[发明专利]医学超声图像自适应SUSAN扩散去噪方法

说明书

技术领域

本发明属生物医学信号处理领域，具体涉及医学超声图像自适应SUSAN扩散去噪方法。

背景技术

医学超声成像技术相比其他医学影像技术具有无损伤、无辐射、低成本、实时性、可重复等优势，已成为现代四大医学影像技术之一，目前在医学临床检查、诊断中发挥着重要的作用。然而，医学超声图像中存在大量的斑点噪声，这些斑点噪声的存在大大降低了超声图像的可读性，严重影响了图像的后期处理（如分割、配准、融合、特征提取）的准确性，限制了医学超声成像技术的进一步推广应用。

为了充分利用医学超声成像技术的优势，提高医学超声图像的质量，已提出多种医学超声图像去噪技术，其中基于偏微分方程的非线性扩散技术发展较快，且已取得了一些理论突破，如PM（Scale space and edge detection using anisotropic diffusion, 1990）、SRAD（Speckle reducing anisotropic diffusion, 2002）、NCD（Real-time speckle reduction and coherence enhancement in ultrasound imaging via nonlinear anisotropic diffusion, 2002）等技术，对于超声图像的斑点噪声能够取得一定的去噪效果，但同时这些技术也具有以下的缺点：

（1）  边缘检测算法并不能较好地区分图像中的噪声和边缘；

（2）  对乘性斑点噪声的抑制效果还有待提高，如PM模型对加性噪声抑制效果较好，但对乘性噪声的抑制效果则较差；SRAD模型在去噪的后会残留部分突变点；NCD模型在去噪的同时还会引入部分伪边缘等；

（3）  在去噪的同时并不能较好地保留图像的边缘信息。

近年来，SUSAN算法被表明能够进行较好的图像边缘检测，Yu等人在文章“Ultrasound speckle reduction by a SUSAN-controlled anisotropic diffusion method”中提出了SUSAN扩散去噪算法，表明SUSAN算法与非线性扩散算法结合而形成的SUSAN扩散技术能够更好地去除医学超声图像斑点噪声。然而，此技术由于需要手动调节参数较多，且去噪效果不稳定，因此很难得到推广应用。

发明内容

本发明的目的是针对以上去噪算法存在的缺点，提出一种医学超声图像自适应SUSAN扩散去噪方法。

医学超声图像自适应SUSAN扩散去噪方法，按以下步骤进行：

（1）自适应选取图像全斑点噪声区域：用户选取一张图像或图像中的一部分区域，为了自适应选取图像的全斑点噪声区域，可通过结构张量矩阵来求得，其具体步骤为：

1a  图像预处理：将带噪图像与高斯核函数进行卷积，得到图像的结构张量矩阵，其采用的计算方法如下：

其中，为高斯核函数，为图像分别在横轴和纵轴上的梯度；

1b  特征值分解：对结构张量矩阵进行特征值分解，得到分解后的矩阵形式为：

其中，为结构张量的特征向量，代表的是波动最大的方向，即梯度方向，而则指向波动最小的方向，则是对应的特征向量方向的扩散强度。

对于一幅图像中的局部区域，此区域越接近图像的全斑点噪声区域，表示此区域中包含的图像边缘信息越少，越接近于零，反之，如果区域中包含的边缘信息越多，那么就大。

基于K均值的自适应全斑点噪声选取：当前，针对如何选取图像的全斑点噪声区域的问题，Yu等人提出了SUSAN_AD模型中的一种方法。即先选取一个大小为,中心点为的模板，将此模板遍历图像，依次计算模板中心点所对应图像像素的结构张量特征值之差。再通过人工设定一阈值，如果有，则此时模板中的图像区域即为图像的全斑点噪声区域。但这样的选取方法由于只通过模板中心点结构张量特征值之差小于设定阈值，就判定整个模板区域为全斑点噪声区域，导致最后选取得到的全斑点噪声区域并不一定就是真正的全斑点噪声区域，甚至带有较多的图像边缘信息，同时，由于阈值需要人工设定，而准确的阈值设定需要对图像有很好的经验认识，并不容易判定阈值的大小。本发明为了克服以上缺点，采用K均值法进行自适应选取图像的全斑点噪声区域。