基于贝叶斯模型的超声图像斑点噪声滤波方法
【专利摘要】本发明公开了一种基于贝叶斯模型的超声图像斑点噪声滤波方法，具体包括：S1、建立基于贝叶斯模型的非局部滤波模型；S2、采用Gamma分布拟合经对数压缩后超声图像中的斑点噪声，进而得出基于Pearson统计距离的权重函数；S3、求解非局部滤波模型中的变量；S4、采用求解后的非局部滤波模型对超声图像中斑点噪声进行滤波处理。本发明能够有效的滤除超声图像中的斑点噪声，提高超声图像的成像清晰度。
【专利说明】基于贝叶斯模型的超声图像斑点噪声滤波方法
【技术领域】
[0001] 本发明涉及超声图像滤波【技术领域】，尤其涉及一种基于贝叶斯模型的超声图像斑 点噪声滤波方法。
【背景技术】
[0002] 在超声信号的采集过程中，由于斑点噪声的存在，使得重建的超声图像质量明显 比CT、MRI等成像模态的差。为了提高超声的图像质量，通常需要对斑点噪声进行滤波去 噪。但由于斑点噪声对人体组织的依赖性，导致对斑点噪声的建模和滤除非常困难。对超 声图像的斑点噪声滤波问题，虽然已有大量的研究报道，但经典的滤波方法在抑制噪声的 同时会丢失图像中的边缘等细节信息。近些年来，基于偏微分方程的各向异性扩散滤波模 型开始应用于图像的平滑去噪。各向异性扩散模型的优点是在对图像进行平滑去噪的同时 会很好的保留图像中的边缘等细节信息。
[0003] 最简单的扩散方程是把图像平滑看作是各向同性的热传导方程的解。为了获得 对加性噪声模型的平滑滤波结果，一个直观的想法就是最小化由|Vm|估计的图像变化值。 1963年Tikhonov提出了对应的变分问题，即在物理学领域著名的热扩散方程。热扩散方程 的解等价于观察图像与高斯核函数的卷积，因为卷积算子是线性的，所以热扩散方程的解 也是线性的。由于一幅图像与高斯核地卷积等价于它的Fourier变换与另一个高斯核的乘 积，所以各向同性的扩散过程本质上是一个低通滤波的过程，它将抑制图像中的高频信号。 不幸的是，图像的许多特征，如边缘、纹理等，通常表现为高频信号。因此边缘、纹理等有用 信息也将与噪声一起被各向同性的滤波器滤除掉。
[0004] 为了克服上述线性滤波方法导致的各向同性平滑，Perona和Malik对热扩散方程 进行了扩展，提出了著名的P-Μ非线性滤波方法。P-Μ方程通过把热扩散方程改写成散度的 形式，并在散度算子内添加递减函数作为图像特征检测算子，以允许对图象滤波过程进行 更加精确的控制。但P-Μ方程在一些图像点上产生逆扩散。而我们知道，逆扩散虽然会增 强图像边缘特征，但噪声同样也有可能得到增强，因此是一个不稳定的扩散过程。但经典的 扩散方程只是基于图像局部边缘信息的，没有从全局图像去考虑。
[0005] Gilboa和Osher引入一种非局部平滑各向异性扩散方程，该方法基本思想是利用 图像的冗余信息以及自相似性对图像进行去噪。非局部滤波方法将在全局图像中搜索与 当前像素块相似的像素块，最后将所有这些相似像素块的加权平均值作为噪声点处的像素 值。但非局部扩散方程只适用于高斯白噪声模型的平滑去噪，但并不适用于服从Gamma统 计分布的超声图像斑点噪声滤除。
[0006] 因此，针对上述技术问题，有必要提供一种基于贝叶斯模型的超声图像斑点噪声 滤波方法。
【发明内容】
[0007] 有鉴于此，本发明的目的在于提供一种基于贝叶斯模型的超声图像斑点噪声滤波 方法。
[0008] 为了达到上述目的，本发明实施例提供的技术方案如下：
[0009] -种基于贝叶斯模型的超声图像斑点噪声滤波方法，所述方法包括：
[0010] S1、建立基于贝叶斯模型的非局部滤波模型
【权利要求】
1. 一种基于贝叶斯模型的超声图像斑点噪声滤波方法，其特征在于，所述方法包括： 51、 建立基于贝叶斯模型的非局部滤波模型
其中，第一项λ为平滑项，第二项（u-U(l)2为数据保真项，λ是一个正常数，用于控制 平滑项与数据保真项之间的平衡；数据保真项用于使求解的值u不会偏移原始观测值U(l太 远； 52、 采用Ga_a分布拟合经对数压缩后超声图像中的斑点噪声，进而得出基于Pearson 统计距离的权重函数； 53、 求解非局部滤波模型中的变量u和d，其中<
54、 采用求解后的非局部滤波模型对超声图像中斑点噪声进行滤波处理。
2. 根据权利要求1所述的方法，其特征在于，所述步骤S2包括： 采用Ga_a分布拟合经对数压缩后超声图像中的斑点噪声： u (X) = v (X) +νγ (X) η (X)， 其中，Υ是一个依赖于超声设备并与后续成像过程相关的参数。
3. 根据权利要求2所述的方法，其特征在于，所述步骤S2* γ为0. 5。
4. 根据权利要求2所述的方法，其特征在于，所述步骤S2中： 两两像素块之间相似度的Pearson统计距离为：
基于Pearson统计距离的权重函数为：
其中，u(x+ ·)和u(y+ ·)为图像中的两个像素块。
5. 根据权利要求4所述的方法，其特征在于，所述步骤S3中非局部滤波模型的求解采 用Split-Bregman分解法、最陡梯度下降法、或对偶投影法。
6. 根据权利要求4所述的方法，其特征在于，所述步骤S3中的非局部滤波模型为：
7. 根据权利要求6所述的方法，其特征在于，所述步骤S3中非局部滤波模型的求解通 过求解如下以离散形式给出的迭代方程获得：
其中，b是与Bregman迭代算法相关的一个变量，也称作Bregman变量，β是一个大于 零的常数。
8. 根据权利要求7所述的方法，其特征在于，所述步骤S3中非局部滤波模型中变量u 的求解具体包括： 固定变量d，则非局部滤波模型简化为求关于变量u的最小化子问题：
通过Eular-Lagrange方程，非局部滤波模型的最小解满足：
使用高效的Gauss-Seidel迭代法进行求解，即对η彡0有：
通过至少两次Gauss-Seidel迭代收敛到方程的最小解处。
9. 根据权利要求7所述的方法，其特征在于，所述步骤S3中非局部滤波模型中变量d 的求解具体包括： 固定变量u，则非局部滤波模型简化为求关于变量d的最小化子问题：
采用软阈值法，则非局部滤波模型的Eular-Lagrange方程为：
根据上述公式求解变量d ; 最后，变量b可根据如下公式进行更新：
【文档编号】G06T5/00GK104156928SQ201410423064
【公开日】2014年11月19日 申请日期:2014年8月25日 优先权日:2014年8月25日
【发明者】温铁祥, 李凌, 辜嘉 申请人:深圳先进技术研究院