超声图像研究去噪法
合集下载
应用ROF模型的医学超声图像去噪方法
Ｋｅ ｒ ｓ ｐ ｃ ｌ ｏｓ ；ｒｍｅ ｃ ｒｅａｉｎ； ｏ ａ ｈ ｓ ｈ ｒｎ ｅ ＧＰＣ） ＲＯＦ ｍｏ ｅ；ｄ ｐｉｅ ｗａ ｅｅ ｈ ｅｈ ｌ ｙ ｗｏ ｄ ：ｓ ｅ ｋｅ ｎ ｉｅ ｆ ａ ｏｒｌｔ Ｇｌｂ １Ｐ ａｅ Ｃｏ ｅｅ ｃ （ ｏ ； ｄ Ｉ ａ ａ ｔ ｖ ｌｔｔｒｓ ｏｄ ｖ
Ｅｍａ ： ｉ ｇｎ ＠ｆｘ ｉｃｒ － ｉ ｌ ｊ ｎ ａ ｇ ｏ ｍａｌ ｏ ｌｉ ａ ．ｎ ＭＡ Ｊａｃ ｅ ， ＩＪａ －ａ ｇ Ｓ Ｎ Ｍｉｇｊ ｎ －ｏｓ ｇ ｍｅｈ ｄ ｆｒ ｍｅ ｉａ ｕｔａｏ ｉ ｉ ｇ ｓｎ ｉ－ｈ ｎ Ｌ ｉｎｇ ｎ ， Ｕ ｎ － ａ ． ｎ ｉｎ ｔｏ ｏ ｄｃｌ ｌ ｓｎｃ ｍａ ｅ ｕｉｇ ＲＯＦ ｍｏ ｅ． ｍｐ ｔ ｉ Ｄｅ ｉ ｒ ｄ１ Ｃｏ ｕ・
１ 引言
医学超 声成像 具有成本 低 、 时性 好 、 实 无损伤 、 使用方 便 等优点 ， 医学诊 断领域获 得了广 泛应用 。但医 学超声 图像 在
中往往存在 一些直观 的噪 声 ， 现为 图像 中出现斑点 、 表 细粒 、
ｓ ｌ ｅ ｔ ｉ ｒ ｂ ｅ ， ｉ ｐ ｐ ｒ ｐ ｅ ｅ ｔ ｅ ｄ — ｏ ｓｎ ｔ ｏ ｏ ｄ ｃ ｌ ｕ ｔａ ｏ ｉ ｍ ａ ｅ ｂ ｓ ｄ ｏ ｏｖ ｈ ｓ ｐ ｏ ｌ ｍ ｔ ｓ ａ ｅ ｒ ｓ ｎ ｓ ａ ｎ ｗ ｅｎ ｉ ｇ ｍｅ ｈ ｄ ｆ ｒ ｍｅ ｉａ ｌ ｓ ｎ ｃ ｉ ｇ ａ ｅ ｎ ＲＯＦ ｍｏ ｅ ｎ ｄ ｐ ｈ ｉ ｒ ｄ ｌａ ｄ ａ ａ — ｔｅ ｉ ｗａ ｅｅ ｔ ｒ ｓ ｏ ｄ ｅ ｎ ｉｉ ｇ ｖ ｖ ｌｔ ｈ ｅ ｈ ｌ ｄ — ｏ ｓｎ ｍｅｈ ｄ Ｉ ａ ｄ ｔ ｎ ｏ ｎ ｉ ｉ ｎ ｔ ｅ ｐ ｃ ｌ ｎ ｉ ｓ ｎ ｈ ｍｅ ｉ ａ ｕ ｔａ ｏ ｉ ｉ ｇ ， ｈ ｓ ｔｏ ． ｎ ｄ ｉ ｏ ｔ ｉｈ ｂ ｔ ｇ ｈ ｓ ｅ ｋ ｅ ｏ ｓ ｉ ｔ ｅ ｉ ｉ ｅ ｄ ｃ ｌ ｌ ｓ ｎ ｃ ｍａ ｅ ｔ ｉ ｒ ｍｅｈ ｄ ｃ ｎ ｒ ｔｉ ｎ ｖ ｎ ｅ ｈ ｎ ｅ ｔ ｅ ｉ ａ ｅ ｄ ｔ ｉ ｉ ｆ ｒ ａｉ ｎ ａ ｔ ｏ ａ ｅａ ｎ ａ ｄ ｅ ｅ ｎ ａ ｃ ｈ ｍ ｇ ｅ ａｌ ｎ ｏ ｍ ｔ ｓ ｍｕ ｈ ａ ｏ ｓｂ ｅ ｏ ｃ ｓ ｐ ｓ ｉ ｌ．
基于广义Nakagami分布的医学超声图像去斑点噪声算法
ｒｈ ｂ ｓｄ ｏ ｅｌｃ ｌｓ ｔ ｔ ａ ｒｐ ￣ ｆｗ ｖ ｌｔｃ ｅｆ ｉｎｓｉ ｒａｉｅ ｏ ｄｃ ｌ ｌ ａｏ ｎｎｔ ａ ｔ ｉ ｉｌ ｐ ｏ ｅ ｙｏ ａ ｅｅ ｏｆｃｅ ｔ ｓ ｅ ｚｄｆｒｍｅ ｉａ ｔ ｓｕ ｄ ｉ ｇｓ ｐ ｃｆ ａｌ ｔ ｈ ｏ ａ ｓｃ ｉ ｌ ｕ ｒ ｉ ｙ，
ｔ ａｅｅ ｃｅ ｉ ｅｔ ｏ ｐｃｌ ａｄｓ ｎｌａｅｍｏｅ ｄｂ ｗ — ｄｄＧ ｎｒｌｅ ａａａ ｉｒ ｕ ｏ Ｇ Ｄ） ａｄ ｈ ｗ ｖｌ ｏｆｃ ｎ ｆｓｅｋｅ ｎ ｉ ａ ｒ ｅ ｔ ｉ ｓ ｇ ｄｌ ｙｔｏｓ ｅ ｅｅａｚｄＮ ｋｇｍｉ ｓ ｉ ｔ ｎ（ Ｎ ｅ ｉ ｉ Ｄ ｔｂ ｉ ｎ
Ｎａ ｇ ｍ ｉＤｉｔ ｉ ｕｔｏ ｏ ｅ ｉａ ｔ ａ ｏ ｄ Ｉ ａ ｅ ｋａ ａ ｓｒｂ ｉ ｎ ｆ ｒ Ｍ ｄ ｃ ｌＵｌｒ ｓ ｕｎ ｍ ｇ ｓ
Ｈｏ ｉｎ ｕ ，Ｚｈ ｈ ｑｎ，Ｃ ｅ ｈ ｏ ｏ ｕＪａ ｈ ａ ｕＳ ｕｉ ｈｎＳ ａ ｂ （ ｏ ｅｅｏ ｌ ｔ ｎｃ ｎ ｆｒ ｔｎＥ ｇ ｅｒ ｇ ｏｔ－ｅｔ ｌ ｎ ｅｓｙｆ ａ ｏｌｉｓ Ｗｕ ａ ３０ ４ ｈ ａ Ｃ ｌｇ ｆ ｅ ｒ ｉ ａｄＩ ｏｍａｏ ｎｉ ｅ ｎ ，Ｓｕ Ｃ ｎ ａ Ｕ ｉ ｒ ｔ ｏ Ｎ ｔ ｎ ｔ ， ｈ ４０ ７ ，Ｃ ｉ ） ｌ Ｅ ｃｏ ｓ ｎ ｉ ｎ ｉ ｈ ｒ ｖ ｉ ｒ ｉ ｉｅ ｎ ｎ
