基于自適應(yīng)高斯濾波的超聲斑點(diǎn)降噪

邵黨國 鄧陽陽 相 艷 易三莉 余正濤 賀建峰 劉翠寅 宗紹云

(1.昆明理工大學(xué)信息工程與自動化學(xué)院和云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，昆明, 650500；2.昆明理工大學(xué)計(jì)算中心，昆明, 650500; 3.云南省第一人民醫(yī)院, 昆明, 650032)

基于自適應(yīng)高斯濾波的超聲斑點(diǎn)降噪

邵黨國1鄧陽陽1相 艷1易三莉1余正濤1賀建峰1劉翠寅2宗紹云3

(1.昆明理工大學(xué)信息工程與自動化學(xué)院和云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，昆明, 650500；2.昆明理工大學(xué)計(jì)算中心，昆明, 650500; 3.云南省第一人民醫(yī)院, 昆明, 650032)

醫(yī)學(xué)超聲圖像存在的斑點(diǎn)噪聲降低了圖像的質(zhì)量，給臨床診斷和圖像的后續(xù)處理帶來了困難。為了有效地去除噪聲，本文提出了一種自適應(yīng)高斯濾波的超聲斑點(diǎn)降噪算法。該算法利用局部特征匹配計(jì)算出圖像的處理窗口區(qū)域與參考區(qū)域的相似度，再根據(jù)相似度將整幅圖像區(qū)分為斑點(diǎn)噪聲區(qū)域和組織區(qū)域。同時利用相似度調(diào)整高斯濾波器的寬度值，使高斯濾波器對圖像的不同區(qū)域進(jìn)行不同程度的過濾。物理體模實(shí)驗(yàn)和人體超聲肝臟實(shí)驗(yàn)結(jié)果表明,該算法可以有效地去除超聲圖像中的斑點(diǎn)噪聲并保留組織結(jié)構(gòu),并且可使迭代次數(shù)大大減少，是一種有效的醫(yī)學(xué)超聲圖像降噪方法。

超聲圖像；局部特征匹配；自適應(yīng)濾波；相似度；斑點(diǎn)噪聲抑制

引 言

醫(yī)學(xué)超聲成像技術(shù)相對于X-rays(X射線)、核磁共振(Magnetic resonance imaging,MRI)等成像技術(shù)，具有對人體無損害、便捷和實(shí)時性好等特點(diǎn)，故在臨床診斷、治療及手術(shù)導(dǎo)航等方面有著非常廣泛的應(yīng)用[1]。然而，超聲系統(tǒng)成像的相干特性使圖像中存在斑點(diǎn)[2]。這些斑點(diǎn)降低了圖像質(zhì)量，掩蓋了圖像中重要的細(xì)節(jié)信息，嚴(yán)重影響了對圖像細(xì)節(jié)的分析與識別。而且醫(yī)學(xué)超聲圖像中圖像細(xì)節(jié)信息較多，對比度不高會增加醫(yī)療診斷者對病灶部位與背景部分區(qū)分的難度性，可能會造成其對具體病變部位的判斷失誤[3]，從而引發(fā)醫(yī)療事故，因此去除斑點(diǎn)具有十分重要的現(xiàn)實(shí)意義。為了去除超聲圖像中的斑點(diǎn)噪聲，研究人員提出了很多種斑點(diǎn)抑制方法，這些方法又可以分為復(fù)合和濾波兩大類。其中，濾波方法無需改變系統(tǒng)硬件，僅依賴后處理算法對超聲儀輸出圖像進(jìn)行處理，因此在近年來發(fā)展很快。根據(jù)濾波方式不同，常見的濾波方法分為：基于空間濾波、基于小波濾波和基于擴(kuò)散理論。 基于空間濾波的方法包括Lee濾波、Kuan濾波[4]、Frost濾波[5]以及最大似然估計(jì)濾波器[6]等。它們都用到了模板的概念，對圖像像素進(jìn)行局部鄰域處理。小波去噪[7]實(shí)際上將圖像映射到小波域，根據(jù)噪聲和圖像的小波系數(shù)在不同尺度上具有不同的性質(zhì)和機(jī)理，舍去某些尺度部分，再進(jìn)行逆小波變換，從而得到降噪圖像。由于偏微分方程圖像分析方法在醫(yī)學(xué)圖像領(lǐng)域的廣泛應(yīng)用，基于擴(kuò)散理論的去噪方法逐漸形成[8-9]。它主要包括傳統(tǒng)各向異性擴(kuò)散方法和斑點(diǎn)噪聲去除各向異性擴(kuò)散方法[10]，兩者均通過偏微分方程生成圖像尺度空間，而無需受到濾波器窗函數(shù)和形狀的影響。

