[发明专利]基于稀疏表示的医学超声图像滤波方法

说明书

技术领域

本发明属于图像处理技术领域，具体为一种基于稀疏表示的医学超声图像滤波方法。

背景技术

超声成像因具有无创、实时、可重复性强、诊疗费用低廉等优点，在医学临床诊断中有着重要的应用。但是超声图像中存在着大量的斑点，掩盖了某些细节信息，严重影响细微特征的分辨和图像质量，尤其是使边缘与细节变得模糊，增加了医学诊断的难度。

常用的斑点噪声滤波方法包括局部统计法[1]、中值滤波法[2]、各向异性滤波法[3]和小波滤波法[4]等。这些方法可以不同程度地降低噪声影响，但仍存在一些问题。对于基于局部特征的滤波算法而言，窗的尺寸和形状极大地影响滤波效果。此外，阈值的选取也十分关键，错误的阈值将导致边缘和细节模糊。

根据上述要求，本发明采用图像稀疏表示和基于子块相似度的全局滤波的思想，为医学超声图像滤波提供一种新的方法，可以有效地降低斑点噪声，且保持其细微结构、边缘和纹理特性。

发明内容

本发明的目的是提出一种可以有效降低医学超声图像中斑点噪声的医学超声图像滤波方法。

本发明提出一种的医学超声图像滤波方法，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[5]，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。

下面就本发明方法的各个步骤涉及的相关技术细节作进一步的具体描述。

1、超声图像中的斑点噪声是一种乘性噪声，服从瑞利分布。设噪声图像Y∈R^M×N，M×N为图像尺寸，f(·) 和η(·)分别代表无噪声图像和噪声，满足：

Y(i,j)=f(i,j)*η(i,j), i=1,…M, j=1,…,N                     (1)

η(·)独立于 f(·)，服从瑞利分布：

                          (2)

其中σ_η为瑞利分布参数, η(·)的均值为1。

我们使用KSVD字典学习算法[5]，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。这些非零大系数揭示了图像的内在结构与本质属性，用较少的系数捕获感兴趣目标重要信息，从而简化后续的处理任务。

如图1所示，当噪声图像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：

                 (3)

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(b∈[5,15]的整数)，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)。因此L个图像子块的稀疏表示则为：

        (4)

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。