Ｖ０ ． Ｏ Ｎｏ ２ 】３ ．
Ｊｎ ２ ｌ ｕ ． Ｏ１
基 于广 义 Ｎ ｋｇｍ 分布 的 医学超 声 ａ ａａ ｉ 图像 去 斑 点 噪声 算 法
侯建华， 朱淑琴， 陈少波
（ 中南 民族大学 电子信息工程学院 ， 武汉 ４ ０７ ） ３０ ４
摘
要
生物医学成像技术研究——超声图像处理与分析
生物医学成像技术研究——超声图像处理与分析绪论近年来，生物医学成像技术在医学诊断和治疗方面发挥重要作用。
超声图像作为体内无创检测技术，被广泛应用在肿瘤、血管病、妇科病和胎儿检测等领域。
但是，目前的超声图像质量受多方面因素限制，如信噪比、分辨率等。
因此，对超声图像的处理和分析变得至关重要。
本文将围绕超声图像处理与分析展开讨论，包括超声图像预处理、图像分割、特征提取、分类识别等方面，并介绍当前研究中的一些应用实例。
超声图像预处理超声图像是由反射和散射而成像的，具有噪声和伪影。
因此，预处理步骤是超声图像分析的关键步骤。
超声图像预处理包括增强、去噪和伪影滤除等。
其中，基于小波变换的去噪方法可以克服高斯噪声对超声图像的影响，并将超声图像的对比度增强。
伪影滤除是超声图像预处理的关键步骤，例如，常用的多普勒滤波可以清除光栅伪影。
图像分割图像分割是将图像分成不同区域的过程，有助于区分不同的组织结构。
对于超声图像，常使用的分割技术包括阈值法、基于边缘的方法和基于区域的方法等。
其中，基于区域的方法包括基于区域生长的算法和基于聚类的算法。
基于区域生长的算法可以将同一组织结构区域分成不同的区块，以得到更小的区块，并提高分割精度。
基于聚类的算法将图像中的像素划分为多个簇，并将相似的像素划分为同一个簇，从而获得更准确的分割结果。
特征提取特征提取是将图像中的信息提取出来，用简洁的向量表示，以便对图像进行分类和识别。
对于超声图像，常用的特征提取包括灰度共生矩阵(GLCM)、灰度值直方图、小波变换和形态学特征等。
其中，GLCM是一种用于描述灰度图像纹理特征的统计方法，可以用于分类肿瘤和正常组织。
灰度值直方图可以描述超声图像的灰度分布特征，从而用于肿瘤分割和识别。
小波变换可以分解超声图像的高频和低频信息，并以较高的准确性提取肿瘤的边界信息。
形态学特征可以提取超声图像的形状和边缘特征，从而用于分类和识别。
分类识别分类识别是将经过预处理、分割和特征提取的超声图像进行分类的过程。
基于支持向量回归模型的医学超声图像去噪研究
２ ． ２ Ｓ Ｖ Ｍ 模型 应 用
Ｌ （ ｗ ， ｂ ， ） ＝ ÷ （ ｗ ・ ｗ ） 一 ∑ａ ｉ ｌ Ｙ ， （ ｗ ・ ‘ ＋ ６ ） 一 ｌ ｌ
ｌ ｙ － ／ （ ） Ｉ ＝ ｍ ａ ｘ ０ ， ｌ ｙ － Ｗ （ ） ｌ 一 ｝
ｍ ａ ｘ （ ｑ ‘ ） ＝ 一 ｛ ∑Ｚ （ ａ ， ’ ） （ ， 一 ａ ， ‘ ） （ （ ）
图 １单 脉 冲信号 源 利 用超 声 单 脉 冲信号 作 为 Ｓ Ｖ Ｍ 模 型 的数据 源 ， 应 用 Ｍａ ｔ ｌ ａ ｂ 程 序将 函数 输 人计 算 机程 序 中运行 ， 等到 数据 的散 点 分布 情 况。 从 图 中可 以看 出 图像 分 割后 的 视觉 效 果 ， 可 以发 现 噪 点距 离 中 心 线偏 离程 度显 著 ， 能够 达到 去噪 的 目的 。
０ ０ ＝ ｆ （ ｎ ｅ ｔ ｋ ； ， ） ＝ Ｊ １ ＋ ｅ ｘ ｐ （ 一 ｎ ｅ ｔ ＋ ） ｌ
式中 ： Ｗ ． 为输 入 层第 ｉ 节点 和隐 含层 第 ｋ节点 的连 接权 ； 为隐 含层 第 ｉ 节点 的 阈值 。 所 有学 习样本 对 权 值 进行 修 正 ， 通 常 为增 加 学 习 过程 的 稳 定性 ， 用 下式 对权 值进 行修 正 ：
