高频子带的去噪方法matlab,一种超声图像去噪和增强方法与流程
本发明涉及一种超声图像去噪和增强方法，属于医学图像处理领域。
背景技术：
医学超声成像技术因为其非侵入性、无辐射、实时性以及高性价比等特点，已经被广泛应用于医疗辅助诊断当中。然而医学超声图像因为其成像固有机制的影响，图像中存在大量斑点噪声，影响了图像质量。严重的斑点噪声会掩盖住图像的细节信息，给之后的图像特征提取和识别、定量分析及临床诊断带来干扰。并且，超声图像解剖学信息不足、对比度也不佳，病变组织并不容易区分，也很大程度影响了临床诊断的准确性。因此，抑制超声图像的斑点噪声、增强图像的解剖学细节、改善图像质量对于超声的图像分析和临床诊断非常重要，也已经成为备受研究人员关注的热点问题。
前人已开展了很多针对超声图像去噪和增强的研究，其思路和常规图像去噪和增强的思路大体一致。经典的图像增强方法主要包括图像域的增强方法，如灰度变换法、平滑滤波法(均值滤波、中值滤波法)；频域的增强方法，如低通滤波法、同态滤波等；以及一些新的图像增强方法，如基于小波变换的图像增强技术，基于神经网络、模拟退火法、遗传算法的图像增强技术等。
基于小波变换采用多尺度分解的思想，将图像分解成高频小波子带和低频小波子带。借助于小波变换，能够将图像特征信息的能量和噪声的能量分开。然后通过对高频子带系数设置阈值，将高频子带中噪声所对应的幅值小的系数置零，实现图像去噪；或者设计一个更为平滑的非线性增强函数，对高频子带系数进行拉伸，增强图像边缘所对应的大系数，抑制噪声所对应的小系数，从而实现边缘增强和噪声抑制。
Curvelet变换是在小波变换基础上发展出来的一种具有多方向性的多尺度几何分析方法。相比传统小波变换，它更加适合分析二维图像的曲线或直线状边缘特征，具有更高的逼近精度和更好的稀疏表达能力。基于Curvelet变换的图像去噪和增强思想和基于小波变换的方法思想类似，同样多采取阈值法或通过设计非线性增强函数抑制Curvelet变换域高频小系数，增强大系数。但是得益于Curvelet变换对图像中直线、曲线等信息具有更优异的表达，Curvelet变换能够取得比小波变换更加理想的去噪和增强效果。
Curvelet变换在超声图像中的应用研究尚未充分开展。目前有研究者将Curvelet变换应用于超声图像去噪当中，但基本沿用了传统的基于Curvelet系数幅值阈值化方法。这类方法并没有充分利用Curvelet变换自身的方向性优势，也没有和超声图像自身的特点结合。
技术实现要素：
为了去除超声图像的斑点噪声，增强图像有解剖学意义的边缘信息，本发明提出了一种基于Curvelet变换的方向选择性(Curvelet-based orientation-selective，CBOS)滤波器，包括以下步骤：
1)使用Curvelet变换对图像进行分解，获得低频子带和不同尺度、不同方向的高频子带；
2)将低频子带系数乘以一个小的增益系数，抑制图像的背景信息；
3)设计一个有方向选择性的高频增强函数，对于接近于水平方向的高频子带，设置较大的增益倍数和较小的阈值；对于接近于垂直方向的高频子带，设置较小的增益倍数和较大的阈值；
4)对经过处理后的系数进行Curvelet反变换，得到增强后的图像。
上述步骤1)使用Curvelet变换对图像进行分解，采用第二代快速Curvelet变换，选取的分解尺度数量为4～8(包含低频子带)，对于第二粗的尺度级别，选取的方向数量为8或16。
上述步骤2)将低频子带系数乘以一个小的增益系数，从而一定程度上抑制背景信息，突显边缘信息。增益系数取值为0.6～1。
上述步骤3)设计一个有方向选择性的高频增强函数MAGm,n(x)，处理Curvelet各个高频子带的系数。MAGm,n(x)的定义如下：
MAGm,n(x)＝AmpS(m,n)*a*sigm(c(x-T(m,n)-b))-sigm(-c(x-T(m,n)+b))
其中，
x＝abs(Cm,n(i,j))，Cm,n(i,j)是尺度为m，方向参数为n的原高频子带系数。为处理后的高频子带系数，sgn(x)为符号函数。
