[发明专利]基于方向加权中值滤波的超声图像处理方法

说明书

技术领域

本发明涉及超声成像中的数据后处理技术，特别涉及提高超声图像质量的图像处理技术，更具体地说，涉及一种用于超声图像去噪和增强的方向加权中值滤波方法。

背景技术

在超声图像形成过程中，当超声波长与照射物体表面粗糙度相当时，就会产生斑点噪声，这一现象可以用随机散射模型来解释。这些噪声的存在，使得超声图像的清晰度不高，这也是超声成像的主要缺点之一。超声图像特有的散斑噪声不仅使得超声图像的质量较差，尤其是掩盖和降低了图像某些细节信息，也使得对图像细节的识别和分析变得更加困难。为以后的病情诊断及定量分析，图像特征提取和识别造成不利的影响。因此，抑制这些散斑噪声，改善图像质量是超声图像分析和识别的重要预处理环节。

超声图像的斑点噪声去除问题一直是国内外超声成像技术的重要课题之一。超声图像去噪一般要求有效抑制散斑噪声，同时要保留对后期分析和诊断有用的图像细节信息。超声图像去噪的主要难点在于：1)散斑噪声可以大致看作为一种乘性噪声；2)噪声的随机性质比较复杂；3)噪声易与图像细节相混，而图像细节又复杂且多样。

目前，针对抑制超声图像散斑噪声，改善图像质量，人们已经提出了许多方法。1)图像平均方法利用在不同时间、不同频率或不同扫描方向得到同一目标的一系列图像，将它们平均形成一幅复合图像以提高图像的信噪比(SNR)。尽管这种方法简单、快速，然而它受到一些限制：需要严格控制系列图像的形成，而且需要图像的配准；由于图像模糊的影响，一些小的细节(例如小的血管、纹理等)会丢失，因此降低了空间分辨能力。2)自适应加权中值滤波方法对图像中的每一个像素点的值，用其局部邻域窗口的加权中值代替。设定窗口中心点为(i_n，i_n)，窗口大小为(2w+1)×(2w+1)，则窗口内各点加权系数计算为：weight(i，j)＝[w(i_o，i_o)-a*d*σ²/m]

其中，[·]为取整运算，a为系数，d为点(i，j)到中心点(i_n，i_n)的距离，σ2和m分别为局部邻域窗口内的方差和均值。取邻域窗口内的加权中值代替中心点的像素值。其中，邻域窗口内各点的权值能够根据图像的局部统计特征来自动选取，邻域窗口的大小也能够根据其局部信噪比自动调节。相对于单纯的中值滤波，这种自适应加权处理在保留细节方面取得了一定的效果。但是对窗口的选择很敏感，限制了处理效果，在去除噪声的同时，也会导致一些细微细节的损失。3)小波阈值收缩是一类重要的去除散斑噪声的方法，这种方法主要基于Donoho提出的小波软阈值(soft-thresholding)收缩去噪：首先将图像小波分解，设定一个阈值，对于小于阈值的小波系数用零代替，而对于大于阈值的小波系数用它减去阈值代替，被处理后的小波系数作小波反变换，就可以得到重建图像。同时，还有许多对于小波阈值的改进算法。然而，上述方法主要是针对高斯分布的噪声，解决其它分布的噪声时，效果不甚理想；同时，小波阈值的选取也是一个需要着重解决的问题，既不能选的太大而丢失一些边缘和局部细节，也不能选的太小而对噪声的抑制不充分。如何选择小波变换的尺度和阈值尚无确定方法。4)基于各向异性扩散模型的去噪方法。各向异性扩散实际上是一个非线性的偏微分方程，由图像的梯度来决定扩散速度，能够同时兼顾噪声消除和特征保持两个方面。目前，以Perona-Malik(PM)模型为代表的各向异性扩散方程(Anisotropic Diffusion，AD)得到了广泛的应用。Yu等将各向异性扩散方程应用到散斑抑制中，提出了去除散斑噪声的各向异性扩散模型(Speckle Reducing Anisotropic Diffusion，SRAD)。Yu等修正了扩散系数，使扩散方程能够根据图像噪声的情况而调整扩散系数，并且能够对图像的细节信息更加敏感。但SRAD模型也存在明显的缺陷：模型中尺度函数是由初始图像中尽可能大的均匀区域计算得到的，模型的关键是如何选取图像中一个尽可能大的，合适的均匀区域，这一区域的选取往往很大程度上影响着扩散结果，给实验结果带来较大的偶然性。此外，SRAD模型所使用的局部统计信息实际上是各向同性的，这也背离了各向异性扩散算法的本质。而且各向异性扩散需要多次迭代处理才能取得比较好的效果，迭代又是非常耗时的，所以该算法很难满足超声实时处理的需求。