基于多尺度快速非局部平均滤波的超声图像去斑方法

摘要

本发明提出了一种基于多尺度快速非局部平均滤波的超声图像去斑方法,包括：步骤1.利用互相关滤波，减少计算相似距离时的重复运算；步骤2，对非局部均值滤波算法中的衰减参数进行自适应设置；步骤3，使用多尺度窗口进行滤波，并对多幅去斑后的图像进行融合。本发明优点是：利用互相关滤波，减少了非局部均值滤波算法在计算图像块相似距离时的重复计算，使算法的运行时间较现有技术减少了4倍以上。能够更加灵活地设置算法中的参数，减少了经验设置参数的工作量。并且加权平均合并了多幅去斑图像，且权重的设置是以自适应方式设置的，最终的去斑后的图像保留了更多的细节，PSNR值提高了0.8dB以上，同时FSIM值也有所提高。

说明书

技术领域

本发明涉及超声图像去斑技术领域，特别涉及一种基于多尺度快速非局部平均滤波的超声图像去斑方法。

背景技术

超声成像是观察人体内部组织器官的有效技术，与其他医学影像成像方式相比，超声成像具有无创、无损、廉价、方便、实时等优点，被广泛地运用在医学诊断中，尤其是孕妇胎儿成长状况的检查

针对超声图像的斑点抑制问题，学者们已经提出许多方法，这些方法可分为 6类：局部自适应的滤波、基于偏微分方程的滤波、基于小波的滤波、基于非局部平均的滤波、基于深度学习的去斑方法和混合去斑法。经典的自适应的滤波，包括Lee滤波

现有技术一

非局部平均滤波算法(Non-local Means Filter,NLMF)：

1.非局部平均滤波算法是一种利用图像中的冗余信息，将图像中与当前像素具有相似领域结构的像素加权平均，从而得到当前像素的估计值的去斑算法，依次包含这几个部分：图像块的选取、相似块的搜寻、相似距离的计算、相似权重的计算、去斑像素点的估计，聚合输出。

(1)图像块的选取：对于超声斑点图像的每个像素点，以其为中心，选取尺寸大小为p×p的图像块。

(2)相似块的搜寻：在以当前像素点为中心，尺寸大小为q×q的搜索区域中，寻找相似块，其尺寸大小p×p，且q>p。

(3)相似距离的计算：利用距离公式计算两图像块之间的相似距离，用于相似权重的计算。

(4)相似权重的计算：利用相似权重的计算公式得到相似权重，用于去斑像素点的估计。

(5)去斑像素点的估计：对搜索区域中各相似像素点进行加权平均，得到去斑像素点的估计值

(6)聚合输出：将遍历完每个像素点后得到的相应的估计值进行聚合，得到去斑图像

2.对于相似距离的计算部分，目前用于计算图像块之间的相似距离公式包括：高斯加权欧式距离、Pearson距离、根距离等。而对于对超声斑点噪声图像进行去斑的NLMF算法，一般使用Pearson距离、根距离。其中根距离的计算公式如下：

其中，u(N

3.对于相似权重的计算部分，使用的相似权重计算公式如下：

其中，d(u(N

4.对于去斑像素点的估计部分，估计值

现有技术一的缺点

(1)传统NLMF算法中存在大量的重复计算，使算法运行时间较长；

(2)传统NLMF算法中很多参数是需要研究者自己手动设置，存在大量的工作量；

(3)传统NLMF算法去斑后的图像存在细节保留不完整问题。

(4)传统NLMF算法是逐像素处理，每个估计像素点的求取都需要计算其对应的图像块与搜索区域中每个图像块之间的相似距离，这存在大量的重复计算，使算法运行时间较长；

(5)传统NLMF算法中衰减参数h是经验设置，是通过多次实验寻找最优的参数值，这种方法不仅不灵活而且工作量较大；

(6)选用固定尺寸的图像块和搜索区域的传统NLMF算法得到的去斑后的图像在细节保留方面不太完善，其峰值信噪比(PSNR，Peak Signal to Noise Ratio)、特征相似度(FSIM，Feature Similarity Index)有待提高。

参考文献

[1]方宏道,周颖玥,林茂松.基于贝叶斯非局部平均滤波的超声图像斑点噪声抑制算法[J].计算机应用,2018,38(03):848-853+872.

