下载文档原格式
图像去噪的改进迭代非局部平均滤波方法
冯象初;郝彬彬;朱见广
【期刊名称】《西安电子科技大学学报（自然科学版）》
【年(卷),期】2010(037)004
【摘要】提出了一种新的迭代非局部平均滤波的图像去噪方法.权系数的计算依赖每次迭代更新得到的图像,同时对迭代更新后得到的图像进行加权平均.这样就避免了权系数的计算以及加权平均所用的图像的不一致所带来的图像边缘模糊以及对比度不清晰的现象.还证明了新的迭代方法满足极大极小原则.实验结果表明,该方法去噪的同时能较好地保持图像的边缘以及细小结构.
【总页数】5页(P722-725,736)
【作者】冯象初;郝彬彬;朱见广
【作者单位】西安电子科技大学,理学院,陕西,西安,710071;西安电子科技大学,理学院,陕西,西安,710071;西安电子科技大学,理学院,陕西,西安,710071
【正文语种】中文
【中图分类】TP391.41;O175.2
【相关文献】
1.一种自适应迭代的非局部干涉相位滤波方法 [J], 林雪;李曾玺;李芳芳;胡东辉;丁赤飚
2.基于时域自适应滤波及非局部平均的夜视图像去噪算法 [J], 刘小园;衣扬;杨磊
3.一种改进的非局部平均图像去噪算法 [J], 许光宇;李玲
4.基于迭代对数阈值的加权 RPCA非局部图像去噪 [J], 杨国亮;鲁海荣;唐俊;王艳
芳
5.渐近非局部平均图像去噪算法 [J], 邢笑笑;王海龙;李健;张选德
因版权原因，仅展示原文概要，查看原文内容请购买。
基于GVC的扩散模型与图像去噪方法研究的开题报告题目：基于GVC的扩散模型与图像去噪方法研究一、选题背景及意义：图像去噪是图像处理领域中的一项重要任务，其目的是消除图像中的噪声污染，以提高图像质量和信息量。
图像去噪技术在计算机视觉、医学影像等领域具有广泛的应用价值，如肿瘤检测、城市交通监控、海洋遥感等。
针对图像去噪问题，扩散模型是一种重要的数学工具。
GVC （Gradient Vector Flow）扩散模型是一种基于梯度向量场的扩散模型，能够较好地保留图像边缘信息，具有很好的去噪效果。
因此，基于GVC的扩散模型在图像去噪领域中得到了广泛的应用。
二、研究内容和技术路线：本文旨在研究基于GVC的扩散模型与图像去噪方法，具体内容包括：1. GVC扩散模型的原理及算法实现GVC扩散模型是一种基于梯度向量场的扩散模型，本文将研究GVC扩散模型的原理，包括GVC梯度向量场的计算、GVC扩散算法的构建等，同时通过Matlab实验，验证GVC扩散模型的去噪效果。
2. 图像去噪算法的设计和实现本文将研究基于GVC的图像去噪算法，设计实现一种新的图像去噪方法，并与其他经典的图像去噪算法进行比较分析。
同时，本文还将研究图像去噪算法的实时性以及应用场景。
3. 基于深度学习的图像去噪方法本文将进一步研究基于深度学习的图像去噪方法，包括卷积神经网络（CNN）和自编码器（Autoencoder）等方面的研究。
通过对比分析基于深度学习和基于GVC的图像去噪方法，选出最优的算法，提高图像质量和去噪效果。
技术路线：首先对GVC扩散模型的原理进行研究，然后通过Matlab实验，验证GVC扩散模型的去噪效果。
其次，设计实现一种基于GVC的图像去噪算法，并与其他经典的图像去噪算法进行比较分析。
