shearlet变换和快速双边滤波器图像去噪方法与流程

本发明涉及一种shearlet变换和快速双边滤波器图像去噪方法。属于医学超声图像去噪领域，尤指一种适用于医学超声图像的基于shearlet变换和快速双边滤波器的医学超声图像去噪方法。
背景技术：
：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。超声诊断作为医学诊断中的一种诊断技术得以应用是从1972年灰阶超声的问世开始的，特别是近几年来，超声诊断在医学临床诊断中运用广泛，尤其在观察孕妇体内胎儿成长状况与诊断腹部器官病变等临床应用中，超声成像技术的使用更为重要。但是，在超声成像设备的临床应用中，超声图像中的斑点噪声严重影响了超声图像的质量。为了解决这个难题，人们发展了图像去噪技术。图像去噪的过程是根据已知的降质含噪图像估计原始真实图像，得到原图像某种意义下的最优逼近。图像噪声是一个随机的过程，噪声分量灰度值是一个随机分量，按照其概率密度的统计特征可以分为：高斯噪声，椒盐噪声，泊松噪声，瑞利噪声等。根据实际图像的特点、噪声的统计特征及频谱分布规律，发展了各种不同的医学图像去噪方法。医学超声图像去噪常主要是用滤波的方法滤除噪声频率成分，提高图像的信噪比，从而改善图像质量。从理论上讲信号的分布主要存在于低频部分.而噪声的分布主要存在于高频部分，滤除噪声成分就是滤除信号的高频部分。但是对于图像信号来说，图像的细节信号也存在于高频部分.如果滤除高频部分后，在不同程度上讲也就破坏了图像的细节，并且在临床诊断中往往是医学图像的细节起到关键性的作用，因此医学图像去噪就必须做到在降低图像噪声的同时又保留图像细节，在不降低图像空间分辨率前提下，消除或最大限度地抑制斑点噪声。近年来图像稀疏表示在信号与图像处理中得到了广泛的应用，为变换域的消噪提供了思路。小波分析为信号和图像的稀疏奠定了基础，小波变换能够最优的逼近的零维奇异特性，但其优良性能难以推广到二维图像及更高的数据空间。多尺度几何分析理论克服了小波分析处理高维数据稀疏能力的不足。由于MCA方法具有多分辨、多尺度、多方向性和时频局部性，将其应用于图像消噪会产生很好的效果。技术实现要素：本发明目的在于提供了一种shearlet变换和快速双边滤波器图像去噪方法，本发明一方面对以往采用的小波变换存在的缺陷，在处理高维问题仅采用水平、垂直、对角等三个方向的限制，提出了具有多尺度、多方向分解的shearlet变换，来提高去噪效果；另一方面，由于本发明利用快速双边滤波器对低频部分进行了过滤处理，因此对于颗粒较大的斑点噪声(存在于低频部分)同样具有很强的抑制能力。所以在本发明中快速双边滤波器的引入不仅能很好的提高去噪的性能并且大大提高了处理的效率。同时针对医学超声图像的特点，这种结合的方法不仅能很好的抑制斑点噪声，同时还能够保留图像中病灶边缘等的细节部分，能更好的帮助医师进行病情分析。本发明为了达到上述目的，本发明的技术方案是：一种shearlet变换和快速双边滤波器图像去噪方法，包括以下步骤：1)利用噪声成像系统采集噪声图像的包络信号，通过对数变换，建立医学超声图像模型；经二维离散shearlet变换后得到二维离散shearlet系数,所述的二维离散shearlet系数包括无噪声图像二维离散shearlet系数和斑点噪声图像二维离散shearlet系数；2)对所述的步骤1)得到的对数变换后的医学超声图像模型利用金字塔滤波器组进行多尺度多方向分解，得到k+1个与医学超声图像模型大小相等的子带图像，所述的子带图像包括一个低频部分和K个高频部分，利用步骤1)得到的二维离散shearlet系数推出高频部分的二维离散shearlet变换系数；3)对所述的步骤2)得到的每一个子带图像中高频部分的二维离散shearlet变换系数进行阈值法收缩处理；4)利用快速双边滤波器对步骤2)中低频部分的shearlet系数做滤波处理；5)对经步骤3)和步骤4)处理后全部系数作shearlet逆变换处理，得到去噪后的医学超声图像。