本文提出了一種自適應(yīng)的斑點(diǎn)噪聲抑制方法，它能平滑圖像、抑制噪聲以及保留圖像的邊緣特征。該方法根據(jù)超聲圖像局部特征，將圖像區(qū)分為斑點(diǎn)噪聲區(qū)域和組織區(qū)域，并用圖像區(qū)域與參考區(qū)域的相似度計(jì)算高斯濾波器的標(biāo)準(zhǔn)差，從而達(dá)到了濾波器對不同區(qū)域區(qū)別處理的目的。

1 斑點(diǎn)噪聲探測

1.1 斑點(diǎn)噪聲產(chǎn)生機(jī)理

在醫(yī)學(xué)超聲圖像成像過程中，成像系統(tǒng)根據(jù)當(dāng)前檢查參數(shù)生成發(fā)射聚焦控制數(shù)據(jù)，該數(shù)據(jù)經(jīng)過數(shù)字電路轉(zhuǎn)換和模擬高壓驅(qū)動電路后變?yōu)轵?qū)動探頭的激勵信號，探頭在高壓信號的激勵下將該高壓電信號轉(zhuǎn)換為探頭晶體的機(jī)械振動，從而形成超聲波在人體中的傳播[11]。超聲波進(jìn)入人體組織后會形成反射波和散射波，這些回波信號經(jīng)過超聲探頭接收和儀器分析顯示就生成了超聲圖像。在超聲檢測過程中，由于人體軟組織聲抗阻的不均勻性和其空間分布的隨機(jī)性，形成了大量隨機(jī)分布的散射粒子，散射粒子間的相互干涉產(chǎn)生的回波信號和對超聲波的散射疊加起來，使得反射回探頭的信號成為一個振幅不定的信號，此信號在超聲圖像中表現(xiàn)為亮暗不定的顆粒狀斑點(diǎn)，即斑點(diǎn)噪聲[4]。

1.2 斑點(diǎn)噪聲模型

當(dāng)介質(zhì)表面不均勻或具有特殊的微結(jié)構(gòu)特征時，會發(fā)生散射現(xiàn)象，從而形成一系列的相干波，這些相干波相互干涉就形成了斑點(diǎn)噪聲。由于分辨單元內(nèi)的散射體是隨機(jī)分布的，它們反向散射的能量也是隨機(jī)的。因此，這種回波信號具有一定的統(tǒng)計(jì)特性。單位分辨單元的散射體數(shù)量稱為散射數(shù)密度，理想情況下，每一分辨單元包含大量的點(diǎn)散射體，其中任何一個其本身并不產(chǎn)生強(qiáng)烈的反射信號，而且在單位范圍內(nèi)，這些散射體散射信號交叉部分是相同的，此時斑點(diǎn)服從Rayleish[12](瑞利)分布。如果分辨單元中存在特定的組織或目標(biāo)，則在反射信號中出現(xiàn)很強(qiáng)的連續(xù)部分。此時回波信號的分布產(chǎn)生偏移，可用Rician分布(萊斯分布)與K分布描述[13]。然而，實(shí)際獲得的超聲圖像噪聲并不完全符合這幾種分布[14]。Loupas 提出并驗(yàn)證了更符合斑點(diǎn)噪聲的獨(dú)立信號噪聲模型[15]，這種模型也可更好地統(tǒng)計(jì)斑點(diǎn)的方差，如式(1)所示。

(1)

式中：y為輸出信號；x是輸入信號；n為噪聲，其中n與x相互獨(dú)立。

(2)