最后，研究基于深度学习的图像去噪方法，进行算法的设计和分析，并选择合适的算法进行实现和应用。
三、预期成果：1. 对基于GVC的扩散模型及图像去噪方法的研究有较为全面的了解，既可以从理论上进行分析，也能够进行实验验证。
基于改进的各向异性扩散方程的医学超声图像降噪方法医学超声成像技术具有方便、安全、快捷等优点而广泛应用于临床,但其成像机制的特殊性使得超声图像存在严重的斑点噪声,给临床影像学诊断带来了困难。
传统的斑点噪声抑制方法有维纳滤波[1]、小波软阈值滤波[2]和中值滤波[3]但是这些方法在抑制噪声的同时不同程度地造成了边缘模糊。
基于各向异性扩散方程的滤波技术在医学图像降噪领域越来越受到关注。
文献[4]首先提出基于偏微分方程的各向异性扩散滤波技术(即P-M模型),但其平滑效果较差,容易出现图像集块或阶梯现象(也叫“块效应”),边缘保持的效果也不理想,且无法滤除边界上的噪声。
为解决该问题,文献[5]先将原始图像与高斯滤波器进行卷积运算,降低噪声点的梯度,使强的灰度阶跃保留下来,再运用P-M方程进行滤波。
文献[6]对文献[5]的Catte算子做了进一步改进,较好地平滑了噪声,尖峰和窄边缘也得到较好的保持。
文献[7]提出一种的新的各向异性扩散方程(Speckle ReducingAnisotropicDiffusion, SRAD),其中的梯度算子能够很好地区分噪声点和检测边缘区域。
文献[8]将扩散方向由4个方向扩展为8个方向,从而保留了更多的图像细节,提高了图像质量。
本文将各向异性扩散方程的扩散方向由四个方向扩展为8个方向,并构造了新的扩散系数函数,在此函数中使用了一种新的梯度算子并引入了一种扩散门限的自动估计方法,从而在有效抑制斑点噪声的同时较好地保留了图像的边缘细节信息。
本文将各向异性扩散方程的传统4方向扩展为8方向;同时引入了新的扩散系数计算方法,从而更好的达到了细节保护和斑点噪声消除的双重功能。
It+Δts=Its+Δt|ηs|∑p∈ηsc( Its, p) Its, p(4)每一次迭代都是以周围四个方向的梯度值来计算该中心点变换后的灰度值,这可能会导致图像细节的损失并产生虚假轮廓。
为了克服这种现象,本文在传统四方向基础上增加了45°、135°、225°、315°4个方向(见图1),即用8个方向的梯度值来计算该点变换后的灰度值,ηs表示像素点I(x, y)的八邻域,这里取值8。
改进的各向异性扩散图像去噪算法
肖丹;黄玉清
【期刊名称】《自动化仪表》
【年(卷),期】2017(038)007
【摘要】图像去噪是图像处理中的重要环节,经典的图像去噪算法,如中值滤波、高斯滤波和加权平均滤波等,去噪效果都不是很理想.传统方法在去除噪声的同时,会使图像的边缘也变得模糊.偏微分方程(PDE)是近年比较流行的图像处理方法,它具有各向异性的特点,在去除噪声的同时,能很好地保持图像的边缘.基于现有算法,提出了一种改进的去噪算法.将传统P-M算子中的固定边缘阈值改为随梯度模变化的自适应阈值,并结合图像结构张量构造一个扩散函数.在图像平坦区,改进的P-M模型具有各向同性的特点,有利于平滑噪声;而在图像边缘处,该模型只沿切线方向扩散,有利于保护图像细节.试验表明,改进的P-M模型能很好地改善图像去噪效果,同时也能很好地保持图像的边缘.
