CN115546136A - 一种医学图像的图像处理方法、设备及装置 - Google Patents
一种医学图像的图像处理方法、设备及装置 Download PDFInfo
- Publication number
- CN115546136A CN115546136A CN202211199823.2A CN202211199823A CN115546136A CN 115546136 A CN115546136 A CN 115546136A CN 202211199823 A CN202211199823 A CN 202211199823A CN 115546136 A CN115546136 A CN 115546136A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- normalized
- pixel point
- low
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 166
- 230000009467 reduction Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000009792 diffusion process Methods 0.000 claims description 155
- 238000001914 filtration Methods 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 31
- 238000002604 ultrasonography Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- 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
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请涉及医学超声影像技术领域，特别涉及一种医学图像的图像处理方法、设备及装置，用于提供一种通过图像处理得到清晰超声图像的方案。本申请实施例将原始超声图像通过多尺度分解得到多层不同尺度的子图像；对各个子图像中的高频子图像和低频子图像分别进行图像降噪处理；针对降噪处理之后的任意一个低频子图像，基于相位检测确定低频子图像中的边缘区域；根据边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定低频子图像中需要进行图像增强处理的目标区域，并对目标区域进行图像增强处理；对处理后得到的各个子图像进行图像重建，得到原始超声图像对应的超声优化图像。本申请可以更好的保护图像中的细节并且得到的图像更清晰。
Description
技术领域
本申请涉及医学超声影像技术领域，特别涉及一种医学图像的图像处理方法、设备及装置。
背景技术
随着医学超声检查的发展，医学超声图像检查在超声图像技术领域中拥有着至关重要的作用，很多临床诊断都需要依靠超声影像进行检查，根据超声检查获取到的超声图像对患者的病情进行诊断。但医学超声图像成像过程中极易受到干扰，导致超声图像模糊、匀质区域不均匀、边缘结构不清晰等，若采用超声设备采集到的原始超声图像进行诊断，可能会影响诊断的准确性。
发明内容
本申请的目的是提供一种医学图像的图像处理方法、设备及装置，用以提供一种获得更清晰的超声医学图像的方案。
第一方面，本申请提供一种医学图像的图像处理方法，所述方法包括：
将原始超声图像通过多尺度分解得到多层不同尺度的子图像；
对各个所述子图像中的高频子图像和低频子图像分别进行图像降噪处理；
针对降噪处理之后的任意一个所述低频子图像，基于相位检测确定所述低频子图像中的边缘区域；根据所述边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定所述低频子图像中需要进行图像增强处理的目标区域，并对所述目标区域进行图像增强处理；
对处理后得到的各个所述子图像进行图像重建，得到所述原始超声图像对应的超声优化图像。
第二方面，本申请提供一种医学图像的图像处理设备，所述设备包括至少一个处理器、以及至少一个存储器；
其中，所述存储器存储有程序代码，当程序代码被所述处理器执行时以实现如上述第一方面所述的医学图像的图像处理方法。
第三方面，本申请提供一种医学图像的图像处理装置，包括：
分解模块，用于将原始超声图像通过多尺度分解得到多层不同尺度的子图像；
降噪模块，用于对各个所述子图像中的高频子图像和低频子图像分别进行图像降噪处理；
增强模块，用于针对降噪处理之后的任意一个所述低频子图像，基于相位检测确定所述低频子图像中的边缘区域；根据所述边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定所述低频子图像中需要进行图像增强处理的目标区域，并对所述目标区域进行图像增强处理；
重建模块，用于对处理后得到的各个所述子图像进行图像重建，得到所述原始超声图像对应的超声优化图像。
第四方面，本申请提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备执行时，使得所述电子设备能够执行如上述第一方面中所述的医学图像的图像处理方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序：
所述计算机程序被处理器执行时实现如上述第一方面所述的医学图像的图像处理方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
由于本申请实施例将原始超声图像通过多尺度分解得到多层不同尺度的子图像；对各个子图像中的高频子图像和低频子图像分别进行改进后的图像降噪处理；针对降噪处理之后的任意一个低频子图像，通过相位检测的方式，和边缘区域中各个像素点的邻像素的梯度值以及像素灰度值的判断，确定需要进行图像增强处理的目标区域，并对目标区域进行增强处理；对处理后得到的各个子图像进行图像重建，得到最终的超声优化图像。根据上述方法对原始超声图像进行图像处理，得到更清晰的超声图像，相比于未处理的超声图像，更有利于用户对超声图像的观察。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本申请的一些实施例，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为本申请实施例一种医学图像的图像处理方法的应用场景图；
图2为本申请实施例一种医学图像的图像处理方法的应用场景图；
图3为本申请实施例一种医学图像的图像处理流程图；
图4为本申请实施例一种原始超声图像示意图；
图5为本申请实施例一种多层不同尺度参数的子图像示意图；
图6为本申请实施例一种利用改进后的各向异性扩散滤波对图像进行降噪处理的流程图；
图7为本申请实施例一种确定低频子图像中不同区域类型的示意图；
图8为本申请实施例一种根据比率距离改进的BM3D滤波对图像进行降噪处理的流程图；
图9为本申请实施例一种低频子图像分割方式的示意图；
图10为本申请实施例一种图像块编号方式的示意图；
图11为本申请实施例一种三维群组图像的示意图；
图12为本申请实施例一种图像增强处理的流程图；
图13为本申请实施例一种生成目标区域的流程图；
图14为本申请实施例一种像素点与邻像素点位置关系的示意图；
