Rician噪声水平场的估计及其在MR图像去噪中的应用

合集下载

遥感技术影像中去除噪音的方法分析及应用

在影像上进行均值滤波法操作，得出均值滤波方法处理椒
盐噪声不太理想，根据上面的图片展示，去噪后的图片中还是留
有不少的椒盐噪声。如图一所示。
图 1 原图像与均值滤波后对比均值法适用于高斯噪声，首先选择一个窗口，这个窗口上有其一定的几何规则，之后这个窗口的几何中心处放置待处理的某个像素点，拿着模板在待处理的图像上左右上下不断地平移，这样就实现了对图像中的像素值的滤波。
是依据某些条件适应性的选区域的大小进行处理，就得到了图
像处理效。它的优势在于去除脉冲噪声，并且能在平滑的“椒盐”
和其他脉冲噪声中保留细节，还可以减少图像边缘的粗化变形。
248
M 管理及其他 anagement and other
4 小波去噪方法小波去噪是基于信号和噪声不同分布，然后分析处理。根据
M 管理及其他 anagement and other 遥感技术影像中去除噪音的方法分析及应用
杨益军，李文鹏，李天兰
（昆明理工金图科技有限公司 , 云南昆明 650031）
摘要：在数字图像处理中存在的典型噪音有高斯噪音、椒盐噪音还有二者的重合而成的混合噪音，本文采用均值滤波法、中
值滤波法和小波去噪法分别对遥感影像进行了处理，做出了适宜性分析。
图像是 f (x, y) ，有个尺寸是 M × M 的工作窗口，通过均值
滤波后的图像是 g(x, y) ，N 代表的是（x,y）的中心。公式中的 x
与 y 的取值范围是 0 到 N-1 之间。在（x, y）点作为场的中心，S 集
包括点 (x,y) 和场中的所有点集，M 是总数，所有像素坐标。
2.1 均值滤波法的实验结果
已知的，噪声和细节大多在高频域，信号在低频域。在图像去噪的时候还要保证图像的细节不能丢失，要左右平衡这个度。

