专利名称：基于稀疏表示的医学超声图像滤波方法
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[I]、中值滤波法[2]、各向异性滤波法和小波滤波法[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。I、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7 e ITn， iOOV为图像尺寸，/(·)和/ (·)分别代表无噪声图像和噪声，满足
权利要求
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I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 ⑴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7 e Wx'冗余字典j为Z个#维原子的集合，经过稀疏分解后的系数为尤则图像P的稀疏表不为
3.根据权利要求I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(2)中，所述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的具体步骤为经过稀疏分解后，原图像7 e 被分解为系数矩阵Z,其中Z的每一列大部分的系数分量为零，只有少数的非零大系数，这些大系数很好地表示了原图像的特征；对I的每一列求和，得到每个图像子块的稀疏分量sum e TPixz b'
4.根据权利要求I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(3)中，所述进一步利用灰度均值矩阵去除候选块中那些完全不相关的图像子块，最终将保留个最相似子块，记为e;不同于点滤波，对整个图像子块内的全部像素点一同滤波；由于Y_similar中每一列的灰度分布及结构均与十分相似，所以直接对中 Y_simi7ar每一行取均值,作为滤波后的免；将滤波后的列向量另进行反列向量处理，即展开成6X6矩阵；由于图像子块在原图像中是全遍历的，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。
全文摘要
本发明属于图像处理技术领域，具体为基于稀疏表示的医学超声图像滤波方法。本发明使用过完备字典将二维超声图像分解成最为稀疏的系数表示；采用基于子块相似度的全局滤波思想，对于每一个图像子块，利用全局冗余信息寻找整幅图像中与其最相似的子块；根据得到的所有最相似子块，对原子块内全部像素点一同滤波；对于各重叠区域内存在多个估值的像素点，对其进行均值处理，从而实现整幅图像的滤波。本发明非常适合于医学超声图像的滤波，可以有效地降低斑点噪声，并且较好地保持超声图像中的纹理信息和边缘特性。
文档编号G06T5/00GK102592267SQ201210002260
公开日2012年7月18日 申请日期2012年1月6日 优先权日2012年1月6日
发明者汪源源, 郭翌 申请人:复旦大学