[2]郑渊悦,徐铭恩,王玲.改进权值非局部均值超声图像去噪[J].中国图象图形学报,2017,22(06):778-786.

[3]沈民奋,陈婷婷,张琼,李德来.医用超声图像散斑去噪方法综述[J].中国医疗器械信息,2013,19(03):17-22.

[4]江勇,张晓玲,师君.极化SAR改进Lee滤波相干斑抑制研究[J].电子科技大学学报,2009,38(01):5-8.

[5]杨婧玮,李贺,王智超.改进Frost算子在SAR图像斑点噪声抑制中的应用 [J].测绘科学技术学报,2009,26(04):280-282+287.

[6]Akl A,Tabbara K,Yaac.An enhanced Kuan filter for suboptimalspeckle reduction[C]//Proceedings of the 2nd International Conference onAdvances in Computational TOOLS for Engineering Applications.Beirut, Lebanon:IEEE，2012:91-95.[Dol:10.1109/ICTEA.2012.6462911]

[7]Loupas T,Mcdicken W N,Allan P L.An adaptive weighted median filterfor speckle suppression in medical ultrasonic images[J].IEEE Transaction onCircuits and Systems,1989,36(1):129-35.[DoI:10.1109/31. 16577]

[8]Ma X S,Shen H F,Zhang L P,et al.Adaptive anisotropic diffusionmethod for polarimetric SAR speckle filtering[U].IEEE Journal of SelectedTopics in Applied Earth Observations and Remote Sensing,2014，8(3): 10414050.[DOI:10.1109/JSTARS.2014.2328332]

[9]Ramos-Llorden G,Vegas-Sanchez-Ferrero G,Martin-Fernandez M,etal.Anisotropic diffusion filter with memory based on speckle statistics forultrasound images[J].IEEE Transactions on Image Processing 2015, 24(1):345-358[DOI:10.1109/TIP.2014.2371244]

[10]PERONA P and MALIK J.Scale-space and edge detection usinganisotropic diffusion[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,1990，12(7):629-639.doi:10.1109/34.56205.

[11]YU Yongjian and ACTON S T.Speckle reducing anisotropic diffusion[J].IEEE Transactions on Image Processing,2002，11(11):1260- 1270.doi:10.1109/TIP.2002.804276.

[12]付晓薇,杨雪飞,陈芳,李曦.一种基于深度学习的自适应医学超声图像去斑方法[J].电子与信息学报,2020,42(07):1782-1789.

[13]Oivreddy S,Muthusamy E.Speckle suppressing anisotropic diffusionfilter for medical ultrasound image[J].Ultrasonic Imaging， 2014，36(2):112-132.[D0I:10.1177/0161734613512200]

[14]Zhang J,Lin G K,Wu L,et al.Speckle filtering of medicalultrasonic images using wavelet and guided filter[J].Ultrasonics, 2016,65:177-193.[DOI:10.1016/j.ultras.2015.10.005]

[15]Jiang Jiang,Liangwei Jiang and Nong Sang,Non-local sparse modelsfor SAR image despeckling,2012International Conference on Computer Vision inRemote Sensing,Xiamen,2012,pp.230-236,doi: 10.1109/CVRS.2012.6421266.

[16]Yunshu Zhang,Yanchen Zhao,Kefeng Ji,Haibo Song and Huanxin Zou,SAR image despeckling by iterative non-local low-rank constraint,2016Progress in Electromagnetic Research Symposium(PIERS),Shanghai,2016, pp.3564-3568,doi:10.1109/PIERS.2016.7735372.