所述的步骤1)具体为：所述的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，其中所述的超声成像系统采集的包络信号包括有意义的体内组织的反射信号和噪声信号；其中所述的噪声信号分为相乘噪声与相加噪声，所述的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，所述的相加噪声是系统噪声，主要来源于传感器的噪声；所述的包络信号的通用模型模型定义如式(1)所示：s(x,y)＝r(x,y)n(x,y)(1)其中所述的(x,y)分别代表图像的横纵坐标，r(x,y)表示无噪声信号，n(x,y)表示相乘噪声；然后对所述的超声成像系统采集到的包络信号进行对数压缩处理，以适应超声成像系统显示屏幕的动态显示范围，即通过对所述的式(1)变为相加的模型，如式(2)所示：log(s(x,y))＝log(r(x,y))+log(n(x,y))(2)此时，得到的信号log(s(x,y))即为医学超声图像模型；由于小波变换是线性变换，shearlet变换是小波变换在高维的拓展，因通过对所述的式(2)模型经过二维离散shearlet变换后得到模型如式(3)所示：Sl,kj=Rl,kj+Nl,kjj=1,2,...,J.(l,k)∈Z2---(3)]]>其中和分别表示含有噪声图像的shearlet系数、无噪声图像的shearlet系数和斑点噪声的shearlet系数；其中上标j为shearlet变换的分解层数，下标(l,k)为变换域内的坐标。所述的步骤2)具体为：首先对步骤1)得到的对数变换后的医学超声图像模型利用金字塔滤波器组进行多尺度二维离散shearlet分解，图像经过k级采样金字塔，得到k+1个与医学超声图像模型大小相等的子带图像；对得到的各尺度子带图像使用剪切滤波器组进行方向分解；经过二维离散shearlet分解后的无噪信号的变换系数Rlj,k符合正态逆高斯模型(NIG)，主要由一个逆高斯分布和一个具有不同均值的高斯分布，其概率分布如式(4)所示：pr(r)=αδπq(r)exp(f(r))·K1(αq(r))---(4)]]>式中，f(r)=δα2-β2+β(r-μ),q(r)=δ2+(r2-μ2),]]>K1(·)是索引为1的第二类修正的贝塞尔函数；参数r,α，β，μ，δ分别为无噪声图像二维离散shearlet变换系数、特征因子、偏斜因子、平移因子以及尺度因子，当偏斜因子为零时，分布为对称分布；对于分解后图像系数一般为对称分布，假定NIG中参数β，μ为零，则对于NIG的概率密度函数简化为如式(5)所示：pr(r)=αδexp(αδ)πK1(αr2+δ2)r2+δ2---(5)]]>同时所述的斑点噪声的shearlet系数服从零均值高斯分布，如式(6)所示：Pn(n)=12πσnexp(-n22σn2)---(6)]]>式中σn为变换域内噪声的标准差，参数n为斑点噪声图像。所述的步骤3)具体为：在shearlet变换去噪中，阈值函数的选择会直接影响到最终的图像去噪结果。当阈值选择较小时，一部分大于该阈值的噪声系数会被当作有用信号保留下来，这就导致去噪后的图像依然存在大量噪声；当阈值选择较大时，会将很多系数很小的有用信息当作噪声而置零，这将使得去噪后的图像变得很平滑，损失很多细节信息。因此选择恰当的阈值函数非常重要。经典的收缩方法有软阈值法和硬阈值法，但是在软阈值法中，较大的shearlet系数总是被阈值缩减，因此收缩后的信号的数学期望与收缩之前不同，所以处理后的图像相对平滑一些。