[发明专利]一种量子启发的医学超声图像去斑方法

摘要

本发明公开了一种量子启发的医学超声图像去斑方法，具体为将含有斑点噪声的医学超声图像输入；进行对数变换，将乘性噪声图像转化为加性噪声图像；进行复小波变换，将图像灰度值转化为小波系数；估计噪声方差、理想图像信号概率密度函数的方差和平滑参数，获得噪声统计模型和理想图像信号的统计模型；根据量子启发的理论计算自适应调整阈值，对小波系数进行软阈值处理得到理想图像信号的小波系数估计值；用理想图像信号的小波系数估计值进行复小波重构，得到图像；最后对图像进行指数变换补偿第一步的对数变换，获得去斑后的图像。本发明能够在有效去除医学超声图像的斑点噪声的基础上很好地保持图像中的组织细节，对医学诊疗有很好的辅助作用。

主权项

一种量子启发的医学超声图像去斑方法，其特征在于，包括以下步骤：S1、对输入的乘性含斑超声图像经过对数变换得到加性含噪图像；S2、对加性含噪图像做复小波分解，得到小波系数；S3、自适应性参数选取：计算噪声方差、理想图像信号小波系数概率密度函数的方差和平滑参数；S4、选取自适应性参数计算量子启发的自适应调整阈值，对小波系数进行软阈值处理得到理想图像信号的小波系数估计值；S5、用理想图像信号的小波系数估计值进行复小波重构，得到经过软阈值处理后的小波系数估计值所对应的图像灰度值；S6、对图像灰度值进行指数变换，补偿步骤S1中的对数变换，获得完整的去斑操作后的医学超声图像；其中，步骤S3具体包括：S31、计算噪声方差σn：所述加性含噪图像的小波系数Y是理想图像信号小波系数X和噪声小波系数N的叠加，即Y＝X+N；复数N服从方差为σn的高斯分布，对于不同的输入图像I，其噪声小波系数N的概率密度函数不同，即N服从不同方差σn的高斯分布；用高频子带Y第一层45°方向上的小波系数的模得到噪声方差σn；S32、使用最小二乘法计算理想图像信号小波系数概率密度函数的方差σ和平滑参数S：复数X服从带平滑参数S、方差为σ的改进的拉普拉斯分布；Xr是X的实部，Xi是X的虚部：px(X)=32πσ2exp(-3σXr2+Xi2exp(S))]]>对于不同的输入图像I，其理想图像信号小波系数X的概率密度函数不同，即X服从不同平滑参数S、方差σ的改进的拉普拉斯分布，用高频子带Y第二层每个方向上的小波系数的模，通过最小二乘曲线拟合方法，得到每个方向上小波系数的概率密度函数的参数σ和S的拟合初始值为：S∈[1,4]；并且步骤S4中，为了在去除噪声的同时尽可能地保持图像细节，加入基于量子理论的调整阈值，最终得到的理想图像信号小波系数X的估计值为X^=(Yr2+Yi2-(3exp(S)σn2σ+ΔTQSP))+Yr2+Yi2×Y;]]>其中，Yr、Yi分别是Y的实部和虚部，△TQSP为调整阈值；所述△TQSP的计算如下：△TQSP＝cos2(NCdir(m,n)×(π/2))×OCIdir，其中：方向dir上父子带小波系数的乘积Cdir是信号与噪声两种量子态的叠加；(m,n)是小波系数的空间位置，和分别是第一尺度和第二尺度的方向dir上高频子带小波系数的模，其乘积表示为：NCdir表示归一化的Cdir；其中OCI为观察者强度参数：和分别是图像高频子带小波系数Y在方向dir上第一尺度和第二尺度的信息熵；w是含噪图像中以空间位置(m,n)的像素为中心的11×11的窗口，μ(w)和σ(w)分别表示区域w的均值和标准差；cv是图像的局部变异系数构成的矩阵，定义为cv(m,n)＝μ(w)/σ(w)；ncv是归一化后的变异系数矩阵cv,ndir表示dir方向子带上小波系数的个数。