基于数据融合及小波变换的医学超声图像去噪方法

医学超声图像固有的斑纹噪声,极大地降低了超声图像的质量,严重影响了对病灶的识别。经典的去噪方法在抑制斑纹噪声时丢失了图像中大量的细节和微弱的边缘信息。本文提出一种基于数据融合的小波变换去噪算法,首先对医学超声图像进行对数变换,将乘性噪声变成加性噪声,然后对同一原始信号含噪声的两幅同源图像分别进行小波分解,对两幅图像中小波系数的低频分量作加权融合;对水平、垂直与对角方向高频分量取两幅图像中各尺度下对应小波系数绝对值较大者各自分别融合,使高频分量中信号得以最大限度地保留,最后,经小波逆变换和指数变换得到去噪后图像。该方法在去除噪声同时能够有效保持边缘信息,较好地改善去噪后图像的视觉效果,取得了良好的效果。     

基于软门限去噪的图象压缩编码研究

在详细地分析了Donoho提出的子波域软限去噪方法的基础上,给出了含噪图象信号噪声水平的估计及门限值随尺度变化的规律。采用可分离的二维子波滤波器,方便地将Donoho的软门限去噪方法应用于图象信号处理,从而对含噪图象,在去除噪声的同时,又最大限度地进行了压缩。针对含噪的自然景物图象和合成孔径雷达图象的不同特点,分别提出了这在图象的压缩方案。对于SAR图象的压缩编码,通过一个自然对数变换,使得乘性噪声转变为适于软门限去噪的加性噪声。模拟结果显示,用软门限方法处理的解压缩图象比硬门限方法具有更好的视觉质量,因而该方法是解决含噪图象压缩编码的有效技术。     

基于WTMM的多重分形图像去噪算法

提出一种新的多重分形图象去噪算法,讨论了基于小波极大模的多重分形谱估计算法。在此基础上推导了图像取噪声的谱移位算子。该方法没有对噪声的类型提出任何假设条件,而是通过定义一个变换算子对每一点的Hausdorf指数进行处理,使处理后的图象的Hausdorf指数接近于2,从而取得最佳效果。实验结果表明,该方法在去除噪声的同时可很好地保留了原始图像的纹理信息。     

基于小波-EEMD-Adaline网络的容栅传感器信号去噪方法

针对容栅传感器检测的转动轴扭振信号掺杂的环境噪声干扰和自身的电磁噪声干扰使得信噪比低、微弱信号难提取的问题,提出了一种基于小波-EEMD-Adaline自适应线性神经网络去噪方法.该方法对信号进行小波、EEMD、Adaline网络消噪处理,采用三级去噪、噪声过滤、对消来逼近原始信号.用典型加噪超声信号、Doppler信号、Block信号对该方法进行有效性验证,与EEMD、基于小波分解的EEMD去噪效果相比较.实验结果表明,后两种方法信号去噪的SNR提升小(均不到20),而本文方法SNR(RMSE)提升(减小)明显,对于9 dB的Doppler信号SNR提升达90,RMSE从1.038 5降至0.009 5.对容栅电路实测大噪声微弱信号去噪,结果表明,该方法去噪性能更优,去噪后信号光滑性好,波动稳定性强.     

基于冗余小波变换的医学超声图像去斑噪算法

医学超声图像中固有的斑点噪声严重降低了图像的可解译程度,影响了后续的图像分析和诊断。提出了一种基于冗余小波变换的超声图像去斑算法,首先对含斑图像进行对数变换,将乘性噪声变成加性噪声;再对转换后图像做冗余小波分解;在小波系数服从广义高斯分布的前提下,计算每个小波高频子带的贝叶斯萎缩阈值,利用软阈值方法修正小波系数。实验结果表明,该算法去斑性能优于传统的空间域滤波和正交小波阈值去噪方法。     

基于UWT和独立分量分析的含噪盲源分离

提出了基于UWT（非抽样小波变换）去噪与FastICA（快速独立分量分析）算法相结合的含噪盲源分离方法,采用先去噪后分离的方式实现了在加性高斯噪声环境下混合图像的盲分离。仿真结果表明,该方法能很好地从加性高斯噪声中分离出源图像,与曲波阈值去噪后的FastICA方法相比较,该方法能获得更好的峰值信噪比。     

基于小波去噪与变换域的信道估计方法

针对长期演进(LTE)下行正交频分复用(OFDM)系统的最小二乘(LS)信道估计算法对噪声比较敏感的问题,提出了一种基于小波变换去噪与变换域插值相结合的信道估计方法.该方法通过在最小二乘(LS)估计之后加入小波阈值去噪过程,再通过变换域低通滤波插值估计进行双重去噪处理.计算机仿真结果表明,该估计方法能够有效地去除加性高斯白噪声,比一般的LS估计算法性能要好,在一定程度上弥补了LS估计算法对噪声敏感的缺陷.     

