基于小波变换和三边滤波器的医学超声图像去噪方法
【技术领域】
[0001] 本发明应用于医学超声图像去噪领域，设计一种适用于医学超声图像的基于小波 变换的去噪方法。
【背景技术】
[0002] 随着科技的发展，在医学成像领域，超声成像、CT、MRI等成像技术已应用于医学临 床诊断中。由于超声成像技术凭借高分辨率，操作简单，即时性等优点快速发展，具有无创、 无放射性损害、快捷方便等特性，已经成为一种广泛使用且高度安全的医疗诊断技术。尤其 对人体的身体器官检查及肿瘤组织，超声成像技术的使用更为重要。
[0003] 由于超声成像机理的限制，斑点噪声的存在严重影响了超声图像的质量，导致了 超声图像质量较差。斑点噪声的产生是由于超声成像中的基本分辨单元内存在大量的随机 散射现象，在图像上表现为空间域内相关的形状各异的小斑点，它将掩盖那些灰度差别很 小的图像特征。对于临床医生而言，斑点噪声对他们的准确诊断造成了很大的干扰，特别是 对于经验不是很丰富的医生造成的影响更大。因此，从临床应用的角度出发，需要研究去除 斑点噪声的算法，为医生做出更准确的诊断提供技术支持，降低人工诊断的风险。
[0004] 由于医院资源的局限性，特别是医生每天进行人工诊断病人的数量无法满足社 会整个阶层的需求，即面临着病人多医生少的情况。因此，各种自动诊断仪器的需求越来越 大，自动诊断仪器的出现，一方面可W节约医生资源，另一方面可W方便更多的病人进行诊 断。随着当今社会经济的飞跃发展，人们自身健康情况却不容乐观，所W人们对家用型医疗 自动诊断仪器的需求也非常大，例如家用超声图像自动诊断仪等。但是超声图像自动诊断 仪同样面临着图像质量不高的问题，并且自动诊断仪需要对超声图像做后期的智能分析， 如特征提取、边缘检测和图像分类识别等。因此，从自动化诊断技术的角度出发，需要研究 去除斑点噪声的方法，为图像的后期智能处理提供技术保障，促进自动诊断技术的发展。
[0005] 综上所述，研究医学超声图像去噪方法具有非常重要的意义：
[0006] (1)提高医学超声图像的质量，改善视觉效果；
[0007] (2)方便医生更加准确地针对病灶区域做出判断，降低辅助诊断的风险；
[000引（3)促进超声图像自动化诊断技术的发展，具有不可估量的价值。
[0009]在数字图像处理领域，滤波常用来修改或增强图像，对图像的某些特征，如轮廓、 边缘、细节和对比度等进行锐化，提高图像的视觉质量。由于抑制斑点噪声具有非常重要的 意义，众多科研工作者在此问题上投入了大量的精力。近几十年来出现的医学超声图像去 噪方法，可W简单分为5种类型：自适应去噪方法、各向异性扩散去噪方法、非局部均值去 噪方法、小波变换去噪方法和混合型去噪方法。通过实验虽然自适应滤波方法的复杂度低， 但是往往会模糊图像的细节部分，对于斑点噪声的抑制效果不是很理想。各向异性扩散去 噪方法，具有很强的去噪能力，但是结果可能会出现过度平滑的现象。非局部去噪算法对于 斑点噪声的抑制效果比较理想，但是运类去噪方法的复杂度较高，不易满足医学超声成像 系统的实时性要求，往往用于医学超声图像的后期去噪处理。虽然双边滤波器能够很好地 保持边缘信息得到大家的认可，但是由于双边滤波器运算复杂度较高并且存在"梯度失真" 现象，并不能满足医学超声成像系统的实时性要求。
【发明内容】
[0010] 本发明要克服现有技术的上述缺点，结合斑点噪声的模型的特点和医学超声图像 的处理需求提出了一种新的去噪方法，即一种基于小波变换和Ξ边滤波器的医学超声图像 去噪方法。
[0011] 小波变换具有时频分析和多尺度分析等优越性，并已在图像处理领域得到了广泛 的应用。在处理加性噪声问题时，小波的去噪效果较好，能够满足一般的产品需求。然而，仅 仅利用小波变换的去噪方法对医学超声图像中斑点噪声的抑制效果不好。虽然双边滤波器 在去噪的过程中也能很好保持边缘信息，但是其效率较低，运行时间将会很长并且存在"梯 度失真"现象，难W用于实时系统。随着图像的分辨率越来越大，运在很大的程度上限制了 双边滤波的应用空间。因此本发明利用Ξ边滤波器替换掉双边滤波器，极大提高去噪性能 和运算效率。对于Ξ边滤波器，一方面可W去除低频部分的脉冲噪声和斑点噪声，另一方面 保持图像边缘细节，并且可W解决梯度失真的问题。具体思路如下：在传统的小波去噪方 法的基础之上，根据小波域内超声图像及斑点噪声的统计特性，提出了改进的自适应小波 收缩算法，能够更有效地去除高频部分的斑点噪声;然后通过提出的Ξ边滤波器去除低频 噪声。
