一种便携式B型超声诊断设备图像的去噪方法与流程

本发明涉及超声图像
技术领域：
，具体涉及基于图论中广度优先搜索的识别不规则噪声块的方法以及一种空间域去噪的图像处理算法。
背景技术：
：随着社会科技水平的进步，各种嵌入式硬件设备性能也随之提高，为传统的超声医疗诊断设备便携化提供了条件。但是设备体积的缩小不利于对诊断设备进行电磁屏蔽，并且无线传输的特性使数据的传输在速度上也会有所减慢。因此目前的便携式超声诊断设备显示的图像出现了一些传统超声诊断设备没有的噪声，在图像显示的速度上也有所减慢。这都是急需解决的问题。目前图像处理领域对于如何降噪已经有了较成熟的研究，其主要思路分为空间域降噪与变换域降噪。常用的超声b型图像空间域去噪方法有双边滤波、nlm去噪方法；变换域降噪方法中有小波域值变换方法、小波相关性去噪方法等。对于b模式超声图像来说，目前这些算法在降噪效果上是比较好的，但在运行时间上会出现速度较慢的现象，无法进行实时显示。上述的去噪方法主要是根据图像原始信号的斑点噪声模型而进行去噪分析的，但真正的超声图像经过变换、压缩、插值等方法处理后，原始信号中噪声的特性将不再存在。此外由前端电磁屏蔽效果不好引起的图像远场出现噪声的现象也急需解决。本发明对图像邻域分类处理的方式，对于不同类型的邻域进行不同的降噪处理，达到图像降噪的目的；同时为了提高显示速度使用opencl进行图像算法运算的加速。针对由电磁干扰引起的噪声，通过观察其特性使用空间域滤波的方式进行滤除。这些创新性方法可以使便携式b型超声诊断设备的图像显示效果更好。技术实现要素：由于便携式b型超声诊断设备存在电磁干扰噪声、分辨率低、图像噪声等问题，严重影响设备成像质量。本发明针对便携式b型超声诊断设备所产生的过程图像进行去噪处理，解决了上述问题，并使得该类设备最终所显示的图像具有更好的可供诊断价值。本发明的目的是通过以下技术方案实现的：首先，解决电磁干扰引起的远场噪声，通过对噪声的空间域与频率域的分析，选择分析统计这些噪声在空间域中的特性，根据其特性将其滤除。然后，针对便携式超声诊断设备分辨率低、噪声明显的特性，用像素差异指数的计算对图像区域进行区分，并用广度优先搜索加速判别噪声块位置，找到噪声块外边缘轮廓，然后将其滤除；最后，在实现噪声滤除算法的同时对其进行加速处理，以满足实时性的要求。本发明的流程图如图1所示，具体步骤如下：步骤一：去除电磁干扰引起的图像噪声，从空间域噪声的分布特性上进行噪声的滤除；便携式b型超声设备远场的干扰噪声噪声是由于前端屏蔽工作不足产生的，它常常会具有某些固定的频率特性，因此常见的处理方法是分析其频率域特性对其进行滤除。由于接收到超声回波信号之后还要经过压缩、差值等处理，这些处理使得在便携式b型超声诊断设备的服务器端接收到的数据不再具有固定频率。因此要尝试换一种角度，从图像空间域去噪的思路来解决这一问题，通过分析与观察发现，电磁干扰在空间域的分布是存在一定特性的，首先远场的干扰噪声均是像素值明显高于正常图像像素点的像素值的，并且每一帧图像的电磁干扰噪声会连续出现在一条线数据上，而在线与线之间不存在连续数据。每条线上的数据可以通过相邻两条线的叠加进行去除。对于一帧图像数据进行逐点判断，像素点f(i,j)表示图像中第i行第j列对应的像素值，若该像素点f(i,j)与其相邻两条线(首线与尾线除外)f(i-1,j)及f(i+1,j)的像素值均大于阈值δ，则可以判断其为电磁噪声像素点，滤除方式如下公式：f(i,j)＝(f(i-1,j)+f(i+1,j))/2这种电磁噪声在空间域分布特征非常像图像中存在孤立像素点的椒盐噪声，对于椒盐噪声较好的处理方式是中值滤波，但是在便携式b模式诊断设备中，利用中值滤波的效果是不好的，这是因为电磁干扰产生的噪声在线与线之间是存在孤立特性的，但在一条线上却不存在孤立特性。