基于小波统计模型的医学超声图像去噪方法研究
基于小波变换的医学超声图像去噪及增强方法
［ 中图分类号］ Ｔ ３ １ ４ ［ Ｐ ９ ． １ 文献标识码］ Ａ
［ 文章编号］ １０ —２９ ２ ０ ） ９１３ —３ ０ ３３ ８ （０ ６０ —４ ５０
医学 超声 成像 与其 它 医学 成像 方 法相 比， 具有 对 人 体无 损害、 能够 实时显示 、 本低 、 用方 便等 优点 ， 成 使 超声 成像 已成
Ｅ ｂｔ ｃ］ Ｏ ｊｃｉ Ａ ｍｅｈ ｄｏ ｄｃ１ ｌ ａｏ ｉ ｉ ｇｓｄｎ ｉ ｎ ｎ ｎ ａ ｃｍｅｔ ａｅ ｎｗａｅｅ ｔａｓｏｍ ｘ Ａ ｓｒ ｔ ａ ｂｅｔ ｅ ｔｏ ｆ ｖ ｍｅｉ ｔ ｓｎｃ ｍａ ｅ ｅ ｏｓ ｇａｄｅ ｈｎ ｅ ｎ ｓｄｏ ｖｌｔｒｎｆｒ ｉ ｅ— ａｕｒ ｉ ｂ ｓ
的热点 问题 ， 出现 了许多 超声 图像 斑 纹噪声 消 除技 术 ］ 。应
用 较广 泛的有 ： 中值 平滑 滤波 、 均值 平滑 滤波 、 ｒｓ Ｆ ｏ ｔ自适应 滤 波等， 这些超 声 图像 去噪 方法大 多采用 单一 尺度滤 波 ， 虽然在
展 前景 。然 而 ， 在超 声成 像 中， 由于成 像 机 制 的 限制 ， 在 固 存 有 的 Ｓ ｅ ｋｅ噪声 ， ｐｃ ｌ 它极 大地 降低 了超 声 图像 的质 量 ， 得对 使 图像细节 的识别 与分 析更 加困难 ， 重影 响 了病 灶 的识 别 ， 严 干
［ 摘 要 ］ 目的
探 求 一 种 基 于 小 波 变 换 的 医学 超 声 图像 去 噪 及 增 强 方 法 。方 法 提 出 了一 种 基 于 小 波 分 析 理 论 的 医 学
超 声 图像 噪声 的综 合 抑制 方 法 ， 先 对 医 学 超 声 图 像 进 行 对 数 变 换 ， 乘 性 噪声 变 成 加 性 噪 声 ； 后 进 行 多 尺 度 小 波 变 换 ， 首 将 然
基于小波的医学超声图像去斑点噪声方法
在不同的噪声水平下计算这些参数，列出表 格，从表中可以看出。
结论
பைடு நூலகம்
本文的方法在噪声水平较低的情况下，明 显优于中值滤波和同态维纳滤波，略优于 MSSNT一A（多尺度非线性阈值算法）。 在噪声水平较高的情况下，本文的方法优 势明显。
阈值估计
本文采用软阈值处理。根据经验，经过对 数转换后的图像的小波子带系数可以假设 为服从广义高斯分布(GGD)模型。 则求阈值公式如下：
其中： 是噪声方差，信号的标准差
2
x
，
设 y 是局部领域的标准差，Y 为当前小波 子带系数
ij
x
原图像
加斑点噪声 =0.04
2
基于小波的医学超声图像 去斑点噪声方法
医学超声图像的灰阶图像往往存在一些直 观的噪声，表现为图像中出现斑点、细粒、 网纹、雪花状等结构异常现象，尤其以斑 点噪声影响为主。
对斑点噪声统计特性的研究表明，常见的 斑点噪声服从瑞利分布，其均值与标准差 成正比，这说明斑点噪声是乘性的。
在超声医学图像中，加性噪声(如换能器噪 声等)的作用相对于乘性噪声来说很小，因 此在实际应用中，有时候可以忽略加性噪 声的影响。
本文的去噪过程
对带斑点 噪声的图 像取对数
用中值滤 波把图 像分成 两部分
分别多 尺度小 波处理
软阈值处 理