2 自適應(yīng)高斯濾波

2.1 斑點(diǎn)噪聲相似度計(jì)算

局部特征匹配是以圖像中標(biāo)準(zhǔn)噪聲區(qū)域的特征作為測量標(biāo)準(zhǔn)，對比并計(jì)算出圖像局部區(qū)域與標(biāo)準(zhǔn)噪聲區(qū)域之間的相似度，從而得到一個區(qū)分噪聲區(qū)域和含有豐富細(xì)節(jié)信息區(qū)域的判斷因子。匹配相似度越高，說明該區(qū)域與噪聲區(qū)域匹配度越高，因而對該區(qū)域施以程度較高的平滑濾波；相似度越低，說明該區(qū)域與斑點(diǎn)噪聲區(qū)域匹配度越低，則對該區(qū)域施以程度較低的平滑濾波。將相似度定義為一個用戶可控的函數(shù)，其實(shí)現(xiàn)方法為

(3)

(4)

式中：Xref為選定的參考斑點(diǎn)區(qū)域；Xij為以像素(i,j)為中心的一個局部區(qū)域；V(Xref)為參考區(qū)域的方差；V(Xij)為處理區(qū)域的方差。

根據(jù)式(3)可知，相似度值Sij范圍在[0,1]，本文用Sij計(jì)算高斯濾波器的方差。另外,用戶可以調(diào)整α和β來滿足不同的應(yīng)用。

2.2 自適應(yīng)高斯濾波

高斯濾波器的寬度可以由標(biāo)準(zhǔn)差σ來表示，它決定了高斯濾波器對圖像的平滑程度。因此只要能使該濾波器的寬度參數(shù)與圖像的局部區(qū)域特征有關(guān)，就可以讓高斯濾波器自適應(yīng)地過濾圖像。本文中高斯濾波器標(biāo)準(zhǔn)差σ由圖像局部區(qū)域與參考噪聲區(qū)域的相似度Sij計(jì)算，因?yàn)閳D像中不同區(qū)域?qū)Ρ葏⒖紖^(qū)域的相似度Sij不同，所以每個區(qū)域?qū)?yīng)的標(biāo)準(zhǔn)差σ不同。這表明在圖像的不同區(qū)域，高斯濾波器的過濾強(qiáng)度不同，這樣就達(dá)到了高斯濾波器自適應(yīng)過濾圖像的目的，保證了高斯濾波器能有區(qū)別地平滑斑點(diǎn)區(qū)域和特征區(qū)域。實(shí)驗(yàn)結(jié)果表明，將高斯標(biāo)準(zhǔn)差σ表示為區(qū)域相似度Sij的二次函數(shù)，并且當(dāng)二者的關(guān)系如式(5)時，圖像處理的效果最好。

(5)

當(dāng)Sij很小(接近于0)時，σij值也很小，高斯濾波的平滑程度就很小。而此時的處理區(qū)域?yàn)樘卣鲄^(qū)域，可以較好地保留細(xì)節(jié)特征；當(dāng)Sij接近于1時，σij的值較大。此時圖像處理區(qū)域?yàn)榘唿c(diǎn)區(qū)域，高斯濾波器能對該區(qū)域進(jìn)行足夠的平滑，可以最大程度地抑制圖像中的斑點(diǎn)。

3 實(shí)驗(yàn)結(jié)果及評價

3.1 超聲圖像評價指標(biāo)

超聲圖像質(zhì)量的好壞要用一定的指標(biāo)來評價，一般采用信噪比SNR[16]和對比度噪聲比CNR[17]這兩個指標(biāo)來衡量圖像質(zhì)量。

信噪比(Signal-to-noise ratio，SNR)。SNR定義為一均勻變場中應(yīng)變的均值與標(biāo)準(zhǔn)差的比值，用以表征圖像中信號與噪聲強(qiáng)度的比率，其公式為

(6)

式中：μ為噪聲區(qū)域的均值，σ為噪聲區(qū)域的標(biāo)準(zhǔn)差。

對比度信噪比(Contrast-to-noise ratio，CNR)。CNR是在具有病變的超聲圖像中，用于表征病變組織與健康組織之間的易辨識、易區(qū)分的程度，直接關(guān)系到圖像組織內(nèi)病變及檢病變能力的高低。其定義為

(7)

其中：μt與μb分別為特征與斑點(diǎn)區(qū)域的均值，σb為斑點(diǎn)區(qū)域的標(biāo)準(zhǔn)差。

為了更準(zhǔn)確地描述圖像的處理效果，本文還用到了信噪比增長度(upSNR)和對比度信噪比增長度(upCNR)這兩個統(tǒng)計(jì)參數(shù)。

