[发明专利]一种基于稀疏约束的超声图像去噪方法

摘要

本发明属于医学成像技术领域，涉及一种在超声图像中去除斑点噪声的方法，特别涉及一种基于稀疏约束的超声图像去噪方法；其主要步骤包括图像采集、图像导出、建立能量模型和去噪处理；本发明利用稀疏约束项进行超声图像分解进而用于超声图像去噪，对于利用稀疏约束项建立的能量方程为了避免在求解时所产生的复杂运算，通过引入辅助变量进行求解，不但提高了效率，而且减少了计算的复杂度；其实际应用价值高，超声图像清晰度好，抗干扰作用强，去噪原理简单，操作简便，应用环境友好。

主权项

1.一种基于稀疏约束的超声图像去噪方法，其特征在于包括以下步骤：(1)、图像采集：先按照医学原理和要求，对病源器官进行超声图像拍摄，取得符合要求的图像，完成图像采集；(2)、图像导出：将步骤(1)采集的待去噪的超声图像从超声机器中导出为DICOM格式的序列图像保存至计算机中；将DICOM序列图像数据按照BMP位图图像格式写入到BMP图像文件中，建立导出图像文件；(3)、建立能量模型：对导出图像文件利用图像分解技术在MATLAB软件中建立基于稀疏约束的变分分解能量模型；其具体工艺为：将步骤(2)得到BMP原始图像输入为f，期望得到的去噪后的图像为u，利用图像分解技术在MATLAB软件中建立基于稀疏约束的变分分解能量模型为：其中，Δ^‑1为拉普拉斯操作的反向操作，Ω为超声图像区域，dxdy为图像积分符号，λ为权重系数，控制图像分解的程度，为梯度操作，W为多尺度小波梯度算子，则Wu为基于小波变换域的梯度稀疏算子；(4)、去噪处理：在装有MATLAB软件的计算机系统中对步骤(3)建立的基于稀疏约束的变分分解能量模型进行去噪处理；其步骤为：A、引入辅助变量d＝(d₁,d₂)^T，使得d≈Wu，引入Bregman距离变量b＝(b₁,b₂)^T，引入辅助变量所产生的能量项的权重系数θ，基于稀疏约束的变分分解能量模型相应的变为关于变量u和d的能量泛函E(u,d)：其中为第k步u的梯度，初始化u⁰＝f，设定最大迭代步数；B、在MATLAB中利用变量交替迭代优化求解分别计算步骤A中的变量u和d；固定d求u，基于稀疏约束的变分分解能量模型相应的变为关于变量u的能量泛函E(u)：在MATLAB中通过欧拉方程计算该模型，得到：由于W^TW＝I,所以其中，上标k+1表示第k+1次迭代，上标k表示第k次迭代，k为正整数；再固定u求d，基于稀疏约束的变分分解能量模型相应的变为关于变量d的能量泛函E(d)：在MATLAB中通过欧拉方程计算该模型，得到模型：在MATLAB中通过广义小波收缩算子处理该模型，得到模型：在MATLAB中对该模型中u进行迭代处理，当相邻两次迭代的差小于设定的阈值时，即|u^k+1‑u^k|≤ε，得到的u即为去噪后的超声图像。