022-02-22 | 一种用于核磁共振图像的去噪方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549353B (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150714A (zh) * | 2013-03-12 | 2013-06-12 | 华东师范大学 | 一种实时交互式的磁共振图像增强方法及其装置 |
US9916655B2 (en) * | 2013-06-07 | 2018-03-13 | Paul Scherrer Institut | Image fusion scheme for differential phase contrast imaging |
CN106469438B (zh) * | 2015-11-09 | 2019-04-23 | 浙江师范大学 | 基于卡方无偏估计的邻域收缩mri去噪方法 |
CN106169181B (zh) * | 2016-06-30 | 2019-04-26 | 北京奇艺世纪科技有限公司 | 一种图像处理方法及系统 |
CN106296600B (zh) * | 2016-08-01 | 2018-12-21 | 大连理工大学 | 一种基于小波变换图像分解的对比度增强方法 |
EP3343501A1 (en) * | 2016-12-28 | 2018-07-04 | Karl-Franzens-Universität Graz | Method and device for image processing |
CN108389163A (zh) * | 2018-01-22 | 2018-08-10 | 西安工程大学 | 一种基于暗光彩色图像的自适应增强方法 |
CN108510459A (zh) * | 2018-04-08 | 2018-09-07 | 哈尔滨理工大学 | 一种基于小波自适应阈值与双边滤波图像降噪算法 |
CN109636766B (zh) * | 2018-11-28 | 2022-08-16 | 南京理工大学 | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 |
CN110400267A (zh) * | 2019-07-03 | 2019-11-01 | 安徽继远软件有限公司 | 一种基于巡检图像的预处理方法 |
CN111260641A (zh) * | 2020-01-21 | 2020-06-09 | 珠海威泓医疗科技有限公司 | 一种基于人工智能的掌上超声成像系统及其方法 |
CN112184693B (zh) * | 2020-10-13 | 2023-10-24 | 东北大学 | 一种射线工业底片焊缝缺陷智能检测方法 |
CN113222854B (zh) * | 2021-05-24 | 2022-05-03 | 北京理工大学 | 一种小波变换的ct图像去噪方法 |
-
2022
- 2022-02-22 CN CN202210160113.2A patent/CN114549353B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114549353A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A categorization of multiscale-decomposition-based image fusion schemes with a performance study for a digital camera application | |
KR100646715B1 (ko) | 후처리를 통한 2차원 초음파 영상의 화질 개선 방법 | |
CN109389585B (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
CN109636766B (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
CN112132959A (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN109509163B (zh) | 一种基于fgf的多聚焦图像融合方法及系统 | |
CN113298718A (zh) | 一种单幅图像超分辨率重建方法及系统 | |
CN115311309A (zh) | 一种用于核磁共振图像的病灶识别提取方法与系统 | |
Jeevakala | Sharpening enhancement technique for MR images to enhance the segmentation | |
CN114693561A (zh) | 一种基于卷积神经网络的核磁共振图像处理方法与系统 | |
Pham | Kriging-weighted laplacian kernels for grayscale image sharpening | |
Li et al. | A method to improve the accuracy of SAR image change detection by using an image enhancement method | |
CN117173038A (zh) | 一种核磁共振图像增强方法与系统 | |
Wang et al. | A wavelet-based image denoising using least squares support vector machine | |
CN116342444A (zh) | 一种双通道多模态图像融合方法及融合成像终端机 | |
CN111986102B (zh) | 一种数字病理图像去模糊方法 | |
CN114549353B (zh) | 一种用于核磁共振图像的去噪方法与系统 | |
Choudhary et al. | Enhancement in morphological mean filter for image denoising using glcm algorithm | |
CN112515653A (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
CN111147804B (zh) | 一种视频帧重建方法 | |
CN109242797B (zh) | 基于均质和异质区域融合的图像去噪方法、系统及介质 | |
Bhonsle et al. | De-noising of CT images using combined bivariate shrinkage and enhanced total variation technique | |
Toet et al. | Performance comparison of different gray-level image fusion schemes through a universal image quality index | |
CN114792296A (zh) | 一种核磁共振图像与超声图像融合方法与系统 |
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 |