通过该种方法使图像远场噪声全部被滤除，算法效果较好，图像近场的重要位置没有受到影响，依然能够保持很好的对比度与细腻度。步骤二：本专利定义了像素差异指数pd，通过参数pd对图像分块分类再针对每个不同类的分块进行处理，从而达到去噪的效果。经过步骤一的去噪后图像远场的噪声能够得到很好的抑制，对于图像中背景噪声较多的现象，目前常用的超声图像去噪算法都是基于图像噪声为乘性噪声模型进行处理的，其中模型如下式：s(i,j)＝f(i,j)·v(i,j)+v0(i,j)其中函数f()表示真实的图像，函数s()表示受到噪声污染的图像，函数v()是乘性噪声，函数v0()是随机加性噪声。这种噪声模型并不符合实际的超声诊断设备。在超声换能器中采集到的信号还要经过压缩、插值等处理，使得原始信号的某些特性发生改变，上述的噪声模型不再适用。本发明通过超声图像噪声本身的特点来研究这一问题，而非原始信号，这样会更有利于处理图像噪声。像素差异指数pd的定义为：像素差异指数表征了在n×n像素个大小的区域内噪声存在的多少，像素差异指数pd越大，则证明此区域越有可能包含边缘。其中μi,j表示邻域内的均值。在b模式超声图像中，本专利将图像中固定大小的邻域分为三种邻域：1)均匀邻域：既不包含噪声也不包含边缘部分的邻域；2)边缘邻域：邻域中包含边缘的邻域，注意边缘邻域也可能含有噪声；3)噪声邻域：含有噪声却不包含边缘的邻域。区分b型超声图像邻域的种类要借助像素差异指数pd。由于均匀邻域的像素值差异是要比其他邻域小很多的，因此它的像素差异指数应该是最小的。噪声邻域的是在均匀像素的基础上由于超声波相干性的特性，导致出现的图像噪声，这种噪声不会过大，因此其像素值的差异会比均匀邻域的大；而含边缘的邻域是像素值差别最大的邻域，其像素差异指数必然会大于噪声邻域与均匀邻域。其算法步骤如下：(1)将图像分成多个p×p像素大小的分块，其中p为分块的长与宽，对每个分块进行像素差异指数pd的计算。同时设置两个阈值p1、p2。若像素差异指数pd＜p1，则可以判定此分块为均匀邻域，无需进行处理。若像素差异指数p2＞pd＞p1,则可以判定此分块含有噪声，应进行降噪处理。若像素差异指数pd＞p2，则可以判定此分块中含有边缘部分，但可能也有噪声。因此需要做进一步的处理对噪声区域进行降噪同时对边缘区域进行加强。(2)若判定为噪声区域，就可以认为此区域内是没有边缘像素点的，因此可以采用广度优先搜索的方式最快地找到图像中的噪声像素点，并将其滤除。广度优先搜索的算法步骤如下：a.设置位置队列v与记忆队列w，同时又一个标记矩阵s。b.取噪声邻域中最左上位置的像素点f(i,j)，判断它是否被标记，若未被标记，则判断它与分块均值的差值是否大于一定阈值δ，若大于阈值则将f(i,j)的位置存入v中与w中；如果该像素点为已标记，则不进行任何计算，直接跳到下一个像素点。c.若v不为空，则从中一处头元素f(i,j)的位置，判断它是否被标记，若未被标记，则判断其相邻元素与μi,j的差值大于一定阈值δ，若大于则该像素点为噪声像素点，并将此元素的位置存入v中与w中。若v中不空则重复步骤二的第(2)步；若为已标记，则直接跳到下一个元素。d.若v为空，则证明w中存有的本身就是不规则噪声块位置，对w进行遍历，找到周围非噪声像素点(即p×p窗口中不包含在w中的位置)的像素值进行叠加取均值。(3)若判定为边缘区域，此区域可能会含有噪声，并且无法使用广度优先搜索进行加速去噪。因此需要使用q×q个像素大小的窗口在该区域内滑动(q＜p)，计算出每个窗口的像素差异指数pd。当pd＞p2时，则该区域包含边缘，使用线增强的方式进行处理。当pd＜p1,则此区域是均匀区域不进行处理。此外则该区域就是噪声区域，采用均值处理即可。