【总页数】3页(P1-3)
【作者】肖丹;黄玉清
【作者单位】西南科技大学信息工程学院,四川绵阳621010;西南科技大学信息工程学院,四川绵阳621010
【正文语种】中文
【中图分类】TH7;TP391
【相关文献】
1.基于改进各向异性扩散冲击滤波器模型的图像去噪 [J], 黄淑英;杨勇
2.一种改进的基于各向异性扩散方程的图像去噪方法 [J], 罗莎;韦大欢
3.一种改进的各向异性扩散超声图像去噪算法 [J], 王亚强;陈波
4.基于改进的各向异性扩散图像去噪算法研究 [J], 洪志强;张立亭;陈竹安;吴龙华;陈大凯
5.改进非局部均值各向异性扩散图像去噪算法 [J], 王磊;王敏;张鹏程;任时磊;高晓玲;桂志国
因版权原因，仅展示原文概要，查看原文内容请购买。
图像去噪算法：NL-Means 和BM3D图像去噪是⾮常基础也是⾮常必要的研究，去噪常常在更⾼级的图像处理之前进⾏，是图像处理的基础。
可惜的是，⽬前去噪算法并没有很好的解决⽅案，实际应⽤中，更多的是在效果和运算复杂度之间求得⼀个平衡，再⼀次验证了我⽼师的⼀句话：所有的⼯程问题最后都是最优化问题。
好了，废话不多说，来看看效果⽐较好的去噪算法吧。
噪声模型图像中噪声的来源有许多种，这些噪声来源于图像采集、传输、压缩等各个⽅⾯。
噪声的种类也各不相同，⽐如椒盐噪声，⾼斯噪声等，针对不同的噪声有不同的处理算法。
对于输⼊的带有噪声的图像v(x)，其加性噪声可以⽤⼀个⽅程来表⽰：其中是原来没有噪声的图像。
是像素集合，是加项噪声项，代表噪声带来的影响。
是像素的集合，也就是整幅图像。
从这个公式可以看出，噪声是直接叠加在原始图像上的，这个噪声可以是椒盐噪声、⾼斯噪声。
理论上来说，如果能够精确地获得噪声，⽤输⼊图像减去噪声就可以恢复出原始图像。
但现实往往很⾻感，除⾮明确地知道噪声⽣成的⽅式，否则噪声很难单独求出来。
⼯程上，图像中的噪声常常⽤⾼斯噪声来近似表⽰，其中，是噪声的⽅差，越⼤，噪声越⼤。
⼀个有效的去除⾼斯噪声的⽅式是图像求平均，对N 幅相同的图像求平均的结果将使得⾼斯噪声的⽅差降低到原来的N 分之⼀，现在效果⽐较好的去噪算法都是基于这⼀思想来进⾏算法设计。
NL-Means 算法NL-Means 的全称是：Non-Local Means ，直译过来是⾮局部平均，在2005年由Baudes 提出，该算法使⽤⾃然图像中普遍存在的冗余信息来去噪声。
与常⽤的双线性滤波、中值滤波等利⽤图像局部信息来滤波不同的是，它利⽤了整幅图像来进⾏去噪，以图像块为单位在图像中寻找相似区域，再对这些区域求平均，能够⽐较好地去掉图像中存在的⾼斯噪声。
NL-Means 的滤波过程可以⽤下⾯公式来表⽰：在这个公式中，是⼀个权重，表⽰在原始图像中，像素 和像素 的相似度。
基于异性扩散-中值滤波的超声医学图像去噪方法
李俊盛;刘宗田
【期刊名称】《计算机应用与软件》
【年(卷),期】2009(26)1
【摘要】针对超声图像存在一种特殊的斑点噪声,使图像边界与细节变得模糊而严重影响图像质量的问题,提出了一种新的去除医学图像斑点噪声的方法,它利用中值滤波和各向异性扩散相结合,不仅可以有效地去除噪声而且很好地保持了边缘、局部细节信息.此外,该方法在扩散过程中,梯度阈值选取的不同对图像结果影响很小,这极大地提高了该算法的健壮性.实验中,通过和各向异性扩散、中值滤波等方法的比较,表明该方法具有良好的去噪效果.
【总页数】3页(P76-77,149)
【作者】李俊盛;刘宗田
【作者单位】上海大学计算机工程与科学学院,上海,200072;上海大学计算机工程与科学学院,上海,200072
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于改进各向异性扩散的超声医学图像滤波方法 [J], 谢勤彬;罗代升;宋海波
2.中值滤波与各向异性扩散相结合的医学图像滤波方法 [J], 付丽娟;姚宇;付忠良
3.基于对数压缩的超声各向异性扩散去噪方法 [J], 杨金;刘志勤;王耀彬;高小明
4.改进的各向异性复扩散模型的医学图像去噪方法 [J], 张美玉;张素琼;秦绪佳;徐晓刚
5.基于各向异性扩散的超声医学图像滤波方法 [J], 彭韵;李德玉;林江莉;汪天富;郑昌琼;唐红;饶莉
因版权原因，仅展示原文概要，查看原文内容请购买。
基于平稳小波域的各向异性扩散图像去噪方法
汪伟;吴秀清;程蕾;夏东坤
【期刊名称】《计算机工程与应用》
【年(卷),期】2010(046)004
【摘要】针对传统的各向异性扩散去噪方法存在的导致图像细节丢失的问题,提出了一种基于平稳小波域的各向异性扩散图像去噪方法.该方法根据平稳小波变换的特性,通过在高频和低频子带上选用不同的梯度门限进行各向异性扩散,然后进行重构得到去噪后的结果图像.实验结果表明,该方法在有效去除噪声的同时,图像细节保留较好,去噪后的图像具有更好的质量.