图15为本申请实施例一种计算邻像素点对应的梯度的示意图；
图16为本申请实施例一种目标像素点的示意图；
图17为本申请实施例一种像素点的切向邻域位置的示意图；
图18为本申请实施例一种像素点的切向方向的示意图；
图19为本申请实施例一种图像处理前后效果对比的示意图；
图20为本申请实施例一种图像处理方法示意图；
图21为本申请实施例提供的医学图像的图像处理设备的结构示意图；
图22为本申请实施例提供的医学图像的图像处理装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。其中，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
并且，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；文本中的“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，A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，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗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，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
为了便于理解本申请实施例所提供的一种医学图像的图像处理方法及设备，下面对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
(1)小波变换(wavelet transform，WT)是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。
(2)各向异性扩散滤波(anisotropic diffusion filter)是一种图像降噪的处理方法。在降低噪声的同时能够有效保留图像的边界和线条等特征信息。在实际计算过程中，图像被看作一个密度场，每个点的密度随着时间(迭代次数)在扩散，扩散的速率决定于该点的密度梯度和各向异性的密度梯度系数，在迭代若干次后就得到滤波处理后的图像。
(3)协同过滤(Collaborative Filtering)推荐算法是最经典、最常用的推荐算法。所谓协同过滤，基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品(基于对用户历史行为数据的挖掘发现用户的喜好偏向，并预测用户可能喜好的产品进行推荐)，一般是仅仅基于用户的行为数据(评价、购买、下载等)，而不依赖于项的任何附加信息(物品自身特征)或者用户的任何附加信息(年龄，性别等)。
下面结合附图对本申请实施例提供的一种医学图像的图像处理方法的应用场景进行介绍。如图1所示的超声设备10，包括图像采集单元101、图像处理单元102，其中：
图像采集单元101，用于采集医学超声图像序列，该医学超声图像序列中包含多张原始超声图像；将采集的医学超声图像序列发送给医学超声图像处理单元102；
图像处理单元102，用于将原始超声图像通过多尺度分解得到多层不同尺度的子图像；对各个子图像中的高频子图像和低频子图像分别进行图像降噪处理；针对降噪处理之后的任意一个低频子图像，基于相位检测确定低频子图像中的边缘区域；根据边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定低频子图像中需要进行图像增强处理的目标区域，并对目标区域进行图像增强处理；对处理后得到的各个子图像进行图像重建，得到原始超声图像对应的超声优化图像。
另外，本申请实施例还提供一种可选的医学图像的图像处理方法的应用场景，如图2所示，包括超声设备20、服务器21；
超声设备20，用于采集医学超声图像序列，该医学超声图像序列中包含多张原始超声图像；将采集的医学超声图像序列发送给服务器21；
服务器21，用于将原始超声图像通过多尺度分解得到多层不同尺度的子图像；对各个子图像中的高频子图像和低频子图像分别进行图像降噪处理；针对降噪处理之后的任意一个低频子图像，基于相位检测确定低频子图像中的边缘区域；根据边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定低频子图像中需要进行图像增强处理的目标区域，并对目标区域进行图像增强处理；对处理后得到的各个子图像进行图像重建，得到原始超声图像对应的超声优化图像。
当然，本申请实施例提供的方法并不限于图1或图2所示的应用场景，还可以用于其它可能的应用场景，本申请实施例不作限定。
如图3所示，本申请实施例一种医学图像的图像处理流程图，具体步骤如下所示：
步骤S301、将原始超声图像通过多尺度分解得到多层不同尺度的子图像；
实施中，基于小波变换方法对如图4所示的原始超声图像进行多尺度金字塔分解，将原始超声图像分解为如图5所示的多层不同尺度参数的子图像，例如分解为四层不同尺度的子图像，其中每层子图像都包含高频子图像和低频子图像。
步骤S302、对各个子图像中的高频子图像和低频子图像分别进行图像降噪处理；
步骤S303、针对降噪处理之后的任意一个低频子图像，基于相位检测确定低频子图像中的边缘区域；根据边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定低频子图像中需要进行图像增强处理的目标区域，并对目标区域进行图像增强处理；
步骤S304、对处理后得到的各个子图像进行图像重建，得到原始超声图像对应的超声优化图像；
在步骤S302中，本申请实施例对各个子图像中的高频子图像和低频子图像分别进行图像降噪处理时，针对高频子图像和低频子图像可以采用不同的降噪算法进行降噪处理。
针对各个子图像中的高频子图像，本申请实施例可以利用小波软阈值降噪算法对图像进行降噪处理。
下面对本申请实施例的小波软阈值降噪算法进行详细介绍：
本申请实施例采用的小波软阈值函数公式为：
其中，
为随层变化的小波软阈值函数，tanh()为双曲正切函数运算，W为小波变换系数，δi为随层变化的自适应小波阈值，i指层数，k为调节因子，exp()为作指数运算；
需要说明的是，可以令
也可以通过预设值对k进行定义；M*N为当前层小波系数尺度大小。
实施中，可以通过如下公式得到一种随层变化的自适应小波阈值：
其中，δi为自适应小波阈值，σ表示噪声标准差，M*N为当前层小波系数尺度大小，ln()作以e为底的对数运算，i指层数。
根据随层变化的自适应小波阈值，得到不同层对应的小波软阈值函数，可以使小波软阈值函数对不同尺度子图像中的高频子图像，更加适合该尺度下的高频子图像中的特征数量，利于降噪处理后的高频子图像得到更好的效果。
一种可选的实施方式，本申请实施例可以针对多层不同尺度的子图像中部分或全部层的高频子图像进行降噪处理；例如，本申请实施例可以只针对第一层子图像中的高频子图像进行降噪处理。
针对各个子图像中的低频子图像，本申请实施例可以采用多种不同的方式对图像进行降噪处理。
方式1：使用根据归一化特征值和非归一化特征值构建各向异性扩散滤波系数改进的各向异性扩散滤波，对图像进行降噪处理；
本申请实施例确定低频子图像中像素点对应的归一化特征值和非归一化特征值；根据低频子图像中各个像素点对应的归一化特征值和非归一化特征值，将低频子图像划分为不同类型的区域；针对任意一个区域，根据区域中各个像素点对应的归一化特征值和非归一化特征值，确定区域对应的扩散系数；根据区域对应的扩散系数，对区域进行降噪处理。
