[发明专利]多线性子空间学习的医疗图像去噪方法

说明书

技术领域

本发明为一种多线性子空间学习的医疗图像去噪方法，可用于多种医学图像的噪声去除。

背景技术

对器官的精确显示在现代医疗中起到非常重要的作用。在很多医学成像技术中，由于超声成像的非侵入性，硬件的便携性，实时成像以及性价比高等特性已被广泛的应用于医疗辅助诊断中。但相比于其他成像设备，如CT和核磁共振，超声的噪声非常多。通常认为超声的噪声是乘性斑点噪声，其降低了图像质量，模糊了细节信息以及物体边缘，限制了图像的对比度。因此，如何减少斑点噪声并保持图像信息是目前研究的热点。

目前现有的图像去噪方法可根据噪声产生的时间大体分为两类：混合方法和后处理方法。混合方法需要在同一区域产生多幅图像，并把它们结合成一幅图像。此方法并不是本发明所覆盖的范围。本发明的内容是关于后处理的方法研究，也就在超声图像生成后进行图像去噪。到目前为止，已经有很多图像去噪方法被提出来，可分成三类：频域去噪方法，时域去噪方法和视频域去噪方法。目前研究表明，主成分分析法可有效去除图像噪声。首先将图像分成很多相等的小块。由于主成分分析法是线性子空间学习方法，只能对矢量进行处理。因此，首先要将这些小块展开成矢量后，再用主成分分析法进行处理。这一过程，会破坏每个小块中本来的结构特征，另外由于矢量的维数也许大于样本的个数，会造成过度拟合的现象。

发明内容

为了克服以上问题，本发明将时域和频域信息相结合，并采用多线性子空间学习方法，能够对图像中提取的小块直接去噪。

多线性子空间学习的医疗图像去噪方法，包括以下步骤：

步骤一、空间转换模块将超声图像通过对数变换，变换到对数域后进行后续计算；

步骤二、分块模块将超声图像分成相互重叠的相等的小块；

步骤三、聚类模块将分好的小块通过聚类方法分成N类，用于后续去噪计算处理；

步骤四、去噪模块将每一类的小块直接排成体数据，应用多线性子空间学习方法对每个小块进行去噪；

步骤五、聚集模块将去噪后的每一个小块重新返回到图像上的原始位置；

步骤六、空间逆转换模块将第五步获得的图像，通过指数变换，变换回最原始的图像空间，所得到的图像即为最终的去噪图像。

本发明的有益效果：本发明将时域和频域信息相结合，并采用多线性子空间学习方法，对图像中提取的小块直接去噪。由于图像被分成小块，并对相似的小块进行去噪，此过程可用GPU进行加速，以提高算法的计算速度。

附图说明

图1为图像去噪方法流程图；

图2为基于广义多维独立成分分析法的空间转换；

图3为三维体数据分别在第一个模式，第二个模式和第三个模式展开得到的三个矩阵。

具体实施方式

下面结合具体实施例和附图详细说明本发明。

如图1所示，本发明的基于多线性子空间学习方法的快速医疗图像去噪方法包括以下几个步骤：

步骤S101，读取待去噪的图像数据。

步骤S102，将读取的图像数据，进行对数变换，变换到对数空间，将图像空间中乘性噪声转换成加性噪声，使得后续去噪处理更加有效。式1为原始带有乘性噪声的图像数据g^or(x,y)：

gor(x,y)≈Sor(x,y)ηmuor(x,y)---(1)]]>

将式1两边同时取对数，得到式2