基于贝叶斯模型的超声图像斑点噪声滤波方法

摘要

本发明公开了一种基于贝叶斯模型的超声图像斑点噪声滤波方法，具体包括：S1、建立基于贝叶斯模型的非局部滤波模型；S2、采用Gamma分布拟合经对数压缩后超声图像中的斑点噪声，进而得出基于Pearson统计距离的权重函数；S3、求解非局部滤波模型中的变量；S4、采用求解后的非局部滤波模型对超声图像中斑点噪声进行滤波处理。本发明能够有效的滤除超声图像中的斑点噪声，提高超声图像的成像清晰度。

主权项

一种基于贝叶斯模型的超声图像斑点噪声滤波方法，其特征在于，所述方法包括：S1、建立基于贝叶斯模型的非局部滤波模型$\begin{array}{c}{J}_{Bayesian-NL-TV}\left(u\right)={\int }_{\Omega }\left|\right|{▿}_{NL}u\left|\right|+\frac{\lambda }{2}{(u-u_0)}^{2}dx\\ ={\int }_{\Omega }\sqrt{{\int }_{\Omega }{\left(u\right(y)-u(x\left)\right)}^{2}w(x,y)dy}+\frac{\lambda }{2}{(u-u_0)}^{2}dx\end{array},$其中，第一项λ为平滑项，第二项(u‑u₀)²为数据保真项，λ是一个正常数，用于控制平滑项与数据保真项之间的平衡；数据保真项用于使求解的值u不会偏移原始观测值u₀太远；S2、采用Gamma分布拟合经对数压缩后超声图像中的斑点噪声，进而得出基于Pearson统计距离的权重函数；S3、求解非局部滤波模型中的变量u和d，其中S4、采用求解后的非局部滤波模型对超声图像中斑点噪声进行滤波处理；在所述步骤S2中，采用Gamma分布拟合经对数压缩后超声图像中的斑点噪声：u(x)＝v(x)+v^γ(x)η(x)，其中，γ是一个依赖于超声设备并与后续成像过程相关的参数；两两像素块之间相似度的Pearson统计距离为：$d_p(x,y)={\int }_{\Omega }\frac{{\left(u\right(x+·)-u(y+·\left)\right)}^2}{u(y+·)}dy,$基于Pearson统计距离的权重函数为：$w(x,y)=\frac{1}{Z}\exp (-\frac{1}{h^2}{\int }_{\Omega }\frac{{\left(u\right(x+·)-u(y+·\left)\right)}^2}{u(y+·)}dy),$其中，u(x+·)和u(y+·)为图像中的两个像素块。