下面详细介绍下基于改进后的各向异性扩散滤波对图像进行降噪处理的方式：
如图6所示，本申请实施例提供一种利用改进后的各向异性扩散滤波对图像进行降噪处理的流程图，具体步骤如下所示：
步骤S601、确定低频子图像中像素点对应的归一化特征值和非归一化特征值；
本申请实施例可以根据下列公式计算归一化特征值和非归一化特征值：
Coherencen＝(λ1-λ2)2
其中，Coherence为归一化特征值，Coherencen为非归一化特征值，λ1和λ2为特征值；且λ1和λ2可以通过如下公式计算：
其中，低频子图像通过Fx和Fy进行滤波处理，Fx为针对x方向的滤波处理，Fy为针对y方向的滤波处理；得到在x方向和y方向下四个滤波μxx、μxy、μxy和μyy，将该上述滤波构建结构张量的函数，利用该结构张量得到特征值λ1和λ2。
例如，本申请实施例可以定义以下模板对低频图像进行滤波：
Fx＝[-3 0 3；-10 0 10；-3 0 3]/32；
Fy＝[3 10 3；0 0 0；-3 -10 -3]/32。
步骤S602、根据低频子图像中各个像素点对应的归一化特征值和非归一化特征值，分别确定各个像素点对应的像素类型；
若像素点对应的归一化特征值小于预设的归一化扩散范围下限值，且非归一化特征值小于预设的非归一化扩散范围下限值，则确定像素点的像素类型为平坦区域中像素点；
若低频子图像中像素点对应的归一化特征值大于预设的归一化扩散范围下限值、且小于预设的归一化扩散范围上限值，以及，非归一化特征值大于预设的非归一化扩散范围下限值、且小于预设的非归一化扩散范围上限值，则确定像素点的像素类型为小边缘区域中像素点；
若像素点对应的归一化特征值和非归一化特征值满足以下任意一个条件，则确定为大边缘区域中的像素点：像素点对应的归一化特征值小于预设的归一化扩散范围上限值、且大于归一化扩散范围下限值、以及非归一化特征值小于预设的非归一化扩散范围下限值，或者，像素点对应的非归一化特征值小于预设的非归一化扩散范围上限值、且非归一化特征值大于预设的非归一化扩散范围下限值、以及归一化特征值小于预设的归一化扩散范围下限值，或者，归一化特征值大于预设的归一化扩散范围上限值，或者，非归一化特征值大于预设的非归一化扩散范围上限值，则确定所述像素点的像素类型为大边缘区域中的像素点。
实施中，本申请实施例可以将低频子图像划分的区域类型包括但不限于：平坦区域、小边缘区域和大边缘区域；
可选的，在将低频子图像划分为不同区域时，根据低频子图像中像素点对应的归一化特征值和非归一化特征值，确定每个像素点对应的区域类型；
当低频子图像中任意一个像素点对应的归一化特征值小于预设的归一化扩散范围下限值，且非归一化特征值小于预设的非归一化扩散范围下限值，则确定该像素点为平坦区域中的像素点；
当低频子图像中像素点对应的归一化特征值大于预设的归一化扩散范围下限值、且小于预设的归一化扩散范围上限值，以及，非归一化特征值大于预设的非归一化扩散范围下限值、且小于预设的非归一化扩散范围上限值，则确定该像素点为小边缘区域中的像素点；
当低频子图像中像素点对应的归一化特征值和非归一化特征值满足以下任意一个条件：对应的归一化特征值小于预设的归一化扩散范围上限值、且大于归一化扩散范围下限值、以及非归一化特征值小于预设的非归一化扩散范围下限值，或者，像素点对应的非归一化特征值小于预设的非归一化扩散范围上限值、且非归一化特征值大于预设的非归一化扩散范围下限值、以及归一化特征值小于预设的归一化扩散范围下限值，或者，归一化特征值大于预设的归一化扩散范围上限值，或者，非归一化特征值大于预设的非归一化扩散范围上限值，则确定该像素点为大边缘区域中的像素点；
基于上述方式，在确定出低频子图像中每个像素点对应的区域类型之后，将属于同一种区域的像素点进行聚类处理，从而得到低频子图像中的平坦区域、小边缘区域和大边缘区域。如图7所示，本申请实施例提供一种确定低频子图像中不同区域类型的示意图；利用直角坐标系对归一化特征值与预设的非归一化扩散范围，以及非归一化特征值与预设的归一化扩散范围之间的比较关系，确定低频子图像中每个像素点对应的区域类型，根据每个像素点对应的区域类型，得到低频子图像中的多种区域；其中，将横坐标视为归一化特征值，纵坐标视为非归一化特征值；非归一化扩散范围在横坐标上体现，归一化扩散范围在纵坐标上体现。例如，可将归一化扩散范围设定为(0，1]，非归一化扩散范围设定为(0，255]，根据归一化特征值与预设的非归一化扩散范围进行比较，以及非归一化特征值与预设的归一化扩散范围进行比较，确定各个像素点对应的像素类型，得到低频子图像中的平坦区域、小边缘区域和大边缘区域。
步骤S603、针对任意一个区域，根据区域中各个像素点对应的归一化特征值和非归一化特征值，确定区域中各个像素点对应的扩散系数；
需要说明的是，区域中各个像素点对应的扩散系数包括扩散系数c1和扩散系数c2；在确定区域中各个像素点对应的扩散系数过程中，根据区域中各个像素点对应的归一化特征值和非归一化特征值确定扩散系数c1，以及根据预设的常数alpha确定扩散系数c2。
若像素点为平坦区域中像素点，则根据下列公式确定平坦区域中各个像素点对应的扩散系数c1：
其中，c1为扩散系数c1，alpha为预设的常数，Coherencen为非归一化特征值，TncohL为非归一化扩散范围下限值；
若像素点为小边缘区域中像素点，则根据下列公式确定小边缘区域中各个像素点对应的扩散系数c1：
其中，c1为扩散系数c1，alpha为预设的常数，Coherence为归一化特征值，TcohH为归一化扩散范围上限值；
若像素点为大边缘区域中像素点，则将预设扩散系数作为大边缘区域中各个像素点对应的扩散系数c1。
区域中各个像素点对应的扩散系数c2确定为：c2＝alpha。其中，c2为扩散系数c2，alpha为预设的常数。
本申请实施例，可以将大边缘区域中各个像素点对应的预设扩散系数设定为0，则得到的扩散系数的公式如下所示：
c2＝alpha
步骤S604、根据不同区域中各个像素点对应的扩散系数，完成对图像的降噪处理；
根据不同区域中各个像素点对应的扩散系数c1和c2，通过以下公式完成对图像的降噪处理：
其中，Dxx＝c1*(v1x)2+c2*(v2x)2；Dxy＝c1*v1x*v1y+c2*v2x*v2y；Dyy＝c1*(v1y)2+c2*(v2y)2；
公式中，c1和c2为不同区域中各个像素点对应的扩散系数；v1(v1x,v1y),v2(v2x,v2y)为特征向量，a、b、c、d、λ1、λ2具体计算过程详见步骤S501，
为结构张量函数，λ1和λ2为特征值。
方式2：根据比率距离构建BM3D滤波对图像进行降噪处理：
如图8所示，本申请实施例提供一种根据比率距离改进的BM3D滤波对图像进行降噪处理的流程图，具体步骤如下所示：
步骤S801、对低频子图像进行图像块分割，将低频子图像分割为多个图像块；
本申请实施例在将低频子图像分割为多个图像块时，可以将图像块分割为大小相同、形状相同的图像块；例如，如图9所示的低频子图像分割方式，将一个低频子图像分割为大小相同、形状相同的9个图像块。
步骤S802、根据图像块之间的比率距离，从多个图像块中筛选出相似图像块集合；
实施中，在计算图像块之间的比率距离之前，可以先对低频子图像中的各个图像块进行编号，分别计算编号相邻的两个图像块之间的比率距离；例如如图10所示的图像块编号方式，需要分别计算图像块1和图像块2之间的比率距离，图像块2和图像块3之间的比率距离，图像块3和图像块4之间的比率距离，依次类推，计算图像块8和图像块9之间的比率距离。
