[发明专利]基于稀疏表示的医学超声图像滤波方法

权利要求书

1.基于稀疏表示的医学超声图像滤波方法，其特征在于具体步骤为：

(1) 将二维超声图像分成子块，使用KSVD过完备字典学习算法，对其进行最稀疏分解，求得每个子块的分解系数及灰度均值；

(2) 采用基于子块相似度的全局滤波思想，利用每个子块的稀疏分解系数，在整幅图像寻找灰度值和结构相似的候选块；

(3) 在所有候选块中，进一步利用灰度均值矩阵去除那些完全不相关的图像子块；通过最终得到的所有最相似子块，对原图像子块内全部像素点一同滤波；对于重叠区域多次滤波的像素点，对其进行均值处理，从而实现整幅图像的滤波。

2.根据权利要求1所述的基于稀疏表示的医学超声图像滤波方法，其特征在于步骤(1)中，所述使用KSVD字典学习算法，利用过完备的冗余字典对超声图像进行稀疏分解，使得分解后的系数中大部分分量为零，只有少数的非零大系数，具体步骤为： 

设噪声图像Y∈R^M×N，冗余字典D为L个K维原子的集合，经过稀疏分解后的系数为X，则图像Y的稀疏表示为：

                      (1)

其中T₀为稀疏度；

首先，对图像Y进行分块，利用b×b的滑动窗口，从上到下，从左到右遍历整幅图像，依次提取图像子块，并将其转开为b²×1的列向量；这样，原图像Y分成了L个图像子块y_i，L=(M-b+1)×(N-b+1)，L个图像子块的稀疏表示则为：

                      (2)

其中为初始化的随机字典；系数矩阵X∈，其第i列x_i表示第i个图像子块y_i的稀疏分解系数；

接着固定字典D，采用正交匹配跟踪算法找到最优系数X的近似解；然后，利用奇异值分解不断更新原子，求得最终的目标字典；设为的第j列，为经过第T次的迭代后X的第j行，假定更新第k个原子，则式(2)变为：

  (3)

令记录{y_i}中使用原子的图像子块，即：

                   (4)

定义矩阵为L×||，在((i),i)处为1，其余全为0，令，，则式(3)改为：

                (5)

对进行SVD分解：=U?V^T，利用矩阵U的第一列更新原子；经过多次迭代后，对所有原子进行更新，则得到最终的冗余字典D；

同时，对于所有图像子块，计算其灰度均值，记为均值矩阵Y_mean∈R^1×L。