MAGm,n(x)的定义中，AmpS(m,n)为不同方向的Curvelet子带设置了不同的增益倍数：
S1控制增强和抑制系数的程度，取值为0.1～0.5。
T(m,n)为不同方向的Curvelet子带设置了不同的阈值，以去除幅值小于阈值的系数：
T(m,n)＝AmpT(m,n)*t
其中，
S2控制不同方向子带阈值的差异程度，取值为0.1～0.5。
阈值t的设定方法为：
其中，k为尺度相关的系数，对于最大尺度取k＝4，其他尺度k＝3。σ为噪声方差估计，通常利用Curvelet分解的第一层高频系数CD(i,j)估计σ，计算公式如下：
σ＝median(|CD(i,j)|)/0.6745
为噪声经过Curvelet变换后的方差，可采用蒙特-卡罗(Monte-Carlo)算法进行估计。
本发明具有以下优点：
根据超声图像固有的方向性特征，设计了一种有方向选择性的滤波器，给不同方向的Curvelet高频子带设置不同的增益系数。相比于传统基于系数幅值的处理方法，这种方法更充分地利用了Curvelet变换的方向性，也更加针对了超声图像的自身特点。实验结果表明，相比于传统基于Curvelet变换的增强方法，本方法能够在充分抑制噪声的同时，有效增强超声图像的解剖学信息，更加有利于临床诊断。
附图说明
图1是本发明实施例中，尺度m＝3时不同方向的增益倍数AmpS(m,n)(图a)和阈值的系数AmpT(m,n)(图b)。
图2是是本发明实施例中，不同尺度情况下不同方向的高频子带的增强函数曲线，图中不同的颜色代表不同方向的增强函数曲线。
图3是一张颈动脉超声图像(a)及对应的前人基于Curvelet变换及非线性增强函数的方法的增强结果(b)和CBOS滤波器增强结果(c)。
具体实施方式
以下通过实施例对本发明做进一步说明，以便更好地理解本发明的技术方案。步骤如下：
1.使用Curvelet变换对图像进行分解，选取的尺度数量为6(包含低频子带)，对于第二粗的尺度级别，选取的方向数量为16。
2.将低频子带系数统一乘以一个小的增益系数，实施例中取值为0.8。
C1,1(i,j)是原始低频子带系数，是处理后的低频子带系数。
3.采用有方向选择性的高频增强函数MAGm,n(x)，处理Curvelet各个高频子带的系数，其定义如下：
MAGm,n(x)＝AmpS(m,n)*a*sigm(c(x-T(m,n)-b))-sigm(-c(x-T(m,n)+b))
其中，
x＝abs(Cm,n(i,j))，Cm,n(i,j)是尺度为m，方向参数为n的原高频子带系数。为处理后的高频子带系数，sgn(x)为符号函数。
增强函数的定义中，AmpS(m,n)为不同方向的Curvelet子带设置了不同的增益倍数：
S1控制增强和抑制系数的程度，取值为0.3。
T(m,n)为不同方向的Curvelet子带设置了不同的阈值，以去除幅值小于阈值的系数：
T(m,n)＝AmpS(m,n)*t
其中，
S2控制不同方向子带阈值的差异程度，取值为0.3。尺度m＝3时不同方向的增益倍数AmpS(i,j)和阈值的系数AmpT(i,j)如图1所示。图2是不同尺度情况下不同方向的高频子带的增强函数曲线，图中不同颜色的曲线代表不同方向的增强函数曲线。
阈值t的设定方法为：
其中，k为尺度相关的系数，对于最大尺度取k＝4，其他尺度k＝3。σ为噪声方差估计，通常利用Curvelet分解的第一层高频系数CD(i,j)估计σ，计算公式如下：
σ＝median(|CD(i,j)|)/0.6745
为噪声经过Curvelet变换后的方差，可采用蒙特-卡罗(Monte-Carlo)算法进行估计。
4.对经过处理后的系数进行Curvelet反变换，得到增强后的图像。
图3展示一张典型的颈动脉超声图像(a)，及其经过前人研究提出的基于Curvelet变换和非线性增强函数的方法处理后的结果(b)，以及经过本发明实施例中CBOS滤波器处理后的结果(c)。由图可见，CBOS滤波器取得了更加理想的增强和去噪效果。经过处理后的图像解剖学结构清晰可见，斑点噪声被大幅度去除。相比之下，基于非线性增强函数的方法处理后的图像解剖学结构不够清晰，图像整体有所模糊，并产生了条带状伪影。