信噪比增長率(upSNR)定義為圖像處理前后的信噪比變化量，它是以圖像處理前的SNR值和處理后的SNR值為基礎(chǔ)得到的。對比度信噪比增長度(upCNR) 反映了圖像在處理前后對比度信噪比的變化量，它只與圖像處理前的CNR值和處理后的CNR值有關(guān)，其具體公式為

upSNR=100(SNRresult/SNRoriginal-1)

(8)

upCNR=100(CNRresult/CNRoriginal-1)

(9)

3.2 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文所提方法的有效性和適用性，本文分別對1幅超聲物理體模圖像和2幅人體肝臟超聲圖像，采用斑點(diǎn)抑制的各向異性擴(kuò)散(Speckle reducing anisotropic diffusion ，SRAD)算法、邊緣保持的各向異性擴(kuò)散(Detail preserving anisotropic diffusion， DPAD)算法和本文算法進(jìn)行過濾處理，并對濾波結(jié)果進(jìn)行比較分析。實(shí)驗(yàn)所用的體模圖像和肝臟圖像都采集自某公司生產(chǎn)的超聲儀器設(shè)備平臺，其探頭頻率為3.5 MHz。體模圖像是用該超聲系統(tǒng)掃描人體體模模型得到的，而肝臟超聲圖像是該系統(tǒng)掃描人體得到的臨床實(shí)驗(yàn)結(jié)果。各種算法對兩種圖像設(shè)置的參數(shù)相同：在SRAD算法中，平滑時間步長設(shè)置為0.5，迭代次數(shù)為100次，窗口大小固定為3×3。DPAD算法的平滑時間步長設(shè)置為0.8 ，迭代次數(shù)為200次，窗口值采用DPAD算法原文推薦的5×5。本文算法的參考區(qū)域與SRAD算法的參考區(qū)域相同，高斯函數(shù)的標(biāo)準(zhǔn)差由處理區(qū)域與參考區(qū)域的相似度Sij得出，迭代次數(shù)設(shè)為6，本文算法要求窗口大小為9×9[15]。本實(shí)驗(yàn)使用的計(jì)算機(jī)主要配置如下：處理器為英特爾酷睿雙核，主頻為2.93 GHz，所用軟件為MATLAB 2012b版本。物理體模圖像實(shí)驗(yàn)結(jié)果如圖1所示，人體肝臟圖像實(shí)驗(yàn)結(jié)果如圖3和圖5所示。其中，各圖中的黑色方框代表選取的參考斑點(diǎn)區(qū)域，白色方框表示選取的特征區(qū)域。圖2體現(xiàn)了3種算法在對體模圖像進(jìn)行處理過程中SNR和CNR的變化趨勢，圖4是肝臟圖像1的SNR和CNR的變化圖，圖6是肝臟圖像2的SNR和CNR的變化圖。表1和表2顯示了對兩種圖像處理的各種算法的參數(shù)設(shè)置、圖像處理前后的SNR和CNR值、upSNR和upCNR值及處理所耗時間。

