使用二维小波收缩法去除弹性成像蠕虫噪声

本文研究使用二维小波收缩去噪法去除弹性成像过程中产生的蠕虫噪声。先使用Sym8小波函数对含有蠕虫噪声的应变估计值矩阵进行3级二维离散小波分解,并使用Birg-éMassart算法获取二维小波变换的域值;然后分别使用硬域值函数和软域值函数对各尺度的水平方向、垂直方向、对角方向的高频系数进行量化;最后将第3层低频系数和各层被量化后的高频系数进行二维小波重构产生去噪后的弹性图像。仿真结果显示,提出的技术有效去除了弹性成像的蠕虫噪声,增强了弹性图像的信噪比(SNRe)和对比度噪声比(CNRe),提高了弹性图像与理想弹性图的相关系数(е);与二维低通滤波去噪法相比,使用二维小波收缩法产生的弹性图像有更高的SNRe和CNRe,能更清晰地显示硬物边界。同时,仿真结果也表明该技术对不同应变量的弹性图像的蠕虫噪声均能有效抑制。本研究表明二维小波收缩去噪法能有效去除弹性图像的蠕虫噪声并提高弹性图像性能。     

基于小波统计模型的医学超声图像去噪方法研究

超声图像中固有的斑点噪声严重降低图像的可解译程度,影响了后续的图像分析和诊断.因此,抑制相干斑噪声一直是医学超声图像预处理中一个关键性问题.本研究通过对含斑图像做对数变换和冗余小波分解,提出了一种基于Bayesian估计的小波域局部自适应性去斑算法.将斑点噪声和有用信号的小波系数分别建模为瑞利分布和拉普拉斯分布,利用最大后验概率(MAP)准则得到了一种解析的Bayesian估计表达式;进一步通过邻域窗口估计模型参数,使算法具有局部自适应性.实验仿真表明,该算法简单有效,在滤除超声图像斑点噪声的同时,较好地保持了图像的细节特征,其性能优于空间域滤波和传统的小波去噪算法.     

基于小波的医学超声图像斑点噪声抑制方法

斑点噪声是超声图像中固有的噪声。本文提出了一种新的去除斑点噪声的方法，这种方法结合中值滤波和多尺度非线性小波软阈值的优点，首先把原网像进行对数转换，然后把对数转换后的图像进行中值滤波处理，从而把转换后的图像分成两部分，对每一部分进行小波分析，假设小波系数服从广义高斯分布（GGD），利用小波系数的统计特性估计出各个部分各个尺度的阈值，最后用软阈值方法对上述两部分分别去噪。实验结果表明，本文提出的方法在有效去除斑点噪声方面，优于中值滤波，维纳滤波和多尺度非线性阈值算法（MSSNT-A）。     

比较二维小波和二维小波包技术在不同压缩模式下的降噪处理

背景:小波和小波包技术是进行时频信号分析的重要方法。医学图像数字化采集后断层多,数据信息量大,易受噪声影响。采用二维小波技术和小波包技术可以实现肝癌图像的完美压缩和降噪。目的:比较二维小波和二维小波包技术在不同压缩模式下压缩肝癌图像的优劣以及小波降噪的技巧。方法:选用同一幅动脉期肝癌图像,进行4层分解,利用二维小波和二维小波包技术分别进行Balance sparsity-norm、Removen ear0和Bal.sparsity-norm(sqrt)三种模式的压缩处理,再利用小波函数对含噪声信号的图像进行降噪处理。结果与结论:对于同一种压缩模式,二维小波包技术压缩肝癌图像优于二维小波技术,3种压缩模式中Bal.sparsity-norm(sqrt)模式和Remove near0 mode模式压缩比例更小,图像清晰度更好;小波降噪能很好地消除噪声信号。提示利用二维小波技术和小波包技术都可以实现肝癌图像的完美压缩和降噪。     

基于局部小波模式和一致性点漂移的多模医学图像配准

为提高多模医学图像配准的速度、精度和鲁棒性,本文提出一种基于局部小波模式(LWP)和一致性点漂移(CPD)的多模医学图像配准算法。首先提取图像稳定特征点,然后通过局部小波分解编码8邻域信息;接着变换中心像素值,使中心点像素构成的向量取值与小波分解向量取值范围相一致,通过比较中心像素变换向量与小波分解向量计算LWP描述子;最后把结合高斯混合模型后验概率和负对数似然函数的函数作为目标函数,利用一致性点漂移算法进行模型参数估计和空间变换。实验结果表明在图像存在噪声、灰度不均匀和初始误配的情况下,LWP-CPD算法的鲁棒性、配准精度和计算复杂度都达到很好的效果。     

基于小波软阈值滤波的医学图像去噪

目的:为了更好的去除DR医学图像噪声.方法:通过分析其噪声来源,在小波去噪的基础上进行改进.引入方差不变性变换来调整原始图像的噪声模型为高斯噪声模型.图像分解为不同频率的不同子带的小波系数,分别进行不同阈值的滤波.结果:与普通的全局小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比.结论:用此方法处理DR图像在噪声去除、细节质量及骨骼锐化等方面比传统的高斯滤波及小波全局阈值滤波等方法效果要好.     

