[发明专利]基于张量模型与压缩感知理论的图像斑点噪声去除方法

说明书

基于张量模型与压缩感知理论的图像斑点噪声去除方法，本发明涉及图像斑点噪声去除方法。本发明为了解决现有斑点噪声去除算法去噪效果不明显以及噪声残留度高的问题。本发明包括：步骤一：根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性，建立斑点噪声模型；步骤二：针对步骤一建立的斑点噪声模型，引入压缩感知理论，分别建立单帧图像去噪模型与多帧图像张量去噪模型；步骤三：对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的单帧图像；步骤四：对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的多帧图像。本发明用于图像处理领域。

技术领域

本发明涉及图像处理领域，具体涉及图像斑点噪声去除方法。

背景技术

在图像的获取与处理过程中，噪声对图像信号的影响无可避免，因此图像去噪是图像处理领域经久不衰的研究热点之一。对于利用声波/电磁波反射形成的超声与雷达图像，由于回波的干涉以及散波束之间的干扰，当目标反射源反射而出的两束回波互相重叠时，便会在图像中产生明暗不同的颗粒，也就是斑点噪声。

目前，有关斑点噪声去除的研究有很多，其中滤波去噪应用最为广泛，例如Lee滤波与Kuan滤波。然而，大尺寸滤波窗虽然去噪效果良好，却损失了过多的高频信息；而小尺寸滤波窗可以较好地保留细节信息，但在去噪的能力上却不如大尺寸滤波窗。

为了解决这一矛盾，一些各向异性扩散的方法被提出，例如PMAD(Perona-MalikAnisotropic Diffusion)，NCDF(Nonlinear Complex Diffusion Filter)，SRAD(SpeckleReducing Anisotropic Diffusion)。然而，这些方法在进行边缘检测时不能很好地区分图像边缘和斑点噪声。近几年，一些新的去除斑点噪声的方法被提出，如NMWD(NonlinearMulti-scale Wavelet Diffusion)与SRBF(Speckle Reduction Bilateral Filter)等，这些方法在处理斑点噪声时效果很好，但是没有挖掘图像本身的稀疏性。

压缩感知理论是近年来热门的研究前沿，在图像处理领域也引起了瞩目。将压缩感知理论与去噪模型相结合，经过稀疏编码过程得到的稀疏系数矩阵，每个纯净信号只需要字典中很少的几个原子的线性组合就可以几乎完全地表示。另外，字典中每一个原子都是经过训练而得，代表的是原图像中一些最基本的结构信息，因此具有很好的特征保留性。同时，纯净信号由于含有图像中典型的结构信息而能够在训练字典上具有稀疏表示，而噪声部分在字典上却得不到稀疏表示，因此可以将图像有用部分和噪声部分有效地分开，实现去噪目的。

针对超声视频，即多帧超声图像信号，采用三阶张量表示图像序列块，不仅将空间维中的更多信息得以保留，而且充分挖掘了时间维上的信息。在训练张量稀疏字典的过程中，有效地利用了视频信号在时间维上的冗余性。当利用训练好的张量稀疏字典对图像进行稀疏表示时，更多有用的信息可以在输出结果中得以展示，而噪声也能在此过程中更大程度地分离。

发明内容

本发明的目的是为了解决现有斑点噪声去除算法去噪效果不明显以及噪声残留度高的问题，而提出基于张量模型与压缩感知理论的图像斑点噪声去除方法。

针对图像信号空间与时间上的稀疏性，分离图像的有用信息与噪声，提高去噪效果。

本发明的目的是为了解决现在大多数研究学者都是假设图像含有加性的高斯白噪声，而实际的超声图像却与之完全不同，含有的是乘性散斑噪声。如果直接将处理加性高斯噪声的去噪方法应用于含有特殊噪声模型的超声图像，那么不仅不能发挥压缩感知理论自身的处理优势，又使得处理效果非常不理想。再考虑到利用视频信号在时间维上的冗余性，从而提出基于张量模型与压缩感知理论的超声图像斑点噪声去除方法。

基于张量模型与压缩感知理论的图像斑点噪声去除方法包括以下步骤：