3.2.1 物理體模圖像實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)所用的物理體模圖像如圖1(a)所示，圖1(b～d)分別是SRAD算法、DPAD算法和本文算法對該圖像處理后的結(jié)果圖。比較這3幅圖像可知：與其他兩種去噪算子處理后的結(jié)果相比，經(jīng)過本文算法降噪后的圖1(d)圖像更加平滑，邊緣細(xì)節(jié)更清晰。為了更直觀地反映各種算法的抑噪效果，用SNR和CNR值來量化實(shí)驗(yàn)過程，結(jié)果如圖2所示。由于圖像的CNR值是隨著SNR值變化的，所以它們的變化趨勢很類似，故只以SNR變化圖2(a)來分析實(shí)驗(yàn)結(jié)果。圖中的3條曲線清晰地表明了實(shí)驗(yàn)算法在迭代過程中對原圖像的SNR值的改變，每條曲線的上端的虛線表示迭代過程中SNR值的最大值。由于圖像處理前的SNR值相同，這3條曲線起點(diǎn)相同。隨著迭代次數(shù)的增加，3條曲線都呈上升趨勢，但本文算法的增長速度最快。隨著迭代次數(shù)的增加，SNR值的變化幅度越來越小，最后趨于穩(wěn)定，這可以從圖2各算法的SNR增長曲線上面的虛線可以看出。實(shí)驗(yàn)結(jié)束時，本文算法迭代6 次后的SNR值遠(yuǎn)大于SRAD迭代100次和DPAD迭代200次 的SNR值?？梢宰C明本文算法可以大大增加圖像的對比度，增強(qiáng)圖像的可辨識度。表1給出實(shí)驗(yàn)中各算法的參數(shù)設(shè)置及對應(yīng)的實(shí)驗(yàn)結(jié)果，其中迭代次數(shù)是根據(jù)多次實(shí)驗(yàn)得到的穩(wěn)定、效果較好的數(shù)據(jù)值。同樣以各圖像的SNR值為例來分析實(shí)驗(yàn)結(jié)果，由表中給出的每種算法處理前后的信噪比SNR值可知，每種算法處理前的信噪比SNR值為4.235。SRAD算法處理后的SNR值為24.722，DPAD算法處理后的SNR值為20.518，而本文算法處理后的SNR值為39.378。明顯看到，本文算法的SNR值最大。表1還計(jì)算出了各種算法對應(yīng)的信噪比增長度upSNR值，SRAD算法的upSNR值為483.8，DPAD算法的upSNR值為384.49，本文算法的upSNR值為829.9。經(jīng)過本文算法處理后，圖像的信噪比SNR增長度最大，這表明該算法可以更有效地抑制超聲斑點(diǎn)噪聲。對于該圖像，SRAD算法迭代100次消耗時間為 3.36 s，DPAD算法迭代200次所耗時間為16.43 s，本算法迭代6次消耗的時間為3.57 s。由于本文算法只迭代了6次，一次濾波的效率高于其他兩種算法，這體現(xiàn)了本文算法的高效性。

圖1 物理體模圖像實(shí)驗(yàn)結(jié)果圖 Fig.1 Experimental results of a physical phantom image

圖2 物理體模圖像SNR與CNR變化圖Fig.2 SNR and CNR change charts of phantom image

3.2.2 肝臟圖像實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)中的超聲肝臟圖像1如圖3(a)所示，肝臟圖像2如圖5(a)所示。兩圖中的(b)，(c)和(d)

表1 各算法的參數(shù)設(shè)置及降噪性能比較

分別為SRAD算法、DPAD算法和本文算法對原圖像處理后的效果圖。圖4顯示了各算法在迭代過程中對肝臟圖像1的SNR和CNR值的改變，圖6顯示了各算法在迭代過程中肝臟圖像2的SNR和CNR值的變化，表2為肝臟圖像各算法的參數(shù)設(shè)置及降噪性能比較。由圖4和圖6可知,各種算法對肝臟圖像的處理情況大致相同，因此只以肝臟圖像1為例分析。由圖3(d)可知，本文算法能有效抑制圖像上的散斑噪聲，視覺效果較好。為了更清晰地反映各種降噪算法抑制噪聲的能力，同樣對超聲原圖及處理后的各圖像進(jìn)行SNR和CNR量化，結(jié)果如圖4所示。由于圖像的CNR值隨著SNR值改變，它們的變化規(guī)律很類似，故只以SNR變化圖來分析實(shí)驗(yàn)結(jié)果。圖中3條曲線顯示出了實(shí)驗(yàn)中對應(yīng)算法的在迭代過程中對原圖像SNR值的改變，每條曲線上端的虛線表示改變后SNR的最大值?？梢钥吹剑@3條曲線起點(diǎn)相同。隨著迭代次數(shù)的增加，3條曲線都呈上升趨勢，但本文算法的增長速度最大。隨著濾波時間的推移，濾波效果逐漸明顯。SNR值的增長趨于穩(wěn)定，其增長曲線趨近一條直線，圖4則反映了這一結(jié)論。實(shí)驗(yàn)結(jié)束時，SRAD算法和DPAD算法的SNR值小于本文算法SNR的值。表2顯示了各算法的參數(shù)設(shè)置及對應(yīng)的實(shí)驗(yàn)結(jié)果，其中迭代次數(shù)根據(jù)各去噪算法的性能確定。從表2中各算法處理后的信噪比SNR、對比度信噪比CNR及評價參數(shù)信噪比增長度upSNR、對比度信噪比upCNR的比較中可以看出，本文算法降噪性能較其他算法有很大改善。這表明本文算法可以明顯地增強(qiáng)圖像的對比度，有效地抑制斑點(diǎn)噪聲，使超聲圖像達(dá)到了很好的去噪效果。對于該圖像，SRAD算法迭代100次所耗時間為10.94 s，DPAD算法迭代200次所耗時間只為51.09 s，本算法迭代6次后消耗的時間為13.35 s。由處理時間及迭代次數(shù)可知，該算法單次濾波的效率高于其他兩種算法。