【总页数】3页(P180-182)
【作者】汪伟;吴秀清;程蕾;夏东坤
【作者单位】中国科学技术大学电子工程与信息科学系,合肥,230027;中国科学技术大学电子工程与信息科学系,合肥,230027;中国科学技术大学电子工程与信息科学系,合肥,230027;中国科学技术大学电子工程与信息科学系,合肥,230027
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于小波域上各向异性扩散的图像去噪算法 [J], 张选德;宋国乡
2.基于灰色系统理论的各向异性扩散图像去噪方法 [J], 杨兴江;廖志武;蒲永华
3.基于图像特征的各向异性扩散去噪方法 [J], 柯丹丹;蔡光程;曹倩倩
4.基于PCNN的小波域超声医学图像去噪方法 [J], 郭业才;王绍波
5.一种改进的基于各向异性扩散方程的图像去噪方法 [J], 罗莎;韦大欢
因版权原因，仅展示原文概要，查看原文内容请购买。
基于噪声 纹理检测算子的图像去噪方法孙晓丽,宋国乡,冯象初(西安电子科技大学理学院,陕西西安710071)摘 要: 利用能量泛函极小化方法对图像进行滤波时,通常用分段常数函数来近似图像,在滤除噪声的同时也丢失了许多纹理和细节信息.基于这一不足,本文提出一个噪声 纹理检测算子,利用这一算子对滤掉的信息作进一步检验,从而尽可能多的抽取出被误滤掉的纹理信息,将这些纹理信息补充回滤波后的图像中得到最终的去噪图像.实验表明,本文提出的算子对去噪后图像纹理信息的保留具有明显效果.关键词: 能量泛函;图像去噪;纹理信息中图分类号: TN911 文献标识码: A 文章编号: 0372 2112(2007)07 1372 04An Image D enoising Method Based on a Noise Texture OperatorSUN Xiao li,SONG Guo xiang,FE NG Xiang chu(Sc hool o f Sc ience ,Xidian U nive rsity ,Xi an,Shaanxi 710071,China )Abstract: Denoising algor i thm based on gradient dependent energy fu nctional,modify images towards piecewise constant functions.Important information,encoded i n image features like textu res or certain details,is often compromised in the pro cess of deno ising.A noise texture detect operator is proposed in this paper.The filtered information,during the process of denoising,will be checked again by using this operator,then textures and details filtered by mis take will be extracted as much as possible.After refill ing these textu res and details into the denoised image,the final denoised image is obtained.Experiment results show that ou r new method has obvious effect in preserving textu res and details.Key words: energy functional;image deno ising ;texture information1 引言基于PDE 的图像处理方法在近十年来已经得到广泛应用.此类方法一般分为三种类型:用变分方法求解能量泛函极小化、直接偏微分方程扩散方法和公理化方法.它们之间有着必然的联系[1,2],本文是从第一类方法入手的.虽然此类方法在图像处理的许多领域都表现出了很大的实用性[3,4],但其不可避免的缺点也日益显现出来.这类方法是建立在BV 空间中用分段常数函数对图像进行近似的,在某种意义下,它们得到了输入图像的一个很好的近似,也就是所说的Cartoon 模型.