基于自适应双边滤波的OCT图像散斑噪声减小算法

摘要

本发明公开了一种基于自适应双边滤波的OCT图像散斑噪声减小算法，建立原始OCT图像的散斑噪声模型，依据瑞利准则，将原始OCT图像的散斑噪声模型作为变量，构建空间函数，并通过分析空间函数的特性，推导出空间函数F对滤波权系数W[k,i]进行自适应修正的方法公式。本发明所设计的基于自适应双边滤波的OCT图像散斑噪声减小算法能够实现减小OCT图像散斑噪声、减小图像均方误差并提高峰值信噪比，同时极大程度地保持图像的边缘信息，提高边缘对比度，获得更清晰的图像边缘细节。

主权项

一种基于自适应双边滤波的OCT图像散斑噪声减小算法，其特征在于，包括如下步骤：步骤(1)：建立原始OCT图像的散斑噪声模型如下式所示：I_(x,y)＝S_(x,y)·N_(x,y)其中，(x,y)定义为OCT图像中像素点的位置，x定义为横轴，y定义为纵轴，I_(x,y)定义为原始OCT图像，N_(x,y)定义为散斑噪声模型，S_(x,y)定义为去除散斑噪声后的有效图像信息模型；将上式中的原始OCT图像的散斑噪声模型转换成加的形式，等式两边取对数，得到如下公式：ln(I_x,y)＝ln(S_x,y·N_x,y)＝ln(S_x,y)+ln(N_x,y)，令I⁰＝ln(I_x,y)，S⁰＝ln(S_x,y)，N⁰＝ln(N_x,y)，即得到I⁰＝S⁰+N⁰；原始OCT图像的局部散斑噪声模型即可表示为：N⁰＝I⁰‑S⁰，至此完成对OCT图像散斑噪声模型的建立，以便接下来进一步去噪分析；步骤(2)：依据瑞利准则，将原始OCT图像的散斑噪声模型作为变量，构建如下所示的空间函数：$F=f\left(N_{(x,y)}\right)=\frac{e^{{2N}^0}}{k{\sigma }^2}·\exp (-\frac{e^{{2N}^0}}{2k{\sigma }^2})$其中：k定义为常数，σ定义为OCT图像标准差，N⁰定义为散斑噪声模型N_(x,y)的对数函数，空间函数F受N⁰所控制，并受标准差σ的影响，通过分析了OCT图像标准差σ和散斑噪声模型N_(x,y)的对数函数N⁰对空间函数影响，为接下来进一步修正算法做准备：步骤(3)：根据步骤(2)中的空间函数F受标准差σ和原始OCT图像的局部散斑噪声模型N⁰影响的特性，推导出空间函数F对滤波权系数W[k,i]进行自适应修正，从而实现减小OCT图像散斑噪声的效果，修正的方法由双边滤波算法的权系数公式确定：$\begin{array}{c}W[k,i]=W_r[k,i]·W_d[k,i]\\ =\exp [-{\left(X\right[k]-X[k-i\left]\right)}^2/2{\sigma }_r^2]\exp [-i^2/2{\sigma }_d^2]\end{array}$修正后的权系数如下$\begin{array}{c}{W}^0[k,i]=W_r^0[k,i]·W_d[k,i]\\ =\exp [-\frac{X\left[k\right]-X[k-i]}{2{\sigma }_r^2}·F]·\exp [-\frac{i^2}{2{\sigma }_d^2}]\end{array}$其中，W⁰[k,i]定义为修正后的双边滤波器的权系数，定义为修正后的灰度权系数，W_d[k,i]仍旧为原空间权系数，[k,i]定义为变换因子，X[k]定义为表示原始输入图像，σ_r定义为灰度分布因子，σ_d定义为几何分布因子。