其 中超 声 成 像 固有 的 时效 性 、廉价 性及 无 损 性 等 优点 被 广泛 应 用 于 临床 诊 断 与治 疗 中 ， 超 声 成像 技 术利 用 声 波 实现 直接 观 察 和 物质 结 构 和特 性 研 究 ， 它 具 有对 离 体生 物 组 织 成像 和对 活 体 组织 进行 实 时成像 的 两个 特点 ， 是 医学 研究 的重 要 手段 。 然而 ， 超 声 图像 存 在 的斑 点噪 声 增加 了 图像 解译 程 度 ， 影 响 了 图像 分 析 与诊 断 ， 决 定 了医学 分 析 的 可靠 性 与 准确 性 ， 增 加 了判 断 分 析 的难 度 。 因此 对 超声 图 像 的去 噪 研 究成 为 当今 医 学 界研 究 的热点 。本 次研 究 引 入支 持 向量 学 习理 论 ， 通 过 含斑 图像 做 对 数 变换 和 分 解 ， 构 建 基于 支 持 向量 回归模 型的 局部 自 适 应 去斑 算 法 ， 最 终 达 到 图像 去 噪的 目的 ， 以期 对 医疗诊 断提 供科 学 的可 靠性保 障 ， 推 动 医学科 研工 作 的进一 步 发展 。
Ｌ （ ｗ ， ｂ ， ） ＝ ÷ （ ｗ ・ ｗ ） 一 ∑ａ ｉ ｌ Ｙ ， （ ｗ ・ ‘ ＋ ６ ） 一 ｌ ｌ
ｌ ｙ － ／ （ ） Ｉ ＝ ｍ ａ ｘ ０ ， ｌ ｙ － Ｗ （ ） ｌ 一 ｝
ｍ ａ ｘ （ ｑ ‘ ） ＝ 一 ｛ ∑Ｚ （ ａ ， ’ ） （ ， 一 ａ ， ‘ ） （ （ ）
图 １单 脉 冲信号 源 利 用超 声 单 脉 冲信号 作 为 Ｓ Ｖ Ｍ 模 型 的数据 源 ， 应 用 Ｍａ ｔ ｌ ａ ｂ 程 序将 函数 输 人计 算 机程 序 中运行 ， 等到 数据 的散 点 分布 情 况。 从 图 中可 以看 出 图像 分 割后 的 视觉 效 果 ， 可 以发 现 噪 点距 离 中 心 线偏 离程 度显 著 ， 能够 达到 去噪 的 目的 。
０ ０ ＝ ｆ （ ｎ ｅ ｔ ｋ ； ， ） ＝ Ｊ １ ＋ ｅ ｘ ｐ （ 一 ｎ ｅ ｔ ＋ ） ｌ
式中 ： Ｗ ． 为输 入 层第 ｉ 节点 和隐 含层 第 ｋ节点 的连 接权 ； 为隐 含层 第 ｉ 节点 的 阈值 。 所 有学 习样本 对 权 值 进行 修 正 ， 通 常 为增 加 学 习 过程 的 稳 定性 ， 用 下式 对权 值进 行修 正 ：
其 中超 声 成 像 固有 的 时效 性 、廉价 性及 无 损 性 等 优点 被 广泛 应 用 于 临床 诊 断 与治 疗 中 ， 超 声 成像 技 术利 用 声 波 实现 直接 观 察 和 物质 结 构 和特 性 研 究 ， 它 具 有对 离 体生 物 组 织 成像 和对 活 体 组织 进行 实 时成像 的 两个 特点 ， 是 医学 研究 的重 要 手段 。 然而 ， 超 声 图像 存 在 的斑 点噪 声 增加 了 图像 解译 程 度 ， 影 响 了 图像 分 析 与诊 断 ， 决 定 了医学 分 析 的 可靠 性 与 准确 性 ， 增 加 了判 断 分 析 的难 度 。 因此 对 超声 图 像 的去 噪 研 究成 为 当今 医 学 界研 究 的热点 。本 次研 究 引 入支 持 向量 学 习理 论 ， 通 过 含斑 图像 做 对 数 变换 和 分 解 ， 构 建 基于 支 持 向量 回归模 型的 局部 自 适 应 去斑 算 法 ， 最 终 达 到 图像 去 噪的 目的 ， 以期 对 医疗诊 断提 供科 学 的可 靠性保 障 ， 推 动 医学科 研工 作 的进一 步 发展 。
基于K均值聚类NL-MEANS算法的超声图像去噪
２ ０ １ ４年 ３月 第３ ５卷 第 ３ 期
计算机 工程Leabharlann 与设计 ＣＯＭ ＰＵＴＥＲ ＥＮＧＩ ＮＥＥＲＩ ＮＧ ＡＮＤ ＤＥＳ Ｉ ＧＮ