但是,对于一个一般图像而言,它必然是既包含有平坦的区域又包含有细节信息丰富的区域,对于平坦区域而言,我们希望噪声能够充分地去除掉,而对于细节信息丰富的区域而言,为了能够把这些重要的细节信息保留下来,作为一个折衷,我们就有必要使包含细节信息区域的一部分噪声连同细节信息一起留在去噪后的图像中.利用上述基于BV 空间的能量泛函极小化方法对这类图像进行处理时,对原始图像的忠诚度只能通过图像的整体信息来判断,因而纹理信息、一些细小的细节信息在去噪的同时都被模糊掉了.因此,被滤掉的信息中不仅有希望去除的噪声,还有根本不希望去掉的图像细节,我们有必要对滤掉的信息进行二次检测,尽量区分出噪声和细节.一种好的去噪方法就是要在去除噪声的同时尽可能多的保留原图像的信息[5].本文正是基于这一目的,提出一个噪声 纹理检测算子,通过这一算子对滤掉的信息重新检测,尽可能多得从中提取出被误滤掉的纹理和原图中的重要细节信息,将其补回去噪后的图像中,从而得到更符合实际的最终的去噪图像.2 基于能量泛函极小化的图像滤波方法一种经典的变分去噪算法是由Rudin Oshe r Fate mi 等提出的全变差极小化方法[6].这一方法通过寻找由图像的全变差项和图像对原噪声图像的忠实项组成的能量泛函的平衡状态(极小化能量)来求解,即:收稿日期:2006 04 17;修回日期:2007 04 11基金项目:国家部委预研基金(No.5148702020DZ0103)第7期2007年7月电 子 学 报ACTA ELECTRONICA SINICA Vol.35 No.7J uly 2007E TV=! (| I|+12 (I-I0)2)d x d y(1)其中,前一项为光滑项,后一项为逼近原图像的忠实项.之后,由于全变差项在变分以后的扩散方程中容易引起扩散的不稳定性,人们对其进行了改进,将全变差项改为随着梯度模变化的函数,即:E=! ((| I|)+12 (I-I0)2)d x d y(2)这一能量泛函的欧拉方程为:F=div(∀ I| I|)+ (I0-I)=0(3)这里 #R是一常数,控制着解图像对原输入图像的忠实度.我们用PDE方法来求得带有初始条件的方程的解:I t=F,I t=0=I0(4)当 =0时就是直接的偏微分方程扩散模型,例如Pe rona Malik扩散方程[7]以及对其扩散项的各种改进都是此类.这里,我们假设图像中的噪声可以用高斯白噪声近似,估计得到的噪声方差为!,则上述问题转化为:minI! (| I|)d x d y 1! (I-I0)2d x d y=!2(5)这时, 可看作是拉格朗日因子,用下式计算:I=1!2| |! div(∀ I| I|)∃(I-I0)d x d y(6)这样参数I就是随着扩散的进行而变化的,从而使得去噪后的图像I尽可能忠实于原图像.在文中我们选用的泛函为(s)=1+∀2s2,利用这一泛函变分后的扩散方程比TV方法具有更好的稳定性.最终变分后得到的扩散方程为:#I #t=∀2 I1+∀2| I|2+ I(I0-I)I t=0=I0(7)在每步扩散后,根据即时图像的整体信息,I得到了新的调节,使得最终的解更接近于输入的带噪图像,从而较好的保留了原图像中的纹理和细节信息.3 噪声 纹理检测算子的提出虽然忠实项参数I随着扩散的进行而变化可以使得去噪后的图像更好地逼近原图,但是,由于图像中不同的区域包含有不同的内容,在平坦区域噪声去除干净的同时包含细节信息区域的细节也随之丢失了.正是基于这一问题,本文提出了一个噪声 纹理检测算子,利用这一检测算子对滤掉的信息进行重新检测,抽取出其中被误滤掉的纹理和细节信息.将这些被误滤掉的信息补充到变分方法滤波后的图像中得到最终的去噪图像.这里,我们用Ir表示用上述能量泛函极小化的方法去噪后滤掉的图像部分,定义Ir的总能量为:P(I r)=! (I r(x,y)-E(I r))2d x d y这里E(Ir)表示I r的均值,噪声在各点的平均能量定义为噪声的方差[8],图像中噪声的方差或者为已知或者可以人为估计得到记为!2,用P n表示.下面定义Ir的一个局部点的能量算子:P(x,y)=! (I r(x,y)-E(I r))2∃∃x,y(x,y)d x d y(8)其中∃x,y(x,y)=∃(|x-x|,|y-y|)是一个规范化径向对称的光滑窗函数,有! ∃x,y(x,y)d x d y=1.在本文中,我们利用规范化的高斯函数作为窗函数.从上述的定义中可以得到:! P(x,y)d x d y=P(I r)(9)事实上,上面定义的局部能量算子就是将算子(I r(x,y)-E(I r))2在窗范围内各点的值按照窗函数来做加权平均,从而估计Ir在该点的局部能量.