一种超声图像去噪方法及系统.pdf

本发明适用于图像处理技术领域，提供了一种超声图像去噪方法及系统，所述方法包括：采用多尺度特征非对称度量提取超声图像的特征信息；基于相位的加权最小平方算法对特征信息提取后的超声图像进行去噪。通过本发明，可在去除超声图像噪声的同时，保留图像的特征信息。

1.  一种超声图像去噪方法，其特征在于，所述方法包括：
采用多尺度特征非对称度量提取超声图像的特征信息；
基于相位的加权最小平方算法对特征信息提取后的超声图像进行去噪。

2.  如权利要求1所述的方法，其特征在于，所述采用多尺度特征非对称度量提取超声图像的特征信息，其采用的公式如下：

其中MSFA表示多尺度特征非对称度量，ε表示大于0且小于1的常数；表示将负数转化为零；T_n表示与尺度相关的噪声阈值，even和odd分别表示正交滤波器的标量值偶响应和向量值奇响应，n表示尺度，n为大于或等于1的整数，mean表示均值。

3.  如权利要求1所述的方法，其特征在于，所述基于相位的加权最小平方算法对特征信息提取后的超声图像进行去噪包括：
基于相位的加权最小平方算法通过最小化能量函数对特征信息提取后的超声图像进行去噪以获得平滑图像，其中能量函数如下：
Σp((Sp-Ip)2+λ(wx,p(I)(∂S∂x)p2+wy,p(I)(∂S∂y)p2)),]]>
其中I表示原始超声图像，S表示去噪后的超声图像，p表示超声图像中像素点的位置，λ为调整能量函数的参数；w_x,p(I)和w_y,p(I)表示权重函数，(x,y)表示超声图像中像素点的坐标。

4.  根据权利要求3所述的方法，其特征在于，所述方法还包括：
通过MSFA定义权重函数，其采用的公式如下：
w_x,p(I)＝w_y,p(I)＝((MSFA_p(I))^α+ε)^-1,
其中，α用于控制MSFA的敏感度。

5.  一种超声图像去噪系统，其特征在于，所述系统包括：
特征信息提取单元，用于采用多尺度特征非对称度量提取超声图像的特征信息；
去噪单元，用于基于相位的加权最小平方算法对特征信息提取后的超声图像进行去噪。

6.  如权利要求5所述的系统，其特征在于，所述特征信息提取单元采用如下公式提取超声图像的特征信息：

其中MSFA表示多尺度特征非对称度量，ε表示大于0且小于1的常数；表示将负数转化为零；T_n表示与尺度相关的噪声阈值，even和odd分别表示正交滤波器的标量值偶响应和向量值奇响应，mean表示均值。

7.  如权利要求5所述的系统，其特征在于，所述去噪单元具体用于：
基于相位的加权最小平方算法通过最小化能量函数对特征信息提取后的超声图像进行去噪以获得平滑图像，其中能量函数如下：
Σp((Sp-Ip)2+λ(wx,p(I)(∂S∂x)p2+wy,p(I)(∂S∂y)p2)),]]>
其中I表示原始超声图像，S表示去噪后的超声图像，p表示超声图像中像素点的位置，λ为调整能量函数的参数；w_x,p(I)和w_y,p(I)表示权重函数，(x,y)表示超声图像中像素点的坐标。

8.  根据权利要求7所述的系统，其特征在于，所述去噪单元还用于：
通过MSFA定义权重函数，其采用的公式如下：
w_x,p(I)＝w_y,p(I)＝((MSFA_p(I))^α+ε)^-1,
其中，α用于控制MSFA的敏感度。