Ｍａ ｒ ． ２ ０ １ ４
Ｖｏ Ｉ ． ３ ５ Ｎｏ ． ３
基于 Ｋ均值 聚类 Ｎ Ｌ—ＭＥ Ａ Ｎ Ｓ算法 的超声图像去噪
乔 子 良 ，杜 慧敏 （ 西安 邮 电 大学 研 究 生学 院 ，陕西 西安 ７ １ ０ ０ ６ １ ）
ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ，ａ ｎ ｄ ａ ｎ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ－ ＮＬ
— —
Ｍ ＥＡＮＳ ｄ ｅ ｎ ｏ ｉ ｓ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ
Ｍ ＥＡ Ｎ Ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｋ － ｍｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．Ｂ ｙ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｄ ｅ ａ
（ Ｓ ｅ ｈ ｏ ｏ ｌ ｏ ｆ Ｇｒ ａ ｄ ｉ ｅ ｎ ｔ ，Ｘｉ ’ ａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｐ ｏ ｓ ｔ ｓ ａ ｎ ｄ Ｔｅ ｌ ｅ ｃ ｏ ｍｍｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ，Ｘｉ ’ ａ ｎ ７ １ ０ ０ ６ １ ，Ｃｈ ｉ ｎ ａ ） Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ． Ａｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ Ｏ ｓ ｕ ｐ ｐ ｒ ｅ ｓ ｓ ｓ ｐ ｅ ｃ ｋ ｌ ｅ ｎ ｏ ｉ ｓ ｅ ｉ ｎ ｕ ｌ ｔ ｒ ａ ｓ ｏ ｕ ｎ ｄ ｉ ｍａ ｇ ｅ ｓ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ，ｔ ｈ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｃ ＮＬ
计算机 工程Leabharlann 与设计 ＣＯＭ ＰＵＴＥＲ ＥＮＧＩ ＮＥＥＲＩ ＮＧ ＡＮＤ ＤＥＳ Ｉ ＧＮ
Ｍａ ｒ ． ２ ０ １ ４
Ｖｏ Ｉ ． ３ ５ Ｎｏ ． ３
基于 Ｋ均值 聚类 Ｎ Ｌ—ＭＥ Ａ Ｎ Ｓ算法 的超声图像去噪
乔 子 良 ，杜 慧敏 （ 西安 邮 电 大学 研 究 生学 院 ，陕西 西安 ７ １ ０ ０ ６ １ ）
ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ，ａ ｎ ｄ ａ ｎ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ－ ＮＬ
— —
Ｍ ＥＡＮＳ ｄ ｅ ｎ ｏ ｉ ｓ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ
Ｍ ＥＡ Ｎ Ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｋ － ｍｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．Ｂ ｙ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｄ ｅ ａ