硬阈值法的缺点是在零值域附近的shearlet系数被突然置零，导致了数据的不连续性，并且这使得信号的方差更大了，这些变换对于图像中的细节影响较大。但是在实际应用中，特别是噪声水平很高时，硬阈值法处理后的图像在不连续点周围会产生震荡，影响图像的去噪效果。Donoho等人提出了一种典型的阈值选取方法，并且从理论上证明了该阈值与噪声的标准差成正比，改阈值函数又称为统一阈值函数，其公式如下T=σn2logM---(7)]]>其中，M即是对应变换域内变换系数的总体个数，σn是噪声的标准差。在这种阈值函数中，阈值T受变换系数的个数影响较大，即当M过大时，较大的阈值可能会平滑掉那些系数较小的有用信息。在式(7)的基础之上，本发明提出了一种适合超声图像的阈值函数，公式如式(8)所示：Tj=tjσn2logM---(8)]]>其中，σn是噪声的标准差，tj代表j层的自适应参数。这是种常见的阈值改进的方法，tj的选取是根据实验决定的，在shearlet分解后，在不同层分解的变换系数具有不同的分布，由此tj的选择基于j层的选择。在本发明中，分解5层，对于512x512图像，根据(7)(8)式，阈值T≈5σn，由于降低阈值可以减少风险，提高去噪效果，对最精细尺度取T≈4σn,其余取T≈3σn。在shearlet变换去噪方法中，首先选定一个给定阈值，然后按照一定的规则对shearlet系数进行收缩，便完成了对shearlet系数的去噪。即给定一个阈值，所有绝对值小于这个阈值的系数被当作噪声，然后对其作置零处理；对绝对值大于阈值的shearlet系数用一定的方法进行缩减，然后得到缩减后的新值。所述的步骤4)具体为：利用快速双边滤波器对低频部分中的shearlet系数做滤波处理。双边滤波器在处理图像噪声时，一方面其具有很强的去噪能力，具有较好的平滑效果；另一方面能够保留图像边缘细节，这在医学超声图像应用中特别重要。但是由于双边滤波是非线性的，无法实现图像线性卷积计算，双边滤波非常耗时，难以用于实时系统。随着图像的分辨率越来越大，这在很大程度上限制了双边滤波的应用空间，如何快速实现双边滤波，减少计算时间在实际应用中有着重要的意义。快速双边滤波器又被成为增维型双边滤波器，在原来二维坐标的基础上加上输入图像的像素值组成三维空间，构造三维高斯核函数与三维图像函数进行线性卷积计算，接下来就可以利用快速傅里叶变换计算取代传统的逐点计算，从而提高运算的速度。假设代表输入图像I增维后得到的三维图像矩阵，代表三维权值矩阵，则快速双边滤波器的结构如式9所示:BI(x,y)=IY(x,y)EY(x,y)=interp(G⊗IX,xss,yss,I(x,y)sr)interp(G⊗EX,xss,yss,I(x,y)sr)---(9)]]>式中，(x,y)为输入图像像素点的坐标，代表矩阵的线性卷积，interp是插值函数，主要功能是对和在三维空间里进行插值运算以求出在坐标上的值，再将结果赋给IY(x,y)和EY(x,y)。G是线性化后的空间邻近度因子Gs和灰度相似度因子Gr的乘积，即高斯核函数。增加维度之后会相应的增加计算量，所以该方法采用下采样的方式来提高计算效率，其中ss代表空间域采样率，sr代表像素值域采样率，这就把三维矩阵划分为若干个空间大小为它ss×ss×sr的小的三维空间。增维矩阵中数据量的大小也会随着采样率的提高而减少，所以经过下采样之后参与卷积计算的数据会大大减少，从而达到缩减运算时间的目的。从式(9)中可以看出，在快速双边滤波器中首先将三维矩阵IX和EX分布与三维高斯核函数进行线性卷积运算，然后将这两个滤波结果进行线性插值后得到二维矩阵IY和EY，最后将IY对EY进行除法运算后得到去噪后的图像BI。在三维空间里采用下采样、卷积计算和插值等运算能快速实现数值求解。针对含噪图像，利用双边滤波器和快速双边滤波器分别进行过滤处理。