圖3 人體肝臟圖像1實(shí)驗(yàn)結(jié)果圖Fig.3 Experimental results of the first human liver ultrasound image

圖4 肝臟圖像1 SNR與CNR變化圖Fig.4 SNR and CNR change charts of the first human liver ultrasound image

表2 肝臟圖像各算法的參數(shù)設(shè)置及降噪性能比較

圖5 人體肝臟圖像2實(shí)驗(yàn)結(jié)果圖Fig. 5 Experimental results of the second human liver ultrasound image

圖6 肝臟圖像2 SNR與CNR變化圖Fig.6 SNR and CNR change charts of the second human liver ultrasound image

4 結(jié)束語

本文提出了基于自適應(yīng)高斯濾波的超聲斑點(diǎn)去噪算法，該算法以圖像局部特征匹配為基礎(chǔ)，實(shí)現(xiàn)了高斯濾波函數(shù)寬度參數(shù)的自適應(yīng)取值，使高斯濾波器能夠?qū)Σ煌瑓^(qū)域進(jìn)行不同程度的過濾。因而，其在降噪的同時自適應(yīng)地保留了圖像的邊緣和細(xì)節(jié)特性。從對人體肝臟超聲圖像及物理體模圖像實(shí)驗(yàn)處理的結(jié)果來看，該方法比較成功。它不僅能有效地去除了超聲圖像中的斑點(diǎn)噪聲，而且保留了必要的特征，使處理后的超聲圖像具有了良好的視覺效果，因而為圖像的進(jìn)一步處理提供了良好的基礎(chǔ)。

[1] 王艷丹，高上凱．超聲成像新技術(shù)及其臨床應(yīng)用[J]．北京生物醫(yī)學(xué)工程，2006，25(5)：553-556．

Wang Yandan，Gao Shangkai．New technology of ultrasound and the application of clinical [J]．Beijing Biomedical Engineering，2006，25(5)：553-556．

[2] Liu Guojin，Zeng Xiaoping，Tian Fengchun，et al．Speckle reduction by adaptive window anisotropic diffusion [J]．Signal Processing， 2009，89(11)：2233-2243．

[3] 陳韜亦．醫(yī)學(xué)超聲圖像去噪方法研究[D]．哈爾濱:哈爾濱工業(yè)大學(xué)，2008．

Chen Taoyi．Research on methods of medical ultrasound image denoising[D]．Harbin：Harbin Institute of Technology，2008．

[4] Pizurica A，Philips W．A versatile wavelet domain noise filtration technique for medical imaging[J]．IEEE Trans Medical Imaging，2003，22(3)：323-331．

[5] Strintzis M G，Kokkinidis I． Maximum likelihood motion estimation in ultrasound image sequences[J]．IEEE Signal Processing Letter，1997，4(6)：156-157．

[6] Yu Jinhua，Wang Yuanyuan，Shen Yuzhong．Noise reduction and edge detection via kernel[J]．Pattern Recognition Letters，2008，29(10)：1496-1503．

[7] Ng J，Prager R，Kingsbury N．Wavelet restoration of medical pulse-echo ultrasound images in an EM framework [J]．IEEE Trans Ultrason Ferroelec Freq Cont，2007，54(3)：550-567．

[8] Wang ling，Li Deyu，Wang Tianfu，et al．Filtering of medical ultrasound images based on a modified anistropic diffusion eauation[J]．Journal of Electronic(China)，2007，24(2):120-125．

[9] 陳婷婷，沈民奮，楊金耀．一種復(fù)合各向異性擴(kuò)散的圖像去噪算法[J]．?dāng)?shù)據(jù)采集與處理，2014，29(5) ：757-763．

Chen Tingting，Shen Minfen，Yang Jinyao．A composite image denoising algorithm of anisotropic diffusion [J]．Journal of Data Acquisition and Processing，2014，29(5) ：757-763.

