[发明专利]一种基于后验概率的图像降噪方法

说明书

本发明公开了一种基于后验概率的图像降噪方法。属于计算机视觉领域，操作步骤：数据的采集、数据标签标注、贝叶斯模型的训练、分类结果倒入字典学习稀疏矩阵中降噪、对降噪过的数据进行图像处理。本发明实施例所述的基于朴素贝叶斯后验概率和字典学习稀疏矩阵的图像去噪方法，通过朴素贝叶斯模型强大的分类功能，对图像中的噪声数据和样本标签数据进行细分类，然后将分类结果提供给字典学习稀疏矩阵进行稀疏表达，通过数学方法达到减噪、去噪的效果，提高医疗图像数据的信噪比，为后期的图像分割、检测等计算机临床辅助诊断提供技术支持，从而提高医院自动化临床诊断效率。

技术领域

本发明属于计算机视觉领域，涉及一种字典学习和朴素贝叶斯分类相关技术在图像处理中的应用，具体地，涉及一种融合贝叶斯后验概率分类和字典学习稀疏矩阵降噪方法，其作用是为医疗图像处理提供预处理结果，方便医疗图像的病灶检测和分析。

背景技术

贝叶斯分类方法是一种基于贝叶斯原理的数学方法，基于统计学知识，可以将样本数据进行一个较为精确的分类。根据已有的分类应用场景，可以得出朴素贝叶斯方法具有较高的分类精度。这种数学方法融合了概率统计学中的先验概率和后验概率。不仅在分类过程中有效的避免了主观因素对分类结果的干扰，同时也具有较高的泛化能力，在一定程度上降低了分类的过拟合。朴素贝叶斯方法简化了贝叶斯方法的一些过程，针对分类的样本数据作出一定的假设，使得样本数据可以在符合相互条件独立的基础上应用于朴素贝叶斯方法。从而在样本数据分析过程中，保证了数据的公平性，而且朴素贝叶斯方法降低了贝叶斯分类的复杂性，同时在真实场景中可以有效的提高贝叶斯模型在分类过程中的泛化能力。

字典学习是一种特征提取方法，核心思想是用最少的资源去表达最多的含义。例如在过去，人类沟通可以通过文字来表达互相的情感，然而彼此之间的情感又有多种结果，文字的数量是有限的，但可以通过有限的少量的文字去表达无限种类的情感。在这个环节中，我们仅仅以收纳在字典中的有限文字就可以表达无限的内容，其中的字典就为我们的情感表达提供了适当排列的依据。因此，从理论角度来分析，字典学习就是用有限的特征去表达样本数据中更多的核心内容。通过这样的方式得到的可以提取最本质特征的字典就是我们进行样本数据降维的工具，利用这一工具我们可以筛选掉一些不重要的脏数据或者噪声数据，从而降低这些不利因素对样本数据的整体分析精度。

现有的图像去噪方法具有效果差，过程复杂，精度低的缺点，为了解决这一问题，本文利用朴素贝叶斯方法的后验概率对医疗图像数据中的噪声数据和有效特征数据进行分类，得到相对较为精确的分类结果，然后作为字典学习稀疏矩阵的输入数据。字典学习稀疏矩阵可以将图像中的冗余噪声数据进行去除，尽最大可能保留图像中的标签数据，不仅可以在一定程度上简化模型，起到降维的效果，而且还可以提高图像数据的信噪比，为医疗图像的后期分析和检测提供较为精确的数据依据，从而为医生对病灶点的掌握简化过程，有助于提高医疗自动化的水平。

发明内容

发明目的：本发明的目的是提供了一种基于后验概率的图像降噪方法，利用朴素贝叶斯方法的后验概率和字典学习稀疏矩阵的去噪功能，提高图像数据的信噪比。

本发明提供了如下的技术方案：

一方面，本发明提供的是一种针对医疗图像数据的去噪方法，融合了朴素贝叶斯模型和字典学习稀疏矩阵，对提高图像数据的信噪比具有较为有效的作用。

第二方面，本发明提供的方法具有一定的临床医疗意义，特别是在计算机辅助诊断过程中具有相当程度的意义。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

具体的，本发明所述的一种基于后验概率的图像降噪方法，具体操作步骤如下：

(1.1)、数据的采集：对采集的数据进行标签标注；

(1.2)、数据标签标注：对标签数据进行标注是使用labelImg工具进行标签标定，