分布相关的曲波阈值超声图像去噪方法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (19): 189-193.

分布相关的曲波阈值超声图像去噪方法

徐杰1，2，3，崔崤峣1，向永嘉1，吕铁军1，顾天明1

1.中国科学院苏州生物医学工程技术研究所，江苏苏州 215163
2.中国科学院大学，北京 100049
3.中国科学院长春光学精密机械与物理研究所，长春 130033

出版日期:2015-09-30 发布日期:2015-10-13

Curvelet denoising method of ultrasound images based on probability distribution

XU Jie1，2，3, CUI Yaoyao1, XIANG Yongjia1, LV Tiejun1, GU Tianming1

1.Suzhou Institute of Biomedical Engineering and Technology, CAS, Suzhou, Jiangsu 215163, China
2.University of Chinese Academy of Sciences, Beijing 100049, China
3.Changchun Institute of Optics, Fine Mechanics and Physics, CAS, Changchun 130033, China

Online:2015-09-30 Published:2015-10-13

摘要/Abstract

摘要： 散斑噪声作为超声图像的主要噪声严重影响超声成像质量，滤除散斑噪声是超声图像处理过程中重要步骤。以曲波阈值去噪方法为基础，针对常用阈值函数中对较小曲波系数处理粗糙、不连续、收敛慢的缺点，通过分析实际超声图像中散斑噪声的分布，提出了具有与实际噪声分布相关特点的曲波阈值去噪方法。对比测试实验结果表明，曲波去噪方法相比其他去噪方法在不同噪声水平下均具有更加稳定优异的去噪性能，峰值性噪比提高了1~2 dB，平均结构相识度相比也有较大的提高。

关键词: 超声图像, 曲波, 散斑噪声去噪, 噪声分布

Abstract: Speckle noise is the main noise which seriously affects the quality of ultrasound images. Speckle noise filtering is an important step for medical ultrasound image processing. A new curvelet denoising method based on the probability distribution of speckle is proposed, to improve the performance of the threshold function’s continuity and astringency. Comparative results show that the proposed method has stable and outstanding performance at different noise levels. The method always has better Mean Structural Similarity Index Map（MSSIM） and increases the Peak Signal to Noise Ratio（PSNR） about 1~2 dB.

Key words: ultrasound image, curvelet, speckle noise reduction, noise probability distribution

徐杰1，2，3，崔崤峣1，向永嘉1，吕铁军1，顾天明1. 分布相关的曲波阈值超声图像去噪方法[J]. 计算机工程与应用, 2015, 51(19): 189-193.

XU Jie1，2，3, CUI Yaoyao1, XIANG Yongjia1, LV Tiejun1, GU Tianming1. Curvelet denoising method of ultrasound images based on probability distribution[J]. Computer Engineering and Applications, 2015, 51(19): 189-193.

[1]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[2]	李蒙蒙，邵良志，崔文超，孙水发. Fisher-Tippet分布拟合的超声图像联合双边滤波方法[J]. 计算机工程与应用, 2020, 56(9): 221-227.
[3]	杨莉1，吴贵芳1，孙秀明2. 基于多尺度曲波变换的路面裂缝融合算法[J]. 计算机工程与应用, 2016, 52(6): 182-185.
[4]	胡雨1，谢凯1，阮宁君1，伍鹏2，3，贺建飚4，刘从浩1. 基于三维曲波变换的弱信号恢复方法研究[J]. 计算机工程与应用, 2016, 52(18): 199-202.
[5]	蔡伟华，何选森. 基于UWT和独立分量分析的含噪盲源分离[J]. 计算机工程与应用, 2016, 52(16): 180-185.
[6]	宋鑫超，苏庆堂，刘启明. 多姿态人耳识别的局部线性嵌入及其改进算法[J]. 计算机工程与应用, 2016, 52(13): 183-186.
[7]	倪波1，刘志远1，2，余钢1. 结合高斯过程和形变模型的超声图像分割方法[J]. 计算机工程与应用, 2016, 52(12): 210-215.
[8]	宋书林，张彦，王宪，毛琪波. 基于曲波变换和Retinex人脸光照处理算法[J]. 计算机工程与应用, 2013, 49(3): 171-173.
[9]	季桂树1，2，禹智夫3. 分维和孔隙度在肝癌超声纹理识别中协同作用[J]. 计算机工程与应用, 2013, 49(2): 211-218.
[10]	杨兴明1，陈海燕1，王刚1，王彬彬1，赵银平2. 基于UDCT系数的改进HMT和在图像去噪中应用[J]. 计算机工程与应用, 2013, 49(18): 195-199.
[11]	兰义华1，任浩征1，张勇1，李明2. 一种稳健的脂肪肝超声图像自动分类方法[J]. 计算机工程与应用, 2013, 49(14): 170-173.
[12]	吴俊政，严卫东，刘俊民，边辉，倪维平. 基于PCNN和最优化评价准则的曲波域图像融合[J]. 计算机工程与应用, 2012, 48(2): 197-200.
[13]	吴俊政，严卫东，边辉，倪维平. 利用均匀离散曲波域LCHMM的图像降噪算法[J]. 计算机工程与应用, 2012, 48(13): 196-200.
[14]	王晓飞，郭敏. 结合边缘与区域信息的超声图像分割方法[J]. 计算机工程与应用, 2011, 47(9): 185-187.
[15]	韩寒，冯乃章. 超声图像去噪方法[J]. 计算机工程与应用, 2011, 47(26): 193-195.