重建去噪后的图像f1,f2。 求和f=f1+f2，获得的重建 图像f取指数得去噪后图像
小波处理
对于任意的函数f（t）的连续小波变换为:
其中本文小波变换用’bior3.7’为小波基函数进 行5尺度分解
基于小波变换的图像去噪方法研究
8
小波阈值去噪方法
计算含噪图像的正交小波变换。选择合适的小波基和小波 分解层数J（本文选取J=2），运用MALLAT分解算法将含 噪图像进行J层小波分解，得到相应的小波分解系数。 对分解后的高频系数进行阈值量化，对于从1到J的每一层，选择一个恰当的阈值 B (每层的阈值不相同)和合适的阈值函数将分解得到的高频系数进行阈值量化，得 到估计小波系数。 A
硬阈值函数:
j ,k
小波系数的绝对值不小于设定阈值，令其保持不变作为估计小波系数，否则的 话，令其为零。
j ,k , | j ,k | 0 , | | j ,k
sgn( j ,k ).(| j ,k | ) , | j ,k | 硬阈值函数: j ,k 0 , | | j ,k
去图像的边缘信息。
C
D
小波阈值去噪对小波系数进行阈值处理可以在小波变换域
中去除低幅值的噪声和不期望的信号，效果最好。
用到的相关函数
小波分解：sym4()函数；wavedec2()函数 小波重构:提取细节wrcoef2()函数。
2015/8/1
小波阈值图像去噪方法可以去除图像的绝大部分噪声，有较好的效果， 但是由于阈值函数和阈值选取方式自身存在的问题，设置的阈值并不能 完全去除图像噪声，还会由于阈值函数的问题而使去噪后的图像视觉效 果不佳，这就需要对阈值函数和阈值选取方式进行不断的改进，得到可 以更好地去除图像噪声的小波阈值去噪方法。
加入密度为0.01的椒盐噪声：
椒盐噪声图像
中值滤波
均值滤波
维纳滤波
硬阈值去噪
软阈值去噪
对含有不同噪声类型的同一图像采用这几种滤波方法进行处理
基于小波变换的ROF模型的图像去噪方法研究的开题报告
基于小波变换的ROF模型的图像去噪方法研究的开题报告一、研究背景随着数字图像处理技术的发展，图像去噪成为了数字图像处理中的一个重要问题。
在数字图像处理中，图像噪声往往会影响到图像质量和识别率，因此，如何有效地去除图像噪声，一直是数字图像处理研究领域中的热点和难点问题。
在图像去噪方法中，小波变换是一种常用的方法。
小波变换可以将一幅图像分解成不同尺度的子带，因此可以有效地去除图像中的噪声。
同时，小波变换还可以保留原始图像中的重要信息，从而避免了图像处理过度的问题。
近年来，基于小波变换的ROF模型在图像去噪方面取得了一定的成果。
二、研究目的本研究旨在探索小波变换在ROF模型中的应用，研究基于小波变换的ROF模型的图像去噪方法，提高数字图像处理的效果和准确性。
三、研究内容和方法本研究的内容包括：1.研究小波变换在图像去噪中的基本原理和方法，深入探讨小波变换的特点和优势；2.研究ROF模型在图像去噪中的基本原理和方法，分析ROF模型中的红外相机图像优化算法及原理；3.研究基于小波变换的ROF模型的图像去噪算法，探究其处理图像的机理和方式；4.设计实验验证基于小波变换的ROF模型的图像去噪方法的有效性和可行性，以及与其他方法的比较；5.分析基于小波变换的ROF模型在实际应用中的可行性和优越性。
