[發(fā)明專利]一種基于后驗(yàn)概率的圖像降噪方法

在審

• 申請?zhí)枺?/td>: 202110566005.0
• 申請日: 2021-05-24
• 公開（公告）號: CN113450268A
• 公開（公告）日: 2021-09-28
• 發(fā)明（設(shè)計(jì)）人: 宋懿花;葛晨;周作建
• 申請（專利權(quán)）人: 南京中醫(yī)藥大學(xué)
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/62;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 曹坤

本發(fā)明公開了一種基于后驗(yàn)概率的圖像降噪方法。屬于計(jì)算機(jī)視覺領(lǐng)域，操作步驟：數(shù)據(jù)的采集、數(shù)據(jù)標(biāo)簽標(biāo)注、貝葉斯模型的訓(xùn)練、分類結(jié)果倒入字典學(xué)習(xí)稀疏矩陣中降噪、對降噪過的數(shù)據(jù)進(jìn)行圖像處理。本發(fā)明實(shí)施例所述的基于樸素貝葉斯后驗(yàn)概率和字典學(xué)習(xí)稀疏矩陣的圖像去噪方法，通過樸素貝葉斯模型強(qiáng)大的分類功能，對圖像中的噪聲數(shù)據(jù)和樣本標(biāo)簽數(shù)據(jù)進(jìn)行細(xì)分類，然后將分類結(jié)果提供給字典學(xué)習(xí)稀疏矩陣進(jìn)行稀疏表達(dá)，通過數(shù)學(xué)方法達(dá)到減噪、去噪的效果，提高醫(yī)療圖像數(shù)據(jù)的信噪比，為后期的圖像分割、檢測等計(jì)算機(jī)臨床輔助診斷提供技術(shù)支持，從而提高醫(yī)院自動(dòng)化臨床診斷效率。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，涉及一種字典學(xué)習(xí)和樸素貝葉斯分類相關(guān)技術(shù)在圖像處理中的應(yīng)用，具體地，涉及一種融合貝葉斯后驗(yàn)概率分類和字典學(xué)習(xí)稀疏矩陣降噪方法，其作用是為醫(yī)療圖像處理提供預(yù)處理結(jié)果，方便醫(yī)療圖像的病灶檢測和分析。

背景技術(shù)

貝葉斯分類方法是一種基于貝葉斯原理的數(shù)學(xué)方法，基于統(tǒng)計(jì)學(xué)知識，可以將樣本數(shù)據(jù)進(jìn)行一個(gè)較為精確的分類。根據(jù)已有的分類應(yīng)用場景，可以得出樸素貝葉斯方法具有較高的分類精度。這種數(shù)學(xué)方法融合了概率統(tǒng)計(jì)學(xué)中的先驗(yàn)概率和后驗(yàn)概率。不僅在分類過程中有效的避免了主觀因素對分類結(jié)果的干擾，同時(shí)也具有較高的泛化能力，在一定程度上降低了分類的過擬合。樸素貝葉斯方法簡化了貝葉斯方法的一些過程，針對分類的樣本數(shù)據(jù)作出一定的假設(shè)，使得樣本數(shù)據(jù)可以在符合相互條件獨(dú)立的基礎(chǔ)上應(yīng)用于樸素貝葉斯方法。從而在樣本數(shù)據(jù)分析過程中，保證了數(shù)據(jù)的公平性，而且樸素貝葉斯方法降低了貝葉斯分類的復(fù)雜性，同時(shí)在真實(shí)場景中可以有效的提高貝葉斯模型在分類過程中的泛化能力。

字典學(xué)習(xí)是一種特征提取方法，核心思想是用最少的資源去表達(dá)最多的含義。例如在過去，人類溝通可以通過文字來表達(dá)互相的情感，然而彼此之間的情感又有多種結(jié)果，文字的數(shù)量是有限的，但可以通過有限的少量的文字去表達(dá)無限種類的情感。在這個(gè)環(huán)節(jié)中，我們僅僅以收納在字典中的有限文字就可以表達(dá)無限的內(nèi)容，其中的字典就為我們的情感表達(dá)提供了適當(dāng)排列的依據(jù)。因此，從理論角度來分析，字典學(xué)習(xí)就是用有限的特征去表達(dá)樣本數(shù)據(jù)中更多的核心內(nèi)容。通過這樣的方式得到的可以提取最本質(zhì)特征的字典就是我們進(jìn)行樣本數(shù)據(jù)降維的工具，利用這一工具我們可以篩選掉一些不重要的臟數(shù)據(jù)或者噪聲數(shù)據(jù)，從而降低這些不利因素對樣本數(shù)據(jù)的整體分析精度。

現(xiàn)有的圖像去噪方法具有效果差，過程復(fù)雜，精度低的缺點(diǎn)，為了解決這一問題，本文利用樸素貝葉斯方法的后驗(yàn)概率對醫(yī)療圖像數(shù)據(jù)中的噪聲數(shù)據(jù)和有效特征數(shù)據(jù)進(jìn)行分類，得到相對較為精確的分類結(jié)果，然后作為字典學(xué)習(xí)稀疏矩陣的輸入數(shù)據(jù)。字典學(xué)習(xí)稀疏矩陣可以將圖像中的冗余噪聲數(shù)據(jù)進(jìn)行去除，盡最大可能保留圖像中的標(biāo)簽數(shù)據(jù)，不僅可以在一定程度上簡化模型，起到降維的效果，而且還可以提高圖像數(shù)據(jù)的信噪比，為醫(yī)療圖像的后期分析和檢測提供較為精確的數(shù)據(jù)依據(jù)，從而為醫(yī)生對病灶點(diǎn)的掌握簡化過程，有助于提高醫(yī)療自動(dòng)化的水平。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明的目的是提供了一種基于后驗(yàn)概率的圖像降噪方法，利用樸素貝葉斯方法的后驗(yàn)概率和字典學(xué)習(xí)稀疏矩陣的去噪功能，提高圖像數(shù)據(jù)的信噪比。

本發(fā)明提供了如下的技術(shù)方案：

一方面，本發(fā)明提供的是一種針對醫(yī)療圖像數(shù)據(jù)的去噪方法，融合了樸素貝葉斯模型和字典學(xué)習(xí)稀疏矩陣，對提高圖像數(shù)據(jù)的信噪比具有較為有效的作用。

第二方面，本發(fā)明提供的方法具有一定的臨床醫(yī)療意義，特別是在計(jì)算機(jī)輔助診斷過程中具有相當(dāng)程度的意義。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

具體的，本發(fā)明所述的一種基于后驗(yàn)概率的圖像降噪方法，具體操作步驟如下：

(1.1)、數(shù)據(jù)的采集：對采集的數(shù)據(jù)進(jìn)行標(biāo)簽標(biāo)注；

(1.2)、數(shù)據(jù)標(biāo)簽標(biāo)注：對標(biāo)簽數(shù)據(jù)進(jìn)行標(biāo)注是使用labelImg工具進(jìn)行標(biāo)簽標(biāo)定，