实施中，本申请实施例可以通过如下公式对计算两个图像块之间的比率距离：
其中，Di表示两个图像块之间的比率距离，
与
为低频子图像中的图像块，G代表标准的高斯核函数，M表示图像块中的像素个数；其中，
σ为组织反射率，p表示概率密度函数。
在分别得到编号相邻的两个图像块之间的比率距离之后，判断每两个编号相邻的图像块是否为相似图像块；将存在相似关系的图像块组合为相似图像块集合。
实施中，若两个图像块之间的比率距离大于相似阈值TD，则该两个图像块为相似图像块。例如，若图像块1和图像块2之间的比率距离大于相似阈值TD，则认为图像块1和图像块2为相似图像块；若图像块1和图像块2之间的比率距离小于相似阈值TD，则认为图像块1和图像块2不是相似图像块；若图像块2和图像块3之间的比率距离大于相似阈值TD，则认为图像块2和图像块3为相似图像块；若图像块2和图像块3之间的比率距离小于相似阈值TD，则认为图像块2和图像块3不是相似图像块；依次类推，完成图像中所有相邻编号图像块之间的相似图像块的判断。
假设图像块1和图像块2为相似图像块，且图像块2和图像块3为相似图像块，则将图像块1、图像块2和图像块3组合为相似图像块集合。
步骤S803、针对相似图像块集合中的任意一个图像块，将该图像块作为参考图像块，确定参考图像块对应的三维群组图像；
实施中，如图10所示，以相似图像块集合中仅有图像块1、图像块2和图像块3为例，若图像块1为参考图像块，则将图像块1与图像块2之间的比率距离，作为图像块2组合三维群组图像对应的权重；且图像块1与图像块2之间的比率距离和图像块2与图像块3之间的比率距离的乘积，作为图像块3组合三维群组图像对应的权重；将图像块1、带有对应权重的图像块2和带有对应权重的图像块3，通过叠加组合为三维群组图像。例如，图像块1为参考图像块，若图像块1与图像块2之间的比率距离为0.8，则将0.8作为图像块2组合三维群组图像时对应的权重；若图像块2与图像块3之间的比率距离为0.9，则将0.8*0.9作为图像块3组合三维群组图像时对应的权重，将图像块1、带有0.8权重的图像块2和带有0.8*0.9权重的图像块3通过叠加进行组合，得到如图11所示的三维群组图像。
步骤S804、对三维群组图像进行协同滤波处理，得到协同滤波处理后的目标图像块；
步骤S805、将低频子图像中的参考图像块替换为目标图像块；
实施中，将进行协同滤波处理后的三维群组图像替换到对应参考图像块位置；以图11中的三维群组图像为例，将图11中以图像块1为参考图像块的对应的三维群组图像进行协同滤波处理后的结果，替换到图像块1的位置。
需要说明的是，针对相似图像块集合中的任意一个图像块，均可以采用步骤S803～步骤S805进行降噪处理。
步骤S806、对除相似图像块集合中相似图像块之外的其它图像块进行协同滤波处理，得到降噪处理后的低频子图像。
需要说明的是，步骤S804中对三维群组图像进行协同滤波处理的方法，与步骤S806中对相似图像块集合外的其它图像块的协同滤波处理方法可以相同。
本申请实施例在对原始超声图像通过多尺度分解得到多层不同尺度的低频子图像进行降噪处理时，针对所有层的低频子图像可以采用相同的降噪处理方式；例如均采用根据比率距离改进的BM3D滤波进行降噪处理，或者均采用利用改进后的各向异性扩散滤波进行降噪处理。
或者，针对不同层的低频子图像，可以采用不同的降噪处理方式；
假设将原始超声图像通过多尺度分解得到四层不同尺度的低频子图像，对尺度较大的低频子图像，可以使用根据比率距离改进的BM3D滤波进行降噪处理，由于利用根据比率距离改进的BM3D滤波特性，对尺度较大的子图像中的低频子图像有较好的降噪效果。例如，在四层不同尺度的子图像中，对第一、二层低频子图像使用根据比率距离改进的BM3D滤波进行降噪处理；
对尺度较小的低频子图像，可以使用改进后的各向异性扩散滤波进行降噪；通过使用改进后的各向异性扩散滤波特性，对包含图像特征较少的小尺度图像，能够更好的保留图像特征；例如，在四层不同尺度的子图像中，对第三、四层低频子图像，使用改进后的各向异性扩散滤波进行降噪处理。
基于得到的任意一个降噪后的低频子图像，根据该子图像对应的尺度参数，确定该子图像中的边缘区域；根据边缘区域中各个像素点的邻像素的梯度值以及像素灰度值确定低频子图像中需要进行图像处理的目标区域，且对目标区域进行图像增强处理。
如图12所示，本申请实施例提供一种图像增强处理的流程图，具体步骤如下所示：
步骤S1201、针对降噪处理之后的任意一个低频子图像，基于相位检测确定低频子图像中的边缘区域；
实施中，本申请实施例在对降噪处理之后的低频子图像进行相位检测时，可以将降噪处理之后的任意一个低频子图像输入至预先构造的正交滤波器；
G(w)＝nc|w|a exp(-s|w|)
其中，G(w)表示正交滤波器，nc为归一化常数，a为常数变量，且a≥1，s为低频子图像对应的子图像的尺度参数，exp()为作指数运算；w＝(u,v)中，w为频率，u代表水平方向的方向向量，v代表垂直方向的方向向量。
将低频子图像通过正交滤波器后，根据该低频子图像对应的子图像的尺度参数，得到该低频子图像对应的正交滤波器输出的结果，对正交滤波器输出的结果进行正交分解，得到该低频子图像对应的奇滤波器响应
和偶滤波器响应
通过计算奇、偶滤波器响应之间的差异，得到该低频子图像对应的边缘响应；
本申请实施例可以通过如下公式得到低频子图像对应的边缘响应：
其中，
为该低频子图像所在子图像的尺度参数对应的边缘响应，
为奇滤波器响应，
为偶滤波器响应，Ts是与尺度参数相关的噪声阈值。
根据上述低频子图像对应的边缘响应，根据以下公式可以确定该低频子图像的边缘区域：
其中，PAS为该低频子图像的边缘区域，
为该低频子图像所在子图像的尺度参数对应的边缘响应，m为预设的迭代次数。
需要说明的是，确定不同尺度低频子图像中的边缘区域时，可以根据低频子图像所在子图像的尺度参数，确定对应低频子图像中的边缘响应，根据对应低频子图像中的边缘响应，确定对应低频子图像中的边缘区域。
步骤S1202、根据边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定低频子图像中需要进行图像增强处理的目标区域；
如图13所示，本申请实施例提供一种生成目标区域的流程图，具体步骤如下所示：
步骤S1301、计算边缘区域中各个像素点的邻像素的梯度，与梯度阈值进行比较，确定梯度大于梯度阈值的对应的邻像素点；
如图14所示，P为边缘区域中任意一个像素点，取P周围5*5领域的像素点作为邻像素点Pi。对所有邻像素点分别计算该邻像素点对应的梯度，可以得到边缘区域中各个像素点的邻像素点的梯度Pmag；将梯度Pmag与梯度阈值Tmag进行比较，确定邻像素点的梯度Pmag>Tmag的邻像素点。
可选的，本申请实施例可以通过以下公式计算邻像素点对应的梯度：
Pmag＝dx(i,j)+dy(i,j)
dx(i,j)＝I(i+1,j)-I(i,j)
dy(i,j)＝I(i,j+1)-I(i,j)
其中，Pmag为邻像素点的梯度，I为邻像素点的像素值，(i,j)为像素的坐标。如图15所示为计算邻像素点对应的梯度的示意图。
步骤S1302、计算边缘区域中各个像素点的邻像素的灰度值，与灰度阈值进行比较，确定灰度值大于灰度阈值对应的邻像素点；
