基于貝葉斯模型的超聲圖像斑點噪聲濾波方法
【專利摘要】本發(fā)明公開了一種基于貝葉斯模型的超聲圖像斑點噪聲濾波方法，具體包括：S1、建立基于貝葉斯模型的非局部濾波模型；S2、采用Gamma分布擬合經(jīng)對數(shù)壓縮后超聲圖像中的斑點噪聲，進而得出基于Pearson統(tǒng)計距離的權重函數(shù)；S3、求解非局部濾波模型中的變量；S4、采用求解后的非局部濾波模型對超聲圖像中斑點噪聲進行濾波處理。本發(fā)明能夠有效的濾除超聲圖像中的斑點噪聲，提高超聲圖像的成像清晰度。
【專利說明】基于貝葉斯模型的超聲圖像斑點噪聲濾波方法

【技術領域】
[0001] 本發(fā)明涉及超聲圖像濾波【技術領域】，尤其涉及一種基于貝葉斯模型的超聲圖像斑 點噪聲濾波方法。

【背景技術】
[0002] 在超聲信號的采集過程中，由于斑點噪聲的存在，使得重建的超聲圖像質(zhì)量明顯 比CT、MRI等成像模態(tài)的差。為了提高超聲的圖像質(zhì)量，通常需要對斑點噪聲進行濾波去 噪。但由于斑點噪聲對人體組織的依賴性，導致對斑點噪聲的建模和濾除非常困難。對超 聲圖像的斑點噪聲濾波問題，雖然已有大量的研究報道，但經(jīng)典的濾波方法在抑制噪聲的 同時會丟失圖像中的邊緣等細節(jié)信息。近些年來，基于偏微分方程的各向異性擴散濾波模 型開始應用于圖像的平滑去噪。各向異性擴散模型的優(yōu)點是在對圖像進行平滑去噪的同時 會很好的保留圖像中的邊緣等細節(jié)信息。
[0003] 最簡單的擴散方程是把圖像平滑看作是各向同性的熱傳導方程的解。為了獲得 對加性噪聲模型的平滑濾波結果，一個直觀的想法就是最小化由|Vm|估計的圖像變化值。 1963年Tikhonov提出了對應的變分問題，即在物理學領域著名的熱擴散方程。熱擴散方程 的解等價于觀察圖像與高斯核函數(shù)的卷積，因為卷積算子是線性的，所以熱擴散方程的解 也是線性的。由于一幅圖像與高斯核地卷積等價于它的Fourier變換與另一個高斯核的乘 積，所以各向同性的擴散過程本質(zhì)上是一個低通濾波的過程，它將抑制圖像中的高頻信號。 不幸的是，圖像的許多特征，如邊緣、紋理等，通常表現(xiàn)為高頻信號。因此邊緣、紋理等有用 信息也將與噪聲一起被各向同性的濾波器濾除掉。
[0004] 為了克服上述線性濾波方法導致的各向同性平滑，Perona和Malik對熱擴散方程 進行了擴展，提出了著名的P-Μ非線性濾波方法。P-Μ方程通過把熱擴散方程改寫成散度的 形式，并在散度算子內(nèi)添加遞減函數(shù)作為圖像特征檢測算子，以允許對圖象濾波過程進行 更加精確的控制。但P-Μ方程在一些圖像點上產(chǎn)生逆擴散。而我們知道，逆擴散雖然會增 強圖像邊緣特征，但噪聲同樣也有可能得到增強，因此是一個不穩(wěn)定的擴散過程。但經(jīng)典的 擴散方程只是基于圖像局部邊緣信息的，沒有從全局圖像去考慮。
[0005] Gilboa和Osher引入一種非局部平滑各向異性擴散方程，該方法基本思想是利用 圖像的冗余信息以及自相似性對圖像進行去噪。非局部濾波方法將在全局圖像中搜索與 當前像素塊相似的像素塊，最后將所有這些相似像素塊的加權平均值作為噪聲點處的像素 值。但非局部擴散方程只適用于高斯白噪聲模型的平滑去噪，但并不適用于服從Gamma統(tǒng) 計分布的超聲圖像斑點噪聲濾除。
[0006] 因此，針對上述技術問題，有必要提供一種基于貝葉斯模型的超聲圖像斑點噪聲 濾波方法。


