自适应非局部均值超声图像去噪方法及系统与流程

1.本发明涉及图像处理领域，尤其涉及一种自适应非局部均值超声图像去噪方法及系统。


背景技术：

2.由于受超声自身成像原理的影响，超声图像在产生过程中不可避免地会受到斑点噪声的干扰，使得采集的超声图像对比度有限医学专家无法从中获得进一步有用的信息。因此，抑制超声图像中的斑点噪声是对超声图像进行后续分析和处理的重要前提。现有技术中常用的去噪方法以下几种：中值滤波、小波变换、各向异性扩散、非局部均值滤波算法等。但这些方法在用于超声图像的斑点噪声的去除效果并不理想。


技术实现要素：

3.发明目的：提出一种自适应非局部均值超声图像去噪方法，并进一步提出一种实现上述方法的系统，以解决现有技术存在的上述问题。
4.第一方面，本发明提出了一种自适应非局部均值超声图像去噪方法，步骤包括：
5.步骤1、采集图像：按照医学要求，利用超声机器对病源器官进行图像拍摄，取得符合要求的超声图像，完成图像采集；
6.步骤2、导出图像：将步骤1中采集得到的超声图像从超声机器中导出为序列图像，将所述序列图像按照bmp图像格式写入到bmp图像文件夹中；
7.步骤3、建立超声噪声模型；
8.步骤4、去噪：对步骤3中建立的所述超声噪声模型去噪，得到去噪后的超声噪声模型；
9.步骤5、输出图像：将超声图像输入至去噪后的超声噪声模型，输出去噪后超声图像。
10.在第一方面的一些可实现方式中，步骤3超声噪声模型如下：
11.u(x)＝v(x) v
γ
(x)θ(x)
12.式中，θ(x)是均值为0、方差为σ2的高斯噪声，γ为取决于超声设备和成像过程的一个常数，取γ＝0.5。
13.在第一方面的一些可实现方式中，步骤4去噪的过程进一步包括：
14.步骤4-1、利用蜂算法迭代寻优的特性寻找nlm算法的最优λ，m和p参数；
15.步骤4-2、将最优参数代入nlm算法获得最优滤波器，并对原始图像处理得到滤波图像，以此消除噪声。
16.在第一方面的一些可实现方式中，步骤4-1进一步包括：
17.步骤4-1a、初始化蜂群参数；
18.参数包括确定种群数n、最大迭代次数m、控制参数limit、以及确定搜索空间的范围，在搜索空间中随机生成初始解xi(i＝1,2,3,
……
,sn)，sn为食物源个数，每个解xi是一
个d维的向量，d是问题的维数；
19.步骤4-1b、初始化之后，整个种群进行引领蜂、跟随蜂和侦查蜂搜寻过程的重复循环，直到达到最大迭代次数m或误差允许值ε；
20.步骤4-1c、在搜索过程开始阶段，每个引领蜂由下式产生一个新解，并计算其适应度：
[0021][0022]
其中，i是当前解，k是随机选择的邻域解，是[-1,1]之间符合均匀分布的随机数。
[0023]
在第一方面的一些可实现方式中，步骤4-1还包括：
[0024]
步骤4-1d、在所有引领蜂完成搜寻过程之后，引领蜂在招募区跳摇摆舞把解的信息及信息与跟随蜂分享；跟随蜂根据式计算每个解的选择概率pm：
[0025][0026]
式中，m表示搜寻次数，fitm表示第m次搜寻的解的拟合，表示第m次搜寻的解；
[0027]
步骤4-1e、在所有跟随蜂完成搜寻过程之后，如果一个解经过limit次循环仍然没有被进一步更新，则认为此解陷入局部最优，该食物源被舍弃；
[0028]
设食物源xi被舍弃，则此食物源对应的引领蜂转成一个侦查蜂；侦察蜂由下式产生一个新的食物源代替它；
[0029][0030]
其中，i＝1,2,...,sn，j＝1,2,...,d；sn是食物源数量，d是设计参数的维度，和分为j维的上界和下界；
[0031]
步骤4-1f、判断是否有放弃的解，否则按步骤4-1e随机产生新解将其替换；
[0032]
步骤4-1g、记录最优解，判断是否满足循环终止条件，若满足，循环结束，输出最优λ，m和p参数，否则返回步骤4-1c继续搜索。
[0033]
在第一方面的一些可实现方式中，步骤4-2进一步包括：
[0034]
步骤4-2a、根据所述超声噪声模型，利用基于贝叶斯公式的nlm算法进行图像去噪，得到nlm去噪算法模型：
[0035][0036]