本研究主要采用文献调研、理论分析和实验验证等方法，对基于小波变换的ROF模型的图像去噪方法进行探究和研究。
四、预期研究结果本研究预计获得以下研究成果：1.深入了解小波变换在图像去噪中的应用原理和方法；2.研究了基于小波变换的ROF模型的图像去噪方法，并比较分析了其与其他方法的差异和优势；3.设计实验，验证基于小波变换的ROF模型的图像去噪方法的有效性和可行性；4.探究了基于小波变换的ROF模型在实际应用中的优越性和可行性。
五、研究意义本研究的意义主要体现在以下几个方面：1.为数字图像处理和图像去噪提供了一种新的思路和方法；2.深入研究了小波变换在ROF模型中的应用，拓展了小波变换的应用领域；3.提高了数字图像处理的效果和准确性，促进了图像处理技术的发展。
基于小波分析的医学图像去噪方法
• 166•针对小波阈值去噪容易引起边缘模糊的特点，提出了一种小波阈值与全变差相结合的去噪方法。
首先分别用两种去噪方法对医学图像进行去噪，然后通过小波变换对去噪后的图像进行分解，将全变分去噪分解后图像和阈值去噪分解图像重新组合，经小波变换融合成最终图像。
通过实验结果表明，本文所提方法充分利用了全变分和阈值去噪的优点，有效的保护了图像边缘特征的同时抑制了噪声，不论是视觉上还是客观评价都有不错的成果。
图像去除噪声的这一步骤是在医学图像预处理中极其重要的过一步，并且对图像进行后续的其他操作，比如图像分割提供了的首要的保障，是我们对图像中的有效信息进行提取的必要条件。
为了能够加强图像的视觉感受过滤掉图像中的噪声，二维断层图像必须经过我们所实施滤波处理，使图像进行接下来更近一步的操作更加方便快捷，因此对医学图像进行除躁的操作是必不可少的。
传统的去噪方法一般采用的窗口平滑处理的方法，例如中值滤波等可以良好的滤除脉冲噪声对图像带来的影响，但边缘信息结构容易丢失。
最近几年来，随着具有时频局部化良好优势的小波变换发展，使用小波阈值法对图像进行去噪引发了大范围的研究。
小波去噪对于高斯噪声处理方面表现良好，尤其在平滑区域效果更为突出。
但是仍然在选取阈值是容易存在问题，导致过多的去除小波系数，从而使图像失真，边缘模糊。
全变分（TotalVariation ，TV ）法是一种基于偏微分的去噪方法，能够在去噪时很好地保留图像的边缘，但是对图像的去噪并不彻底。
鉴于以上方法存在的问题，本文利用小波阈值去噪的充分性以及全变分去噪的保边性，再用小波变换与逆变换进行图像重构，提出一种结合了小波和全变分的去噪方法。
该方法能够兼备两种优势，获得去噪效果更佳的图像。
1 图像去噪1.1 小波阈值去噪小波阈值去噪的大概流程是首先将λ作为临界阈值，对小于λ的小波系数，我们则认为这部分为噪声引起，然后对这一部分进行处理；对大于λ的小波系数，此部分系数一本认为由信号引起，然后保留这部分系数，处理后对系数进行小波逆变换和重建得到去噪后的信号。
基于小波分析的图像去噪算法研究
基于小波分析的图像去噪算法研究一、引言图像处理是数字图像处理领域的重要分支，对于图像的去噪问题一直是研究的热点和难点。
在实际的应用中，图像去噪可以提升图像的清晰度和质量，使得图像更容易被有效使用。
将小波分析应用于图像去噪问题中，可以有效地去除噪声，提高图像质量。
本文将对基于小波分析的图像去噪算法进行研究和分析。
