基于小波变换和引导滤波器的医学超声图像去噪方法
【专利摘要】一种基于小波变换和引导滤波器的医学超声图像去噪方法,包括以下步骤：步骤1)医学超声图像模型的建立；步骤2)对第一步得到的对数变换后的图像进行小波分解，得到四个频域(LL1、LH1、HL1和HH1)；对低频域LL1继续进行小波分解，再得到四个频域(LL2、LH2、HL2和HH2)；然后重复这个步骤，直到分解最大层数J；步骤3)利用引导滤波器对最后一层的低频部分(LLJ)中的小波系数做滤波处理；步骤4)对每一层的高频部分(LHj、HLj和HHj，j＝1,2,...,J)的小波系数进行阈值法收缩处理；步骤5)作小波逆变换处理，得到去噪后的医学超声图像；对第5步得到的超声图像作指数变换，得到去噪后的超声包络信号。
【专利说明】基于小波变换和引导滤波器的医学超声图像去噪方法
【技术领域】
[0001] 本发明应用于医学图像去噪领域。
【背景技术】
[0002] 在医学成像领域，超声成像、CT、MRI等成像技术已应用于医学临床诊断中。由于 超声成像技术具有无创、无放射性损害、快捷方便等特性，因此超声成像技术相对于其他成 像技术更加安全。尤其在观察孕妇体内胎儿成长状况与诊断腹部器官病变等临床应用中， 超声成像技术的使用更为重要。
[0003] 根据美国癌症协会在2013年给出了一份女性患乳腺癌的统计数据，在过去的一 年里，美国妇女中共有232340例新的浸润性乳腺癌病例和39620人死于乳腺癌。对于人 体的乳腺以及腹部的其他器官进行检测的主要技术为超声成像技术，即通常所说的B超图 像。因此提高医学超声图像质量，为医生提供更加清晰无噪声的图像具有非常重要的意义。
[0004] 由于超声成像机理的限制，斑点噪声的存在严重影响了超声图像的质量，导致了 超声图像质量较差。斑点噪声的产生是由于超声成像中的基本分辨单元内存在大量的随机 散射现象，在图像上表现为空间域内相关的形状各异的小斑点，它将掩盖那些灰度差别很 小的图像特征。对于临床医生而言，斑点噪声对他们的准确诊断造成了很大的干扰，特别是 对于经验不是很丰富的医生造成的影响更大。因此，从临床应用的角度出发，需要研究去除 斑点噪声的方法，为医生做出更准确的诊断提供技术支持，降低人工诊断的风险。
[0005] 由于医院资源的局限性，特别是医生每天进行人工诊断病人的数量无法满足社会 整个阶层的需求，即面临着病人多医生少情况。因此，各种自动诊断仪器的需求越来越大， 自动诊断仪器的出现，一方面可以节约医生资源，另一方面可以方便更多的病人进行诊断。 随着当今社会经济的飞跃发展，人们自身健康情况却不容乐观，所以人们对家用型医疗自 动诊断仪器的需求也非常大，例如家用超声图像自动诊断仪等。但是超声图像自动诊断仪 同样面临着图像质量不高的问题，并且自动诊断仪需要对超声图像做后期的智能分析，如 特征提取、边缘检测和图像分类识别等。因此，从自动化诊断技术的角度出发，需要研究去 除斑点噪声的方法，为图像的后期智能处理提供技术保障，促进自动诊断技术的发展。
[0006] 综上所述，研究医学超声图像去噪方法具有非常重要的意义：
[0007] (1)提高医学超声图像的质量，改善视觉效果；
[0008] (2)方便医生更加准确地针对病灶区域做出判断，降低辅助诊断的风险；
[0009] (3)促进超声图像自动化诊断技术的发展，具有不可估量的价值。