针对边缘区域中的像素点，确定像素点对应的邻像素点的过程，与步骤S1301中确定边缘区域中各个像素点的邻像素点的过程一致，在此不再赘述。对所有邻像素点分别计算该邻像素点对应的灰度值Pgray，通过将灰度值Pgray与灰度阈值Tgray进行比较，确定邻像素点的灰度值Pgray>Tgray的邻像素点。
步骤S1303、根据梯度大于梯度阈值，且灰度值大于灰度阈值的邻像素点，确定需要进行图像增强处理的目标像素点；
实施中，基于步骤S1301中确定的梯度大于梯度阈值对应的邻像素点，以及步骤S1302中确定的灰度值大于灰度阈值对应的邻像素点，确定需要进行图像增强处理的目标像素点。如图16所示，为本申请实施例提供的一种目标像素点示意图，将两条曲线内的区域视为任意一张低频子图像中的边缘区域，通过判断邻像素点的梯度和灰度值，将梯度大于梯度阈值，且灰度值大于灰度阈值的邻像素点，确定为目标像素点，图中用黑色图像块表示目标像素点。
步骤S1304、根据确定出的各个目标像素点，生成目标区域。
对确定出的目标像素点进行聚类处理，确定为目标区域，以图16中的黑色图像块为例，将所有的黑色图像块确定为目标区域。
步骤S1203、对目标区域进行图像增强处理。
在目标区域中，通过对任意一张低频子图像中目标区域中的目标像素点进行增强处理，完成对图像的增强处理的。
实施中，可以根据如下公式对目标区域中的目标像素点进行增强处理：
其中，Pi为目标像素点，
为进行增强处理后的目标像素点，wt为预设的增强系数，P4、P8、P15和P23为图17所示的像素点P的切向邻域。图18为像素点P的切向方向的示意图，其中，切向方向与发现方向的交点为目标像素点，曲线为图像边缘。
完成对低频子图像的图像增强处理，和对高频子图像的图像降噪处理后，对处理后得到的各个子图像进行图像重建，根据以下公式对多层处理后子图像进行重建：
I_synth_K-1＝enlarged version of I’_K+I_detail_processed
其中，I_synth_K-1代表第K-1层重构后图像，enlarged version of I’_K代表，基于第K层处理后得到的子图像中的低频子图像，通过上采样得到的图像；I_detail_processed代表，基于第K层处理后得到的子图像中的高频子图像，通过上采样得到的图像。重复上述重构操作，将所有子图像都进行重构操作，最后获得与原始超声图像尺寸一致的结果，即为最终的超声优化图像。如图19所示的原始超声图像和经过本申请图像处理前后效果对比的示意图，左图为图像处理前的原始超声图像，右图为经过图像处理后的超声优化图像。
实施中，如图20所示，以将原始图像分解为四层子图像为例，本申请实施例提供一种图像处理方法示意图。图中，对原始超声图像进行小波金字塔分解，得到包含高频子图像和低频子图像的第二层子图像；对第二层子图像中的低频子图像进行分解，得到包含高频子图像和低频子图像的第三层子图像；对第三层子图像中的低频子图像进行分解，得到包含高频子图像和低频子图像的第四层子图像；
将原始超声图像作为第一层子图像，针对第一层子图像，可以对第一层子图像进行中的高频子图像进行小波软阈值降噪处理；对第一层子图像中的低频子图像进行根据比率距离改进的BM3D滤波，对处理后的低频子图像进行边缘结构区域增强；将处理后的高频子图像和低频子图像进行重构；
针对第二层子图像，可以对第二层子图像进行中的高频子图像进行小波软阈值降噪处理；对第二层子图像中的低频子图像进行根据比率距离改进的BM3D滤波，对处理后的低频子图像进行边缘结构区域增强；将处理后的高频子图像和低频子图像进行重构；
针对第三层子图像，可以对第三层子图像进行中的高频子图像进行小波软阈值降噪处理；对第三层子图像中的低频子图像进行改进后的各向异性扩散滤波，对处理后的低频子图像进行边缘结构区域增强；将处理后的高频子图像和低频子图像进行重构；
针对第四层子图像，可以对第四层子图像进行中的高频子图像进行小波软阈值降噪处理；对第四层子图像中的低频子图像进行改进后的各向异性扩散滤波，对处理后的低频子图像进行边缘结构区域增强；将处理后的高频子图像和低频子图像进行重构；
对上述四层子图像中的高频子图像和低频子图像重构后的子图像，进行小波金字塔重建处理，得到超声优化图像。
基于同一发明构思，本申请实施例提供一种医学图像的图像处理设备；如图21所示，该医学图像的图像处理设备2100包括所述设备包括至少一个处理器2101、以及至少一个存储器2102；
其中，所述存储器2102存储有程序代码，当程序代码被所述处理器2101执行时，使得所述处理器执行下列过程：
将原始超声图像通过多尺度分解得到多层不同尺度的子图像；
对各个所述子图像中的高频子图像和低频子图像分别进行图像降噪处理；
针对降噪处理之后的任意一个所述低频子图像，基于相位检测确定所述低频子图像中的边缘区域；根据所述边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定所述低频子图像中需要进行图像增强处理的目标区域，并对所述目标区域进行图像增强处理；
对处理后得到的各个所述子图像进行图像重建，得到所述原始超声图像对应的超声优化图像。
可选的，所述处理器2101具体用于：
针对所述边缘区域中任意一个像素点分别执行以下操作：
将所述像素点的各个邻像素的梯度值与梯度阈值进行比较，以及将所述像素点的各个邻像素的灰度值与灰度阈值进行比较；
针对所述像素点中的任意一个邻像素，若所述邻像素的梯度值大于所述梯度阈值，且所述邻像素的灰度值大于灰度阈值，则确定所述邻像素为需要进行图像增强处理的目标像素点；
根据确定出的各个目标像素点，生成所述目标区域。
可选的，所述处理器2101具体用于：
确定所述低频子图像中像素点对应的归一化特征值和非归一化特征值；
根据所述低频子图像中各个像素点对应的归一化特征值和非归一化特征值，分别确定各个像素点对应的像素类型；
根据各个像素点对应的归一化特征值、非归一化特征值以及对应的像素类型，分别确定各个像素点对应的扩散系数；
根据各个像素点对应的扩散系数，对所述低频子图像进行降噪处理。
可选的，所述处理器2101具体用于：
针对所述低频子图像中任意一个像素点，将所述像素点对应的归一化特征值与预设的非归一化扩散范围进行比较，以及将所述像素点对应的非归一化特征值与预设的归一化扩散范围进行比较；
若所述像素点对应的归一化特征值小于预设的归一化扩散范围下限值，且非归一化特征值小于预设的非归一化扩散范围下限值，则确定所述像素点的像素类型为平坦区域中像素点；
若所述低频子图像中像素点对应的归一化特征值大于预设的归一化扩散范围下限值、且小于预设的归一化扩散范围上限值，以及，非归一化特征值大于预设的非归一化扩散范围下限值、且小于预设的非归一化扩散范围上限值，则确定所述像素点的像素类型为小边缘区域中像素点；
若所述像素点对应的归一化特征值小于预设的归一化扩散范围上限值、且大于归一化扩散范围下限值、以及非归一化特征值小于预设的非归一化扩散范围下限值，或者，像素点对应的非归一化特征值小于预设的非归一化扩散范围上限值、且非归一化特征值大于预设的非归一化扩散范围下限值、以及归一化特征值小于预设的归一化扩散范围下限值，或者，归一化特征值大于预设的归一化扩散范围上限值，或者，非归一化特征值大于预设的非归一化扩散范围上限值，则确定所述像素点的像素类型为大边缘区域中的像素点。
可选的，所述处理器2101具体用于：
针对任意一个像素点分别执行以下操作：
若所述像素点的像素类型为平坦区域中的像素点，则根据下列公式确定所述像素点对应的扩散系数：
其中，c1为扩散系数，alpha为预设的常数，Coherencen为非归一化特征值，TncohL为非归一化扩散范围下限值；