基于像素差异指数pd的去噪方法能够使图像背景噪声很明显的被去除，图像细腻度变好，并且不影响图像的对比度以及边缘保持度。步骤三：对基于像素差异指数pd的去噪算法进行gpu加速，从而满足超声实时性的要求。即使使用广度优先搜索进行算法加速，也无法设备显示图像满足实时性的要求。因此在服务器端采用gpu对算法加速处理。该便携式超声设备的服务器端的接收数据与显示，因此采用opencl框架语言对上述基于像素差异指数的去噪方法进行加速实现，最终能够满足实时性的要求。gpu加速的步骤如下：(1)初始化opencl平台，进行程序的平台选择与设备查询；(2)内核的执行，首先创建上下文(context),为了方便管理opencl程序，通用设备(devices)、程序对象(programobjects)、kernels、内存对象(memoryobjects)都需要与context进行链接。然后再依次创建命令队列、内核函数、program对象等，一切创建完毕，执行内核。(3)内核函数的设计，这里在每一个工作项中，只进行一个像素点的去噪过程。实现gpu加速后的基于像素下差异指数的去噪方法不仅能够在图像去噪上得到较好的改善，也能满足设备图像实时显示的需求。本发明与现有技术相比具有如下优点：本发明是针对便携式超声诊断设备研究设计的，只有便携式设备才会需要对电磁干扰而产生的图像噪声进行处理。同时在去除超声图像噪声的算法中，是从超声图像本身的角度以及噪声的特性进行研究，而现有的算法虽然可能拥有较好的去噪效果但针对超声图像没有一个系统的研究。同时便携式设备的计算能力也没有传统的超声设备强，因此在算法的设计上要考虑实时性的问题，除了采用图论中的广度优先搜索提高运算速度外，还使用了gpu技术对算法进行加速，使图像能够实时显示，达到一秒20帧以上的速度。附图说明图1为本发明方法的流程图。图2为未插值的便携式b模式超声原始图。图3为去除原始图像电磁干扰噪声的结果图。图4为均匀邻域像素差异指数与窗口大小关系图。图5为噪声邻域像素差异指数与窗口大小关系图。图6为边缘邻域像素差异指数与窗口大小关系图。图7为插值后的b模式含噪原始图像。图8为插值后的基于像素差异指数去噪的matlab仿真图像。图9为便携式b型超声诊断设备产生的图像图10为便携式b型超声诊断设备加入去电磁干扰噪声算法所显示的图像图11为便携式b型超声诊断设备去除电磁干扰并且调节对比度后的图像图12为便携式b型超声诊断设备已去电磁干扰并加入基于像素差异指数的去噪算法产生的图像图13为便携式b型超声诊断设备已去电磁干扰并加入传统去噪方法所产生的图像具体实施方式下面结合实施例和附图说明本发明的具体实施方式。将基于像素差异指数的去噪方法及去除电磁干扰而产生的噪声算法在便携式超声诊断设备上进行实现。该便携式超声诊断设备由前端硬件电路作为客户端，负责产生超声波信号以及接收回波信号、对信号进行相关处理。再用无线传输的方式由服务器端接收，服务器端负责将接收到的信号进行处理与显示。执行步骤一：实现去除由于电磁干扰而产生的噪声的算法。首先将接收到的超声波信号进行预处理，从原来的16位数据转化为8位无符号整型数据。同时根据超声波传播特性进行时间增益补偿及对数压缩，使原始的超声波图像能够以灰度图像的形式进行显示。去除电磁干扰噪声的算法较为简单，设计一个函数其参数列表包含每一帧接收数据的指针，在函数内部设计一个for循环以遍历每一个位置的像素点，判断它与相邻线上的点数据值的差值是否大于阈值，若判定为电磁噪声干扰，则该像素点的像素值由相邻线上对应位置像素点的像素值平均值代替。进行该方法的matlab仿真后其效果图如图2、图3所示。算法实现后，其原始图像与去电磁干扰噪声图像如图9图10。可以看到两幅图像的实际运行结果与仿真结果一样，都能够较好的去除图像远场中产生的噪声干扰，并且对近场的图像影响不大。