[10] Yu Yongjian，Acton S T．Speckle reducing anisotropic diffusion[J]．IEEE TransImage Processing，2002， 11(11)：1260-1270．

[11] 張瓊，李斌．超聲斑點(diǎn)噪聲的形成原理及模型[J]．電子技術(shù)與軟件工程，2014，14：118-120．

Zhang Qiong，Li Bin．The formation principle and model of ultrasound speckle [J]．Electronic Technology MYM Softwarer Engineering，2014，14：118-120．

[12] Ththill T A ，Sperry R H，Parker K J．Deviation from Rayleish statistics in ultrasonic speckle[J]．Ultrason Imag，1994，16：81-90．

[13] Shanker P M．A general statistical model for ultrasonic backscattering from tissues[J]．IEEE Trans Ultra Ferr and Freq Cont，2000，47(3)：727-735．

[14] 張宏群，陳小晴，陶興龍．基于混合階偏微分方程的超聲圖像降噪[J]．信息技術(shù)，2013，1：77-80．

Zhang Hongqun，Chen Xiaoqing，Tao Xinglong．Method of ultrasound image denoising based on hybrid-order PDE[J].Information Technology，2013，(1)：77-80．

[15] Shao Dangguo，Liu Dong C， Liu Paul.Local characteristic matching based adaptive iterative bilateral filter to ultrasound speckle reduction[J].ICIC Express Letters，2012，3(1)：1-6.

[16] Behar V，Adam D，F(xiàn)riedman Z．A new method of spatial compounding images[J]．Ultrasounds，2003，41：377-384．

[17] Chen Yan，Yin Ruming，F(xiàn)lynn P，et al．Aggressive region growing for speckle reduction in ultrasound images[J]．Pattern Recognition Letters，2003，24：677-691．

Speckle Reduction Based on Adaptive Gauss Filtering

Shao Dangguo1, Deng Yangyang1, Xiang Yan1, Yi Sanli1, Yu Zhengtao1, He Jianfeng1, Liu Cuiyin2, Zong Shaoyun3

(1.Institute of Information Engineering and Automation, Kunming University of Science and Technology and the Key Laboratory of Computer Technology Application in Yunnan Province, Kunming, 650500, China; 2.Computer Center of Kunming University of Science and Technology, Kunming, 650500, China; 3.The First People′s Hospital of Yunnan Province, Kunming, 650032, China)

Speckle noises in medical ultrasound image would decrease the quality of image and bring difficulties to the analysis and diagnosis of the subsequent image. To reduce speckle, here we propose a speckle reduction algorithm based on the adaptive Gauss filter. The algorithm distinguishes the image with speckle regions and characteristic regions by a similarity deprived from local characteristic matching between the processing window and a reference speckle area. According to the similarity, this algorithm adjustes adaptively the width of the Gauss filter. Ultrasound phantom testing and vivo imaging show that the proposed method is effective. It can reduce the numbers of iteration significantly, as well as the speckle and preserve edge.

ultrasound image; local characteristic matching; adaptive filtering; similarity; speckle noise reduction

國家博士后基金(2016M592894XB)資助項(xiàng)目。

2015-06-25；

2015-09-10

TP391

A

邵黨國(1979-)，男，博士，研究方向：醫(yī)學(xué)信號與圖像處理、模式識別等,E-mail: 23014260@qq.com。

鄧陽陽(1990-)，女，碩士研究生，研究方向：醫(yī)學(xué)圖像處理。

相艷(1979-)，女，講師，研究方向：醫(yī)學(xué)圖像處理。

易三莉(1977-)，女，博士，講師，研究方向：醫(yī)學(xué)圖像處理與分析。

余正濤(1970-)，男，教授，研究方向：人工智能等。

賀建峰(1965-)，男，教授，研究方向：醫(yī)學(xué)圖像信號處理等。

劉翠寅(1974-)，女，副教授，研究方向：圖像處理。

宗紹云(1963-)，男，副教授，主任醫(yī)生，研究方向：超聲診斷。