有无噪声对细胞神经网络提取图像边缘的影响

主要运用相关系数,通过对原始图像进行加躁再去噪,计算出用传统的滤波方法如均值滤波、中值滤波和维纳滤波分别对有噪声的图像进行去噪处理后,去噪图像与原始图像的相关系数,验证了去除高斯噪声用一次维纳滤波比较理想;去除椒盐噪声使用中值滤波效果较好。并在第三部分给出了对加噪的图像先进行去噪处理,再用CNN进行边缘提取的结果和对加躁图像先用cNN进行边缘提取再去噪的结果,并将这两种结果与原始图像提取边缘的结果进行比较和观察,得出以下结论：为了避免由于噪声引起的失真对图像真实信息的影响,在进行图像边缘提取之前必须先进行去噪处理再进行边缘提取。     

基于边缘保护的磁共振图象小波自适应去噪方法

快速成像的磁共振(MR)图象通常信噪比较低,并且在其幅值重建图象中噪声与信号密切相关,呈Rician分布.本文针对MR图象噪声特点,提出了一种基于小波多尺度变换的MR图象自适应去噪算法.该算法在去噪之前,利用小波多尺度快速变换,将与噪声和边缘相关的系数在每一个尺度分别进行建模,获得各自以及整体的概率分布公式,并采用最大似然估计求出相应参数值.然后运用Bayes后验概率公式,获取相应萎缩函数,在此基础上进一步结合边缘系数和噪声系数在空间与尺度连续性方面的特点,对萎缩函数加以改进,使之能更好的区分边缘点和噪声点.试验结果显示,该方法充分考虑了MR图象噪声分布的特点,能够有效去除噪声,保存边缘,提高信噪比,是一种比较有效的方法.     

基于小波模极大值和Neyman-Pearson准则阈值的图像去噪

首先给出了2维噪声的小波变换特性,分析图像小波变换模的极大值与小波分解级数j和李氏指数之间的关系,指出如何确定和保护图像的边缘;接着阐述了基于软、硬阈值的图像正交小波变换去噪法,然后提出一种基于Neym an-Pearson准则的小波阈值的确定,从而又提出了一种基于小波模极大值和Neym an-Pearson准则阈值的图像去噪方法,解决了图像去噪和保护图像边缘这个“两难”问题。针对期望图像叠加了不规则噪声的假设,对几种去噪方法做了定性比较,并给出了去噪性能的定量分析,仿真结果表明,此方法能提高去噪后图像的信噪比,使评价原图像与去噪后的图像近似程度的方差和相对熵为最小,同时能很好地保留原始图像的边缘信息。     

小波与双边滤波的医学超声图像去噪

目的：医学超声图像中的斑点噪声降低了图像质量并且限制了超声图像自动化诊断技术的发展。针对斑点噪声问题,提出了一种新型的基于小波和双边滤波的去噪算法。方法：首先,根据医学超声图像在小波域内的统计特性,在通用小波阈值函数的基础之上,改进了小波阈值函数。其次,将无噪信号的小波系数和斑点噪声的小波系数分别建模为广义拉普拉斯分布模型和高斯分布模型,利用贝叶斯最大后验估计方法得到了新型的小波收缩算法,利用小波阈值法对小波域内的高频信号分量进行去噪。最后,对小波域内的低频信号分量进行双边滤波处理,然后利用小波逆变换便得到去噪后的图像。结果：在仿真实验中,通过与其它7种去噪算法作对比,观察峰值信噪比(PSNR)等图像质量评价指标,结果表明本文算法的去噪效果优于其他相关算法。临床超声图像的实验结果进一步验证了本文算法的去噪性能。结论：本文提出了一种新型的去噪算法,实验表明本文算法能够很好地抑制斑点噪声,并且能保留图像病灶边缘等细节。     

一种基于P2DHMT的小波域图像去噪算法

文章提出了一种基于小波域伪二维隐Markov树(P2DHMT)的图像的滤波新方法。首先建立了小波域的伪2DHMT模型,给出了基于EM、Baum-Welch等算法的模型参数估计方法;其次提出了一种基于最大后验概率准则的P2DHMT最优图像滤波算法;最后给出了图像去噪算法的实现过程。实验结果表明该方法可以在保存图像细节特征的情况下有效地抑制图像的噪声。     

利用均匀离散曲波域LCHMM的图像降噪算法

提出了一种在均匀离散曲波域中利用局部上下文隐马尔可夫模型进行建模的图像降噪算法。介绍均匀离散曲波变换的特点,分析其系数的统计分布规律,表明适合用隐马尔可夫模型对其进行建模。通过期望最大化训练获取模型的参数,利用参数得到降噪图像的系数估计。分别对光学图像和高分辨率的SAR图像进行了降噪实验,与小波域、轮廓波域的局部上下文隐马尔可夫模型等降噪方法进行比较,结果表明,提出的算法能够有效地去除噪声,具有较强的边缘保持能力。     