图像处理中的噪声去除方法和效果评价

图像处理中的噪声去除方法和效果评价噪声是图像处理领域中常见的问题之一。

在图像采集、传输和存储过程中，噪声往往会以各种形式引入图像，从而导致图像质量下降和信息丢失。

因此，研究和应用有效的噪声去除方法对于提高图像质量和增强图像细节非常重要。

本文将介绍图像处理中常见的噪声去除方法和评价方法。

一、图像噪声的分类常见的图像噪声主要包括高斯噪声、椒盐噪声、泊松噪声、固定模式噪声等。

高斯噪声是一种均值为0、方差为σ²的随机噪声。

椒盐噪声则是指在图像中随机分布出现的黑白像素点，其比例可以根据实际情况进行调整。

泊松噪声主要由光子计数引起，其分布满足泊松分布的统计规律。

固定模式噪声是由于设备本身或传输过程中的非线性特性引起的噪声。

二、噪声去除方法1. 均值滤波均值滤波是一种简单的线性平滑滤波方法，通过计算邻域像素的平均值来减少图像中的噪声。

具体而言，对于一个大小为n×n的滤波模板，将滤波模板内的像素值进行求平均操作，然后将平均值赋给目标像素。

均值滤波适用于高斯噪声的去除，但对于椒盐噪声等其他类型的噪声效果不佳。

2. 中值滤波中值滤波是一种非线性滤波方法，其原理是将滤波模板内的像素值按照大小进行排序，然后取中值作为目标像素的值。

中值滤波相比于均值滤波，在去除椒盐噪声等其他类型噪声时表现更好，能够有效保持图像的边缘和细节。

3. 自适应滤波自适应滤波是一种基于图像统计特性的非线性滤波方法。

其核心思想是根据图像中像素的灰度差异来调整滤波器的参数，从而在保持图像细节的同时去除噪声。

自适应滤波方法通常需要根据具体应用场景进行参数调优，以获得最佳的去噪效果。

4. 小波去噪方法小波去噪方法将信号分解为不同尺度的子带，然后通过对具有较小能量的高频子带进行阈值处理，将其置零，最后将处理后的子带重构成去噪后的信号。

小波去噪方法在处理非平稳噪声时表现良好，能够有效去除信号中的噪声，并保留信号的细节。

三、噪声去除效果评价对于图像噪声去除的效果评价是非常重要的，它能够客观地反映算法的优劣和适用性。

基于深度学习的无监督磁共振图像去噪方法

ቤተ መጻሕፍቲ ባይዱ
2.2. 对抗损失
为了生成更真实的高质量图像，我们将对抗损失应用于低质图像域和高质图像域[22]，如式(3)所示：
( ) = LDh Eh~ p(h) log DH (h) + El~ p(l) log 1− DH ( fakeh)
(3)
fakeh 如式(4)所示：
( ) fakeh = GH ELc (l ), zN
基于深度学习的无监督磁共振图像去噪方法
唐凡1，符颖1,2*，李燕3 1成都信息工程大学，四川成都 2四川省图形图像与空间信息2011协同创新中心，四川成都 3重庆中烟工业有限责任公司重庆卷烟厂，重庆
收稿日期：2021年4月10日；录用日期：2021年5月7日；发布日期：2021年5月14日
(5)
fakel 如式(6)所示：
( ) fakel = GL EHc (h), zN
(6)
2.3. 循环一致损失
(4)
在训练模型的过程中， GH 试图使生成的图像 fakeh 看起和来自高质图像域的图像更加相似， DH 希望能够区分 fakeh 和真实样本 h。 GH 在训练中希望尽量减少损失，同时 DH 希望尽量扩大损失，我们将低质图像域中的对抗性损失定义为式(5)：
( ) L= Dl El~ p(l) log DL (l ) + Eh~ p(h) log 1− DL ( fakel )
有效的内容信息。由于高质图像未受噪声影响，所以 EHc 可从中提取到不带噪声的内容信息。为了能从低
质图像中更好的提取内容信息，我们采用了 ELC 和 EHc 共享权重参数的策略。另一方面，我们通过添加 KL
散度损失来约束噪声特征的分布 zN ，使其近似正态分布 p ( z) ~ N (0,1) ，KL 散度损失如式(1)所示：

去除磁共振成像图像莱斯噪声的加权扩散

去除磁共振成像图像莱斯噪声的加权扩散作者：贺建峰陈勇易三莉来源：《计算机应用》2014年第10期摘要：针对各向同性扩散易于造成图像边缘等特征区域的模糊以及相干增强扩散易于在图像背景区域内产生伪条纹的问题，提出了一种根据磁共振成像（MRI）图像莱斯噪声分布特点来对其进行降噪的加权扩散算法。

该算法以MRI图像背景区域的莱斯噪声方差作为区分MRI 图像背景区域和感兴趣的边缘特征区域二者特征差异的阈值。

基于该阈值，该算法构造了一个加权函数，并用该函数对各向同性扩散和相干增强扩散进行加权。

加权函数根据图像在不同结构区域的变化，自适应地调整两种扩散的权值，从而充分发挥两种扩散的优势并克服各自的不足。

实验结果表明，该算法在峰值信噪比（PSNR）及平均结构相似度（MSSIM）的评价上优于一些经典算法。

因此，该算法的降噪及保护、增强边缘的能力更为优越。

关键词：磁共振成像（MRI）；各向同性扩散；相干增强扩散；莱斯噪声；加权扩散中图分类号：TP391.413文献标志码：A引言磁共振成像（Magnetic Resonance Imaging， MRI）技术因其具有对人体的无创性、软组织的高分辨率等技术优点，广泛用于现代临床医学的诊疗及基础科学研究中。

但由于MRI图像是由高斯噪声污染的实部图像和虚部图像经取模运算而得到的模图像，因而最终得到的图像是受莱斯噪声污染的[1]，因此在对MRI图像进行降噪及增强处理时需要根据其莱斯噪声分布的特点对其进行处理。