（ Ｓ ｅ ｈ ｏ ｏ ｌ ｏ ｆ Ｇｒ ａ ｄ ｉ ｅ ｎ ｔ ，Ｘｉ ’ ａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｐ ｏ ｓ ｔ ｓ ａ ｎ ｄ Ｔｅ ｌ ｅ ｃ ｏ ｍｍｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ，Ｘｉ ’ ａ ｎ ７ １ ０ ０ ６ １ ，Ｃｈ ｉ ｎ ａ ） Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ． Ａｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ Ｏ ｓ ｕ ｐ ｐ ｒ ｅ ｓ ｓ ｓ ｐ ｅ ｃ ｋ ｌ ｅ ｎ ｏ ｉ ｓ ｅ ｉ ｎ ｕ ｌ ｔ ｒ ａ ｓ ｏ ｕ ｎ ｄ ｉ ｍａ ｇ ｅ ｓ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ，ｔ ｈ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｃ ＮＬ
医学图像处理中的超声图像识别与分割研究
医学图像处理中的超声图像识别与分割研究超声图像识别与分割是医学图像处理中的重要研究领域，它在临床上具有广泛的应用。
超声图像作为一种无创、实时、低剂量的诊断工具，具有成本低、使用方便等优势，被广泛应用于医学影像领域，如妇科、心脏病、肿瘤检测等。
超声图像的识别与分割研究的目的在于提取图像中的特定目标或结构，为医生提供更清晰的图像信息，辅助医生诊断疾病。
下面将从超声图像的预处理、特征提取、图像分割和图像识别等方面进行详细介绍。
首先，超声图像的预处理是图像分析的基础工作。
由于超声图像本身存在一些噪声和伪影，因此需要进行去噪和增强处理。
常用的去噪方法包括中值滤波、高斯滤波和小波去噪等。
增强方法可以利用直方图均衡化、对比度增强和维纳滤波等技术来提高图像的质量。
其次，特征提取是超声图像识别与分割的关键步骤。
超声图像中的特征可以分为灰度特征和纹理特征两类。
灰度特征包括直方图、均值和方差等，主要用于描述图像的亮度和对比度。
纹理特征用于描述图像的细节信息，常用的纹理特征包括灰度共生矩阵（GLCM）、灰度差值矩阵（GLDM）和灰度值对比矩阵（GLCM）等。
然后，图像分割是超声图像处理中的重要步骤，目的是将图像中的特定目标与背景分离。
常用的图像分割方法包括阈值分割、边缘检测和区域生长等。
阈值分割根据图像的灰度值进行像素分类；边缘检测根据图像的边缘进行像素分类；区域生长通过选定种子点并根据预设的生长准则将相邻像素进行分类。
最后，图像识别是超声图像处理的最终目标，通过识别图像中的特定结构或目标，提供辅助医生进行医学诊断。
图像识别方法可以基于机器学习算法或深度学习算法。
常用的机器学习算法包括支持向量机（SVM）、决策树和随机森林等；深度学习算法包括卷积神经网络（CNN）、循环神经网络（RNN）和深度信念网络（DBN）等。
综上所述，超声图像识别与分割在医学图像处理领域具有重要的应用价值。
通过超声图像的预处理、特征提取、图像分割和图像识别等步骤，可以为医生提供更准确的图像信息，辅助医学诊断和治疗。
基于极坐标和蒙特卡罗估计的超声图像去噪方法
Ｕｌ ｔ ｒ ａ ｓ ｏ ｕ ｎ ｄ ｉ ｍａ ｇ ｅ ｄ ｅ ｓ ｐ ｅ ｃ ｋ ｌ ｉ ｎ ｇ ｕ ｓ ｉ ｎ ｇ ｐ ｏ ｌ ａ ｒ ｃ ｏ ｏ ｒ ｄ ｉ ｎ ａ ｔ ｅ
ｓ ｙ ｓ ｔ ｅ ｍ ａ ｎ ｄ Ｍｏ ｎ ｔ ｅ Ｃａ ｒ ｌ ｏ ａ ｐ ｐ ｒ ｏ ａ ｃ ｈ