基于树状小波的超声医学图像阈值函数降噪

针对超声医学图像中存在特有的斑点噪声,利用树状小波分解比传统小波分解精度高的特点,将超声医学图像进行树状小波分解,然后分别采用硬阈值、软阈值和半软阈值函数三种方法进行降噪处理.结果表明半软阈值函数方法是较优阈值函数方法,可以有效地降低原图像的斑点噪声并保留图像细节.     

基于复小波域非线性扩散的超声图像去噪

超声图像易受斑点噪声的干扰,限制了其在医学诊断中的进一步应用。提出了一种将双树复小波变换(DT-CWT)与非线性扩散相结合的超声图像去噪方法。首先,对图像进行双树复小波分解;然后,高频部分和低频部分分别采用自适应对比度扩散和全变差扩散,最后重构图像。给出了实验结果,并与小波阈值收缩和全变差扩散结合的方法、基于小波和基于多小波的非线性扩散方法的图像去噪效果进行了比较。结果表明,本文提出的方法去噪效果更为优越:不但抑制噪声的能力更强,而且能够更好地保留超声图像原有的边缘和纹理特征。     

一种基于模糊规则和小波变换的医学图像锐化增强算法

针对医学图像组织间不明显现象，提出了一种基于模糊规则和小波变换的医学图像锐化增强算法（MFRWTE）。为了避免过增强现象和放大噪声，对不同尺度的小波系数进行锐化增强时，首先计算该尺度低频系数中心像素与其邻域像素的相容性，利用模糊规则将像素分为低细节，中细节和高细节三类，然后利用自适应算法计算非线性细节增益系数。最后通过把增益系数与细节小波系数相乘，小波重建后得到增强图像。实验结果表明，提出的算法对图像细节进行增强的同时能够有效地抑制噪声。用户也可以根据图像的特征，方便的通过调节中细节区域增强因子或小波分解层数获得满意的增强效果。     

基于小波特性与边缘模糊检测的医学图像处理

针对现有医学图像中存在噪声干扰与边缘信号弱等现象,本文通过对二维小波变换进行研究,同时结合图像的边缘的方向性与小波系数的相关性,提出一种基于小波特性与边缘模糊检测的医学图像处理算法。该算法通过改进小波变换与传统边缘模糊检测算法,来提高算法的降噪能力与边缘优化效果。结果表明,其实验结果与预测目标基本相符,该算法能够有效的降低医学图像中的噪声信号同时有效的保留图像的边缘信号,具有清晰度高、降噪能力强等优点。     

A comparison of wavelet and curvelet for breast cancer diagnosis in digital mammogram

This paper presents a comparative study between wavelet and curvelet transform for breast cancer diagnosis in digital mammogram. Using multiresolution analysis, mammogram images are decomposed into different resolution levels, which are sensitive to different frequency bands. A set of the biggest coefficients from each decomposition level is extracted. Then a supervised classifier system based on Euclidian distance is constructed. The performance of the classifier is evaluated using a 2×5-fold cross validation followed by a statistical analysis. The experimental results suggest that curvelet transform outperforms wavelet transform and the difference is statistically significant.     

Homomorphic wavelet thresholding technique for denoising medical ultrasound images

A novel homomorphic wavelet thresholding technique for reducing speckle noise in medical ultrasound images is presented. First, we show that the speckle wavelet coefficients in the logarithmically transformed ultrasound images are best described by the Nakagami family of distributions. By exploiting this speckle model and the Laplacian signal prior, a closed form, data-driven, and spatially adaptive threshold is derived in the Bayesian framework. The spatial adaptivity allows the additional information of the image (such as identification of homogeneous or heterogeneous regions) to be incorporated into the algorithm. Further, the threshold has been extended to the redundant wavelet representation, which yields better results than the decimated wavelet transform. Experimental results demonstrate the improved performance of the proposed method over other well-known speckle reduction filters. The application of the proposed method to a realistic US test image shows that the new technique, named HomoGenThresh, outperforms the best wavelet-based denoising method reported in [1] by more than 1.6 dB, Lee filter by 3.6 dB, Kaun filter by 3.1 dB and band-adaptive soft thresholding [2] by 2.1 dB at an input signal-to-noise ratio (SNR) of 13.6 dB.     

