[发明专利]基于Weibull分布的混合高阶变分超声图像去噪方法

说明书

基于Weibull分布的混合高阶变分超声图像去噪方法，对超声图像进行噪声分布拟合，采用Weibull概率密度函数，对选定的图像局部均匀区域进行灰度直方图拟合，并对拟合分布参数采用最大似然法进行估计；根据拟合的噪声分布，推导对数真实无噪图像的似然函数，将似然函数进行负的对数变换，从而得到最小化能量函数的数据保真项；将对数真实无噪图像一阶正则化表达式和二阶正则化表达式进行加权融合，构建最小化能量函数的混合高阶正则化项；将数据保真项和混合高阶正则化项形成最小化能量函数模型，采用Split‑Bregman迭代方法进行快速求解，迭代收敛后，利用指数变换得到去噪超声图像。本发明方法能有效降低散斑噪声的同时更好地保留图像的细节和边缘信息，从而增强超声图像的视觉判读性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于Weibull分布的混合高阶变分超声图像去噪方法。

背景技术

目前，超声影像已成为临床多种疾病诊断的首选方法，并已发展成为一种能提供多种参数的系列诊断技术。超声成像方法常用来判断脏器的位置、大小、形态，确定病灶的范围和物理性质，提供一些腺体组织的解剖图，鉴别胎儿的正常与异常，在妇产科及心血管系统、消化系统、泌尿系统的应用十分广泛。超声成像采用回声原理，由仪器探头向人体发射一束超声进入体内，并进行线形、扇形或其它形式的扫描，遇到不同声阻抗的两种组织的交界面，即有超声反射回来，由探头接收后，经过信号放大或信息处理，形成人体的断层图像。除了反射回波外，人体组织的微小结构作为散射体使声波产生散射后形成的散射回波也会被接收，但这部分回波相互干涉通常产生所谓的散斑噪声。由于该类噪声的存在，使得图像分辨率和对比度严重下降，影响计算机辅助的临床诊断，并为后续的组织或病灶体分割、识别、配准或三维重建等造成极大困难。因此超声图像散斑噪声去除一直是医学成像领域研究的热点问题。

多年来，国内外学者致力于超声图像的去噪研究，提出了多种不同类型的去噪方法，包括局部空域滤波、各项异性扩散滤波、非局部均值滤波、总变分方法、多尺度方法以及同态滤波方法等。这些方法，有的去噪效果不够理想，有的去噪算法复杂度较高。因此，寻求一种算法简单有效且去噪效果较理想的方案，是目前超声图像实时处理的必要条件，也是去噪算法移植到实际医疗设备的先决条件。

发明内容

本发明提出了一种基于Weibull分布的混合高阶变分超声图像去噪方法，通过拟合超声图像均匀区域得到整体噪声分布参数，以此构建最小化能量函数的数据保真项；并设计自适应参数以及混合高阶变分得到正则化项。两者共同作用，能有效降低散斑噪声的同时更好地保留图像的细节和边缘信息，从而增强超声图像的视觉判读性。

本发明采取的技术方案为：

基于Weibull分布的混合高阶变分超声图像去噪方法，包括以下步骤：

步骤1：对超声图像进行噪声分布拟合，采用Weibull概率密度函数，对选定的图像局部均匀区域进行灰度直方图拟合，并对拟合分布参数采用最大似然法进行估计；

步骤2：根据拟合的噪声分布，推导对数真实无噪图像的似然函数，将似然函数进行负的对数变换，从而得到最小化能量函数的数据保真项；

步骤3：将对数真实无噪图像一阶正则化表达式和二阶正则化表达式进行加权融合，构建最小化能量函数的混合高阶正则化项，且权值能根据图像边缘特征自适应调整；

步骤4：将步骤2的数据保真项和步骤3的混合高阶正则化项形成最小化能量函数模型，采用Split-Bregman迭代方法进行快速求解，迭代收敛后，得到对数去噪超声图像，最后通过指数变换得到去噪超声图像。

本发明一种基于Weibull分布的混合高阶变分超声图像去噪方法，技术效果如下：