基于多尺度非线性扩散的超声图像斑点噪声去除算法

针对现有去噪算法可能造成超声图像细节模糊甚至丢失的问题,本文提出基于多尺度非线性扩散（multiscale nonlinear diffusion,MSND）的超声图像去噪模型.该模型结合冗余拉普拉斯塔形数据分解和非线性扩散的优点,利用冗余拉普拉斯塔形数据分解将图像分解为等大小的空间-频率子带,综合各子带的特征得到图像边缘和细节的精细表示,然后根据所得的综合特征指导各子带图像的非线性扩散.实验结果表明本文算法在去除噪声的同时能有效地保留和增强边界与细节.     

基于非参数自适应密度估计理论的医学超声图像去噪方法

在小波变换域中去除图像中的噪声是近年来的研究热点之一。目前在小波域中对加性噪声的去除已经有了许多研究结果,比如Donoho等的处理方法都得到了很好的应用。但是由于超声图像噪声情况的复杂性,其对去噪的方法提出了更高的要求。为了在去除噪声的同时能够更好的保护边缘及有用的细节信息,本研究结合Birg-éMassart等提出的非参数自适应估计理论,提出一种在平稳小波变换域中对超声图像去噪的方法。实验证明,这种基于非参数自适应估计理论的超声图像去噪方法,与Donoho阈值去噪方法相比,去噪效果有所提高。     

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。     

正电子发射断层扫描图像非局部几何非线性扩散去噪方法

目的:评估一种新的正电子发射断层扫描技术(PET)图像去噪方法—非局部几何非线性扩散滤波。方法:首先,计算PET图像的几何非线性扩散系数;然后,对该扩散系数进行非局部邻域加权平均;最后,用非局部加权平均后的扩散系数对PET图像进行几何非线性扩散滤波。结果:与原几何非线性扩散滤波、非局部均值滤波、PURE-LET滤波方法相比,非局部几何非线性扩散滤波可提高PET图像峰值信噪比和结构相似性,增强图像视觉效果。结论:非局部几何非线性扩散滤波是一种有效的PET图像去噪方法。     

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）。     

基于Contourlet变换和非线性扩散的IVUS图像去噪

血管内超声(IVUS)图像的分割对于动脉粥样硬化疾病的研究和介入治疗具有重要的意义,但由于其自身存在斑点噪声,从而严重影响图像自动分割的准确性和速度.提出一种基于Contourlet变换和非线性扩散的斑点去除算法(CTND);利用自适应的对比度因子,在Contourlet域直接对IVUS图像各方向子带进行非线性扩散滤波,而不需要同态处理.实验结果表明,这种算法在保持IVUS图像强、弱边缘的同时,能有效地去除斑点噪声,并为图像外膜的提取奠定良好的基础.     

基于光学相干层析离体牙图像的去噪算法研究

目的光学相干层析成像因其高分辨率、无损等优点,适于早期龋检测;但由于系统中存在的噪声,影响其成像质量。为了重建牙齿的原貌信息,需寻找一种适于早期龋检测的光学相干层析成像实时图像去噪算法。方法比较平均曲率流滤波、非线性扩散拉普拉斯金字塔算法、非局部均值滤波3种滤波方法对光学相干层析人离体牙图像的去噪效果,从噪声抑制、边界保持、运算时间3方面分析上述3种算法的实时去噪性能及其优缺点。结果非局部均值滤波在噪声抑制和边界保持2个方面能达到很好的平衡,但实时性差;而非线性扩散拉普拉斯金字塔算法则能在滤波效果和运算效率达到较好的平衡;平均曲率流滤波次之。结论非线性扩散拉普拉斯金字塔算法较适于早期龋检测的光学相干层析成像实时图像去噪。     

一种基于模糊均差和小波变换的医学图像去噪方法

小波阈值萎缩法能够有效地去除图像中的噪声,去噪阈值直接影响去噪的效果,而噪声标准差在去噪阈值的确定中起着至关重要的作用。针对医学图像的特点、基于寻找更合适的噪声标准差估计方法,本研究提出了一种新的利用模糊均差代替普通标准方差估计噪声标准差的方法。在各层小波分解的低频图像中利用模糊积分估计噪声标准差,然后确定每一层去噪阈值,进行图像去噪。试验结果表明,本研究算法在去除噪声的同时也较好地保持了图像的细节。     

基于各向异性扩散的B超图像去噪

提出了一种基于各向异性扩散方程的B超图像斑点噪声抑制的算法.斑点噪声是由超声成像机制引起的固有噪声形态,它对B超图像的特征提取、识别和分析带来极大困难.特别是对于边缘提取,斑点噪声使得传统的提取算法几乎都无法取得理想的效果.各向异性扩散方程是一种能有效抑制斑点噪声的算法,本文针对原始算法中扩散系数过饱和的问题以及斑点尺度系数选择的不足,提出了改进的方法,从而在抑制斑点噪声的同时保留甚至增强B超图像中的边缘细节信息,为下一步的边缘提取提供了有效保障.     