式中，1幅受噪声污染的图像v＝{v(x)|x∈i}，i代表整个图像空间，权重系数w(x,y)表示像素点y对像素点x的影响程度；
[0037]
w(x,y)计算公式为：
[0038][0039]
其中，d2为x和y两点邻域块之间欧氏距离的平方和，欧式距离越小，两者的相似程度越大；参数h＝λ(2l
δ
)
12
，控制权重w(x,y)的衰减速度，即直接决定信号的最终滤波程度；
δ表示以点x为中心的邻域块；l
δ
为以点y为中心的邻域块；λ为带宽参数；
[0040]
w(x,y)的大小取决于以x和y为中心的两个邻域块之间的相似程度，两者相似度越高，则w(x,y)的取值越大，反之亦然；
[0041]
w(x,y)取值满足0≤w(x,y)/z≤1和∑jw(x,y)＝1两个基本条件。
[0042]
第二方面，提出超声图像去噪系统，该系统包括超声机器、图像导出模块、超声噪声模型构建模块、去噪模块、输出图像模块。超声机器用于对病源器官进行图像拍摄，取得符合要求的超声图像，完成图像采集；图像导出模块用于将超声机器中采集得到的超声图像从超声机器中导出为序列图像，将所述序列图像按照bmp图像格式写入到bmp图像文件夹中；超声噪声模型构建模块用于构建超声噪声数学模型；去噪模块用于对所述超声噪声模型构建模块建立的所述超声噪声模型去噪，得到去噪后的超声噪声模型；输出图像模块用于将超声图像输入至去噪后的超声噪声模型，输出去噪后超声图像。
[0043]
在第二方面的一些可实现方式中，所述去噪模块进一步利用蜂算法迭代寻优的特性寻找nlm算法的最优λ，m和p参数；将最优参数代入nlm算法获得最优滤波器，并对原始图像处理得到滤波图像，以此消除噪声；
[0044]
所述超声噪声模型构建模块构建得到的超声噪声模型如下：
[0045]
u(x)＝v(x) v
γ
(x)θ(x)
[0046]
式中，θ(x)是均值为0、方差为σ2的高斯噪声，γ为取决于超声设备和成像过程的一个常数，取γ＝0.5。
[0047]
第三方面，提出一种超声图像去噪设备，包括：至少一个处理器和存储器；存储器存储计算机执行指令；至少一个处理器执行所述存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面所述的图像去噪方法。
[0048]
第四方面，提出一种可读存储介质，可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面所述的图像去噪方法。
[0049]
有益效果：本发明提供的自适应非局部均值超声图像去噪方法及系统，该方法将蜂群算法引入nlm参数的寻优求解，蜂算法迭代寻优的特性寻找nlm算法的最优λ，m和p参数，以此得到自适应超声图像去噪模型，消除超声噪声，相比现有的超声去噪方法，可以获得去噪后高质量的超声图片。
附图说明
[0050]
图1为自适应非局部均值超声图像去噪方法的流程图。
具体实施方式
[0051]
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
[0052]
申请人认为，超声由于受自身成像方式的影响，超声图像在产生过程中不可避免的受到斑点噪声的干扰。目前，非局部均值滤波算法是近几年兴起的图像滤波算法，其基本思想是每幅图像都包含了许多冗余信息，每个像素点的像素值都与该图像中其他像素相
关。当图像受噪声污染时，可以在整幅图像中寻找与该噪声点具有相似结构的区域，通过计算这些区域与当前噪声点所在图像块之间的相似程度作为权重来估计当前噪声点的像素值，但是这种算法对超声图像中的斑点噪声去噪效果并不好。由于受超声自身成像原理的影响，超声图像在产生过程中不可避免地会受到斑点噪声的干扰，使得采集的超声图像对比度有限医学专家无法从中获得进一步有用的信息。因此，抑制超声图像中的斑点噪声是对超声图像进行后续分析和处理的重要前提。现有技术中常用的去噪方法以下几种：中值滤波、小波变换、各向异性扩散、非局部均值滤波算法等。但这些方法在用于超声图像的斑点噪声的去除效果并不理想。
[0053]
