多线性子空间学习的医疗图像去噪方法
【专利摘要】本发明为一种多线性子空间学习的医疗图像去噪方法，将时域和频域信息相结合，并采用多线性子空间学习方法，能够对图像中提取的小块直接去噪。步骤一、空间转换模块将超声图像通过对数变换，变换到对数域后进行后续计算；步骤二、分块模块将超声图像分成相互重叠的相等的小块；步骤三、聚类模块将分好的小块通过聚类方法分成N类，用于后续去噪计算处理；步骤四、去噪模块将每一类的小块直接排成体数据，应用多线性子空间学习方法对每个小块进行去噪；步骤五、聚集模块将去噪后的每一个小块重新返回到图像上的原始位置；步骤六、空间逆转换模块将第五步获得的图像，通过指数变换，变换回最原始的图像空间，所得到的图像即为最终的去噪图像。
【专利说明】多线性子空间学习的医疗图像去噪方法
【技术领域】
[0001] 本发明为一种多线性子空间学习的医疗图像去噪方法，可用于多种医学图像的噪 声去除。
【背景技术】
[0002] 对器官的精确显示在现代医疗中起到非常重要的作用。在很多医学成像技术中， 由于超声成像的非侵入性，硬件的便携性，实时成像以及性价比高等特性已被广泛的应用 于医疗辅助诊断中。但相比于其他成像设备，如CT和核磁共振，超声的噪声非常多。通常 认为超声的噪声是乘性斑点噪声，其降低了图像质量，模糊了细节信息以及物体边缘，限制 了图像的对比度。因此，如何减少斑点噪声并保持图像信息是目前研究的热点。
[0003] 目前现有的图像去噪方法可根据噪声产生的时间大体分为两类：混合方法和后处 理方法。混合方法需要在同一区域产生多幅图像，并把它们结合成一幅图像。此方法并不 是本发明所覆盖的范围。本发明的内容是关于后处理的方法研究，也就在超声图像生成后 进行图像去噪。到目前为止，已经有很多图像去噪方法被提出来，可分成三类：频域去噪方 法，时域去噪方法和视频域去噪方法。目前研究表明，主成分分析法可有效去除图像噪声。 首先将图像分成很多相等的小块。由于主成分分析法是线性子空间学习方法，只能对矢量 进行处理。因此，首先要将这些小块展开成矢量后，再用主成分分析法进行处理。这一过 程，会破坏每个小块中本来的结构特征，另外由于矢量的维数也许大于样本的个数，会造成 过度拟合的现象。
【发明内容】
[0004] 为了克服以上问题，本发明将时域和频域信息相结合，并采用多线性子空间学习 方法，能够对图像中提取的小块直接去噪。
[0005] 多线性子空间学习的医疗图像去噪方法，包括以下步骤：
[0006] 步骤一、空间转换模块将超声图像通过对数变换，变换到对数域后进行后续计 算；
[0007] 步骤二、分块模块将超声图像分成相互重叠的相等的小块；
[0008] 步骤三、聚类模块将分好的小块通过聚类方法分成N类，用于后续去噪计算处理；
[0009] 步骤四、去噪模块将每一类的小块直接排成体数据，应用多线性子空间学习方法 对每个小块进行去噪；
[0010] 步骤五、聚集模块将去噪后的每一个小块重新返回到图像上的原始位置；
[0011] 步骤六、空间逆转换模块将第五步获得的图像，通过指数变换，变换回最原始的图 像空间，所得到的图像即为最终的去噪图像。
[0012] 本发明的有益效果：本发明将时域和频域信息相结合，并采用多线性子空间学习 方法，对图像中提取的小块直接去噪。由于图像被分成小块，并对相似的小块进行去噪，此 过程可用GPU进行加速，以提高算法的计算速度。
【专利附图】
【附图说明】
[0013] 图1为图像去噪方法流程图；
[0014] 图2为基于广义多维独立成分分析法的空间转换；
[0015] 图3为三维体数据分别在第一个模式，第二个模式和第三个模式展开得到的三个 矩阵。
【具体实施方式】
[0016] 下面结合具体实施例和附图详细说明本发明。
[0017] 如图1所示，本发明的基于多线性子空间学习方法的快速医疗图像去噪方法包括 以下几个步骤：
[0018]步骤SlOl，读取待去噪的图像数据。
[0019]步骤S102，将读取的图像数据，进行对数变换，变换到对数空间，将图像空间中乘 性噪声转换成加性噪声，使得后续去噪处理更加有效。式1为原始带有乘性噪声 的图像数据gOT(x，y):
[0020]
【权利要求】
1. 多线性子空间学习的医疗图像去噪方法，其特征在于，包括以下步骤： 步骤一、空间转换模块将读取的超声图像进行对数变换，变换到对数空间，从而将图像 空间中的乘性噪声转换成对数空间中的加性噪声； 步骤二、分块模块将超声图像分成相互重叠的相等的小块； 步骤三、聚类模块将分好的小块通过聚类方法分成N类，用于后续去噪计算处理； 步骤四、去噪模块将每一类的小块直接排成体数据，应用多线性子空间学习方法对每 个小块进行去噪； 步骤五、聚集模块将去噪后的每一个小块重新返回到图像上的原始位置； 步骤六、空间逆转换模块将第五步获得的图像，通过指数变换，变换回最原始的图像空 间，所得到的图像即为最终的去噪图像。
2. 如权利要求1所述的多线性子空间学习的医疗图像去噪方法，其特征在于，其中步 骤二中的小块的大小根据实际情况不同大小取不同，为正方型或长方形，且小块之间为重 叠或相交。
3. 如权利要求1或2所述的多线性子空间学习的医疗图像去噪方法，其特征在于，其中 步骤三中采用以下聚类方法中的一种：K-means算法，K-medoids算法，Clarans算法，BIRCH 算法、CURE算法、CHAMELEON算法，DBSCAN算法、OPTICS算法、DENCLUE算法，图论聚类法， STING 算法、CLIQUE 算法、WAVE-CLUSTER 算法。
4. 如权利要求1或2所述的多线性子空间学习的医疗图像去噪方法，其特征在于，其中 步骤四中通过低秩最小二乘最小均方误差法实现去噪降维。
5. 如权利要求4所述的多线性子空间学习的医疗图像去噪方法，其特征在于，其中对 步骤四采用GPU进行加速，对不同类别组小块进行并行去噪处理。
【文档编号】G06T5/00GK104318521SQ201410515240
【公开日】2015年1月28日 申请日期:2014年9月29日 优先权日:2014年9月29日
【发明者】艾丹妮, 杨健, 王涌天, 刘越 申请人:北京理工大学