基于小波层间相关性的中医诊断图像去噪方法的研究

中医四诊即望、闻、问、切，是中医用于诊断疾病的四个基本方法，它们是中医正确辨证和有效治疗的前提。对中医诊断图像进行去噪可以提高医学图像的信息利用率，小波变换是目前最新的时频分析工具，是中医诊断图像去噪的强有力处理工具。本文提出了一种基于小波层间相关性的中医诊断图像去噪方法，实验证明，该去噪方法能有效去除中医诊断图像中的噪声。     

眼科高频超声成像中斑点噪声抑制算法的研究

目的 斑点噪声是超声图像中存在的固有问题,而在眼科高频超声这种更为精细的超声检查中,有效地抑制斑点噪声能提高图像的质量,有助于临床医生对病情的判别.方法 提出了一种新的基于拉普拉斯（Laplacian）金字塔的多尺度斑点去噪方法.采用Laplacian金字塔,从斑点噪声中分离出临床图像特征,根据每层子带图像不同尺度及特点,从小尺度到大尺度,首先采用改进后的八方向各向异性斑点去噪（SRAD）去除图像斑点,然后增强图像的边缘、细节及对比度等方面.该方法与传统的SRAD滤波及相干增强滤波（CEDIF）进行对比,采用等效视数及算法的时间耗费对实验结果进行量化评估.结果 与传统SRAD滤波及CEDIF滤波方法相比,基于Laplacian金字塔的多尺度各向异性斑点去噪方法均高于前两种方法（1.172 3 vs 1.122 3、0.929 3及0.864 0 vs 1.396 0、1.468 3）.结论 本研究提出的基于Laplacian金字塔的多尺度各向异性斑点去噪方法在更有效地去除图像斑点噪声的同时,能很好地保存图像边缘及图像细节等.     

一种新的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。现有的用于斑点噪声抑制的自适应滤波方法,小波软阈值方法及小波域内细节抛弃法在去除噪声的同时,不同程度地丢失了一些图像细节。针对这一问题。本文提出了一种新的结合自适应中值滤波和小波软阈值处理的超声图像斑点噪声抑制方法。对计算机仿真图像及超声图像进行处理的结果表明,本文提出的新方法在有效去除斑点噪声的同时,很好地保留了图像的细节,优于上述的其他方法。     

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.     

基于多层小波分解与稳定分布的超声图像散粒噪声抑制新方法

医学超声图像在应用中遇到的一个重要问题是如何消除图像中由于散射现象的相干本质而引起的多径乘性散粒噪声。对数超声图像的二维小波系数服从具有尖峰和拖尾的边缘分布的非高斯分布。α稳定分布可以用来描述这类重拖尾非高斯尖峰脉冲信号和噪声。本研究利用一种散粒噪声模型，通过对对数超声图像的多层小波分解的高频系数的分析与稳定分布建模，提出了一种新的基于闽值的二维小波分解系数的检测分类方法，得到一种基于多层小波分解与稳定分栉模型的超声图像散粒噪声的抑制新方法。仿真结果表明，该方法比传统的基于高斯假设下的阈值去噪方法性能更好。     

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。     

Wavelet-Based Diffusion Approach for DTI Image Restoration

The Rician noise introduced into the diffusion tensor images （DTIs） can bring serious impacts on tensor calculation and fiber tracking. To decrease the effects of the Rician noise, we propose to consider the wavelet-based diffusion method to denoise multiehannel typed diffusion weighted （DW） images. The presented smoothing strategy, which utilizes anisotropic nonlinear diffusion in wavelet domain, successfully removes noise while preserving both texture and edges. To evaluate quantitatively the efficiency of the presented method in accounting for the Rician noise introduced into the DW images, the peak-to-peak signal-to-noise ratio （PSNR） and signal-to-mean squared error ratio （SMSE） metrics are adopted. Based on the synthetic and real data, we calculated the ap- parent diffusion coefficient （ADC） and tracked the fibers. We made comparisons between the presented model, the wave shrinkage and regularized nonlinear diffusion smoothing method. All the experiment results prove quantitatively and visually the better performance of the presented filter.