发明内容

本发明针对现有技术的缺陷，提供了一种基于多尺度快速非局部平均滤波的超声图像去斑方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于多尺度快速非局部平均滤波的超声图像去斑方法,包括：步骤1.利用互相关滤波，减少计算相似距离时的重复运算；步骤2，对NLMF算法中的衰减参数进行自适应设置；步骤3，使用多尺度窗口进行滤波，并对多幅去斑后的图像进行融合。

进一步地，S1具体为：

S11、进行变形：

其中，u(N

S12、使用互相关滤波对∑u(N

∑u(N

S13、对

进一步地，S2具体为：针对NLMF相似权重的计算，使用自适应的方式来选取合适的衰减参数h，设置方式如下：

h

其中，p

进一步地，S3具体步骤如下：

S31：选取K种不同尺寸的搜索区域(q

S32：对得到的K幅去斑后的图像进行融合，利用如下加权平均处理的方式得到最终去斑图像。

进一步地，S31具体为：改变搜索区域各匹配区域的尺寸大小，得到K幅去斑图像，具体公式如下：

其中，

进一步地，S32具体为：中加权合并K幅去斑图像，具体公式如下：

其中，λ

其中，p

与现有技术相比，本发明的优点在于：

(1)本发明使用的快速非局部均值滤波，利用互相关滤波，减少了非局部均值滤波算法在计算图像块相似距离时的重复计算，使算法的运行时间较传统的 NLMF算法减少了4倍以上。

(2)本发明使用自适应设置衰减参数h的方式，能够更加灵活的设置算法中的参数，减少了经验设置参数的工作量。并且加权平均合并了多幅去斑图像，且权重的设置是以自适应方式设置的，最后的去斑后的图像保留了更多的细节，PSNR 值提高了0.8dB以上，同时FSIM值也有所提高。

附图说明

图1是本发明实施例超声图像去斑方法框架结构示意图；

图2是本发明与现有技术在噪声水平σ＝10时的去斑结果图；

图2中a为模拟斑点噪声图；b为SRAD方法的去斑结果图；c为SRBF方法的去斑结果图；d为TBNLMF方法的去斑结果图；e为OBNLMF方法的去斑结果图；f为WRNLMF方法的去斑结果图；g为IBNLMF方法的去斑结果图；h为本发明方法的去斑结果图；i为干净图像；

图3是本发明与现有技术在噪声水平σ＝20时的去斑结果图；

图3中a为模拟斑点噪声图；b为SRAD方法的去斑结果图；c为SRBF方法的去斑结果图；d为TBNLMF方法的去斑结果图；e为OBNLMF方法的去斑结果图；f为WRNLMF方法的去斑结果图；g为IBNLMF方法的去斑结果图；h为本发明方法的去斑结果图；i为干净图像；

图4是本发明和现有技术对Field_II仿真“囊肿”超声图像的去斑结果图。

图4中a为模拟斑点噪声图；b为SRAD方法的去斑结果图；c为SRBF方法的去斑结果图；d为TBNLMF方法的去斑结果图；e为OBNLMF方法的去斑结果图；f为WRNLMF方法的去斑结果图；g为IBNLMF方法的去斑结果图；h为本发明所实施的方法的去斑结果图；

图5为本发明对真实超声图像的去斑结果图；

图5中a为样例图1；b为样例图2；c为样例图3；d为样例图4；e为样例图 1去斑后的结果图；f为样例图2去斑后的结果图；g为样例图3去斑后的结果图； h为样例图4去斑后的结果图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

如图1所示，一种基于多尺度快速非局部平均滤波的超声图像去斑方法,包括：S1.利用互相关滤波，减少重复运算；S2，对NLMF算法中的衰减参数进行自适应设置；S3，使用多尺度进行去斑后的图像细节保存。

