[發明專利]基于多尺度快速非局部平均濾波的超聲圖像去斑方法

在審

• 申請號: 202110400691.4
• 申請日: 2021-04-14
• 公開（公告）號: CN113096044A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 周穎玥;雷露露;李馳;王欣宇;趙家琦;李佳陽;周迅;黃易豪
• 申請（專利權）人: 西南科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06T7/00
• 代理公司: 成都方圓聿聯專利代理事務所(普通合伙) 51241
• 代理人: 羅軍

本發明提出了一種基于多尺度快速非局部平均濾波的超聲圖像去斑方法,包括：步驟1.利用互相關濾波，減少計算相似距離時的重復運算；步驟2，對非局部均值濾波算法中的衰減參數進行自適應設置；步驟3，使用多尺度窗口進行濾波，并對多幅去斑后的圖像進行融合。本發明優點是：利用互相關濾波，減少了非局部均值濾波算法在計算圖像塊相似距離時的重復計算，使算法的運行時間較現有技術減少了4倍以上。能夠更加靈活地設置算法中的參數，減少了經驗設置參數的工作量。并且加權平均合并了多幅去斑圖像，且權重的設置是以自適應方式設置的，最終的去斑后的圖像保留了更多的細節，PSNR值提高了0.8dB以上，同時FSIM值也有所提高。

技術領域

本發明涉及超聲圖像去斑技術領域，特別涉及一種基于多尺度快速非局部平均濾波的超聲圖像去斑方法。

背景技術

超聲成像是觀察人體內部組織器官的有效技術，與其他醫學影像成像方式相比，超聲成像具有無創、無損、廉價、方便、實時等優點，被廣泛地運用在醫學診斷中，尤其是孕婦胎兒成長狀況的檢查^[1]。然而像所有相干成像方法一樣，由于成像過程的固有缺陷，超聲圖像存在斑點噪聲^[2]污染，從而大大降低了超聲圖像的質量，給臨床診斷以及后續的圖像特征提取和識別造成了不利的影響，因此抑制超聲圖像中的斑點噪聲并保留圖像中的重要細節是對超聲圖像進行后續分析和處理的重要前提。

針對超聲圖像的斑點抑制問題，學者們已經提出許多方法，這些方法可分為 6類：局部自適應的濾波、基于偏微分方程的濾波、基于小波的濾波、基于非局部平均的濾波、基于深度學習的去斑方法和混合去斑法。經典的自適應的濾波，包括Lee濾波^[3]、Frost濾波^[4]、Kuan濾波^[5]等，雖然這種方法具有較低算法復雜度，但它們往往是在損失一定的邊緣細節的基礎上來去除斑點。基于偏微分方程的方法分為各類型的各向異性擴展^[7-11]去斑方法，這些方法能避免原始圖像的模糊問題，但該類方法涉及迭代，計算復雜^[12]。基于小波變換^[13][14]的多尺度去斑方法有硬閾值法、軟閾值法等，其去斑效果良好，但在細節保持能力仍有限。基于非局部平均濾波(Non-local Means Filter,NLMF)去斑方法充分考慮了圖像中充滿著豐富的冗余信息，采用非局部加權平均的方式對圖像去斑，該類方法簡單、易操作，但存在速度較慢、參數設置不靈活的問題。隨著深度學習技術在信號處理領域廣泛應用，一些學者利用神經網絡模型去除圖像斑點噪聲，也取得了非常不錯的效果，然而該技術在網絡模型訓練的過程中，需要用到大量的圖片，因此操作起來具有一定的復雜性。混合去斑法是將多種圖像先驗融合到一個去斑模型中，例如將非局部相似與稀疏表示^[15]或低秩先驗^[16]結合為一個模型，這類方法也可以取得較好的去斑效果，但是在模型求解時用到了復雜的優化方法，并且有一定量的參數需要設置。

現有技術一

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

1.非局部平均濾波算法是一種利用圖像中的冗余信息，將圖像中與當前像素具有相似領域結構的像素加權平均，從而得到當前像素的估計值的去斑算法，依次包含這幾個部分：圖像塊的選取、相似塊的搜尋、相似距離的計算、相似權重的計算、去斑像素點的估計，聚合輸出。

(1)圖像塊的選取：對于超聲斑點圖像的每個像素點，以其為中心，選取尺寸大小為p×p的圖像塊。

(2)相似塊的搜尋：在以當前像素點為中心，尺寸大小為q×q的搜索區域中，尋找相似塊，其尺寸大小p×p，且qp。

(3)相似距離的計算：利用距離公式計算兩圖像塊之間的相似距離，用于相似權重的計算。

(4)相似權重的計算：利用相似權重的計算公式得到相似權重，用于去斑像素點的估計。