【發(fā)明內(nèi)容】

[0007] 有鑒于此，本發(fā)明的目的在于提供一種基于貝葉斯模型的超聲圖像斑點噪聲濾波 方法。
[0008] 為了達到上述目的，本發(fā)明實施例提供的技術方案如下：
[0009] -種基于貝葉斯模型的超聲圖像斑點噪聲濾波方法，所述方法包括：
[0010] S1、建立基于貝葉斯模型的非局部濾波模型

【權利要求】
1. 一種基于貝葉斯模型的超聲圖像斑點噪聲濾波方法，其特征在于，所述方法包括： 51、 建立基于貝葉斯模型的非局部濾波模型
其中，第一項λ為平滑項，第二項（u-U(l)2為數(shù)據(jù)保真項，λ是一個正常數(shù)，用于控制 平滑項與數(shù)據(jù)保真項之間的平衡；數(shù)據(jù)保真項用于使求解的值u不會偏移原始觀測值U(l太 遠； 52、 采用Ga_a分布擬合經(jīng)對數(shù)壓縮后超聲圖像中的斑點噪聲，進而得出基于Pearson 統(tǒng)計距離的權重函數(shù)； 53、 求解非局部濾波模型中的變量u和d，其中<
54、 采用求解后的非局部濾波模型對超聲圖像中斑點噪聲進行濾波處理。
2. 根據(jù)權利要求1所述的方法，其特征在于，所述步驟S2包括： 采用Ga_a分布擬合經(jīng)對數(shù)壓縮后超聲圖像中的斑點噪聲： u (X) = v (X) +νγ (X) η (X)， 其中，Υ是一個依賴于超聲設備并與后續(xù)成像過程相關的參數(shù)。
3. 根據(jù)權利要求2所述的方法，其特征在于，所述步驟S2* γ為0. 5。
4. 根據(jù)權利要求2所述的方法，其特征在于，所述步驟S2中： 兩兩像素塊之間相似度的Pearson統(tǒng)計距離為：
基于Pearson統(tǒng)計距離的權重函數(shù)為：
其中，u(x+ ·)和u(y+ ·)為圖像中的兩個像素塊。
5. 根據(jù)權利要求4所述的方法，其特征在于，所述步驟S3中非局部濾波模型的求解采 用Split-Bregman分解法、最陡梯度下降法、或對偶投影法。
6. 根據(jù)權利要求4所述的方法，其特征在于，所述步驟S3中的非局部濾波模型為：
7. 根據(jù)權利要求6所述的方法，其特征在于，所述步驟S3中非局部濾波模型的求解通 過求解如下以離散形式給出的迭代方程獲得：
其中，b是與Bregman迭代算法相關的一個變量，也稱作Bregman變量，β是一個大于 零的常數(shù)。
8. 根據(jù)權利要求7所述的方法，其特征在于，所述步驟S3中非局部濾波模型中變量u 的求解具體包括： 固定變量d，則非局部濾波模型簡化為求關于變量u的最小化子問題：
通過Eular-Lagrange方程，非局部濾波模型的最小解滿足：
使用高效的Gauss-Seidel迭代法進行求解，即對η彡0有：
通過至少兩次Gauss-Seidel迭代收斂到方程的最小解處。
9. 根據(jù)權利要求7所述的方法，其特征在于，所述步驟S3中非局部濾波模型中變量d 的求解具體包括： 固定變量u，則非局部濾波模型簡化為求關于變量d的最小化子問題：
采用軟閾值法，則非局部濾波模型的Eular-Lagrange方程為：
根據(jù)上述公式求解變量d ; 最后，變量b可根據(jù)如下公式進行更新：
【文檔編號】G06T5/00GK104156928SQ201410423064
【公開日】2014年11月19日 申請日期:2014年8月25日 優(yōu)先權日:2014年8月25日
【發(fā)明者】溫鐵祥, 李凌, 辜嘉 申請人:深圳先進技術研究院