若所述像素点的像素类型为小边缘区域中的像素点，则根据下列公式确定所述像素点对应的扩散系数：
其中，c1为扩散系数，alpha为预设的常数，Coherence为归一化特征值，TcohH为归一化扩散范围上限值；
若所述像素点的像素类型为大边缘区域中的像素点，则将预设扩散系数作为所述大像素点对应的扩散系数。
可选的，所述处理器2101具体用于：
对所述低频子图像进行图像块分割，将所述低频子图像分割为多个图像块；
根据图像块之间的比率距离，从多个图像块中筛选出相似图像块集合；
针对相似图像块集合中的任意一个图像块，将所述图像块作为参考图像块，并根据所述相似图像块集合中的图像块，生成所述参考图像块对应的三维群组图像；对所述三维群组图像进行协同滤波处理，得到协同滤波处理后的目标图像块，并在所述低频子图像中使用所述目标图像块替换所述参考图像块；
对所述多个图像块中除所述相似图像块集合中相似图像块之外的其它图像块进行协同滤波处理，得到降噪处理后的低频子图像。
如图22所示，本申请实施例提供一种医学图像的图像处理装置2200，具体可以应用于上述实施例中的医学图像的图像处理设备，包括：
分解模块2201，用于将原始超声图像通过多尺度分解得到多层不同尺度的子图像；
降噪模块2202，用于对各个所述子图像中的高频子图像和低频子图像分别进行图像降噪处理；
增强模块2203，用于针对降噪处理之后的任意一个所述低频子图像，基于相位检测确定所述低频子图像中的边缘区域；根据所述边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定所述低频子图像中需要进行图像增强处理的目标区域，并对所述目标区域进行图像增强处理；
重建模块2204，用于对处理后得到的各个所述子图像进行图像重建，得到所述原始超声图像对应的超声优化图像。
可选的，所述增强模块2203具体用于：
针对所述边缘区域中任意一个像素点分别执行以下操作：
将所述像素点的各个邻像素的梯度值与梯度阈值进行比较，以及将所述像素点的各个邻像素的灰度值与灰度阈值进行比较；
针对所述像素点中的任意一个邻像素，若所述邻像素的梯度值大于所述梯度阈值，且所述邻像素的灰度值大于灰度阈值，则确定所述邻像素为需要进行图像增强处理的目标像素点；
根据确定出的各个目标像素点，生成所述目标区域。
可选的，所述降噪模块2202具体用于：
确定所述低频子图像中像素点对应的归一化特征值和非归一化特征值；
根据所述低频子图像中各个像素点对应的归一化特征值和非归一化特征值，分别确定各个像素点对应的像素类型；
根据各个像素点对应的归一化特征值、非归一化特征值以及对应的像素类型，分别确定各个像素点对应的扩散系数；
根据各个像素点对应的扩散系数，对所述低频子图像进行降噪处理。
可选的，所述降噪模块2202具体用于：
针对所述低频子图像中任意一个像素点，将所述像素点对应的归一化特征值与预设的非归一化扩散范围进行比较，以及将所述像素点对应的非归一化特征值与预设的归一化扩散范围进行比较；
若所述像素点对应的归一化特征值小于预设的归一化扩散范围下限值，且非归一化特征值小于预设的非归一化扩散范围下限值，则确定所述像素点的像素类型为平坦区域中像素点；
若所述低频子图像中像素点对应的归一化特征值大于预设的归一化扩散范围下限值、且小于预设的归一化扩散范围上限值，以及，非归一化特征值大于预设的非归一化扩散范围下限值、且小于预设的非归一化扩散范围上限值，则确定所述像素点的像素类型为小边缘区域中像素点；
若所述像素点对应的归一化特征值小于预设的归一化扩散范围上限值、且大于归一化扩散范围下限值、以及非归一化特征值小于预设的非归一化扩散范围下限值，或者，像素点对应的非归一化特征值小于预设的非归一化扩散范围上限值、且非归一化特征值大于预设的非归一化扩散范围下限值、以及归一化特征值小于预设的归一化扩散范围下限值，或者，归一化特征值大于预设的归一化扩散范围上限值，或者，非归一化特征值大于预设的非归一化扩散范围上限值，则确定所述像素点的像素类型为大边缘区域中的像素点。
可选的，所述降噪模块2202具体用于：
针对任意一个像素点分别执行以下操作：
若所述像素点的像素类型为平坦区域中的像素点，则根据下列公式确定所述像素点对应的扩散系数：
其中，c1为扩散系数，alpha为预设的常数，Coherencen为非归一化特征值，TncohL为非归一化扩散范围下限值；
若所述像素点的像素类型为小边缘区域中的像素点，则根据下列公式确定所述像素点对应的扩散系数：
其中，c1为扩散系数，alpha为预设的常数，Coherence为归一化特征值，TcohH为归一化扩散范围上限值；
若所述像素点的像素类型为大边缘区域中的像素点，则将预设扩散系数作为所述大像素点对应的扩散系数。
可选的，所述降噪模块2202具体用于：
对所述低频子图像进行图像块分割，将所述低频子图像分割为多个图像块；
根据图像块之间的比率距离，从多个图像块中筛选出相似图像块集合；
针对相似图像块集合中的任意一个图像块，将所述图像块作为参考图像块，并根据所述相似图像块集合中的图像块，生成所述参考图像块对应的三维群组图像；对所述三维群组图像进行协同滤波处理，得到协同滤波处理后的目标图像块，并在所述低频子图像中使用所述目标图像块替换所述参考图像块；
对所述多个图像块中除所述相似图像块集合中相似图像块之外的其它图像块进行协同滤波处理，得到降噪处理后的低频子图像。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种医学图像的图像处理方法，其特征在于，所述方法包括：
将原始超声图像通过多尺度分解得到多层不同尺度的子图像；
对各个所述子图像中的高频子图像和低频子图像分别进行图像降噪处理；
针对降噪处理之后的任意一个所述低频子图像，基于相位检测确定所述低频子图像中的边缘区域；根据所述边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定所述低频子图像中需要进行图像增强处理的目标区域，并对所述目标区域进行图像增强处理；
对处理后得到的各个所述子图像进行图像重建，得到所述原始超声图像对应的超声优化图像。
2.如权利要求1所述的方法，其特征在于，所述根据所述边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定所述低频子图像中需要进行图像增强处理的目标区域，包括：
针对所述边缘区域中任意一个像素点分别执行以下操作：
将所述像素点的各个邻像素的梯度值与梯度阈值进行比较，以及将所述像素点的各个邻像素的灰度值与灰度阈值进行比较；
针对所述像素点中的任意一个邻像素，若所述邻像素的梯度值大于所述梯度阈值，且所述邻像素的灰度值大于灰度阈值，则确定所述邻像素为需要进行图像增强处理的目标像素点；
根据确定出的各个目标像素点，生成所述目标区域。
3.如权利要求1所述的方法，其特征在于，根据下列方式对各个所述子图像中的所述低频子图像进行图像降噪处理：
确定所述低频子图像中像素点对应的归一化特征值和非归一化特征值；
根据所述低频子图像中各个像素点对应的归一化特征值和非归一化特征值，分别确定各个像素点对应的像素类型；
根据各个像素点对应的归一化特征值、非归一化特征值以及对应的像素类型，分别确定各个像素点对应的扩散系数；
根据各个像素点对应的扩散系数，对所述低频子图像进行降噪处理。
4.如权利要求3所述的方法，其特征在于，所述根据所述低频子图像中各个像素点对应的归一化特征值和非归一化特征值，分别确定各个像素点对应的像素类型，具体包括：