一种超声图像去噪方法及系统
技术领域
本发明属于图像处理技术领域，尤其涉及一种超声图像去噪方法及系统。
背景技术
超声图像通常伴随有斑点噪声，这种噪声严重损坏超声图像的质量，增加了图像理解的难度。
现有技术采用基于图像亮度信息的检测算子提取超声图像的特征信息，而所述检测算子对图像对比度的变化比较敏感，无法准确检测出低对比度的特征，在去噪过程中直接对其进行平滑操作，造成特征模糊。而传统的加权最小平方算法在去除超声图像的斑点噪声时又不能很好地保留图像的特征信息。
发明内容
鉴于此，本发明实施例提供一种超声图像去噪方法及系统，以在去除超声图像噪声的同时，保留图像的特征信息。
本发明实施例是这样实现的，一种超声图像去噪方法，所述方法包括：
采用多尺度特征非对称度量提取超声图像的特征信息；
基于相位的加权最小平方算法对特征信息提取后的超声图像进行去噪。
本发明实施例的另一目的在于提供一种超声图像去噪系统，所述系统包括：
特征信息提取单元，用于采用多尺度特征非对称度量提取超声图像的特征信息；
去噪单元，用于基于相位的加权最小平方算法对特征信息提取后的超声图像进行去噪。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例采用多尺 度特征非对称度量提取超声图像的特征信息，并结合多尺度特征非对称度量和加权最小平方算法对特征信息提取后的超声图像进行去噪，由于多尺度特征非对称度量对超声图像噪声和对比度都不敏感，因而能够准确区分出超声图像的特征信息和斑点噪声，对去噪处理进行有效的引导，避免在去除噪声的过程中模糊超声图像的特征信息，最终达到去除噪声和保留图像特征信息的目标，具有较强的易用性和实用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的超声图像去噪方法的实现流程图；
图2是本发明实施例二提供的超声图像去噪系统的组成结构图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透切理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一：
图1示出了本发明实施例一提供的超声图像去噪方法的实现流程，该方法过程详述如下：
在步骤S101中，采用多尺度特征非对称度量提取超声图像的特征信息。
其中，多尺度特征非对称度量ε表示大于0且小于1的常数，在实际应用中ε为一个很小的常数(小于预设值，例如0.000001)，用来保证除数不会为零；表示将负数转化为零；T_n表示与尺度相关的噪声阈值，even和odd分别表示正交滤波器的标量值偶响应和向量值奇响应，mean表示均值。
需要说明的是，局部能量模型假设超声图像特征点的傅里叶各组分在相位上是一致的，但其计算过程较为复杂。为简化二维信号的局部分析，现有技术提出了一种二维各向同性解析信号，又称单演信号。单演信号是由原始二维信号f及其Riesz变换f_R所组成的三维向量f_M＝(f,f_R)＝(f,r₁×f,r₂×f)，其中r₁和r₂是Riesz滤波器。实际应用中，由于图像信号通常包含比较宽的频率范围，其局部分析一般通过一组不同空间频率的带通正交滤波器来实现，结合正交滤波器g的单演信号可表示为f_M＝(g×f,g×r₁×f,g×r₂×f)＝(even,odd)，even和odd分别表示正交滤波器的标量值偶响应和向量值奇响应。由于Cauchy函数具有良好的空间定位能力，因此本实施例采用Cauchy函数作为正交滤波器。频域上二维各向同性Cauchy函数定义为：
G(w)＝n_c|w|^aexp(-s|w|),(1)
其中a≥1,w＝(u,v),s是尺度参数，n_c是归一化常数。
实验表明，在超声图像的非对称特征点上，如物体的边界，奇对称滤波器响应的绝对值较大而偶对称滤波器响应的绝对值较小，因此可以利用奇对称滤波器和偶对称滤波器响应的差别来检测超声图像的边界特征。为了更好地控制特征检测的性能，本实施例定义一种多尺度的特征非对称度量：