Robust non-homomorphic approach for speckle reduction in medical ultrasound images

Most existing wavelet-based image denoising techniques are developed for additive white Gaussian noise. In applications to speckle reduction in medical ultrasound (US) images, the traditional approach is first to perform the logarithmic transform (homomorphic processing) to convert the multiplicative speckle noise model to an additive one, and then the wavelet filtering is performed on the log-transformed image, followed by an exponential operation. However, this non-linear operation leads to biased estimation of the signal and increases the computational complexity of the filtering method. To overcome these drawbacks, an efficient, non-homomorphic technique for speckle reduction in medical US images is proposed. The method relies on the true characterisation of the marginal statistics of the signal and speckle wavelet coefficients. The speckle component was modelled using the generalised Nakagami distribution, which is versatile enough to model the speckle statistics under various scattering conditions of interest in medical US images. By combining this speckle model with the generalised Gaussian signal first, the Bayesian shrinkage functions were derived using the maximum a posteriori (MAP) criterion. The resulting Bayesian processor used the local image statistics to achieve soft-adaptation from homogeneous to highly heterogeneous areas. Finally, the results showed that the proposed method, named GNDShrink, yielded a signal-to-noise ratio (SNR) gain of 0.42 dB over the best state-of-the-art despeckling method reported in the literature, 1.73 dB over the Lee filter and 1.31 dB over the Kaun filter at an input SNR of 12.0 dB, when tested on a US image. Further, the visual comparison of despeckled US images indicated that the new method suppressed the speckle noise well, while preserving the texture and organ surfaces.     

基于子波多尺度分辨的心电QRS波分类方法的研究

本文分析了心电QRS波的子波多尺度分辨特征,探讨了曲线非线性分开维数的计算方法,提出了一种新的QRS波的分类方法：对心电QRS复合波进行子波多尺度分解,在尺度为4的情况下,根据局部正负极大值对检测出它们前后两个零点Zp1,Zp2,计算出局部正负极大值对位于┃Zp1,Zp┃之间的曲线段的分形维数。根据局部正负极大值对的幅度和分开维数能很好地检出正常心电信号的QRS波及早搏信号;该方法具有很强的抗噪能力,提高了QRS波的正确检出率。     

小波变换在医学图像融合中的应用

图像融合是医学图像处理中的关键技术。文中探讨了基于小波变换的医学图像融合方法。首先对源图像进行小波多尺度分解,然后采用基于窗口的融合规则进行小波系数融合,最后通过小波逆变换重构融合图像。实验结果表明,该方法能在保留原图像信息的情况下增强融合图像的细节信息。     

基于稀疏分解法的单次诱发电位提取

迭代加权稀疏分解法是按照白噪声在小波的多分辨结构中的二尺度关系来确定求最小l1模优化问题时的加权系数,并通过一个迭代过程来逐步消除强噪声的影响。通过对视觉诱发电位的单次提取的研究说明了这种方法具有良好的单次提取效果,其实验结果支持单次提取的视觉诱发电位是不相同的观点。     

基于小波熵的心电信号去噪处理

实测的心电信号不可避免地存在一些强干扰和噪声,如何在强背景干扰和噪声下准确提取出有用的心电信号,是心脏病智能诊断的一个重要内容。提出一种新的基于小波熵的弱心电信号去噪方法,先将信号小波分解,再对不同分解尺度上的高频系数进行小波熵阈值的量化处理,然后利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的高频小波系数分量,组成进行信号重构所需要的系数分量进行重构,将严重的干扰和噪声去掉,实现有效信号的提取。最后分别利用临床的实测心电数据和M IT/B IH心电数据库信号进行验证,并针对不同噪声类型和不同信噪比情况进行分析。结果表明,该方法简单有效,尤其对于高频噪声效果更优,且适于实际应用。     

基于小波分解的多尺度医学图像融合技术

给出了一种基于小波分解的多尺度图像融合新方法。其基本思想是 ,先对源图像进行小波多尺度分解 ;其次 ,采用了基于区域特性量测选择的加权算子的融合规则进行小波系数融合 ;最后通过小波逆变换重构融合图像。实验结果表明 ,该融合方法十分有效 ,融合图像完好地显示了源图像各自的信息。     

Detection of epileptic events in electroencephalograms using wavelet analysis

This study deals with the problem of identification of epileptic events in electroencephalograms using multiresolution wavelet analysis. The following problems are analyzed: time localization and characterization of epileptiform events, and computational efficiency of the method. The algorithm presented is based on a polynomial spline wavelet transform. The multiresolution representation obtained from this wavelet transform and the corresponding digital filters derived allows time localization of epileptiform activity. The proposed detector is based on the multiresolution energy function. Electroencephalogram records from epileptic patients were analyzed, and results obtained are shown. Some comparisons with other methods are given.     

超声医学图像非线性滤波算法研究进展

超声医学成像方法具有实时、无创、方便等优点，在临床上得到了广泛的应用。但由于超声医学成像机制的限制，超声医学图像质量不高。对图像进行滤波就是为了提高人眼和计算机对图像细节的识别能力。本研究讨论了应用于去除超声医学图像斑点噪声的非线性滤波算法的研究现状及其特点，重点介绍了基于中值滤波、小波变换、扩散方程的滤波方法，并把相关算法应用于超声医学图像的处理，直观地比较了各种滤波器的性能。最后展望了超声医学图像非线性滤波算法的发展方向。