针对所述低频子图像中任意一个像素点，将所述像素点对应的归一化特征值与预设的非归一化扩散范围进行比较，以及将所述像素点对应的非归一化特征值与预设的归一化扩散范围进行比较；
若所述像素点对应的归一化特征值小于预设的归一化扩散范围下限值，且非归一化特征值小于预设的非归一化扩散范围下限值，则确定所述像素点的像素类型为平坦区域中像素点；
若所述低频子图像中像素点对应的归一化特征值大于预设的归一化扩散范围下限值、且小于预设的归一化扩散范围上限值，以及，非归一化特征值大于预设的非归一化扩散范围下限值、且小于预设的非归一化扩散范围上限值，则确定所述像素点的像素类型为小边缘区域中像素点；
若所述像素点对应的归一化特征值小于预设的归一化扩散范围上限值、且大于归一化扩散范围下限值、以及非归一化特征值小于预设的非归一化扩散范围下限值，或者，像素点对应的非归一化特征值小于预设的非归一化扩散范围上限值、且非归一化特征值大于预设的非归一化扩散范围下限值、以及归一化特征值小于预设的归一化扩散范围下限值，或者，归一化特征值大于预设的归一化扩散范围上限值，或者，非归一化特征值大于预设的非归一化扩散范围上限值，则确定所述像素点的像素类型为大边缘区域中的像素点。
5.如权利要求4所述的方法，其特征在于，所述根据各个像素点对应的归一化特征值、非归一化特征值以及对应的像素类型，分别确定各个像素点对应的扩散系数，具体包括：
针对任意一个像素点分别执行以下操作：
若所述像素点的像素类型为平坦区域中的像素点，则根据下列公式确定所述像素点对应的扩散系数：
其中，c1为扩散系数，alpha为预设的常数，Coherencen为非归一化特征值，TncohL为非归一化扩散范围下限值；
若所述像素点的像素类型为小边缘区域中的像素点，则根据下列公式确定所述像素点对应的扩散系数：
其中，c1为扩散系数，alpha为预设的常数，Coherence为归一化特征值，TcohH为归一化扩散范围上限值；
若所述像素点的像素类型为大边缘区域中的像素点，则将预设扩散系数作为所述大像素点对应的扩散系数。
6.如权利要求1所述的方法，其特征在于，根据下列方式对各个所述子图像中的所述低频子图像进行图像降噪处理：
对所述低频子图像进行图像块分割，将所述低频子图像分割为多个图像块；
根据图像块之间的比率距离，从多个图像块中筛选出相似图像块集合；
针对相似图像块集合中的任意一个图像块，将所述图像块作为参考图像块，并根据所述相似图像块集合中的图像块，生成所述参考图像块对应的三维群组图像；对所述三维群组图像进行协同滤波处理，得到协同滤波处理后的目标图像块，并在所述低频子图像中使用所述目标图像块替换所述参考图像块；
对所述多个图像块中除所述相似图像块集合中相似图像块之外的其它图像块进行协同滤波处理，得到降噪处理后的低频子图像。
7.一种医学图像的图像处理设备，其特征在于，所述设备包括至少一个处理器、以及至少一个存储器；
其中，所述存储器存储有程序代码，当程序代码被所述处理器执行时，使得所述处理器执行下列过程：
将原始超声图像通过多尺度分解得到多层不同尺度的子图像；
对各个所述子图像中的高频子图像和低频子图像分别进行图像降噪处理；
针对降噪处理之后的任意一个所述低频子图像，基于相位检测确定所述低频子图像中的边缘区域；根据所述边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定所述低频子图像中需要进行图像增强处理的目标区域，并对所述目标区域进行图像增强处理；
对处理后得到的各个所述子图像进行图像重建，得到所述原始超声图像对应的超声优化图像。
8.根据权利要求7所述的设备，其特征在于，所述处理器，具体用于：
针对所述边缘区域中任意一个像素点分别执行以下操作：
将所述像素点的各个邻像素的梯度值与梯度阈值进行比较，以及将所述像素点的各个邻像素的灰度值与灰度阈值进行比较；
针对所述像素点中的任意一个邻像素，若所述邻像素的梯度值大于所述梯度阈值，且所述邻像素的灰度值大于灰度阈值，则确定所述邻像素为需要进行图像增强处理的目标像素点；
根据确定出的各个目标像素点，生成所述目标区域。
9.根据权利要求7所述的设备，其特征在于，所述处理器，具体用于：
确定所述低频子图像中像素点对应的归一化特征值和非归一化特征值；
根据所述低频子图像中各个像素点对应的归一化特征值和非归一化特征值，分别确定各个像素点对应的像素类型；
根据各个像素点对应的归一化特征值、非归一化特征值以及对应的像素类型，分别确定各个像素点对应的扩散系数；
根据各个像素点对应的扩散系数，对所述低频子图像进行降噪处理。
10.一种医学图像的图像处理装置，其特征在于，所述装置包括：
分解模块，用于将原始超声图像通过多尺度分解得到多层不同尺度的子图像；
降噪模块，用于对各个所述子图像中的高频子图像和低频子图像分别进行图像降噪处理；
增强模块，用于针对降噪处理之后的任意一个所述低频子图像，基于相位检测确定所述低频子图像中的边缘区域；根据所述边缘区域中各个像素点的邻像素的梯度值以及像素灰度值，确定所述低频子图像中需要进行图像增强处理的目标区域，并对所述目标区域进行图像增强处理；
重建模块，用于对处理后得到的各个所述子图像进行图像重建，得到所述原始超声图像对应的超声优化图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211199823.2A CN115546136A (zh) | 2022-09-29 | 2022-09-29 | 一种医学图像的图像处理方法、设备及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211199823.2A CN115546136A (zh) | 2022-09-29 | 2022-09-29 | 一种医学图像的图像处理方法、设备及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115546136A true CN115546136A (zh) | 2022-12-30 |
Family
ID=84731290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211199823.2A Pending CN115546136A (zh) | 2022-09-29 | 2022-09-29 | 一种医学图像的图像处理方法、设备及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115546136A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116091322A (zh) * | 2023-04-12 | 2023-05-09 | 山东科技大学 | 超分辨率图像重建方法和计算机设备 |
| CN116205940A (zh) * | 2023-05-05 | 2023-06-02 | 武汉大学人民医院（湖北省人民医院） | 基于医学检验的数字图像目标检测方法及系统 |
| CN116883292A (zh) * | 2023-09-07 | 2023-10-13 | 上海海栎创科技股份有限公司 | 基于伪高斯的图像方向场获取方法、系统及计算机设备 |
| CN117455779A (zh) * | 2023-12-22 | 2024-01-26 | 天津市胸科医院 | 一种医疗超声影像仪辅助增强系统 |
-
2022