ｎ ｏ ｉ ｓ ｅ ｌ ｉ ｋ ｅ ｌ ｉ ｈ ｏ ｏ ｄ— ｗｅ ｉ ｇ ｈｔ ｅ ｄ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ． Ｅｘ ｐｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅｓ ｕ ｌ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ａ ｌ ｇ ｏ ｉｔ ｒ ｈｍ ｃ ａ ｎ ｂｅ ｔ ｔ ｅ ｒ ｒ ｅ ｍｏ ｖ ｅ ｓ ｐｅ ｃｋ ｌ ｅ
Ｃ ＵＩ Ｊ ｉ ａ — ｌ ｉ ａ ｎ ｇ ，Ｃ ＨＥＮ Ｂ ｏ，ＹＡＮＧ Ｊ ｉ ｎ．ＧＡＯ Ｘ ｉ ａ ｏ ． ｍｉ ｎ ｇ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＣ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｓ ｏ ｕ ｔ ｈ ｗ ｅ ｓ ｔ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆＳ ｃ ｉ ｅ ｃｅ＆ Ｔ ｎ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｍｉ ａ ｎ ｙ ａ ｎ ｇ Ｓ ｉ ｃ ｈ ｕ ａ ｎ ６ ２ １ ０ １ ０ ，Ｃ ｈ ｉ ｎ ａ ）
中图分 类号 ：Ｔ Ｐ ３ ９ １ ． ４ １ 文献标 志码 ：Ａ 文章 编号 ：１ ０ ０ １ — ３ ６ ９ ５ （ ２ ０ １ ３ ） １ １ — ３ ５ ０ ３ － ０ ３
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ － ３ ６ ９ ５ ． ２ ０ １ ３ ． １ ０ ． ０ ７ ８
第３ ０卷 第 １ １ 期
基于Sobel-TV模型的超声测井图像去噪算法研究
Ｕｔ ｖ
（） ３
式 中 ， “ 为 能量 函数 ； Ｅ（ ） Ｕ∈ Ｌ （ Ｒ ， ） 并且 有 Ｌｐ ｃ ｉ 连续 的边界 ；。∈ Ｌ （ 为 带噪 声 的观测 图 ； ｉｓｈｔ ｚ 甜 ）
（ ） 一
表 示 图像 “的梯 度 。
㈩
ｌ（ ，） Ｕ 甜 ， ｏ 一 ｏ
余 春 昊 ，倪 路 桥 ，李 剑 ． （ 中国石油集团测井有限公司， 陕西 西安 ７ｏｏ） １ｏｚ
［ 要 ］ 传 统 的 Ｔ 模 型 对 小 尺 度 细 节 和 噪 声 的 图形 去 噪有 很 好 的效 果 ， 但 对 纹 理 丰 富和 边 界 细 小 的 图像 摘 Ｖ 会 造 成 细 节 的 丢 失 。 根 据 超 声 测 井 图像 的要 求 ， 提 出 了 一 种 基 于 ｓ ｂ ｌ ｏ ｅ ＴＶ 模 型 的 去 噪 方 法 。 该 方 法 在 — ＴＶ 去 噪 模 型 的基 础 上 引 入 Ｓ ｂ ｌ 子 来 控 制 平 滑 程 度 ，既 提 高 图像 的 去 噪 效 果 ， 又 保 护 图像 的 重 要 细 ｏｅ 算 节 。处 理 结 果 表 明 ，该 方 法 能够 有 效 地 去 除 超 声 测 井 图像 的 噪 声 ，保 护 了 图 像 的边 缘 和 细 节 ， 明 显地 改 善 了 图像 的视 觉效 果 ， 算 法简 单 、 实 用 ， 对超 声 测 井 图像 的 后 期 处 理 具 有 较 高 的 实 用 价 值 。
“ ｎ— Ｕ＋ （） ２
由噪声 图像 。 来恢 复原 始 图像 的图像 去 噪的 ＴＶ模 型为 ］ ：
ｍｎ （） ｌＩ “Ｉｘｙ “ ０ ｄｄ ｉ “ 一 ｄ ＋Ａ ｅ ｄ Ｉ（一“） ｘｙ
ｌ Ｕ ｌ 示 图像 Ｕ的梯 度 的模 ； 表 ∈ Ｒ 为 尺度 参数 。 Ｅ ｌｒＩ ｇ ａ ｇ 对应 的离 散化 时 问域 上的方 程 为 ： ｕｅ— ａ ｒｎ ｅ
（） ３