基于以上的定义,本文提出基于局部点能量的噪声 纹理检测算子如下:g(x,y)=P(x,y)P n(10)下面分析检测算子g(x,y)在滤除的信息Ir中不同区域的取值情况:当(x,y)位于图像中的平坦区域时,经过前述方法去噪后,滤掉的信息Ir在该位置上基本只包含有噪声,此时局部能量P(x,y)%Pn=!2,那么g(x,y)%1;当(x,y)位于图像中包含细微结构的区域时,滤掉的信息I r在该位置上不仅包含噪声信息,还包含许多在去噪过程中误滤掉的细微结构信息,此时,局部能量P(x, y)中不仅包括噪声的能量,还包括这些细微结构信息的能量,记为Pw(x,y),则:P(x,y)=P n(x,y)+P w(x,y)%!2+P w(x,y)一般而言,这些细微结构是原始图像的一个重要组成部分,因此Pw(x,y)!P n=!2,此时,g(x,y)!1.从上述的分析中可看出,由g(x,y)的值可以清楚地区分出平坦区域和包含细微结构的区域:对Ir进行逐点检测,当g(x,y)%1时,说明该位置位于平坦区域,Ir(x,y)在该位置只包含噪声,因此应该丢弃,则令I r∀(x,y)=0;当g(x,y)!1时,I r(x,y)在该位置不仅1373第 7 期孙晓丽:基于噪声 纹理检测算子的图像去噪方法包含噪声,还包含误滤掉的细微结构,因此该位置的值应予以保留,令I r ∀(x ,y )=I r (x ,y ).将得到的细微结构信息I r ∀补充回上述方法去噪后的图像中,就可以得到最终的更逼近于原图的去噪结果.具体的算法步骤为:Step1:输入初始的噪声图像I 0,设定合适的扩散时间间隔%t (%t <0∀25)[9]和扩散步数M ,置n =0.Step2:利用式(6)计算此步扩散后相应的 I ,代入扩散方程得:In +1=I n+%t∀2 I n1+∀2| I n |2+ I (I 0-I n)Step3:判断若n <M ,则置n =n +1,返回执行Step2,否则扩散停止,I M即为去噪后得到的图像.Step4:I r =I 0-I M 即为滤掉的信息,用式(10)定义的噪声 纹理检测算子对图像矩阵I r 进行逐点检测,当0&g(i,j )&&时,记I r ∀(i ,j )=0;当g (i,j )>&时,记I r ∀(i ,j )=I r (i,j ).I r ∀(i ,j )即为重新检测得到的细微结构信息.Step5:I ∀=I M +I r ∀即为最终的去噪图像.本文定义的噪声 纹理检测算子由能量泛函极小化的方法出发而提出,但它不仅仅适合这类方法的后续处理.对于任何一种去噪方法而言,本文方法都可以作为一个后续处理过程,对滤掉的信息进行一个二次检测,从中抽取出尽可能多的被误滤掉的细微结构补充回去噪后的图像中,从而使得最后结果更忠实于原始图像.4 实验结果分析本文采用纹理信息比较丰富的∋Wo man (图像作为测试图像,为了较清晰的显示本文方法在保留纹理信息方面的作用,我们截取其纹理信息比较丰富的裤腿部分.其中噪声偏差!=25,窗函数∃x,y ( x , y )选择高斯窗函数(!w =5),泛函 (s )中∀=1,取&=1∀3.本文对经典的P M 方程扩散方法、第二节中 = I 随扩散变化的变分方法分别用本文提出的纹理 噪声检测算子作了后续处理,从处理结果的比较中,可以看出无论从视觉效果还是客观数据上都有了明显的提高.表1 不同方法滤波后的性能参数比较噪声方差为25噪声图像PM 方程本文方法变分方法本文方法RMSE 25.07216.92816.37816.29715.349PSNR20.14723.55923.84623.88824.409图1中,(a)为加了高斯白噪声(噪声偏差为25)后的带噪图像,(b)为忠实项系数 I 随扩散变化的变分方法去噪后的效果图,从图中我们可以看出腿上的细纹在扩散后丢失了许多,纹路看起来很模糊.(c)为用本文提出的噪声 纹理检测算子对(b )进行重新检测后抽取出的被误滤掉的纹理信息,从图中我们可以看出,周围平坦区域的噪声依然是被去掉了,而腿上的纹理信息却被有效的抽取出来,同时也说明了(b)方法在滤波的同时的确是丢失了较多纹理信息.(d )为将(c)中误滤掉的纹理信息补充回(b)中得到的最终去噪图像.与(b)相比,裤腿上的纹理清晰了许多,同时平坦区域也没有增加多余的噪声.(e)为P M 扩散方程方法去噪后的效果图.(f )为用本文提出的噪声 纹理检测算子对(e)进行重新检测后抽取出的被误滤掉的纹理信息.(g)为将(f )中提取的纹理信息补充回(e)中后得到的最终滤波图像,与(e)图做比较我们可以看出裤腿上的纹理看得明显了许多,同时也没有增加多余的噪声.用本文提出的噪声 纹理检测算子对上述两种经典方法作后续处理后,在视觉效果上都得到了明显的改善.