[0012] 基于小波变换和Ξ边滤波器的医学超声图像去噪方法，包括如下步骤：
[0013] 步骤1)建立医学超声图像模型
[0014] 如果认为超声成像系统能够对那些影响声波功率的因素做出恰当的动态补偿，贝U 超声成像系统采集的包络信号由两部分组成，一是有意义的体内组织的反射信号，另一部 分是噪声信号。其中噪声信号可分为相乘噪声与相加噪声。相乘噪声与超声信号成像的原 理有关，主要来源于随机的散射信号。相加噪声认为是系统噪声，如传感器的噪声等。对于 包络线的通用模型模型如下
[0015] s(x,y)=r(x,y)n(x,y) (1)
[0016] 运里，（x，y)代表2D空间坐标，;r(x，y)表示无噪声信号，n(x，y)表示相乘噪声。
[0017] 为了适应超声成像系统显示屏幕的动态显示范围，对超声成像系统采集到的包络 信号进行对数压缩处理。此时相乘的式(1)模型将变为相加的模型，如下
[0018] log(s(x,y)) = log(r(x,y))+log(n(x,y)) (2)
[0019] 此时，得到的信号log(s(x，y))即是通常看到的医学超声图像。
[0020] 步骤2)对第一步得到的对数变换后的图像进行小波分解，得到四个频域化Li、LHi、 化1和皿1)。
[0021] LL1分量是对原始信号LL0的列和行进行小波分解后得到的低频分量，即一级小波 分解后近似部分，它包含了原始图像最多的低频信息；
[0022] LH1是一次小波分解后的垂直方向上的高频分量，即它包含了图像水平方向上的 近似信息和垂直方向上的边缘等高频信息；
[0023] HL1是一次小波分解后的水平方向上的高频分量，即它包含了图像垂直方向上的 近似信息和水平方向上的边缘等高频信息；
[0024]皿1是一次小波分解后对角方向上的高频分量，即它包含了图像水平和垂直方向 上的边缘等高频信息；
[002引对低频域LLi继续进行小波分解，再得到第二层四个频域化L2、LH2、HL哺HH 2)。然后 重复运个步骤，直到分解最大层数J。
[0026] 由于小波变换是线性变换，因此式(3)模型经过二维离散小波变换后得到下面模 型：
[0027]
(3)
[002引其中妓、巧和分别表示含有噪声图像的小波系数、无噪声图像的小波系数 和斑点噪声的小波系数。其中上标j为小波变换的分解层数，下标(l，k)为小波域内的坐标。
[0029] 经过小波分解后的无噪信号的小波系数巧*服从广义拉普拉斯分布，其概率分布 如下
[0030]
a，b>〇 t4)
[0031] 式中：
鬼伽马函数，b为形状参数，a为尺度参数，
[0032] 同时斑点噪声的小波系数Λ&服从零均值高斯分布
[003；3]
(5)
[0034] 式中ON为小波域内噪声的标准差。
[0035] 步骤3)对每一层的高频部分化Hj、HLj和HHj，j = l，2, . . .，J)的小波系数进行阔值 法收缩处理。
[0036] 在小波去噪方法中，阔值函数的选择会直接影响到最终的图像去噪结果。当阔值 选择较小时，一部分大于该阔值的噪声系数会被当作有用信号保留下来，运就导致去噪后 的图像依然存在大量噪声；当阔值选择较大时，会将很多系数很小的有用信息当作噪声而 置零，运将使得去噪后的图像变得很平滑，损失很多细节信息。因此选择恰当的小波阔值函 数非常重要。
[0037] Donoho等人提出了一种典型的阔值选取方法，并且从理论上证明了该阔值与噪声 的标准差成正比，改阔值函数又称为统一阔值函数，其公式如下
[00 測
C 6)
[0039] 其中，Μ即是对应小波域内小波系数的总体个数，On是噪声的标准差。在运种阔值 函数中，阔值T受小波系数的个数影响较大，即当Μ过大时，较大的阔值可能会平滑掉那些系 数较小的有用信息。
[0040] 基于式(7)的基础之上，提出了一种更加适合超声图像的阔值函数，其公式如下
[00…
（7)
[0042]其中，Tj是新的阔值函数，On是噪声的标准差，戈表j层的自适应参数。运是种常 见的阔值改进的方法，的选取是根据实验决定的，在小波分解后，在不同层分解的小波系 数具有不同的分布，由此t非勺选择基于j层的选择，但运种选择不是最佳的，如果适当的选 择，所提出的方法将反射更多的优越性。
[0043] 在小波去噪方法中，首先选定一个给定阔值，然后按照一定