式 中 ， “ 为 能量 函数 ； Ｅ（ ） Ｕ∈ Ｌ （ Ｒ ， ） 并且 有 Ｌｐ ｃ ｉ 连续 的边界 ；。∈ Ｌ （ 为 带噪 声 的观测 图 ； ｉｓｈｔ ｚ 甜 ）
（ ） 一
表 示 图像 “的梯 度 。
㈩
ｌ（ ，） Ｕ 甜 ， ｏ 一 ｏ
余 春 昊 ，倪 路 桥 ，李 剑 ． （ 中国石油集团测井有限公司， 陕西 西安 ７ｏｏ） １ｏｚ
［ 要 ］ 传 统 的 Ｔ 模 型 对 小 尺 度 细 节 和 噪 声 的 图形 去 噪有 很 好 的效 果 ， 但 对 纹 理 丰 富和 边 界 细 小 的 图像 摘 Ｖ 会 造 成 细 节 的 丢 失 。 根 据 超 声 测 井 图像 的要 求 ， 提 出 了 一 种 基 于 ｓ ｂ ｌ ｏ ｅ ＴＶ 模 型 的 去 噪 方 法 。 该 方 法 在 — ＴＶ 去 噪 模 型 的基 础 上 引 入 Ｓ ｂ ｌ 子 来 控 制 平 滑 程 度 ，既 提 高 图像 的 去 噪 效 果 ， 又 保 护 图像 的 重 要 细 ｏｅ 算 节 。处 理 结 果 表 明 ，该 方 法 能够 有 效 地 去 除 超 声 测 井 图像 的 噪 声 ，保 护 了 图 像 的边 缘 和 细 节 ， 明 显地 改 善 了 图像 的视 觉效 果 ， 算 法简 单 、 实 用 ， 对超 声 测 井 图像 的 后 期 处 理 具 有 较 高 的 实 用 价 值 。
“ ｎ— Ｕ＋ （） ２
由噪声 图像 。 来恢 复原 始 图像 的图像 去 噪的 ＴＶ模 型为 ］ ：
ｍｎ （） ｌＩ “Ｉｘｙ “ ０ ｄｄ ｉ “ 一 ｄ ＋Ａ ｅ ｄ Ｉ（一“） ｘｙ
ｌ Ｕ ｌ 示 图像 Ｕ的梯 度 的模 ； 表 ∈ Ｒ 为 尺度 参数 。 Ｅ ｌｒＩ ｇ ａ ｇ 对应 的离 散化 时 问域 上的方 程 为 ： ｕｅ— ａ ｒｎ ｅ
- 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)。
Erez, Schechner & Adam , Proc. DAGM 2006
11
Attenuation
probe
a object
r
distance
Erez, Schechner & Adam , Proc. DAGM 2006
15
Speckle Noise
Low acoustic freq
High acoustic freq
in tissue
9
Image Formation
Probe
Sector
Radial axis
Sweeping beam
Lateral axis
Erez, Schechner & Adam , Proc. DAGM 2006
Lateral PSF
D
10
D
Low acoustic freq
High acoustic freq
Low acoustic freq
5 6 7 8 9 10 11
High acoustic freq
Erez, Schechner & Adam , Proc. DAGM 2006
Radial distance [cm]
25
Stochastic Freq. Compounding
5
Arithmetic mean
23
Best Linear Unbiased Estimator
Considering noise statistics
Erez, Schechner & Adam , Proc. DAGM 2006
Radial distance [cm]
24
Input: Dual Acoustic Frequency
6ቤተ መጻሕፍቲ ባይዱ
7
8
9
10
11
Stochastic reconstruction
Erez, Schechner & Adam , Proc. DAGM 2006
Model
… … …
Erez, Schechner & Adam , Proc. DAGM 2006