MRI图像的质量对临床医学诊疗和根据其边缘等特征信息进行相关参数计算的准确性都具有十分重要的意义，因此对MRI图像进行降噪以改善其图像质量是非常重要的。

对MRI图像进行降噪关键是要解决好去除背景噪声和保护甚至增强目标边缘这一对矛盾，基于此基础，许多成熟的技术已经运用到了MRI图像的降噪处理过程中，如：维纳滤波[2]、小波阈值滤波[3]、谱减法[4]、非邻域均值滤波[5]和基于偏微分方程的扩散滤波等技术，其中基于偏微分方程的扩散技术因具有简单高效、易于实施、理论完备等特点而得到了广泛的关注和应用，这些技术包括线性的各向同性扩散算法[6]、非线性的PM算法[7]、鲁棒各向异性算法[8]、复数域扩散算法[9]和相干增强算法[10]等扩散算法。

基于深度学习的图像去噪算法研究及应用

基于深度学习的图像去噪算法研究及应用随着人工智能与深度学习的发展，在图像应用领域，去噪技术是一个十分重要的研究方向。

例如在医学领域中，核磁共振（Magnetic Resonance Imaging, MRI）等影像噪声非常严重，会使图像失真，同时会影响医生的判断和诊断。

因此，图像去噪技术是必由之路，对于进行准确病情判断有着重要的作用。

在现有的图像去噪算法中，经典的算法有基于小波变换、双边滤波等。

然而，这些算法在复杂噪声和高频详细信息处理上表现并不理想。

而深度学习算法中的卷积神经网络（Convolutional Neural Network，CNN）具有出色的图像处理能力，因此在图像去噪领域也引起了广泛研究与应用。

一、深度学习在图像去噪中的应用基于深度学习的去噪技术，直接将去噪过程作为监督学习的任务。

其思路是先生成噪声样本然后利用加噪的模型进行训练，最终生成一个去噪的模型。

其中将深度学习应用到去噪领域的核心是如何产生噪声样本，如何设计优良的去噪损失函数及如何高效的训练网络。

目前，深度学习中的去噪算法广泛应用于医学影像处理、人脸识别、自然图像去噪和压缩感知等领域。

在深度学习算法中，使用编码器-解码器框架的网络是最为常用的结构。

编码器用于将图像高维表示构建成低维表示，解码器用于从低维表示中恢复图像的高维表示。

编码器-解码器网络通过将低维噪声输入图像，经过网络去噪后输出清晰的图像。

二、卷积神经网络的去噪处理卷积神经网络（Convolutional Neural Network，CNN）作为深度学习领域的代表性模型被广泛地应用于图像去噪任务中。

CNN在图像处理任务中表现非常出色，其核心是使用卷积层和池化层来学习图像特征，从而实现高维信息的处理和提取。

CNN主要使用“卷积核”来提取图像中的特征，该卷积核是一组固定权重的矩阵，卷积核对于图像进行卷积操作可以实现对图像局部特征的提取。

在图像去噪中，CNN通过学习去噪过程中的特征，进而实现去噪的目的。

基于噪点检测的中值滤波图像去噪方法

基于噪点检测的中值滤波图像去噪方法唐宁;吕洋【摘要】图像去噪是图像处理中一个非常重要的环节.针对传统中值滤波方法存在的不足,提出一种新的基于噪点检测的自适应中值滤波图像去噪方法.该方法通过自适应地改变滤波窗口的大小,局部检测并判断极值点是否为噪声点,有效地降低了非噪声点误判为噪声点的概率.实验结果表明,该方法能够更有效地去除图像中的噪声,并较好地保持图像细节和边缘.【期刊名称】《微型机与应用》【年(卷),期】2015(034)005【总页数】4页(P35-38)【关键词】图像去噪;中值滤波;噪点检测方法【作者】唐宁;吕洋【作者单位】桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004【正文语种】中文【中图分类】TP317.4图像是对外界信息识别的重要途径，图像的清晰度直接影响到人们对外界的识别以及进一步分析。