双边滤波器和快速双边滤波器在去噪效果上没有太大差别，在去除噪声的同时都能很好的保留边缘信息，但是在耗时方面，后者比前者表现更好能很好的满足实时系统对快速性的要求。所述步骤5)具体为：经过阈值收缩处理和快速双边滤波器处理就可以得到去噪后的shearlet全部系数，为了得到去噪后的超声图像，需要对shearlet系数进行shearlet逆变换，从而可以得到利于医师分析的去噪后的图像，通过实验也验证了本发明确实可以满足对于医学超声图像去噪的要求。本发明的有益效果是：本发明shearlet变换具有多分辨率、方向性、局部性、各向异性，是图像最稀疏的表示，并已在图像处理领域得到了广泛的应用。在处理一维问题时，小波的去噪效果较好，能够满足一般的产品需求,然而对于高维问题，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。但是，仅利用shearlet变换的去噪算法对医学超声图像中斑点噪声的抑制效果不是很好，这是因为shearlet滤波对于高频域的噪声去噪效果较好，而斑点噪声在低频域内同样存在。快速双边滤波器，它在处理图像噪声时，一方面具有很强的去噪能力，另一方面能够保持图像边缘细节，即快速双边滤波器在处理图像低频域信号较好。因此本发明利用shearlet变换替换小波变换来处理高频问题，shearlet变换呈现出与传统小波变换不同的方向性特征，对图像的稀疏表示使得shearlet具有更好的局部化特性和很强的方向敏感性，还有更好的光滑性和多分辨分析能力，同时其良好的衰减性可以得到滤波性能更好的滤波器。对于双边滤波器，来处理低频问题。具体思路如下：根据shearlet变换的原理以及超声图像及斑点噪声的统计特性，采用新的阈值法，进行多尺度和多方向分解，产生高频子带和低频子带，通过shearlet变换能够更有效地去除高频部分的斑点噪声；然后通过提出的快速双边滤波器去除低频噪声。本发明一方面对以往采用的小波变换存在的缺陷，在处理高维问题仅采用水平、垂直、对角等三个方向的限制，提出了具有多尺度、多方向分解的shearlet变换，来提高去噪效果；另一方面，由于本发明利用快速双边滤波器对低频部分进行了过滤处理，因此对于颗粒较大的斑点噪声(存在于低频部分)同样具有很强的抑制能力。所以在本发明中快速双边滤波器的引入不仅能很好的提高去噪的性能并且大大提高了处理的效率。同时针对医学超声图像的特点，这种结合的方法不仅能很好的抑制斑点噪声，同时还能够保留图像中病灶边缘等的细节部分，能更好的帮助医师进行病情分析。附图说明图1为本发明的步骤流程图；图2为实施例1中的实验示意图；图3为实施例1中的实验仿真无噪图像；图4为实施例1中的实验仿真噪声图像；图5为实施例1中仿真图像的去噪效果的脊波变换图；图6为实施例1中仿真图像的去噪效果的曲波变换图；图7为实施例1中仿真图像的去噪效果的轮廓波变换图；图8实施例1中仿真图像的去噪效果的小波变换与双边图；图9实施例1中仿真图像的去噪效果的shearlet变换图；图10为实施例1中仿真图像的去噪效果的shearlet变换与快速双边图；图11为实施例1中肝脏临床超声图像；图12为实施例1中肝脏临床超声图像的去燥效果的脊波变换图；图13为实施例1中肝脏临床超声图像的去燥效果的曲波变换图；图14为实施例1中肝脏临床超声图像的去燥效果的轮廓波变换图；图15为实施例1中肝脏临床超声图像的去燥效果的小波变换与双边图；图16为实施例1中肝脏临床超声图像的去燥效果的shearlet变换图；图17为实施例1中肝脏临床超声图像的去燥效果的shearlet变换与快速双边图；表1为实施例1中六大算法的去噪性能比较表。