[发明专利]基于bitonic滤波与分解框架的医学超声图像去噪方法

摘要

基于bitonic滤波和分解框架的医学超声图像去噪方法，包括如下步骤：步骤1)将图像通过分解框架分解；步骤2)构造一个rank滤波器；步骤3)对C1,C3分量进行形态学开、闭操作；计算开、闭误差并对其进行平滑；步骤5)对经过开闭运算后的C1，C3分量加权求和得到bitonic滤波后的分量Crec1，Crec3；步骤6)对分量Crec1，Crec3进行逆变换得到最后的去噪图像。本发明通过实验分析与去噪领域中的几种算法进行了对比，有效的应用在医学超声去噪领域；通过框架分解超声图像得到三个分量，再将bitonic滤波应用在其中两个分量上。通过了大量的实验数据对比，提出了基于bitonic滤波和分解框架的医学超声图像去噪方法，能够更好的有帮助医师的分析诊断。

主权项

1.基于bitonic滤波与分解框架的医学超声图像去噪方法，步骤如下：步骤1)将图像通过分解框架分解；对超声图像I进行分解，分解后能得到三个分量C1,C2,C3，分解的公式如下：分量C1与C3是将图像不同的信息分开来，分别包含了图像的细节和近似信息，C2始终为0分量，其中算子K的定义公式如下：上式中λ为平滑参数，Ix为图像I在(x,y)点关于x的偏导，Iy为图像I在(x,y)点关于y的偏导，▽I为图像I在(x,y)点的梯度，经实验得出λ最合适的值为0.001，在Ix与Iy都为零的点，K设为单位矩阵；上式中，图像I位于(x,y)点的梯度值计算公式如下：步骤2)构造一个rank滤波器；将先构造一个将要用在下面的步骤中的rank滤波器，该滤波器的作用是将图像的局部区域所有的像素值排序后选定需要的位置的像素代替图像局部区域中心的像素值，其计算公式如下：rankw,c(x)＝cthcentile{xi},i∈w   (4)上式中参数w为局部窗口大小，参数c为排序后选取的序号，局部窗口大小w的选择影响着图片被滤波器平滑的程度，而参数c大小的选择是决定了对图像细节的保留程度，一般最好的效果是c选在10的时候，较低的c可以以一些轻微的非线性失真为代价来保持孤立的精细细节，20或更高的值对修复含有椒盐噪声的图像十分有效，不过也会更多的丢失图像原本的细节部分；对C1,C3两个分量w的值选为3，对于C1分量，c的值选为10，而对于C3分量，c的值选为20；步骤3)对C1,C3分量进行形态学开、闭操作；用步骤2)中构造的rank滤波对两个分量进行形态学开操作和闭操作来得到一个开变量Open和闭变量Close，计算开变量公式如下：Openw,c(x)＝rankw,100‑c(rankw,c(x))   (5)计算闭变量的公式如下：Closew,c(x)＝rankw,c(rankw,100‑c(x))   (6)式(5)，(6)中变量x即输入的图像，参数w，c即为步骤2)中介绍的rank滤波器的参数；将分量图像C1,C3作为上式中的变量x代入上式可得开变量OC1、OC3,和闭变量CC1,CC3；步骤4)计算开、闭误差并对其进行平滑；计算出经过开、闭操作后的图片与原图相减后取绝对值作为开、闭操作误差值，分别为开误差EOpen和闭误差EClose，并将这两个变量与适当长度的高斯核进行卷积，得到平滑后的开、闭误差，高斯核的长度与前面选定的rank滤波的窗口大小相关，开误差计算式如下：EOpen(x)＝|G(x‑Openw,c(x))|   (7)闭误差的计算式如下：EClose(x)＝|G(Closew,c(x)‑x)|   (8)上式中x为输入图像，函数G(.)为高斯平滑函数；将步骤3)中得到的开变量OC1、OC3,和闭变量CC1,CC3带入式(6)、(7)，得到分别对应于C1,C3变量的平滑后的开误差EOC1、EOC3和闭误差ECC1、ECC3；步骤5)对经过开闭运算后的C1，C3通过分量开、闭误差加权求和公式得到bitonic滤波后的分量Crec1，Crec3；根据bitonic滤波的最后一步的计算公式：将以上步骤中计算得到的开闭变量OC1,OC3,CC1,CC3，和开闭误差EOC1,EOC3,ECC1,ECC3代入上式中，可得到分量C1,C3经过bitonic滤波后的分量Crec1,Crec3；步骤6)对分量Crec1，Crec3进行逆变换得到最后的去噪图像；经过滤波之后的各分量可经过逆变换合并成最终的去噪图像，逆变换的公式如下：上式中，K是步骤1)中由图像梯度和偏导构成的算子，将其与滤波后的分量中的像素值组成的矩阵相乘，得到包含最终去噪图像像素的矩阵，公式是将每个图像中的某点像素代入，计算出合成后的该点的像素值，最终得到的去噪图像的像素值即为上式中的I(x,y)。