醫(yī)學(xué)超聲圖像在成像過(guò)程中由于超聲散射回波的相互干渉,導(dǎo)致所成圖像中出現(xiàn)難以與器官、組織等人體結(jié)構(gòu)區(qū)分的斑點(diǎn)噪聲,給后期的臨床診斷和圖像后續(xù)處理帶來(lái)了極大的不便。針對(duì)超聲圖像中的斑點(diǎn)噪聲,提出了一種基于支持向量機(jī)(SVM)的自適應(yīng)均值濾波超聲圖像降噪模型。該方法利用SVM的分類特性,將超聲圖像中的噪聲信號(hào)和非噪聲信號(hào)作出區(qū)分,再將SVM的分類結(jié)果和均值濾波相結(jié)合去對(duì)噪聲圖像進(jìn)行去噪。這樣可以保證醫(yī)學(xué)含噪圖像的組織區(qū)域和細(xì)節(jié)特征做到最大保留,噪聲區(qū)域獲得最大的平滑處理。在實(shí)驗(yàn)部分,通過(guò)對(duì)物理體膜和人體超聲肝臟圖像分別進(jìn)行實(shí)驗(yàn),結(jié)果表明,該方法可以有效抑制并降低超聲圖像中的斑點(diǎn)噪聲,并保留了其邊緣特征,使得去噪圖像的信噪比顯著增加,是一種有效的醫(yī)學(xué)超聲圖像降噪方法。

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1數(shù)據(jù)提取示意圖

均值濾波是采用線性的方法,先求出給定窗口范圍內(nèi)的像素值的平均值,再用窗口中的全體像素的平均值去代替原來(lái)像素值。傳統(tǒng)的均值濾波處理圖像,對(duì)于超聲圖像的邊緣特征不能做到很好的保留,在去除圖像噪聲的同時(shí)也將圖像的細(xì)節(jié)部分做了平滑,從而使整張超聲圖像變得模糊,不能很好地體現(xiàn)降噪和保邊的效....

圖2基于SVM的均值濾波模型

根據(jù)SVM的分類特性可知,在φ中,組織區(qū)域的值非常接近“0”,而噪聲區(qū)域的值非常接近“1”,所以式(11)最后得到的結(jié)果If既保留了原圖的細(xì)節(jié)邊緣特征,又保留了均值濾波后的噪聲區(qū)域。那么基于SVM的均值濾波去噪模型如圖2所示。3實(shí)驗(yàn)結(jié)果及分析

圖3物理體膜實(shí)驗(yàn)結(jié)果

通過(guò)比較圖3(b)～(d)和圖4(b)～(d)的實(shí)驗(yàn)結(jié)果,本文算法處理過(guò)后的超聲圖像既做到了噪聲區(qū)域的最大程度平滑,又較好地保留了圖像的邊緣細(xì)節(jié)特征。根據(jù)表1和2的實(shí)驗(yàn)評(píng)價(jià)指標(biāo)可以看出,在算法的迭代次數(shù)和平滑窗口大小相同的情況下,本文算法對(duì)超聲圖像處理的SNR值和CNR值的提高都....

圖4肝臟超聲圖像1實(shí)驗(yàn)結(jié)果

圖3物理體膜實(shí)驗(yàn)結(jié)果圖4肝臟超聲圖像1實(shí)驗(yàn)結(jié)果

本文編號(hào)：3962973