参阅图1，本发明设计了一种自适应非局部均值(nlm)超声图像去噪算法。该方法将蜂群算法引入nlm参数的寻优求解，蜂算法迭代寻优的特性寻找nlm算法的最优λ，m和p参数，以此得到自适应超声图像去噪模型，消除超声噪声。
[0054]
本发明设计的自适应非局部均值超声图像去噪算法主要步骤为：
[0055]
(1)图像采集：按照医学要求，对病源器官进行图像拍摄，取得符合要求的图像，完成图像采集。
[0056]
(2)图像导出：将(1)步骤中采集的超声图像冲超声机器中导出dicom格式序列的超声图像，将dicom序列图像按照bmp图像格式写入到bmp图像文件夹中。
[0057]
(3)建立超声噪声模型：根据jain于1989年提出的乘性与加性噪声组合的模型，结合伽马分布，可将该模型修改为：
[0058]
u(x)＝v(x) v
γ
(x)θ(x)
[0059]
θ(x)是均值为0，方差为σ2的高斯噪声，γ为取决于超声设备和成像过程的一个常数，一般情况下，取γ＝0.5。
[0060]
(4)去噪处理：在计算机系统中对步骤(3)中建立的噪声模型进行去噪处理，将处理后的的结果以图片的形式输出。
[0061]
(5)图像输出：超声图像在经步骤(4)进行去噪处理后，输出去噪后超声图像。
[0062]
本发明涉及的超声图像去噪处理方法具体为：利用蜂算法迭代寻优的特性寻找nlm算法的最优λ，m和p参数；其次，将最优参数代入nlm算法获得最优滤波器，并对原始图像处理得到滤波图像，以此消除噪声。去噪的具体步骤为：
[0063]
步骤0、初始化蜂群参数。其中包括确定种群数n、最大迭代次数m、控制参数limit和确定搜索空间即解的范围，在搜索空间中随机生成初始解xi(i＝1,2,3,
……
,sn)，sn为食物源个数，每个解xi是一个d维的向量，d是问题的维数。初始化之后，整个种群将进行引领蜂、跟随蜂和侦查蜂搜寻过程的重复循环，直到达到最大迭代次数m或误差允许值ε。
[0064]
步骤1、在搜索过程开始阶段，每个引领蜂由下式产生一个新解，并计算其适应度。
[0065]vij
＝x
ij
φ
ij
(x
ij-x
kj
)
[0066]
其中i是当前解，k是随机选择的邻域解，φ
ij
是[-1,1]之间符合均匀分布的随机数。上式定义的局部搜索中，只改变了当前解中随机选择的一个维度(参数j)。
[0067]
步骤2、在所有引领蜂完成搜寻过程之后，引领蜂会在招募区跳摇摆舞把解的信息及信息与跟随蜂分享。跟随蜂根据式计算每个解的选择概率pm：
[0068][0069]
步骤3、在所有跟随蜂完成搜寻过程之后，如果一个解经过limit次循环仍然没有被进一步更新，那么就认为此解陷入局部最优，该食物源就会被舍弃。设食物源xi被舍弃，则此食物源对应的引领蜂转成一个侦查蜂。侦察蜂由下式产生一个新的食物源代替它。
[0070][0071]
其中，i＝1,2,...,sn,j＝1,2,...,d,sn是食物源数量，d是设计参数的维度，和分为j维的上界和下界。
[0072]
步骤4、判断是否有放弃的解，否则按步骤3随机产生新解将其替换。
[0073]
步骤5、记录最优解，判断是否满足循环终止条件，若满足，循环结束，输出最优λ，m和p参数，否则返回步骤1继续搜索。
[0074]
步骤6、根据所述超声噪声模型，利用基于贝叶斯公式的nlm算法进行图像去噪，可得nlm去噪算法模型：
[0075][0076]
其中，1幅受噪声污染的图像v＝{v(x)|x∈i}，i代表整个图像空间，权重系数w(x,y)表示像素点y对像素点x的影响程度。w(x,y)计算公式为：
[0077][0078]
其中，d2为x和y两点邻域块之间欧氏距离的平方和，欧式距离越小，两者的相似程度越大；参数h＝λ(2l
δ
)
1/2
，控制权重w(x,y)的衰减速度，即直接决定信号的最终滤波程度；δ表示以点x为中心的邻域块；l
δ
为以点y为中心的邻域块；λ为带宽参数。
[0079]
w(x,y)的大小取决于以x和y为中心的两个邻域块之间的相似程度，两者相似度越高，则w(x,y)的取值越大，反之亦然。w(x,y)取值满足0≤w(x,y)/z≤1和∑j w(x,y)＝1两个基本条件。