S1具体为：运算量主要消耗在求取两个图像块之间相似距离上，即相似距离的计算部分，为减少算法的运行时间，本发明采用的方法的具体操作步骤如下：

S11、进行以下变形：

其中，u(N

S12、使用互相关滤波对∑u(N

S13、是对

S2具体为：针对NLMF相似权重的计算，其中衰减参数h的设置需要自己设置，本发明使用自适应的方式来选取合适的衰减参数h，设置方式如下：

h

其中，p

S3具体为：通过对NLMF中所提到的聚合输出这部分进行的优化，使去斑后的图像质量更高。其利用加权平均的方式，将多幅去斑效果不同的结果图像进行合并，得到输出图像，为得到多幅去斑效果不一样的结果图像，本发明改变了图像块和搜索区域的尺寸大小，具体步骤如下：

S31：改变搜索区域各匹配区域的尺寸大小，得到K幅去斑图像，具体公式如下：

其中，

S32：加权合并K幅去斑图像，具体公式如下：

其中，λ

其中，p

下面将本发明超声图像去斑方法与现有技术对比进行对比：

首先介绍一些所用评价图像质量的标准有：峰值信噪比(PSNR，Peak Signa l toNoise Ratio)、特征相似度(FSIM，Feature Similarity Index)、对比度噪声比(CNR，Contrast-to-noise Ratio)和斑点信噪比(SNR，Speckle signa l-to-noise Ratio)。

(1)PSNR：PSNR测试干净图像u和去斑图像

其中，N

(2)FSIM：FSIM是一种结构相似度测度标准，用来测试干净图像u和去斑图像

(3)CNR和SNR：这两个指标主要是在无参考图像时做图像质量评价，相应的计算公式如下：

上式中，o和b表示待评价图像中预选的目标区域和背景区域，

(1)算法速度比较

如表1所示为本发明超声图像去斑方法与传统NLMF算法的去斑速度对比结果, 可以看出本发明的运行时间更短，速度更快。

表1 NLMF与本发明对模拟头部斑点噪声图像的去斑速度比较

(2)去斑效果比较

将本发明方法与其他几种典型的斑点噪声去除方法作比较，它们分别为各向异性扩散去斑方法(Speckle Reducing Anisotropic Diffusion，SARD)、斑点抑制双边滤波方法(Speckle Reducing Bilateral filter，SRBF)、传统块模式非局部均值滤波方法(Traditional Blockwise Non-local mean filter，TBNLMF)、优化贝叶斯非局部均值滤波方法(Optimized Bayesian Non-local means filter，OBNLMF)、权重细化非局部均值滤波方法(Weight Refining Non-local mean filter，WRNLMF)、迭代贝叶斯非局部均值滤波(Iterative Bayesian Non-local mean filtering，IBNLMF)。

1)“头部”幻影图像斑点噪声去除实验对比；

如表2所示为本发明与其他去斑算法对头部幻影图像进行去斑的结果，使用的图像质量评价标准为PSNR和FSIM。结合图2、图3以及表2可以看出：本发明去斑后的图像效果最好，PSNR值和FAIM值最高。

表2使用不同去斑方法对带斑头部幻影图像进行去斑的结果(PSNR、FSIM)

2)仿真超声图像去斑实验

如表3所示为本发明与其他去斑算法对“囊肿”图像进行去斑的结果，使用的图像质量评价标准是CNR和SNR。结合图4和表3可以看出：本发明去斑后的图像的CNR值和SNR值最高，去斑效果最好。

表3不同去斑算法对仿真“囊肿”超声图像的去斑定量结果(CNR、SNR)

3)真实超声图像去斑实验

如图5所示：可以看出本发明能消除绝大多数斑点噪声，而且去斑图像中器官内部区域较为干净，各器官的边缘分界较为清楚，这将有利于医生基于原始超声图像和去斑超声图像对病情的辅助诊断。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。