表1为图1所示不同方法去噪后的性能参数比较,表1中的数据比较进一步说明本文方法在性能参数上也有较明显的提高.5 结论基于能量泛函极小化方法对图像进行滤波时,对于含有细节信息比较丰富的图像而言,在滤除噪声的同时会丢失大量的纹理信息.本文基于所定义的局部能量提出了一个噪声 纹理检测算子,利用这一算子对滤去的信息进行逐点的二次检测,在不增加新噪声的前提下可以尽可能多的抽取出被误滤掉的纹理信息,将这些信息补充回去噪后的图像中,可以使去噪后的图像保留尽可能多的细微结构信息.本文方法基于1374 电 子 学 报2007年能量泛函极小化的方法提出,但是并不仅仅适用于该方法的后续处理,它可以作为各种去噪方法在对细节信息丰富的图像去噪时的一个后续处理过程.实验表明无论从视觉效果上还是客观数据的比较上,本文的方法都在原方法的基础上有较大的提高.参考文献:[1]J Weickert.A review of nonlinear diffusion filtering[A].B terHaar Romeny,L Florack,J Koenderink,M Viergever(Eds.).Scale Space Theory in Computer Vision[C].Berlin:Springer, 1997.3-28.[2]Y Y ou,W X u,A Tannenbaum,M Kaveh.Behavioral analysisof anisotropic diffusion in image processing[J].IEEE Transac tions on Image Pro cess,1996,5(11):68-79.[3]谢美华,王正明.基于图像分解的多核非线性扩散去噪方法[J].计算机应用,2005,25(4):757-759.XIE Mei hua,WANG Zheng ming.M ulti kernel nonlinear dif fusion model for denoising based on image decomposition[J].Compu ter Applications,2005,25(4):757-759.(in Chinese) [4]姜东焕,冯象初,宋国乡.基于非线性小波阈值的各向异性扩散方程[J].电子学报.2006,34(1):170-172.JIANG Dong huan,FENG X iang chu,SONG Guo xiang.An anis otropic diffusion equation based on nonlinear wavelet s hrinkage[J].A cta Electronic Sinica,2006,34(1):170-172.(in Chinese)[5]G Gilboa,Y Y Zeevi,N So chen.Texture pres erving variationaldenoising using an adaptive fidelity term[A].Proc V LSM[C].Nice,France:IEEE,2003,10:137-144.[6]L Rudin,S Osher,E Fatemi.Nonlinear total variation basednoise removal algorithms[J].Physica D.1992,27(60):259-268.[7]P Perona,J Malik.Scale space and edge detection usinganisotropic diffusion[J].PAMI,1990,12(7):629-639. [8]G Gilboa,N Sochen,Y Y Zeevi.Variational denoisi ng of partl y textured images by spatially varying constraints[J].IEEE Transactions on Image Pro cessing.2006,15(8):2281-2289.[9]V Francesco,E Shigeru,N Sug imoto.Es timating gradient in PM equation[J].IEEE Signal Processing Magazine.2004,21(2):39-46.作者简介:孙晓丽 女,1980年出生于山西寿阳,现为西安电子科技大学应用数学专业博士研究生,主要研究兴趣:小波分析及应用、偏微分方程图像处理等.E mai l:xls un@mail.xidi 宋国乡 女,1938年生,教授,博士生导师,主要研究领域为数值分析、小波理论及应用等.1375第 7 期孙晓丽:基于噪声 纹理检测算子的图像去噪方法。