- 2022-09-29 CN CN202211199823.2A patent/CN115546136A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116091322A (zh) * | 2023-04-12 | 2023-05-09 | 山东科技大学 | 超分辨率图像重建方法和计算机设备 |
| CN116205940A (zh) * | 2023-05-05 | 2023-06-02 | 武汉大学人民医院（湖北省人民医院） | 基于医学检验的数字图像目标检测方法及系统 |
| CN116883292A (zh) * | 2023-09-07 | 2023-10-13 | 上海海栎创科技股份有限公司 | 基于伪高斯的图像方向场获取方法、系统及计算机设备 |
| CN116883292B (zh) * | 2023-09-07 | 2023-11-28 | 上海海栎创科技股份有限公司 | 基于伪高斯的图像方向场获取方法、系统及计算机设备 |
| CN117455779A (zh) * | 2023-12-22 | 2024-01-26 | 天津市胸科医院 | 一种医疗超声影像仪辅助增强系统 |
| CN117455779B (zh) * | 2023-12-22 | 2024-03-26 | 天津市胸科医院 | 一种医疗超声影像仪辅助增强系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arif et al. | Fast curvelet transform through genetic algorithm for multimodal medical image fusion | |
| CN115546136A (zh) | 一种医学图像的图像处理方法、设备及装置 | |
| Wang et al. | A modified fuzzy C-means classification method using a multiscale diffusion filtering scheme | |
| Trinh et al. | Novel example-based method for super-resolution and denoising of medical images | |
| Dubey et al. | FCM clustering algorithms for segmentation of brain MR images | |
| Rousseau | Brain hallucination | |
| Coupé et al. | 3D wavelet subbands mixing for image denoising | |
| Pal et al. | Rician noise removal in magnitude MRI images using efficient anisotropic diffusion filtering | |
| Lesjak et al. | Validation of white-matter lesion change detection methods on a novel publicly available MRI image database | |
| Kumar et al. | Bias-corrected intuitionistic fuzzy c-means with spatial neighborhood information approach for human brain MRI image segmentation | |
| Afraites et al. | A weighted parameter identification PDE-constrained optimization for inverse image denoising problem | |
| Ghasemi et al. | Brain tissue segmentation based on spatial information fusion by Dempster-Shafer theory | |
| Padmavathy et al. | Performance analysis of pre-cancerous mammographic image enhancement feature using non-subsampled shearlet transform | |
| Chang et al. | Brain MR image restoration using an automatic trilateral filter with GPU-based acceleration | |
| Cho et al. | Effective five directional partial derivatives-based image smoothing and a parallel structure design | |
| Sharif et al. | Fuzzy similarity based non local means filter for rician noise removal | |
| CN109741349A (zh) | 一种缺血性脑卒中图像分割的方法 | |
| Pham | Kriging-weighted laplacian kernels for grayscale image sharpening | |
| El-Shafai et al. | Traditional and deep-learning-based denoising methods for medical images | |
| Fourcade et al. | Deformable image registration with deep network priors: a study on longitudinal PET images | |
| Reddy et al. | Segmentation of fused MR and CT images using DL-CNN with PGK and NLEM filtered AACGK-FCM | |
| Nguyen et al. | Medical image denoising via optimal implementation of non-local means on hybrid parallel architecture | |
| Kong et al. | An improved non-local means algorithm for CT image denoising | |
| Mewada et al. | Composite fuzzy-wavelet-based active contour for medical image segmentation | |
| Aetesam et al. | Perceptually motivated generative model for magnetic resonance image denoising |
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 |