二、小波分析基础小波分析是一种新的信号分析方法，与传统的傅里叶分析方法相比，小波分析能更好地表示信号的局部特征。
小波分析中，使用小波基函数对信号进行多分辨率分解。
小波基函数具有有限时间和无限频率的性质，因此在图像处理领域中应用十分广泛。
三、基于小波分析的图像去噪算法小波变换将图像分解成不同的频带。
高频分量对应的是图像中的细节信息，而低频分量则表示图像大部分的基础结构。
根据这一性质，基于小波分析的图像去噪算法通常分为两个主要步骤：小波变换和阈值处理。
1.小波变换小波变换将图像分解成不同的频带，每个频带对应不同的尺度。
在小波分析中，离散小波变换（DWT）是最常用的方法。
DWT可以将图像分解成多个频带，其中LL用于表示图像基础信息，HL、LH 和 HH 分别用于表示图像的水平、垂直和对角线方向的频带。
2.阈值处理在小波变换的基础上，阈值处理是去噪算法的核心步骤。
不同的阈值处理方法会使用不同的阈值来抑制噪声和细节信息。
其中，软阈值和硬阈值是最常用的两种阈值处理方法。
硬阈值将小于某个阈值的系数都置为0，而大于这个阈值的保持不变。
软阈值的作用则是将小于某个阈值的系数都置为0，而对于大于这个阈值的部分，使用某个函数进行调整，以减少降噪过程中过多的数据丢失。
四、实验结果本文使用了8个测试图像进行了实验，比较了不同去噪算法的最终效果。
实验结果表明，基于小波分析的图像去噪算法比传统的傅里叶变换等其他方法有更好的去噪效果。
同时，软硬阈值处理也是影响去噪效果的重要因素。
其中，软阈值方法能够更加准确地去除图像中的噪声，保留更多的图像细节信息。
基于小波及其统计特性的图像去噪方法研究(精)
华中科技大学博士学位论文基于小波及其统计特性的图像去噪方法研究姓名:侯建华申请学位级别:博士专业:控制科学与工程指导教师:田金文20070601华中科技大学博士学位论文摘要图像在获取或传输过程中不可避免地会受到噪声污染, 图像中的噪声严重影响了后续的图像处理工作,如图像分割、编码、特征提取和目标检测等。
为了提高图像的质量以及后续更高层次处理的需要, 对图像进行去噪就成为图像预处理中一项非常重要的工作。
图像去噪的目的就是从被噪声污染的含噪图像中恢复出原始的“干净”图像, 即在滤除噪声的同时尽可能的保留重要的图像特征与细节。
传统图像去噪方法在降噪与保细节折中方面难以令人满意;小波变换作为一种新的时频分析方法,具有多尺度、多分辨分析的特点,为信号处理提供了一种新的、强有力的手段,在图像去噪领域得到了成功的应用。
目前, 基于小波的去噪方法已经成为图像去噪和恢复的重大分支,而根据图像小波系数的统计特性,研究基于模型的去噪方法,是目前图像去噪领域中的主要研究方向,无论在理论上还是在实际应用中都具有重要意义。
本文以小波分析理论为工具, 对小波域图像去噪理论与方法进行了系统、深入的研究,主要工作包括以下四部分:1、小波图像去噪方法研究综述本文前两章作为全文的基础,对基于小波的图像去噪方法进行了全面的研究总结。
首先综述了图像去噪技术的发展现状,特别是小波图像去噪方法的研究进展。
针对目前小波图像去噪领域尚未有一个较全面的分类方法, 本文以该领域发展的三个阶段为线索, 将小波图像去噪算法进行了新的分类并划分为四类, 并对每种类型中代表性的算法做了分析讨论。