基于各向异性扩散的超声医学图像滤波方法3彭 韵1,李德玉1,林江莉1,汪天富1,郑昌琼1,唐 红2,饶 莉2(1.四川大学373信箱生物医学工程中心,四川成都610065;2.四川大学华西医院心内科,四川成都610041)摘要:目的将各向异性扩散方法应用于超声医学图像的去噪处理。
方法采用基于各向异性扩散的偏微分方程,其初始值为输入图像,转化为差分格式迭代求解滤波结果,并通过修改方程中的噪声比例函数使方程更加适用于超声医学图像的滤波。
结果通过与其他3种传统滤波方法比较,修正系数后的各向异性扩散滤波方法能够较好地平滑图像的噪声,并且图像的边缘和细节部分依然清晰可见。
结论各向异性扩散方法是一种去除超声图像Sp eckl e噪声的有效方法,为超声医学图像的滤波开辟了一条新途径。
关键词:医学图像处理;各向异性扩散;超声图像;图像滤波;医学诊断中图分类号:R319;R445.1s 文献标识码:A 文章编号:100220837(2005)022*******A M edica l U ltrason ic I m age F iltering M ethodB ased on A n isotropic D iffusion.PEN G Yun,L I D e2yu, L I N J iang2li,W AN G Tian2fu,Z HE N G Chang2q i o ng,T AN G Ho ng,RAO L i.Sp ace M ed i c ine&M ed ica l Eng i ne e ri ng,2005,18(2):135～139Abstract:O bjecti ve T o rem o ve the sp eckl e no ise in u ltra so n i c i m age s by u s ing an iso tr op ic d iffu s i o n m e tho d.M ethod B a sed o n an iso tr op ic d iffu s i o n,a p a rti a l d i ffe re n ti a l equa ti o n,o f w h ich the i n iti a l da ta w a s the inp u t i m age s,w a s tran sfo r m e d i n to d i ffe ren ti a l fo r m s and so l ved w ith ite ra ti o n s.The sp eckl e sca l e func ti o n o f the equa ti o n w a s m o d i fied to m ake be tte r u se i n filte ring m e d i ca l u ltra so n ic i m age s.Result B y com p a ring the re su lts w ith o the r th ree filte rs,the an iso tr op ic d iffu s i o n m e tho d co u l d sm oo th the sp eckl e s ve ry w e ll and the edge o f the i m age w a s a lso c l e a r.Conclusi on An iso2 tr op ic d iffu s i o n can rem o ve the sp eckl e no ise e ffec tive ly and ha s g rea t po ten tia l i n filte ri ng m ed ica l u ltra so n i c i m age s.Key words:m ed i ca l i m age p r o ce s s i ng;an iso tr op ic d iffu s i o n;u ltra so n ic i m age;i m age filte ri ng;m e d i2 ca l d iagno s isAddress repr i n t requests to:W AN G Ti an2fu1D ep a rt m en t o f B i o m ed i ca l Eng i nee ring,S ichuan U n ive rs i2 ty,Chengdu S ichuan610065,Ch ina 超声医学成像因其具有直观、方便、安全、快速等优点广泛应用于临床,但由于其成像机制的限制,图像清晰度不高一直是超声成像的主要缺点。