[0010] 在数字图像处理领域，滤波常用来修改或增强图像，对图像的某些特征，如轮廓、 边缘、细节和对比度等进行锐化，提高图像的视觉质量，以便于更好地观察图像或进行下一 步分析处理，特别是在医学超声图像的处理中变的尤为重要。滤波的基本原理是将图像中 的每个像素点与其相邻的几个像素点作邻域运算，即进行加权平均卷积运算。由于抑制斑 点噪声具有非常重要的意义，众多科研工作者在此问题上投入了大量的精力。目前的去噪 的方法主要分为空间域滤波和频率域滤波两大类。在空间域方法中，直接处理图像像素点， 对像素值进行操作达到图像去噪的目的。常见的有均值滤波和中值滤波等，但是当图像存 在明显的边缘信息时，通常的邻域运算会改变图像边缘点的灰度值，从而使图像的边缘变 得模糊。所以能够很好保持边缘信息的双边滤波器得到大家的认可，但是由于双边滤波器 运算复杂度较高并且存在"梯度反转"现象，并不能满足医学超声成像系统的实时性要求。 所以He等人在2010年提出了引导滤波器的概念，极大的提高了去噪的性能（根据概念，双 边滤波器也属于引导滤波器的范畴）。在频率域方法中，首先将图像转换到频率域中，即对 图像进行傅里叶变换，在图像的傅里叶变换式上进行滤波操作，再对图像进行傅里叶逆变 换，得到最终图像。在频率域方法中，基于小波变换的去噪方法得到了普遍的应用，充分利 用尺度间相关性，较好地保持了图像边缘。
【发明内容】
[0011] 本发明要克服现有技术的上述缺点，提供一种基于小波变换和引导滤波器的医学 超声图像去噪方法。
[0012] 本发明分析当前频率域内和空间域内的去噪方法，并结合斑点噪声的模型的特点 和医学超声图像的处理需求提出了一种新的去噪方法，即基于小波变换和引导滤波器的医 学超声图像去噪方法。小波变换具有时频分析和多尺度分析等优越性，其已在图像处理领 域得到了广泛的应用。在处理加性噪声问题时，小波的去噪效果较好，能够满足一般产品需 求。然而，仅仅利用小波变换的去噪方法对医学超声图像中斑点噪声的抑制效果不好。对 于引导滤波器，它在处理图像噪声时，一方面具有很强的去噪能力，另一方面能够保持图像 边缘细节。虽然双边滤波器在去噪的过程中也能很好的保持边缘信息，但是其效率较低，运 行时间将会很长并且存在"梯度反转"现象，难以用于实时系统。随着图像的分辨率越来越 大，这在很大的程度上限制了双边滤波的应用空间。因此本发明利用引导滤波器替换掉双 边滤波器，极大提高去噪性能和运算效率。因此，本发明将结合小波去噪和引导滤波器的优 点。具体思路如下，在传统的小波去噪方法的基础之上，根据小波域内超声图像及斑点噪声 的统计特性，改进了小波阈值函数和收缩方法，能够更有效地去除高频部分的斑点噪声。由 于医学超声图像在小波域内的低频部分依然存在斑点噪声，因此使用去噪效果好并且效率 高的的引导滤波器，在抑制低频域内噪声的同时能够保留低频域内的图像边缘信息。本发 明解决斑点噪声问题是通过以下技术方案实现的 ：
[0013] 步骤1)医学超声图像模型的建立
[0014] 如果认为超声成像系统能够对那些影响声波功率的因素做出恰当的动态补偿，则 超声成像系统采集的包络信号由两部分组成，一是有意义的体内组织的反射信号，另一部 分是噪声信号。其中噪声信号可分为相乘噪声与相加噪声。相乘噪声与超声信号成像的原 理有关，主要来源于随机的散射信号。相加噪声认为是系统噪声，如传感器的噪声等。超声 成像系统初步得到的包络信号为它的一般模型如下
[0015] fpre=gprenpre+wpre ⑴
[0016] 这里，上标表示系统初步得到的信号。函数gpM表示无噪声信号，rTe和分 别表不相乘噪声和相加噪声，式中npM是噪声的主要成分。
[0017] 和相乘噪声rTe相比，相加噪声所占比重很小，因此将Wp'忽略后的模型为
[0018]fpre=gprenpre (2)
[0019] 为了适应超声成像系统显示屏幕的动态显示范围，对超声成像系统采集到的包络 信号进行对数压缩处理。此时相乘的式（2)模型将变为相加的模型，如下