其中ε为大于0且小于1的常数，在实际应用中ε为一个很小的常数(小于预设值，例如0.000001)，用来保证除数不会为零；；表示将负数转化为零；T_n表示 与尺度相关的噪声阈值，其计算如下：
Tn=loglog(mean(oddn2+evenn2))---(3)]]>
MSFA的取值范围为0到1，且在匀质区域内取最小值而在边界特征处取最大值。实际计算中，可采用三个尺度来提取超声图像的特征信息，细尺度超声图像包含了组织结构的细节信息而粗尺度超声图像则保留了物体边界的连续性和规则性，因此多尺度的特征非对称度量能够完整地检测出不同尺度下的图像特征信息。根据定义，MSFA是与图像的亮度信息无关的，因此它非常适用于低对比度超声图像的特征检测。此外，当图像特征与斑点噪声通过梯度算子难以区分时，MSFA也能把它们准确区分出来。
伪代码1：多尺度特征非对称度量
输入：原始超声图像I，正交滤波器组g
输出：多尺度特征非对称度量MSFA
构造Riesz滤波器r₁和r₂
for(n＝1；n<＝3；n++)do
计算尺度n下的odd_n和even_n
根据公式(3)计算T_n
end for
根据公式(2)计算MSFA
Return MSFA
在步骤S102中，基于相位的加权最小平方算法对特征信息提取后的超声图像进行去噪。
具体的可以是，基于相位的加权最小平方算法通过最小化能量函数对特征信息提取后的超声图像进行去噪以获得平滑图像，其中能量函数如下：
Σp((Sp-Ip)2+λ(wx,p(I)(&PartialD;S&PartialD;x)p2+wy,p(I)(&PartialD;S&PartialD;y)p2)),]]>
其中I表示原始超声图像，S表示去噪后的超声图像，p表示超声图像中像素点的位置，λ为调整能量函数的参数；w_x,p(I)和w_y,p(I)表示权重函数，(x,y)表示超声图像中像素点的坐标。((S_p-I_p)²是数据项，用来最小化I和S之间的差异；包括两个偏微分，主要起平滑作用，权重函数w_x,p(I)和w_y,p(I)是用来控制平滑的过程，避免对图像特征进行模糊，w_x,p(I)和w_y,p(I)通常采用相同的设置。
在超声图像去噪过程中，权重函数的好与坏对去噪效果有至关重要的影响。传统加权最小平方算法中的权重函数是与图像的亮度信息相关的，而超声图像的斑点噪声是一种乘性噪声，即很难通过亮度的变化来区分图像的特征信息和噪声，因此传统加权最小平方算法在去噪的过程中会把一些与噪声难以区分的特征也一起去除，使去噪结果无法保留图像原有的特征。本发明实施例结合MSFA提出一种基于相位的加权最小平方算法，其核心思想是通过MSFA来定义权重函数，如下式所示：
w_x,p(I)＝w_y,p(I)＝((MSFA_p(I))^α+ε)^-1,(5)
其中α用于控制MSFA的敏感度。公式(5)对增强加权最小平方算法的特征保留能力具有关键作用，MSFA对图像噪声和对比度的变化不敏感，能有效区分斑点噪声和图像特征信息，所以这两部分区域的权重系数也将显著不同。在噪声区域，权重系数大，平滑操作起主要作用，噪声被消除；在特征区域，权重系数小，滤波操作被抑制，从而使图像特征保留下来。
为了最小化公式(4)，本实施例将其改写成下面的矩阵形式
(S-I)T(S-I)+λ(STCxTWxCxS+STCyTWyCyS),---(6)]]>
其中矩阵C_x和C_y是离散微分算子，W_x和W_y是对角矩阵，且W_x[i,i]＝w_x,p(I)，W_y[i,i]＝w_y,p(I)。因此公式(4)的最小化可简化为求解下列线性系统
(A+λL)S＝I,(7)
其中A是单位矩阵且
L=CxTWxCx+CyTWyCy.---(8)]]>
伪代码2：基于相位的加权最小平方算法
输入：原始超声图像I，多尺度特征非对称度量MSFA，系数α和λ
输出：去噪图像S
根据公式(5)构造权重函数w_x,p(I)和w_y,p(I)；
根据公式(8)构造矩阵L；
通过公式(7)求解S；
Return S。
超声图像通常具有对比度低、亮度不均匀等特点，且超声图像特征与噪声难以区分，而基于局部相位信息的多尺度特征非对称度量是与图像亮度无关的特征检测算子，对噪声不敏感，因此非常适用于超声图像的特征检测。基于此，本发明实施例结合多尺度特征非对称度量和加权最小平方算法对超声图像进行去噪，实现在去除超声图像噪声的同时，保留图像的特征信息。
实施例二：
图2示出了本发明实施例二提供的超声图像去噪系统的组成结构，为了便于说明，仅示出了与本发明实施例相关的部分。
该超声图像去噪系统包括：
特征信息提取单元21，用于采用多尺度特征非对称度量提取超声图像的特征信息；
去噪单元22，用于基于相位的加权最小平方算法对特征信息提取后的超声图像进行去噪。
进一步的，所述特征信息提取单元21采用如下公式提取超声图像的特征信息：

其中MSFA表示多尺度特征非对称度量，ε表示大于0且小于1的常数，在实际应用中ε为一个很小的常数(小于预设值，例如0.000001)，用来保证除数不会为零；表示将负数转化为零；T_n表示与尺度相关的噪声阈值，even和odd分别表示正交滤波器的标量值偶响应和向量值奇响应，mean表示均值。
进一步的，所述去噪单元22具体用于：
基于相位的加权最小平方算法通过最小化能量函数对特征信息提取后的超声图像进行去噪以获得平滑图像，其中能量函数如下：
Σp((Sp-Ip)2+λ(wx,p(I)(&PartialD;S&PartialD;x)p2+wy,p(I)(&PartialD;S&PartialD;y)p2)),]]>
其中I表示原始超声图像，S表示去噪后的超声图像，p表示超声图像中像素点的位置，λ为调整能量函数的参数；w_x,p(I)和w_y,p(I)表示权重函数，(x,y)表示超声图像中像素点的坐标。
进一步的，所述去噪单元22还用于：
通过MSFA定义权重函数，其采用的公式如下：
w_x,p(I)＝w_y,p(I)＝((MSFA_p(I))^α+ε)^-1,
其中，α用于控制MSFA的敏感度。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
综上所述，由于斑点噪声和图像特征都属于高频信息，因此在超声图像去噪的过程中如何将图像特征从噪声中区分出来以避免对超声图像造成模糊将显得非常重要。现有技术采用基于图像亮度信息的检测算子提取超声图像的特征信息，而所述检测算子对图像对比度的变化比较敏感，无法准确检测出低对比度的特征，在去噪过程中直接对其进行平滑操作，造成特征模糊。而传统的加 权最小平方算法在去除超声图像的斑点噪声时又不能很好地保留图像的特征信息。基于此，本发明实施例采用多尺度特征非对称度量提取超声图像的特征信息，并结合多尺度特征非对称度量和加权最小平方算法对特征信息提取后的超声图像进行去噪，有效实现在去除超声图像噪声的同时，保留图像的特征信息，具有较强的易用性和实用性。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或 使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。