correlated noise !!!
y = Hx
22
+n
… … …
Stochastic Reconstruction
Erez, Schechner & Adam , Proc. DAGM 2006
Speckle Noise
PSF
D
17
D
Depends on:
• Radial distance • Acoustic frequency
Low acoustic freq
High acoustic freq
Erez, Schechner & Adam , Proc. DAGM 2006
18
Measuring Noise Statistics
Time gain compensation
Envelope detection
Dynamic range compression
20
Speckle Noise
=
log operation Iinear noise
Erez, Schechner & Adam , Proc. DAGM 2006
21
1
Ultrasound Image Denoising
by Spatially Varying Frequency Compounding
Yael Erez , Yoav Y. Schechner , and Dan Adam
Dept. Elect. Eng. Technion – Israel Institute of Technology
7
Ultrasound Problems
Blurring
Speckle noise
Attenuatio n
Radial axis
Transmitter Receiver
System noise
Erez, Schechner & Adam , Proc. DAGM 2006
Lateral axis
Previous Work
70s Wiener filter Space invariant
80s Compounding (fNreoqtuuesnincyg &nosipseatsiatal)tistics
86 89 90 95 Late 90s
Weighted median filter (Mcdicken et al.) Local freSqmuoeontchyindgiversity (Forsberg et al.) AnisotroNpoict hdaifnfudsliinogn (aPtetreonnauaantdioMnalik) Non-linear Gaussian filters (Aurich)
Erez, Schechner & Adam , Proc. DAGM 2006
Wave phenomenon
16
Object
Object blur: Wave interference
as if no interference
Erez, Schechner & Adam , Proc. DAGM 2006
HarmoLnoicwimsiaggnianlg
01,04 Wavelets (Insana et al, Loi et al.)
8
Image Formation
probe
Received signal
Erez, Schechner & Adam , Proc. DAGM 2006
Velocity of acoustic wave
1 0.8 White noise 0.6 0.4 0.2
0
r = 7cm
r = 11cm r = 15cm
-2
-1
0
1
2
Radial lag (mm)
Erez, Schechner & Adam , Proc. DAGM 2006
19
Standard Pre-Processing
RF line
Sampling