[0020] log(fpre) =log(gpre)+log(npre) (3)
[0021] 此时，得到的信号l〇g(fp，即是通常看到的医学超声图像。
[0022] 步骤2)对第一步得到的对数变换后的图像进行小波分解，得到四个频域（LL1、 LH1、HL1和HH1)。对低频域LLl继续进行小波分解，再得到四个频域（LL2、LH2、HL2和HH2)。 然后重复这个步骤，直到分解最大层数J。
[0023] 由于小波变换是线性变换，因此式（3)模型经过二维离散小波变换后得到下面模 型：
[0024]
【权利要求】
1. 一种基于小波变换和引导滤波器的医学超声图像去噪方法，包括以下步骤： 步骤1)医学超声图像模型的建立； 超声成像系统采集的包络信号由两部分组成，一是有意义的体内组织的反射信号，另 一部分是噪声信号；其中噪声信号可分为相乘噪声与相加噪声；相乘噪声与超声信号成像 的原理有关，主要来源于随机的散射信号；相加噪声认为是系统噪声，如传感器的噪声等； 超声成像系统初步得到的包络信号为它的一般模型如下 fpre = gprenpre+wpre ⑴ 这里，上标表示系统初步得到的信号；函数gpM表示无噪声信号，npM和Wpm分别表 不相乘噪声和相加噪声，式中ηρΜ是噪声的主要成分； 和相乘噪声riPM相比，相加噪声Wpm所占比重很小，因此将Wpm忽略后的模型为 fpre = gprenpre 〇 为了适应超声成像系统显示屏幕的动态显示范围，对超声成像系统采集到的包络信号 进行对数压缩处理；此时相乘的式（2)模型将变为相加的模型，如下 log(fpre) =log(gpre)+log(npre) (3) 此时，得到的信号l〇g(fPM)即是通常看到的医学超声图像； 步骤2)对第一步得到的对数变换后的图像进行小波分解，得到四个频域（LL1atfiL1 和HH1);对低频域LL1继续进行小波分解，再得到四个频域（LL2、LH2、HL2和HH2);然后重复 这个步骤，直到分解最大层数J; 由于小波变换是线性变换，因此式（3)模型经过二维离散小波变换后得到下面模型：Oogifpn')) =^ji 0〇g(8/,r")) +OogOipn')) (4) u:iIi% (l〇g(/n)、％ (lc)g(iT))和％ (log(/，))分别表示含有噪声图像的小波系 数、无噪声图像的小波系数和斑点噪声的小波系数；其中上标j为小波变换的分解层数，下 标（l，k)为小波域内的坐标；为了方便表示，将式（4)简化为 F，、k = Gi，Nik (5) 对于离散的二维图像f(n，m)，对其进行二维小波分解的步骤为：首先对图像的每一行 像素进行一维离散小波分解，然后对再图像的每一列进行一维离散小波分解，这样便将一 幅图像分解为四个子频带信号；同理，对二维小波进行重构与上述过程非常相似，即按照相 反的顺序进行处理，即可得到，因此这里不再赘述；接下来将对小波分解后的一些子频带分 量，即相应的小波分解系数作简单的分析；LLO为原始信号，图像的信息都集中在这里；每 次小波分解都会得到四个子频带，对LLO进行一级小波分解后得到LLl、LHUHLl和HHl四 个子频带； LLl分量是对原始信号LLO的列和行进行小波分解后得到的低频分量，即一级小波分 解后近似部分，它包含了原始图像最多的低频信息； LHl是一次小波分解后的垂直方向上的高频分量，即它包含了图像水平方向上的近似 /[目息和垂直方向上的边缘等商频?目息； HLl是一次小波分解后的水平方向上的高频分量，即它包含了图像垂直方向上的近似 息和水平方向上的边缘等1?频息； HHl是一次小波分解后对角方向上的高频分量，即它包含了图像水平和垂直方向上的 边缘等尚频彳目息； 经过小波分解后的无噪信号的小波系数服从广义拉普拉斯分布，其概率分布如下