在图像采集传输过程中由于外界噪声的干扰，会削弱或消除一些图像基本信息，进一步导致图像质量的降低。

对加入噪声的图像可以通过平滑、滤波等一系列预处理来改善图像质量。

中值滤波被广泛应用于图像去噪中。

它不同于一般的模板，中值滤波采用周围邻域像素的中间值来代替，能够较高地保留高频信号，使图像能更好地保持边缘清晰［1］。

本文通过对中值滤波及其改进的算法进行研究，提出了一种基于噪点检测的中值滤波图像去噪方法，通过实验对比进一步体现改进方法的优势，使其能够更好地保留原始图像的细节及边缘。

1.1 图像噪声图像噪声主要是源于图像的获取和传输，在此过程中受到了外界随机信号的干扰，从而影响人们对其信息的接收。

因而描述噪声的方法完全可以借用随机过程的描述，即使用概率分布函数和概率密度分布函数［2］。

图像中的噪声，可以根据概率密度函数分为高斯噪声、瑞利噪声、脉冲噪声等；依据噪声频谱分类可将其分为：白噪声、1/f噪声、三角噪声等［2］。

本文中将主要对椒盐噪声进行去噪分析。

图像处理中的图像去噪方法与效果评估

图像处理中的图像去噪方法与效果评估图像去噪是数字图像处理中的一项关键任务，它旨在从图像中去除噪声，使其更清晰、更易于分析和理解。

在图像处理的众多应用中，图像去噪是一个必备的步骤，它可以用于医学图像、卫星图像、摄影图像等领域。

目前，有许多图像去噪方法可供选择，这些方法可以根据去噪原理、去噪效果和计算效率等方面进行分类。

下面将介绍几种常用的图像去噪方法，并对它们的效果进行评估。

1. 统计滤波方法统计滤波是一种基于统计原理的去噪方法，它通过对图像的像素值进行统计分析来判断噪声像素和信号像素，并通过滤波操作来抑制噪声。

常用的统计滤波方法包括中值滤波、高斯滤波和均值滤波。

中值滤波是一种简单有效的统计滤波方法，它通过对图像中的每个像素周围的邻域进行排序，然后取中间值作为该像素的新值。

中值滤波对于椒盐噪声和斑点噪声有较好的去除效果，但对于高斯噪声和高频噪声效果较差。

高斯滤波是一种基于高斯函数的滤波方法，它将像素的值与其周围像素的值进行加权平均，权值由高斯函数确定。

高斯滤波可以有效地平滑图像，并且保持边缘信息，但对于噪声的去除效果较差。

均值滤波是一种简单的滤波方法，它将像素的值与其邻域像素的平均值进行替换，可以有效地降低噪声的影响，但会导致图像模糊。

2. 小波变换方法小波变换是一种多尺度分析方法，可以将图像分解为不同频率的子带，然后根据子带的特征对噪声进行去除。

小波变换方法具有良好的去噪效果和较高的计算效率，在图像压缩、细节增强等应用中得到了广泛的应用。

小波去噪方法通常包括两个步骤：小波分解和阈值处理。

在小波分解阶段，图像被分解为不同频率的子带；在阈值处理阶段，对每个子带的系数进行阈值处理，然后通过逆小波变换将图像重建。

常用的小波去噪方法包括基于软阈值和硬阈值的去噪方法。

软阈值方法将小于某个阈值的系数置零，大于阈值的系数乘以一个缩放因子；硬阈值方法将小于阈值的系数置零，大于等于阈值的系数保持不变。

这两种方法在去除噪声的同时也会对图像细节造成一定的损失。

非局部主成分分析极大似然估计MRI图像Rician噪声去噪

ＷＵＸｉ，一
ＺＨＯＵＪ— ｉｉＬｕ
ＸＩｉｇＹｕｎＥＭｎ — ａ
（ｅａｔｎｏｌｔｎｃＥｇｎｅｉｇｈｎｄｎｖｒｔＩｏｍｔｎＴｃｎｌｙｈｎｄ１２５ｈｎ）ＤｐｒｍｅｔｆＥｅｒｉｎｉｉ，ＣｅｇｕＵｉｓｙｏｎｒａｉｅｈｏｏ，Ｃｅｇｕ６０２，Ｃｉａｃｏｅ＇ｎｅｉｆｆｏｇ
（ｏｅｅｏｏｐｔｃｎｅＳｃｕｎＵｉｒｔ，Ｃｅｇｕ６０６，ＣｉａＣｌｇＣｍｕｅＳｉｃ，ｉａｎｖｓｙｈｎｄ１０５ｈｎ）ｌｆｒｅｈｅｉ
Ａｂｓｒｃ：ＡｓｔｅｏｓｉｔｅｔａｔｈｎｉｅｎｈＭＲＩｒｕｄｒｈＲｉｉｎｉｔｉｕｉｎ，ｉｌｍｅｔｔｎｆｃｍｍｏｌｕｅａｅｎｅｔｅｃａｄｓｒｂｔｏｍｐｅｎａｉｏｏｏｎｙｓｄ
噪声方法、采用参数修正非局部均值去除Ｒｃｎ噪声方法、特定噪声模型的全变差方法，不同噪声等级和不同ｉａｉ无对
纹理复杂度的图像进行定性和定量的去噪实验。结果表明，提出的方法可在保持图像细节和纹理信息的前提下所
ＭａｉｕｋｌｈｏｔｍａｉｎＩａｅＤｅｉｉｇＵｓｎｇＮｏＬｏａｘｍｍＬｉｅｉｏｄＥｓｉｔｏｍｇｎｏｓｎｉｎ－ｃｌ
ＰｒｎｉｌｍｐｏｎｔＡｎａｙｉｉｃｐｅＣｏｎｅｌｓｓ