基于小波域隐马尔可夫树模型的图像复原

从图像复原的Bayesian方法出发,提出一种基于小波域隐马尔可夫树(HMT)模型的线性图像复原算法,小波域HMT模型采用混合高斯模型刻画各子带系数的概率分布,并通过小波系数隐状态在多个尺度之间的Markov依赖性来刻画自然图像小波系数随尺度减小而指数衰减的特性,由于小波域HMT模型准确刻画了自然图像小波变换的统计特性,该文算法以此作为自然图像的先验模型,将图像复原问题转化为一个约束优化问题并用最速下降法对其进行求解,同时,提出了一种规整化参数和HMT模型参数的自适应选择方法,实验结果表明,基于小波域HMT模型的图像复原算法较好地再现了各种边缘信息,复原出的图像在信噪比和视觉效果方面都有明显的提高。     

侧扫声呐图像的3维块匹配降斑方法

斑点噪声是影响侧扫声呐图像质量的主要因素,降斑处理对侧扫声呐图像的判别与分析非常重要。针对侧扫声呐图像自身特性和斑点噪声分布特点,提出一种基于3维块匹配(BM3D)的降斑方法。根据海底散射模型,得到侧扫声呐图像斑点噪声的瑞利分布模型,然后通过高斯光滑函数幂变换将瑞利分布的噪声转化为高斯分布,通过对数变换将乘性噪声转变为加性噪声,再进行自适应的BM3D滤波,最后采用逆变换得到降斑图像。实验结果表明,该方法在降噪、边缘和纹理保持等方面均优于空间域、小波域、Curvelet域的一些降斑方法。     

复小波域混合概率图模型的超声医学图像分割

针对存在大量不规则斑点噪声、目标边缘弱化的超声医学图像分割中较难识别目标的问题,提出了一种复小波域中混合概率图模型的超声医学图像分割算法.采用具有近似平移不变性和良好方向选择性的双树复小波变换(Dual tree-complex wavelet transform,DT-CWT)提取超声医学图像6个方向的高频特征信息;...     

一种基于小波域隐马尔可夫模型的SAR相干斑抑制算法

相干斑噪声是SAR图像的固有特点。对相干斑抑制的要求是在平滑噪声的同时，尽量保持原始图像的结构信息。现有的许多相干斑抑制方法各有优点和不足，没有普遍的适用性。基于图像在小波域的隐马尔可夫模型(HMMs)结构，结合SAR图像中相干斑噪声的统计特性，本文提出了一种新的小波域相干斑抑制方法。仿真及实测数据处理结果表明，该方法在有效抑制相干斑的同时，更好地保持了边缘结构。与小波域软阈值去噪方法和Lee滤波器相比较，该方法在噪声平滑及边缘保持上都取得了较大的改进，并得到了较好的视觉效果。     

Visual enhancement of digital ultrasound images using multiscale wavelet domain

Ultrasonography has been considered as one of the most powerful techniques for imaging organs and soft tissue structures in the human body. The main disadvantage of medical ultrasonography is the poor quality of images, which are affected by multiplicative speckle noise. In this paper, we present a novel method for despeckling medical ultrasound images. The primary goal of speckle reduction is to remove the speckle without losing much detail contained in an image. To achieve this goal, we make use of the wavelet transform and apply multi-resolution analysis to localize an image into different frequency components or useful subbands and then effectively reduce the speckle in the subbands according to the local statistics within the bands. The main advantage of the wavelet transform is that the image fidelity after reconstruction is visually lossless. The objective of the paper is to investigate the proper selection of wavelet filters and thresholding schemes which yields optimal visual enhancement of ultrasound images, in particular. We employ the wavelet shrinkage denoising techniques with different wavelet bases and decomposition levels on the individual subbands to achieve the best acceptable speckle reduction while maintaining the fidelity of the image and also examine the effects of different thresholding techniques as well as shrinkage rules for denoising ultrasound images. The proposed method consists of the log transformed original ultrasound image being subjected to wavelet transform, which is then denoised by a thresholding technique using a shrinkage rule. Experimental results show that the subband decomposition of ultrasound images, using Bior6.8 and level 3 with soft thresholding based on Bayes shrinkage rule, performs better than other techniques. The performance is measured in terms of Variance, Mean Square Error (MSE), Signal-to-Noise Ratio (SNR), Peak SNR (PSNR) and Correlation Coefficient (CC). The results of wavelet shrinkage techniques are compared with common speckle filters. We observe that the proposed method achieves better visual enhancement of ultrasound images which would lead to more accurate image analysis by the medical experts.