具体实施方式实施例1如图1所示，本实施例的一种shearlet变换和快速双边滤波器图像去噪方法，如图1所示，包括以下步骤：1)利用噪声成像系统采集噪声图像的包络信号，通过对数变换，建立医学超声图像模型；经二维离散shearlet变换后得到二维离散shearlet系数,所述的二维离散shearlet系数包括无噪声图像二维离散shearlet系数和斑点噪声图像二维离散shearlet系数；2)对所述的步骤1)得到的对数变换后的医学超声图像模型利用金字塔滤波器组进行多尺度多方向分解，得到k+1个与医学超声图像模型大小相等的子带图像，所述的子带图像包括一个低频部分和K个高频部分，利用步骤1)得到的二维离散shearlet系数推出高频部分的二维离散shearlet变换系数；3)对所述的步骤2)得到的每一个子带图像中高频部分的二维离散shearlet变换系数进行阈值法收缩处理；4)利用快速双边滤波器对步骤2)中低频部分的shearlet系数做滤波处理；5)对经步骤3)和步骤4)处理后全部系数作shearlet逆变换处理，得到去噪后的医学超声图像。所述的步骤1)具体为：所述的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，其中所述的超声成像系统采集的包络信号包括有意义的体内组织的反射信号和噪声信号；其中所述的噪声信号分为相乘噪声与相加噪声，所述的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，所述的相加噪声是系统噪声，主要来源于传感器的噪声；所述的包络信号的通用模型模型定义如式(1)所示：s(x,y)＝r(x,y)n(x,y)(1)其中所述的(x,y)分别代表图像的横纵坐标，r(x,y)表示无噪声信号，n(x,y)表示相乘噪声；然后对所述的超声成像系统采集到的包络信号进行对数压缩处理，以适应超声成像系统显示屏幕的动态显示范围，即通过对所述的式(1)变为相加的模型，如式(2)所示：log(s(x,y))＝log(r(x,y))+log(n(x,y))(2)此时，得到的信号log(s(x,y))即为医学超声图像模型；由于小波变换是线性变换，shearlet变换是小波变换在高维的拓展，因通过对所述的式(2)模型经过二维离散shearlet变换后得到模型如式(3)所示：Sl,kj=Rl,kj+Nl,kjj=1,2,...,J.(l,k)∈Z2---(3)]]>其中和分别表示含有噪声图像的shearlet系数、无噪声图像的shearlet系数和斑点噪声的shearlet系数；其中上标j为shearlet变换的分解层数，下标(l,k)为变换域内的坐标。所述的步骤2)具体为：首先对步骤1)得到的对数变换后的医学超声图像模型利用金字塔滤波器组进行多尺度二维离散shearlet分解，图像经过k级采样金字塔，得到k+1个与医学超声图像模型大小相等的子带图像；对得到的各尺度子带图像使用剪切滤波器组进行方向分解；经过二维离散shearlet分解后的无噪信号的变换系数符合正态逆高斯模型(NIG)，主要由一个逆高斯分布和一个具有不同均值的高斯分布，其概率分布如式(4)所示：pr(r)=αδπq(r)exp(f(r))·K1(αq(r))---(4)]]>式中，K1(·)是索引为1的第二类修正的贝塞尔函数；参数r,α，β，μ，δ分别为无噪声图像二维离散shearlet变换系数、特征因子、偏斜因子、平移因子以及尺度因子，当偏斜因子为零时，分布为对称分布；对于分解后图像系数一般为对称分布，假定NIG中参数β，μ为零，则对于NIG的概率密度函数简化为如式(5)所示：pr(r)=αδexp(αδ)πK1(αr2+δ2)r2+δ2---(5)]]>同时所述的斑点噪声的shearlet系数服从零均值高斯分布，如式(6)所示：Pn(n)=12πσnexp(-n22σn2)---(6)]]>式中σn为变换域内噪声的标准差，参数n为斑点噪声图像。所述的步骤3)具体为：在shearlet变换去噪中，阈值函数的选择会直接影响到最终的图像去噪结果。