超声医学图像的去噪及增强研究

论文摘要

超声医学图像由于其具有实时显像、安全性高、价格便宜、使用方便等优点,而成为临床医学辅助诊断的重要手段之一。但由于斑点噪声的存在以及超声图像的灰度分布不合理（如图像过暗等）现象,导致超声图像的细节信息难以辨别,甚至造成细节信息被斑点噪声所掩盖,因此如何有效的去除斑点噪声,并很好的保留图像的细节信息,以及如何有效地增强超声图像,实现灰度的合理分布,直接影响到临床诊断的准确性。本文根据超声医学图像的特性,将小波变换、形态学、脉冲耦合神经网络、模糊算法应用于超声医学图像去噪及增强的处理技术中,以改善超声医学图像去噪及增强的性能。主要的研究内容包括以下几个方面：1.研究了超声医学图像的小波阈值去噪方法在分析了小波软阈值和硬阈值去噪方法优缺点的基础上,提出了改进的小波阈值去噪方法,并针对小波阈值去噪中的VisuShrink阈值（统一阈值）“过扼杀”细节系数的现象,进一步将形态学算法引入到小波阈值方法中,提出了形态学小波阈值去噪方法,该方法利用形态学击中或击不中变换来提取低于阈值的高频信号的小波系数,与小波软阈值方法相比,图像的细节信息得到了更好的保留,并且有效的去除了斑点噪声,仿真实验验证了该方法的有效性。2.研究了几种基于PCNN的小波域超声医学图像去噪方法利用PCNN脉冲耦合特性能够区别信号和噪声的性质,探讨了几种基于PCNN的小波域超声医学图像去噪方法。（1）研究了PCNN去除椒盐噪声的方法,结合小波变换的优点,针对斑点噪声的特性,提出了基于PCNN的小波域超声医学图像去噪方法,该方法利用PCNN的脉冲耦合特性,区别噪声和信号,并通过逐步修改小波系数来去除噪声,仿真实验表明,该方法能够很好的去除噪声和保留图像细节。（2）在分析了斑点噪声和PCNN的特点的基础上,将PCNN引入到小波域中,并结合小波软阈值去噪思想,提出了基于PCNN的超声医学图像软阈值去噪方法（ST-PCNN）,该方法的优点是实现了在小波域中利用PCNN来识别高频信号的小波系数,并采用相应的方法处理小波系数,改善了PCNN难以确定斑点噪声的位置和采用固定阈值造成高频信号损失的缺点,更好地保留了低于固定阈值的高频信号的小波系数；在此基础上,将模糊算法引入到PCNN模型中,进一步提出了基于模糊PCNN的小波域超声医学图像去噪方法（F-PCNN-wD）,该方法利用模糊算法来去除PCNN点火过程中大于点火阈值的斑点噪声的小波系数,以更好的去除斑点噪声。实验结果表明,ST-PCNN和F-PCNN-WD方法不仅能够有效地去除噪声,而且能够很好的保留图像的边缘和细节信息。3.研究了基于维纳滤波和小波相融合的超声医学图像去噪方法在分析了维纳滤波和基于自适应前处理的多尺度小波非线性阈值斑点噪声抑制方法（MSSNT-A）特点的基础上,提出了一种基于维纳滤波与MSSNT-A相融合的超声医学图像去噪方法。该方法首先对加噪图像分别进行维纳滤波和MSSNT-A去噪,然后提取维纳滤波处理后的图像的边缘,再将其与MSSNT-A去噪后的图像的相应像素点进行融合,得到去噪图像。实验仿真结果表明,该方法处理后的图像边缘更清晰,细节得到了更好的保留。4.研究了自适应邻域直方图均衡算法针对全局直方图的“简并”现象和局部直方图增强图像的盲目性,提出了基于自适应低通滤波的超声医学图像增强算法,该算法通过低通滤波器将超声图像分为高频分量和低频分量,对低频分量采用自适应邻域直方图均衡算法处理,对高频分量进行加权,然后对低频分量和高频分量进行融合得到增强的超声图像。该方法与普通的直方图均衡算法性比,能够更好的保留图像的细节信息和抑制噪声的增强。

论文目录

• 摘要
• Abstract
• 符号与缩写含义清单
• 1 绪论
• 1.1 超声医学成像的历史回顾
• 1.2 超声医学图像去噪及增强技术的研究背景和意义
• 1.3 超声医学图像去噪及增强的发展与国内外现状
• 1.3.1 超声医学图像去噪技术的发展与国内外现状
• 1.3.2 超声医学图像增强技术的发展与国内外现状
• 1.4 超声医学图像去噪技术的性能评价指标
• 1.5 论文的结构及主要研究工作
• 2 小波变换理论与PCNN理论
• 2.1 小波变换基本理论
• 2.1.1 小波变换的基本概念
• 2.1.2 二进小波变换
• 2.1.3 多分辨分析
• 2.1.4 图像的小波分解与重构
• 2.2 脉冲耦合神经网络基本原理及性能分析
• 2.2.1 PCNN参数作用分析
• 2.2.2 PCNN点火行为分析
• 2.2.3 PCNN所具有的特性
• 3 基于小波变换的超声医学图像去噪算法
• 3.1 斑点噪声
• 3.2 小波基函数的选择
• 3.3 小波阈值去噪
• 3.3.1 常用的阈值确定方法
• 3.3.2 常用的阈值变换函数
• 3.4 改进的自适应阈值去噪算法
• 3.4.1 改进的自适应阈值去噪算法
• 3.4.2 实验结果及分析
• 3.5 基于形态学的小波阈值去噪方法
• 3.5.1 数学形态学理论
• 3.5.2 基于形态学的小波阈值去噪方法
• 3.5.3 实验结果及分析
• 3.6 结论
• 4 基于PCNN的小波域超声医学图像去噪方法
• 4.1 PCNN
• 4.1.1 PCNN模型
• 4.1.2 PCNN去噪原理
• 4.2 基于PCNN的小波域超声医学图像去噪方法（PCNN-WD）
• 4.2.1 PCNN-WD的具体步骤
• 4.2.2 实验及结果分析
• 4.3 基于PCNN的超声医学图像软阈值去噪方法
• 4.3.1 ST-PCNN的具体步骤
• 4.3.2 实验及结果分析
• 4.4 基于模糊PCNN的小波域超声医学图像去噪方法
• 4.4.1 模糊PCNN模型
• 4.4.2 基于模糊PCNN的小波域超声医学图像去噪方法
• 4.4.3 实验及结果分析
• 4.5 结论
• 5 基于维纳滤波与小波相融合的超声医学图像去噪方法
• 5.1 维纳滤波器
• 5.2 基于小波分析的图像融合
• 5.3 基于维纳滤波与小波相融合的超声医学图像去噪方法
• 5.4 实验结果和讨论
• 5.5 结论
• 6 基于自适应低通滤波的超声医学图像增强算法
• 6.1 全局直方图均衡算法
• 6.2 局部直方图均衡算法
• 6.3 自适应邻域直方图均衡算法
• 6.4 基于自适应低通滤波的增强算法
• 6.4.1 转化图像
• 6.4.2 分频
• 6.4.3 低频分量自适应邻域直方图均衡
• 6.4.4 线性组合并转化图像得输出图像
• 6.5 实验及结果分析
• 6.6 结论
• 7 结论与展望
• 参考文献
• 致谢
• 作者简介及攻读硕士学位期间所发表的论文