阈值去噪是小波去噪研究中一类非常重要的方法, 对此进行了系统、深入的分析,在阈值选择这一核心问题上,对最具代表性的阈值结合具体的算法在原理与方法上做了清晰的阐述, 并对这些典型算法分别在正交小波变换基和平移不变小波基下进行了全面的实验仿真和分析讨论。
从实验结果和性能分析中得到了一些有意义的结论。
基于小波的医学图像去噪方法研究
时， 小波变换 因具有多分辨率特性 ， 小波变换后 ， 在 相邻尺度 层间具有较 强的相关性 ， 便于特 征的提 取与保护 ， 因而能很 好地保 留去噪后 图像 的特 征，使之优于传统 的低通滤 波器 。 实际上， 小波去噪是特征提取与低通滤波的结合 。
短 时 Ｆ ｕｉ 的局部 化思想。小波变换通过 定义伸 缩因子与 ｏｒｒ ｅ 平移因子， 从而使得其变换 窗 口能够 随着频率的高低变换而 发生改变， 以便对信号低频 的特性 进行 充分利用 。在小波变
传统 的噪声去 除方法建立在傅里 叶变换的基础上， 是一 种全局变换， 无法对信号的时频域性质进行表述。 比如 中值 滤波 ， 在对 白噪声去 除的同时， 也对 相当一部分 图像 的高 频
换 中， 窗 １大小不变， 其 ２ １ 但形状可发生改变 ， 即小波变换是频
ｔ ｅｍｅ ｉｎ ｆ ｔｒ ｈ ｄａ ｌ ． ｉ ｅ Ｋｅ ｗｏ ｄ ： ａ ｅｅ ｒ ｎ ｆ ｒ Ｍ ｅ ｉ ａ Ｉ ａ ｅ Ｄｅ ｏ ｓ ｇ ｙ ｒ ｓ Ｗ ｖ ｌｔ ａ ｓｏ ｍ； ｄ ｃ ｌ ｍ ｇ ； ｎ ｉｉ Ｔ ｎ
０ 引言
尺度 中的不 同频 域， 能够在去 噪的同 时， 好地保 留有 用的 很 高频信息， 以保持 图像细节不会被破坏 。 因此， 小波理论受到 研究者 们的广 泛重视 ， 并应用小波方法 进行 去噪取得 了很好 的效果１１小波去噪是信号滤 波问题 ， 以视为低通滤波。 ２。 － ４ 可 同
关键 词 ： 波 变 换 ； 小 医学 图像 ； 去噪
中图分类号 ： Ｎ １ Ｔ ９１
文献标识码 ： Ａ
毕业设计(论文)-基于小波图像去噪的方法研究[管理资料]
毕业论文基于小波变换的图像去噪方法的研究学生姓名： 学号：学系 专 指导教师：2011年 5 月基于小波变换的图像去噪方法的研究摘要图像是人类传递信息的主要媒介。
然而,图像在生成和传输的过程中会受到各种噪声的干扰,对信息的处理、传输和存储造成极大的影响。
寻求一种既能有效地减小噪声,又能很好地保留图像边缘信息的方法,是人们一直追求的目标。
小波分析是局部化时频分析,它用时域和频域联合表示信号的特征,是分析非平稳信号的有力工具。
它通过伸缩、平移等运算功能对信号进行多尺度细化分析,能有效地从信号中提取信息。
随着小波变换理论的完善,小波在图像去噪中得到了广泛的应用,与传统的去噪方法相比小波分析有着很大的优势,它能在去噪的同时保留图像细节,得到原图像的最佳恢复。
本文对基于小波变换的图像去噪方法进行了深入的研究分析,首先详细介绍了几种经典的小波变换去噪方法。
对于小波变换模极大值去噪法,详细介绍了其去噪原理和算法,分析了去噪过程中参数的选取问题,并给出了一些选取依据;详细介绍了小波系数相关性去噪方法的原理和算法;对小波变换阈值去噪方法的原理和几个关键问题进行了详细讨论。
最后对这些方法进行了分析比较,讨论了它们各自的优缺点和适用条件,并给出了仿真实验结果。