式中，「⑷=1X"lCXiX-XVix是伽马函数，V为形状参数,S为尺度参数,U为位置参数； 当V= 1，u=O时，式（6)将变为拉普拉斯分布，它是广义拉普拉斯分布的特殊模型； 同时斑点噪声的小波系数W/i服从零均值高斯分布
式中σN为小波域内噪声的标准差； 步骤3)利用引导滤波器对最后一层的低频部分（LI/)中的小波系数做滤波处理； 引导滤波器对低频域内的小波系数作滤波处理，基本原理如下式所示 Cii =Yd^npj (8) J 式⑶中，I为引导图像，P为输入图像，q为输出图像，Wu为关于引导图像I的函数，i和j为像素点的位置，I由具体问题确定，可以令I=P; 假设在窗口Wk内，中心点为后k，q为I的线性变换，如式（9)所示q, -akI, +bk ,V/ewk (9) 在图像滤波中，希望能在达到滤波效果的前提下最小化输入图像和输出图像的差异， 减小原始图像细节的损失，故通过最小化P和q的差来确定系数ak和bk，即使式（10)最小 E(aL^κ)=Σ1I+~Pi)2+εαι] (10) few；. 式（10)中，ε是正则化参数，目的是为了防止ak过大；求解式（10)，得
式中，μk和4分别为I在Wk中的均值和方差；IwI为Wk中的像素个数，氕是输入图像 P在Wk中的均值；求出该线性模型后，带入整幅图像，由于每一个像素点会有多个包含该像 素点的窗口wk，所以当在不同窗口Wk计算时，Qi的值会不同；故需要对其进行平均处理 ^ =〇Σ+h)= aJi+h (12) IH 式中，6=0一;·=点 综上所述，核函数Wij可以定义如下 Wij=^ tX(1 + (Α-/0(Λ-/0) (13) |w|k,(i,j)swk+ε 由以上原理可知，引导滤波器去噪的过程如下： (3. 1)输入图像ρ; (3.2)输入滤波窗口Wk的尺寸和正则化参数ε; (3. 3)计算I，ρ和Ι*ρ的均值； (3.4)计算（Ι，ρ)的协方差； (3. 5)计算（1*1)的均值并计算I的方差； (3. 6)计算系数a，b; (3. 7)分别计算a和b的均值； (3.8)得到输出图像q; 步骤4)对每一层的高频部分（Ltf、HU_和Htf，j= 1，2,. . .，J)的小波系数进行阈值法 收缩处理； 无噪信号的小波系数6^服从广义拉普拉斯分布，小波域内的斑点噪声部分#以服从 高斯分布；选择V= 1，则式（6)变为拉普拉斯分布
为了得到小波域内的信号估计值，使用贝叶斯最大后验估计的方法；在后验概率的计 算过程中，使用贝叶斯公式如下
将式（7)、式（17)带入上式（18)，得到
为了得到最大后验概率，将In(pe|F(gIf))对g求一次导数的方程置零，最后得到g=sign(f)·max(| /1 --, 0) (20) S 忌为g的估计，并且假设f和无噪信号g同号；这样就得到新的收缩方法
式中只有尺度S是未知的，可由下式确定 s=[0.5(〇-；Γσ：)]2 (22) 其中〇u为噪声图像小波系数在j层的标准差； 步骤5)作小波逆变换处理，得到去噪后的医学超声图像；对第5步得到的超声图像作 指数变换，得到去噪后的超声包络信号。
【文档编号】G06T5/00GK104318527SQ201410561594
【公开日】2015年1月28日 申请日期:2014年10月21日 优先权日:2014年10月21日
【发明者】张聚, 林广阔, 胡标标, 吴丽丽, 杨立, 林忠款, 胡立伟 申请人:浙江工业大学