执行步骤二：实现基于像素差异指数pd去噪算法。为了验证以上分析的正确性，对便携式超声设备中真实的图像进行matlab仿真，观察其不同邻域的系数变化。图4中是b模式超声图像中截取的均匀邻域像素块的像素点个数从3×3大小直到增大为41×41大小的像素差异指数pd图像。其中图4的横坐标为半窗口长度k，纵坐标为像素差异指数pd。可以观察到随着窗口的变化，pd会随之变化，像素差异指数pd均小于3.5。图5是b模式超声图像中截取的噪声邻域像素块，其像素点个数从3×3增长到41×41大小的像素差异指数pd图像，噪声邻域的像素差异指数在5.6至6.8之间。图6是b模式超声图像截取的边缘邻域图像，其像素块大小同样是从3×3像素大小增长到41×41像素大小，边缘邻域的像素差异指数pd不会低于8。因此在实际的超声图像中可以用像素差异指数pd的方式来进行判断。依照上述的算法原始进行实现。在实现过程中，要注意由于平板像素分辨率与仿真时的显示分辨率不同，因此图像去噪效果会有所不同，这时应该调整阈值与窗口大小来尽可能能够达到较好的效果。图7、图8为基于像素差异指数去噪的matlab仿真结果图；图11图12分别为设备中的原始图像以及使用基于像素差异指数去噪后的图像实际运行效果与仿真效果基本一致，去噪效果较好，下面时未验证基于像素差异指数的去噪方法效果，本专利在相同的设备中实现传统b型超声诊断设备去噪方法,包括线平滑、线滤波、线增强、帧相关算法。图13为便携式b型超声诊断设备中传统b型去噪方法的实现结果图，对比发现传统方法对噪声的去除效果没有本专利提出的基于像素差异指数的去噪方法好，并且传统方法会模糊图像边缘。其客观参数指标如表1所示。其中psnr为峰值信噪比，其值越大代表去噪效果越好；mse为均方误差其值越接近0表示与原图像像素空间分布越接近；ssim结构相似度表征两幅图像的结构、亮度、对比度上的衡量，越接近1效果越好；ag为平均梯度，其值越大代表图像细节效果越好。可以从主观观察与客观参数对比两个算法，本专利提出的基于像素差异指数去噪方法均优于传统去噪方法。但是基于像素差异指数的去噪算法运行速度较慢，设备不能实时显示，会出现卡顿现象。经测试，一帧图像从开始的接收到处理完毕耗时0.7-1.0秒的时间，该运行时间无法满足实时性的要求。表1去噪图像的客观参数指标算法名称psnrmsessimag本专利方法31.32527.5627e-040.961311.7530传统去噪方法29.13283.7235e-040.958210.2815执行步骤三：对基于像素差异指数pd去噪算法的加速。由于算法复杂度过高因此需要借助平板gpu进行加速处理。首先进行opencl的初始化，进行程序的平台选择与设备查询；第二项是内核的执行，首先创建上下文(context),为了方便管理opencl程序，通用设备(devices)、程序对象(programobjects)、kernels、内存对象(memoryobjects)都需要与context进行链接。然后再依次创建命令队列、内核函数、program对象等，一切创建完毕，执行内核。本设备gpu一个工作组通常含有64个units，而每16个工作项公用一个局部内存，理论上会有512个工作项，但是由于每一个工作内存的局部内存较小，厂商推荐的工作组大小设为64比较合理。因此，实现时执行内核设置工作组中工作单元的分数采用8×8的参数运行。第三项：内核函数的设计，这里在每一个工作项中，只进行一个像素点的去噪过程。实现后，从图像中可以观察到图像细腻度变好，背景噪声明显减少，图像质量得到提高。并且该算法处理一帧图像的速度达到0.02-0.04秒，该处理速度能够达到实时显示的要求。当前第1页1 2 3