当阈值选择较小时，一部分大于该阈值的噪声系数会被当作有用信号保留下来，这就导致去噪后的图像依然存在大量噪声；当阈值选择较大时，会将很多系数很小的有用信息当作噪声而置零，这将使得去噪后的图像变得很平滑，损失很多细节信息。因此选择恰当的阈值函数非常重要。经典的收缩方法有软阈值法和硬阈值法，但是在软阈值法中，较大的shearlet系数总是被阈值缩减，因此收缩后的信号的数学期望与收缩之前不同，所以处理后的图像相对平滑一些。硬阈值法的缺点是在零值域附近的shearlet系数被突然置零，导致了数据的不连续性，并且这使得信号的方差更大了，这些变换对于图像中的细节影响较大。但是在实际应用中，特别是噪声水平很高时，硬阈值法处理后的图像在不连续点周围会产生震荡，影响图像的去噪效果。Donoho等人提出了一种典型的阈值选取方法，并且从理论上证明了该阈值与噪声的标准差成正比，改阈值函数又称为统一阈值函数，其公式如下T=σn2logM---(7)]]>其中，M即是对应变换域内变换系数的总体个数，σn是噪声的标准差。在这种阈值函数中，阈值T受变换系数的个数影响较大，即当M过大时，较大的阈值可能会平滑掉那些系数较小的有用信息。在式(7)的基础之上，本发明提出了一种适合超声图像的阈值函数，公式如式(8)所示：Tj=tjσn2logM---(8)]]>其中，σn是噪声的标准差，tj代表j层的自适应参数。这是种常见的阈值改进的方法，tj的选取是根据实验决定的，在shearlet分解后，在不同层分解的变换系数具有不同的分布，由此tj的选择基于j层的选择。在本发明中，分解5层，对于512x512图像，根据(7)(8)式，阈值T≈5σn，由于降低阈值可以减少风险，提高去噪效果，对最精细尺度取T≈4σn,其余取T≈3σn。在shearlet变换去噪方法中，首先选定一个给定阈值，然后按照一定的规则对shearlet系数进行收缩，便完成了对shearlet系数的去噪。即给定一个阈值，所有绝对值小于这个阈值的系数被当作噪声，然后对其作置零处理；对绝对值大于阈值的shearlet系数用一定的方法进行缩减，然后得到缩减后的新值。所述的步骤4)具体为：利用快速双边滤波器对低频部分中的shearlet系数做滤波处理。双边滤波器在处理图像噪声时，一方面其具有很强的去噪能力，具有较好的平滑效果；另一方面能够保留图像边缘细节，这在医学超声图像应用中特别重要。但是由于双边滤波是非线性的，无法实现图像线性卷积计算，双边滤波非常耗时，难以用于实时系统。随着图像的分辨率越来越大，这在很大程度上限制了双边滤波的应用空间，如何快速实现双边滤波，减少计算时间在实际应用中有着重要的意义。快速双边滤波器又被成为增维型双边滤波器，在原来二维坐标的基础上加上输入图像的像素值组成三维空间，构造三维高斯核函数与三维图像函数进行线性卷积计算，接下来就可以利用快速傅里叶变换计算取代传统的逐点计算，从而提高运算的速度。假设代表输入图像I增维后得到的三维图像矩阵，代表三维权值矩阵，则快速双边滤波器的结构如式9所示:BI(x,y)=IY(x,y)EY(x,y)=interp(G⊗IX,xss,yss,I(x,y)sr)interp(G⊗EX,xss,yss,I(x,y)sr)---(9)]]>式中，(x,y)为输入图像像素点的坐标，代表矩阵的线性卷积，interp是插值函数，主要功能是对和在三维空间里进行插值运算以求出在坐标上的值，再将结果赋给IY(x,y)和EY(x,y)。G是线性化后的空间邻近度因子Gs和灰度相似度因子Gr的乘积，即高斯核函数。增加维度之后会相应的增加计算量，所以该方法采用下采样的方式来提高计算效率，其中ss代表空间域采样率，sr代表像素值域采样率，这就把三维矩阵划分为若干个空间大小为它ss×ss×sr的小的三维空间。