基于小波阈值及非线性滤波的医学图像去噪算法研究
医学图像去噪技术是医学图像处理与分析的基础,其目的是将图像中噪声剔除,最大程度还原图像原始信息,为临床医学诊断和病理学研究提供参考依据。然而由于不同的成像机理、设备和仪器的精度误差、操作不当等实际因素的影响,医学图像在收集过程中极易受噪声的干扰,随着图像分辨率的提高,噪声会被放大,从而降低了图像的质量,一些组织边界甚至变得模糊,细微结构难以辨认,因此去噪对于医学图像处理至关重要。 根据医学图像中含有的噪声类型和受污染程度,本文提出了基于小波阈值及非线性滤波技术的去噪算法,具体从三个部分展开讲述,从而更有针对性地进行降噪处理。 (1) 针对含有单一高斯噪声的X-ray,CT及MRI,选用具有良好频域特性的改进小波阈值去噪算法,将小波分解后的小波系数进行高频方向阈值量化,保留低频方向系数,最后小波重构,实现高斯噪声的去除。仿真结果表明本文提出方法可以有效的去除高斯噪声,同时更好地保留图像边缘信息。 (2) 针对含有高斯噪声和脉冲噪声的混合噪声图像,提出了基于 DT-CWT 和自适应双边滤波去噪算法,具备 6 个分解方向的双树复小波更具有分解稳定性,分解后高频系数经过阈值量化,低频部分系数经过双边滤波进行滤除,再经双边滤波进一步滤除,重构后就可实现去噪。实验结果表明,该方法对于混合噪声具有较好的去除效果,尤其是噪声污染轻的情况。 (3)为更好解决医学图像中的重噪声问题,本文提出了一种基于 DWT 和修正的中值滤波去噪算法。首先,通过小波分解为4个子带(LL,HL,LH,HH),其中 LL 为低频,LH,HL,HH 分别为水平,垂直和对角线高频子带;然后,利用改进的小波阈值对高频系数进行处理,保留低频系数,对小波阈值处理后的 3个高频子带进行修正中值滤波处理,通过阈值分割实现混合噪声的滤除,最后通过小波重构得到去噪后的图像。这种方法的优点是结合中值滤波和小波的优点,利用耦合系数的处理,使得去噪效果更好,避免了以往两种方法的简单组合。 总之,医学图像的去噪处理过程,既要有效去除噪声,又要很好的保留完整地边界和细节信息。这些都为后期高级处理提供可靠的保障,文中以 B 超胎盘图像为例,展示了噪声对计算机视觉识别精确性的干扰,具体包括特征抓取和感兴趣区域ROI分割不到位等现象,尤其是图像边缘轮廓信息的识别。
医学图像去噪;小波阈值;非线性滤波;耦合系数;计算机视觉
吉首大学
硕士
无线电物理
陈炳权
2018
中文
TP391.41
2019-01-18(万方平台首次上网日期,不代表论文的发表时间)