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<maths num="0001"><math><![CDATA[<mrow><mtable><mtr><mtd><mrow><msub><mi>J</mi><mrow><mi>B</mi><mi>a</mi><mi>y</mi><mi>e</mi><mi>s</mi><mi>i</mi><mi>a</mi><mi>n</mi><mo>-</mo><mi>N</mi><mi>L</mi><mo>-</mo><mi>T</mi><mi>V</mi></mrow></msub><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow><mo>=</mo><msub><mo>∫</mo><mi>Ω</mi></msub><mo>|</mo><mo>|</mo><msub><mo>▿</mo><mrow><mi>N</mi><mi>L</mi></mrow></msub><mi>u</mi><mo>|</mo><mo>|</mo><mo>+</mo><mfrac><mi>λ</mi><mn>2</mn></mfrac><msup><mrow><mo>(</mo><mi>u</mi><mo>-</mo><msub><mi>u</mi><mn>0</mn></msub><mo>)</mo></mrow><mn>2</mn></msup><mi>d</mi><mi>x</mi></mrow></mtd></mtr><mtr><mtd><mrow><mo>=</mo><msub><mo>∫</mo><mi>Ω</mi></msub><msqrt><mrow><msub><mo>∫</mo><mi>Ω</mi></msub><msup><mrow><mo>(</mo><mi>u</mi><mo>(</mo><mi>y</mi><mo>)</mo><mo>-</mo><mi>u</mi><mo>(</mo><mi>x</mi><mo>)</mo><mo>)</mo></mrow><mn>2</mn></msup><mi>w</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mi>d</mi><mi>y</mi></mrow></msqrt><mo>+</mo><mfrac><mi>λ</mi><mn>2</mn></mfrac><msup><mrow><mo>(</mo><mi>u</mi><mo>-</mo><msub><mi>u</mi><mn>0</mn></msub><mo>)</mo></mrow><mn>2</mn></msup><mi>d</mi><mi>x</mi></mrow></mtd></mtr></mtable><mo>,</mo></mrow>]]></math><img file="FDA0001203648850000011.GIF" wi="1165" he="268" /></maths>其中,第一项λ为平滑项,第二项(u‑u<sub>0</sub>)<sup>2</sup>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u<sub>0</sub>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<img file="FDA0001203648850000012.GIF" wi="211" he="71" />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<sup>γ</sup>(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:<maths num="0002"><math><![CDATA[<mrow><msub><mi>d</mi><mi>p</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><msub><mo>∫</mo><mi>Ω</mi></msub><mfrac><msup><mrow><mo>(</mo><mi>u</mi><mo>(</mo><mi>x</mi><mo>+</mo><mo>·</mo><mo>)</mo><mo>-</mo><mi>u</mi><mo>(</mo><mi>y</mi><mo>+</mo><mo>·</mo><mo>)</mo><mo>)</mo></mrow><mn>2</mn></msup><mrow><mi>u</mi><mrow><mo>(</mo><mi>y</mi><mo>+</mo><mo>·</mo><mo>)</mo></mrow></mrow></mfrac><mi>d</mi><mi>y</mi><mo>,</mo></mrow>]]></math><img file="FDA0001203648850000013.GIF" wi="766" he="174" /></maths>基于Pearson统计距离的权重函数为:<maths num="0003"><math><![CDATA[<mrow><mi>w</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mi>Z</mi></mfrac><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><mn>1</mn><msup><mi>h</mi><mn>2</mn></msup></mfrac><msub><mo>∫</mo><mi>Ω</mi></msub><mfrac><msup><mrow><mo>(</mo><mi>u</mi><mo>(</mo><mi>x</mi><mo>+</mo><mo>·</mo><mo>)</mo><mo>-</mo><mi>u</mi><mo>(</mo><mi>y</mi><mo>+</mo><mo>·</mo><mo>)</mo><mo>)</mo></mrow><mn>2</mn></msup><mrow><mi>u</mi><mrow><mo>(</mo><mi>y</mi><mo>+</mo><mo>·</mo><mo>)</mo></mrow></mrow></mfrac><mi>d</mi><mi>y</mi><mo>)</mo></mrow><mo>,</mo></mrow>]]></math><img file="FDA0001203648850000014.GIF" wi="1021" he="204" /></maths>其中,u(x+·)和u(y+·)为图像中的两个像素块。 |