增维矩阵中数据量的大小也会随着采样率的提高而减少，所以经过下采样之后参与卷积计算的数据会大大减少，从而达到缩减运算时间的目的。从式(9)中可以看出，在快速双边滤波器中首先将三维矩阵IX和EX分布与三维高斯核函数进行线性卷积运算，然后将这两个滤波结果进行线性插值后得到二维矩阵IY和EY，最后将IY对EY进行除法运算后得到去噪后的图像BI。在三维空间里采用下采样、卷积计算和插值等运算能快速实现数值求解。针对含噪图像，利用双边滤波器和快速双边滤波器分别进行过滤处理。双边滤波器和快速双边滤波器在去噪效果上没有太大差别，在去除噪声的同时都能很好的保留边缘信息，但是在耗时方面，后者比前者表现更好能很好的满足实时系统对快速性的要求。所述步骤5)具体为：经过阈值收缩处理和快速双边滤波器处理就可以得到去噪后的shearlet全部系数，为了得到去噪后的超声图像，需要对shearlet系数进行shearlet逆变换，从而可以得到利于医师分析的去噪后的图像，通过实验也验证了本发明确实可以满足对于医学超声图像去噪的要求。实验验证为了客观地评价本发明提出的去噪方法，以峰值信噪比(PSNR)、结构相似度(SSIM)、FoM(Pratt’sFigureofMerit)和运行时间Time作为图像质量评价标准。峰值信噪比的计算公式如式(10)所示：PSNR(X,X^)=10lg(2552MSE)---(10)]]>式中，为信号X的估计值，MSE由下面公式计算得到如式(11)所示：这里的M，N分别表示二维信号X的长度与宽度。结构相似度能够量化两幅图像在结构上的差异，公式定义如式(12)所示：SSIM(X,X^)=(2μXμX^+c1)(2σX,X^+c2)(μX2+μX^2+c1)(σX2+σX^2+c2)---(12)]]>式中，μX、和分别是参考图像和估计图像的均值和方差。是X和的协方差，c1和c2为常量。当c1和c2都选择为正数时，SSIM的取值范围为[01]，其中1为最好结果，表示两幅图的结构相同。FoM能够客观地比较去噪图像的边缘检测质量，公式定义如式(13)所示：FoM(X,X^)=1max(NX,NX^)Σi=1NX11+αdi2---(13)]]>式中，NX和分别表示理想的和实际检测到的边缘像素个数。α为常数(通常取α＝1/9)，di表示为第i边缘像素点到最近理想边缘像素点的距离。FoM的取值范围为[01]，其中1为最好结果，表示为检测到的图像边缘和理想的图像边缘一致。这里检测边缘像素时使用的是Canny检测算法(高斯滤波器的标准差取值σ＝3)。本实施例中，为了让本发明更有说服力并且更好展现其优势，不仅将实验分成两个部分，一个是斑点噪声仿真实验，另一个是真实的临床医学超声图像(肝图像)；而且还做了与其他5种经典方法的对比实验，并结合上述四种量化指标来清晰地评价出本发明的优势，实验示意图如图2所示；为了能更定量且直观地验证本实施例的优越性，先用仿真图(如图3为仿真无噪图像，大小400×400；图4为仿真噪声图像，斑点噪声方差σ2＝0.1所示)实验，对经典算法对比，分别为ridgelet(脊波变换)、curvelet(曲波变换)、contourlet(轮廓波变换)、小波变换与双边、shearlet变换、shearlet变换与快速双边。实验结果见如图5-10所示，六大算法的去噪性能比较，即对比指标量值见如表1所示。由表1可以看出，本发明在FOM、PSNR、SSIM中获得最佳的数据，在运行时间上有待改善。再利用临床超声图像进行试验验证，选择的是如图11的肝脏临床超声图像。实验结果如图12-17所示。由以上定量数据可直观看出，本发明方法在实际应用于医学超声图像的过程和结果与应用与仿真图像时如出一辙，不仅去噪效果得到了显著提高，而且更好地保留图像边缘信息，从而达到医学超声图像对于去噪的要求。表1当前第1页1 2 3