在众多基于小波变换的图像去噪方法中,运用最多的是小波阈值萎缩去噪法。
传统的硬阈值函数和软阈值函数去噪方法在实际中得到了广泛的应用,而且取得了较好的效果。
但是硬阈值函数的不连续性导致重构信号容易出现伪吉布斯现象;而软阈值函数虽然整体连续性好,但估计值与实际值之间总存在恒定的偏差,具有一定的局限性。
鉴于此,本文提出了一种基于小波多分辨率分析和最小均方误差准则的自适应阈值去噪算法。
该方法利用小波阈值去噪基本原理,在基于最小均方误差算法LMS和Stein无偏估计的前提下,引出了一个具有多阶连续导数的阈值函数,利用其对阈值进行迭代运算,得到最优阈值,从而得到更好的图像去噪效果。
基于小波域统计模型的图像去噪算法
3
基于小波域统计模型的图像去噪算法
次要特性 1 2 3 小波去噪问题的描述 去噪算法性能衡量标准 小波去噪算法分类 小波去噪的发展
4
21
3.1
图像去噪问题的描述
1、图像退化与噪声 如果一副原始图像f(i,j)被噪声n(i,j)所污染，可以得到一副观 次要特性 测图像g(i,j):
=
+
对于加性噪声，如一般电子线性放大器噪声、信道噪声及图 主 像扫描产生噪声等，与图像本身无关，此时：g(i,j)=f(i,j)+ n(i,j)； 要 有些噪声与图像信号有关，叫乘性噪声，如光电子噪声，可 特 以分为两种情况：一种某像素点噪声只与该像素信号有关；一 种与该像素及其领域信号有关。此时：g(i,j)=f(i,j)+ f(i,j)*n(i,j) 性 ； 去噪的目标是从观测到的含噪图像g(i,j)中获得原始图像f(i,j) 的最优估计＊ f(i,j)。
次要特性
①聚类性（Cluster） ②保持性（Persistency）
①尺度间呈指数退化关系（Exponential decay across
scale）
主 ②在细尺度有强的保持性（Stronger persistence at fine 要 scales） 特 性 此三类统计特性，引出了很多基于小波变换的图像展
1992年，Donoho和Johnstone等提出了小波阀值收缩方法， 次要特性 T , 2 InN 给出了阀值公式 并从渐进意义上证明了该阀值的最 优性，此后，小波阀值收缩方法应用到各种降噪中，取得很大 成功，特别是对于去除高斯白噪声。但通用阀值有严重的过扼 杀小波系数的倾向，此后提出了不同阀值确定方法，和不同的 阀值函数，但应用到非高斯、有色噪声场合中，效果不理想， 原因是基于模型是独立同分布假设。 对此，后来有人提出了具有尺度自适应的阀值选取方法，用 来解决正态分布中有色噪声的小波去噪问题，有人研究了比白 噪声更长尾的噪声下降噪阀值公式。 目前，基于阀值收缩的小波降噪方法研究仍然活跃，不断有 新方法出现，研究方向已经转为如何最大限度获取信号的先验 信息，从而得到更适合的阀值或阀值向量，提高去噪效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
好 地 保 持 了图 像 的 细 节 特 征 ， 性 能 优 于 空 间 域 滤 波 和 传 统 的小 波 去 噪算 法 。 其 关 键 词 ： 声 图像 去 噪 ； 声 图像 去 噪 ；小 波 系数 统计 模 型 ； 大 后 验 概 率 准则 超 超 最