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)。

可提高２ｄＢ；采用真实乳腺ＭＲ图像进行去噪实验，利用自适应方差稳定变换可得到较高的Ｑ度量。结果表明，所提出的方法能有效估计Ｒｉｃｉａｎ噪声水平场，并用于抑制ＭＲ图像中空间变化的噪声。关键词：Ｒｉｃｉａｎ噪声；噪声水平场；方差稳定变换；ＢＭ３Ｄ中图分类号ＴＰ３９１文献标志码Ａ文章编号０２５８－８０２１（２０１３）０５－０５３２・０７
ｅｓｔｉｍａｔｉｏｎｓｏｆｌｏｃａｌｎｏｉｓｅｌｅｖｅｌｓａｎｄａＮＬＦｍｏｄｅｌｗｉｔｈｔｈｅｓｐａｒｓｉｔｙｃｏｎｓｔｒａｉｎｔ．Ｔｈｅｎ，ｔｈｅｎｏｉｓｙＭＲｉｍａｇｅｓｗｅｒｅｍａｄｅｔｏｂｅｈｏｍｏｓｃｅｄａｓｔｉｃｂｙｔｈｅｓｐａｔｉａｌｌｙａｄａｐｔｉｖｅｖａｒｉａｎｃｅ．ｓｔａｂｉｌｉｚａｔｉｏｎｔｒａｎｓｏｒｆｍａｔｉｏｎｓｗｉｔｈｔｈｅｅｓｔｉｍａｔｅｄＮＬＦ．Ｔｈｕｓ，ＢＭ３Ｄａｌｇｏｒｉｔｈｍｗａｓａｄｏｐｔｅｄｔｏｓｕｐｐｒｅｓｓｔｈｅｎｏｉｓｅｉｎｔｈｅｔｒａｎｓｆｏｒｍｅｄｉｍａｇｅｓ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｔｈｅｓｙｎｔｈｅｔｉｃａｎｄｒｅａｌｉｍａｇｅｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｅｆｆｅｃｔｉｖｅｌｙｅｓｔｉｍａｔｅｓｔｈｅＮＬＦａｎｄｔｈｅｅｓｔｉｍａｔｅｄＮＬＦｉｓｕｓｅｆｕｌｆｏｒｄｅｎｏｉｓｉｎｇｔｈｅｓｐａｔｉａｌｌｙｖａｒｉａｂｌｅＲｉｃｉａｎｎｏｉｓｅ．Ｔｈｅｍｅａｎｒｅｌａｔｉｖｅｅｒｒｏｒｏｆｔｈｅｅｓｔｉｍａｔｅｄｎｏｉｓｅｌｅｖｅｌｓｗａｓｌｅｓｓｔｈａｎ０．２％．ＣｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒｄｅｎｏｉｓｉｎｇｍｅｔｈｏｄｓｏｒｆＭＲｉｍａｇｅｓｔｈｅｍｅｔｈｏｄ
ＹｕＬｉ．ＬｉｎｇＹＡＮＧＷｅｉ
ＦＥＮＧＹａｎ — ＱｉｕＬＩＵＭｉｎＦＥＮＧＱｉａｎ。ＪｉｎＣＨＥＮＷｕ．Ｆａｎ
（ＳｃｈｏｏｌｏｆＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｅｒｎＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ５１０５１５，Ｃｈｉｎａ）（ＳｈｅｎｚｈｅｎＥｎｔｒｙ — ｅｘｉｔＩｎｓｐｅｃｔｉｏｎａｎｄＱｕａｒａｎｔｉｎｅＩｎｄｕｓｔｒｉａｌＤｅｔｅｃｔｉｏｎＴｅｃｈｎｏｌｏｇｙＣｅｎｔｅｒ，Ｓｈｅｎｚｈｅｎ５１８０６７，Ｃｈｉｎａ）
Ｒｉｃｉａｎ噪声水平场的估计及其在ＭＲ图像去噪中的应用
余丽玲阳维ｈ冯衍秋刘闽冯前进陈武凡
（南方医科大学生物医学工程学院，广州５１０５１５）
（深圳出入境检验检疫局工业品检测技术中心，深圳
Ａｂｓｔｒａｃｔ：ＴｈｅｌｅｖｅｌｓｏｆＲｉｃｉａｎｎｏｉｓｅｉｎＭＲｉｍａｇｅｓｖａｒｙｓｐａｔｉａｌｌｙ．Ａｍｅｔｈｏｄｔｏｅｓｔｉｍａｔｅｔｈｅｎｏｉｓｅｌｅｖｅｌｉｅｆｌｄ
ＥｓｔｉｍａｔｉｏｎｏｆＳｐａｔｉａｌｌｙＶａｒｉａｂｌｅＬｅｖｅｌＦｉｅｌｄｏｆＲｉｃｉａｎＮｏｉｓｅａｎｄｉｔｓ
ＡｐｐｌｉｃａｔｉｏｎｔｏＭＲＩｍａｇｅＤｅｎｏｉｓｉｎｇ
３２卷５期
２０１３年１０月
中国生
物医
学工ຫໍສະໝຸດ 程学报ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ
Ｖ０１．３２ＮＯ．５Ｏｃｔｏｂｅｒ２Ｏ１３
（ＮＬＦ）ｗａｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｆｏｒｄｅｎｏｉｓｉｎｇｔｈｅｓｐａｔｉａｌｌｙｖａｒｉａｂｌｅｎｏｉｓｅ．ＴｈｅＮＬＦｗａｓｉｆｔｔｅｄｕｓｉｎｇｔｈｅ
５１８０６７）
摘要：针对ＭＲ图像中空间变化Ｒｉｃｉａｎ噪声的抑制问题，提出了一种噪声水平场的估计方法，同时结合方差稳定变换和ＢＭ３Ｄ算法实现ＭＲ图像的去噪。噪声水平场通过Ｒｉｃｉａｎ噪声水平的局部估计和稀疏性约束模型进行估计，利用噪声水平场对噪声图像幅值进行空间自适应方差稳定变换，使得噪声与信号幅值和空间位置无关，采用ＢＭ３Ｄ算法即可实现对噪声的抑制，最后通过方差稳定逆变换得到无偏的去噪图像。仿真实验中，噪声水平场估计的平均相对误差小于０．２％，利用空间自适应方差稳定变换进行去噪，相比方差稳定变换，去噪图像的峰值信噪比