[发明专利]超声医学图像的降噪处理方法

说明书

技术领域

本发明涉及医学图像处理技术领域，尤其是涉及一种通过自动检测扩散阈值对灰阶超声图像进行的降噪处理方法。

背景技术

医学灰阶超声图像(B模式)中通常存在大量的斑点噪声，会给超声图像质量带来明显的下降，并掩盖了某些重要组织的病变，这给医生的诊断和识别某些特定的疾病带来了较大的困难，并且会有漏诊和误诊的风险。

通常采用滤波的方法来抑制信号的高频部分，在滤去噪声的同时也会将有用的边缘信息去除，例如邻域平均法、中值滤波法都会将图像中有临床意义的边缘和细节会过平滑；由此，一些基于边缘保留的滤波算法得到迅速的发展，例如各向异性滤波(anisotropic diffusion)、BM3D和nonlocal means等医学图像去噪技术。这给在医学图像后处理阶段提高医学图像质量提供了一个巨大的空间。

各向异性滤波器是基于物理学中的扩散方程发展起来的。Perona和Malik于1990将其引入到图像处理当中作为一种边界保留(edge-preserving)平滑滤波器，其成果发表在IEEE Transactions on Pattern Analysis and Machine Intelligence，vol.12中的名为″Scale space and edge detection using anisotropic diffusion″的文章中。他们的扩散方程如下

I_t＝div(g(▽I)▽I)。

其中I代表图像，I_t为原图像对进化时间t的偏导数，g(·)为一个与梯度相关的0到1的标量，称作扩散系数，div(·)代表散度算子(divergence operator)。

进化时间t也可以看成是尺度空间里的尺度，即t越大，图像越平滑。

根据显式离散化方案，图像I在进化时间t可以表达为

I^t＝I^t-1+δ·div(g(▽I)▽I)，

其中δ为进化时间步长，在显式方案中其取一个不能大于0.25的正数以保证数值稳定性。当采用隐式或半隐式离散方案时，δ可不受此限制而取较大的值。隐式和半隐式离散方案可参考相关文档。

Perona和Malik为扩散系数提出了如下两个模型。

g(▿I)=e-(||▿I||/K)2,]]>

g(▿I)=11+(||▿I||K)2,]]>

其中K为梯度模值的阈值。根据上述两个扩散系数模型，梯度模值‖▽I‖与扩散系数g成反比关系，并且当‖▽I‖远大于K时，g趋为0；相反，当‖▽I‖很小时，g趋为1。因此，在梯度模值大的图像区域，也就是边界信息强的区域，扩散停止；在梯度模值小的区域，一般为物体内部或背景，扩散增大。从而实现了在保留边界信息的同时，图像的其他区域得到平滑的效果。