Ｓ ｅ ｋ ｅ Ｒｅ ｕ ｔｏ ｎ Ｍ ｅ ｉ ａ ｔ ａ ｏ ｎ ｍ ａ ｅ ｓ ｅ ｎ Ｗ ａ ｅｅ ｐ ｃ ｌ ｄ ｃ ｉｎ ｉ ｄ ｃ ｌＵｌｒ ｓ ｕ ｄ Ｉ ｇ ｓ Ｂａ ｄ ｏ ｖ ｌｔ
Ａｂｔａ ｔ ｈ ｎ ｅｅｔｓｅｋｅ ｎ ｉ ｎ ｕｔ ｓｕ ｄ （ Ｓ ｉ ｇｓｓｖｒｌ ａ ｅｔ ｔｅ ｉａｅ ｉｔ ｐｅ ｔ ｎ ａ ｄ ｓ ｃ：Ｔ ｅ ｉｈ ｒｎ ｐ ｃｌ ｏ ｅ ｉ ｌａｏ ｎ Ｕ ） ｍａｅ ｅｅｅ ｆ ｃ ｈ ｍ ｇ ｎｅ ｒｔ ｉ ｎ ｒ ｓ ｒ ｙ ｆ ｓ ｒ ａｏ
２ 卷 １期 ８
２０ ０ ９年 ２月
中 国 生 物 医学工程
学
报
Ｖｏ ． １２８
Ｎｏ． １
Ｃ ｉｅｅＪｕｎ ｌｏ ｏ ｅ ｉ ｌ ｎ ｉ ｅ ｎ ｈｎｓ ｏ ｒａ ｆＢｉｍ ｄ ａ ｇｎ ｒ ｇ ｃ Ｅ ｅｉ
Ｆ ｂ ｕ ｒ ２ ０９ ｅ ｒ ａｙ ０
基 于小 波统 计模 型 的 医学超 声 图像 去 噪方 法研 究
干 斑 噪 声 一 直 是 医 学 超 声 图 像 预处 理 中 一个 关键 性 问题 。本 研 究 通 过 对 含 斑 图像 做 对 数 变 换 和冗 余 小 波 分 解 ， 提
出 了一 种 基 于 Ｂｙｓ ｎ 计 的小 波 域 局 部 自适 应 性 去 斑 算 法 。将 斑 点 噪 声 和 有 用 信 号 的小 波 系数 分 别 建 模 为 瑞 利 ａｅｉ 估 ａ
ｍ ｘｍ ｍ ｐｓ ｒ ｒ （ Ａ ）ｃ ｔ ｏ ｓ ｍ ｔ ｎ Ｆ ｒ ｅ ｏｅ ｔｅｐ ｒｍ ｔｒ ｏ ａ ｌｃ ｎｍ ｄ ｌ ｅｅｅｔ ｔ ｏ ａｉ ｕ ｏｔ ｉ ｅ ｏ Ｍ Ｐ ｒｅ ｎｅｔ ａｉ ． ｕｔ ｒ ｒ ， ｈ ａａ ｅｅｓ ｆ ｐａｉ ｏ ｅ ｗ ｒ ｓｍａ ｄｆ ｍ ｉ ｉ ｒ ｉ ｉ ｏ ｈｍ Ｌ ａ ｉ ｅ ｒ
分 布 和 拉 普 拉 斯 分 布 ， 用 最 大 后 验 概 率 （ Ｐ 准 则 得 到 了一 种 解 析 的 Ｂ ｙｓ ｎ 计 表 达 式 ； 一 步 通 过 邻 域 窗 口 利 ＭＡ ） ａｅｉ 估 ａ 进 估 计 模 型 参 数 ， 算 法 具 有 局 部 自适 应 性 。实 验 仿 真 表 明 ， 算 法 简 单 有 效 ， 滤 除 超 声 图 像 斑 点 噪 声 的 同 时 ， 使 该 在 较
侯建华 熊承义 何 翔 陈亚光
（ 南 民族 大学 电子 信 息 工 程 学 院 ，武 汉 中 ４０ ７ ） ３０４
摘
要 ： 声 图像 中 固有 的斑 点 噪 声 严 重 降 低 图像 的 可 解 译 程 度 ， 响 了后 续 的 图像 分 析 和 诊 断 。 因 此 ， 制 相 超 影 抑
ａ ｄ ｉ ｔ ｔｓｉ ａ ｏ ｅｉ ｇ ｎ ｔ Ｓ ａｉｔｃ Ｍ ｄ ｌ ｓ ｌ ｎ
ＨＯＵ Ｊａ — ａ ＸＩ ｉｎ Ｈｕ ＯＮＧ Ｃｈ ｎ － ＨＥ Ｘｉｎ Ｃ ｅ ｇＹｉ ａｇ ＨＥＮ Ｙａ Ｇｕ ｎ — ａｇ
（ ｃｏｌｆＥｅｔ ｎ ｆｒ ａｏ ， ｅ ｉ Ｓｈｏ ｏ ｌ ｒ ｉＩ ｏｍ ｔ ｎＥ ｎｅ ｎ ｃｏｃｎ ｉ ｒ ｇ，Ｓｕ －ｅｔ ｌＵｉ ｒｔｆｒ ａｏａｉ ｓ ｕａ ３０４ ｏｔ ｃｎ ａ ｎ ｅｉ ｏ Ｎ ｔ ｎｌｉ ，Ｗ ｈ ｎ４０ ７） ｈ ｒ ｖ ｓｙ ｉ ｔ ｅ