基于閾值鄰域均值的醫(yī)學超聲圖像去噪算法

摘 要：針對含有高密度椒鹽和高斯噪聲的醫(yī)學超聲圖像去噪中細節(jié)信息保留不夠，圖像較模糊問題，提出了一種閾值鄰域均值算法。該方法首先通過閾值策略法對指定鄰域內(nèi)像素加權(quán)均值與其中任一像素灰度值大小進行比較判斷，然后將大于閾值的像素剔除，而小的作為有用信息輸出，最后運用該方法對含有高密度椒鹽和高斯噪聲的醫(yī)學影像圖像進行去噪實現(xiàn)設計。仿真實驗表明，閾值鄰域均值算法對胰腺超聲圖像的高密度椒鹽和高斯噪聲抑制力強，計算速度快，峰值信噪比大于單純的中值和均值算法，去噪后的圖像質(zhì)量更佳。

關(guān)鍵詞：醫(yī)學超聲圖像；閾值鄰域均值；去噪算法

中圖分類號：TP391.4；R445.9

文獻標志碼：A

超聲成像是現(xiàn)有醫(yī)學成像技術(shù)中常用的診斷方法，而超聲成像過程中由信號的差異與強弱產(chǎn)生的噪聲會降低超聲圖像的質(zhì)量，進而會影響臨床醫(yī)生的判斷和治療［1-2］，因此研究超聲圖像去噪技術(shù)具有重要意義。近年來一些研究者將數(shù)字圖像濾波技術(shù)應用到醫(yī)學影像圖像的去噪中，并取得了良好效果［3-4］。例如：肖磊等［5］提出了一種沿邊緣切線擴散去噪的方法，該方法很好地去除了醫(yī)學超聲圖像的邊緣噪聲，較好地保持了圖像細節(jié)信息，克服了多次迭代運算的煩瑣，但對其中心區(qū)域的噪聲抑制不理想。袁樂民［6］運用中值濾波算法對含有噪聲的醫(yī)學圖像去噪方法進行了探討，取得了好的濾波效果，但該方法對高密度噪聲抑制效果不好。梅玲等［7］采用加權(quán)中值濾波算法對MRI中的高密度椒鹽噪聲和高斯噪聲進行了去除研究，該方法能夠較好地抑制高密度噪聲，有效地保護了圖像細節(jié)，但運算量大。張雪峰等［8］提出了一種基于分數(shù)階的中值濾波算法，該方法可以有效抑制圖像中的椒鹽噪聲，達到增強圖像功效，能較好地保留圖像邊緣突出的細節(jié)，但該算法對高斯噪聲不敏感。李瑞琦等［9］將小波變換和中值濾波相結(jié)合，能夠很好地消除高頻噪聲和椒鹽噪聲，但存在無法抑制大噪聲的問題。方斌等［10］采用小波閾值方法能夠有效抑制脈沖噪聲，該方法僅對椒鹽噪聲具有較好的峰值信噪比和邊緣保持指數(shù)，但對高斯噪聲不理想。陳軍［11］采用小波分析對醫(yī)學影像圖像的高斯噪聲抑制問題進行了實驗研究，在小噪聲環(huán)境下效果較好，但噪聲密度較高時存在條紋效應，使圖像邊緣產(chǎn)生間斷現(xiàn)象。何文［12］通過小波分析和模糊理論相結(jié)合的算法對超聲圖像的高頻噪聲進行有效地抑制，使圖像質(zhì)量得到改善，但該方法存在閾值選擇的限制，使圖像清晰度受影響。傅博等［13］提出了邊緣導向的非局部圖像均值濾波算法，該方法能有效抑制高強度噪聲干擾環(huán)境下圖像的邊緣修復能力，但對圖像細節(jié)的保持性不高。劉傳義等［14］采用余弦相似度非局部均值濾波方法研究了圖像去噪和邊緣結(jié)構(gòu)信息保持問題，能夠反映圖像中的鄰域相似性，克服光照不均的影響。但算法僅在相對小噪聲干擾情況下去噪效果好，對大噪聲圖像效果不佳?；葆摰龋?5］提出了自適應去噪方法，該方法采用比率距離計算超聲圖像像素間的相似度距離，達到對濾波窗口的調(diào)整而有效地過濾了超聲圖像的斑點噪聲，提高了圖像的邊緣細節(jié)，但該算法對高斯噪聲的抑制不理想?；谏鲜鲅芯?，為進一步提升去噪性能、減少運算量，提出了一種基于閾值鄰域均值算法，并采用仿真軟件對含有高密度的椒鹽和高斯噪聲的胰腺超聲圖像去噪進行探討，驗證了該算法的實效性。

1 基于閾值鄰域均值的算法分析

醫(yī)學影像圖像中多數(shù)像素的灰度與鄰近像素的灰度存在很大的灰度相關(guān)性。但噪聲具有隨機性，它產(chǎn)生的灰度與鄰點灰度無關(guān)，噪聲通常在其高頻部分呈現(xiàn)。所以，減弱高頻成分增強低頻成分是抑制噪聲的有效辦法。

假定有一幅m×n 個像素的二維含噪圖像f（x，y），平滑處理后得到一幅圖像灰度值g（x，y）。則鄰域平均濾波算法可表示為［16］

g（x，y）=1M∑（m，n）∈Sf（x－m，y－n）（1）

式（１）中，x，y=0，1，2，…，N－1，M為S的像素總數(shù)，S為（ x ， y）空心鄰域中所有像素點坐標的集合。平滑后的圖像g（ x ， y）中的每個像素的灰度值均由包含在（ x ， y）鄰域內(nèi)的像素灰度值的平均值來決定。h（ x ， y）為窗口函數(shù)，其灰度值g（ x ， y）的卷積表達式為

g（x，y）=f（x，y）×h（x，y）=

∑（m，n）∈S∑（m，n）∈Sh（m，n）f（x－m，y－n） （2）

鄰域平均算法去噪具有算法簡便、運算速度快的優(yōu)勢，但它會導致圖像細節(jié)丟失大而產(chǎn)生朦朧感。閾值鄰域均值算法可以克服鄰域平均算法的缺陷，提高圖像的細節(jié)信息［17］，其閾值鄰域平均法表示如下：

g（x，y）=1M∑（m，n）∈Sf（x－m，y－n）， f（x，y）－1M∑（m，n）∈Sf（x－m，y－n）gt;T

f（x，y）， f（x，y）－1M∑（m，n）∈Sf（x－m，y－n）≤T （3）

其中，T為閾值，由Bayes理論［18］有

T=σσ0（4）

這里，σ0為不含噪聲的醫(yī)學圖像標準差，σ為含噪聲的醫(yī)學圖像標準差，在鄰域平均算法中，圖像f（x，y）的均值為Mean（f（x，y）），σ值由σ^近似算得，即

σ^=Mean（f2（x，y））M（5）

σ0值由σ^0近似求得，即

σ^0=max1

M∑（m，n）∈Sf2（x，y）-σ^2，0（6）

如圖1所示為對含有高密度椒鹽和高斯噪聲的超聲圖像采用閾值鄰域均值去噪的算法主要程序流程。

2 閾值鄰域均值算法在醫(yī)學超聲圖像中的實現(xiàn)

為驗證閾值鄰域均值算法的有效性，運用MATLAB平臺［19-20］將中值、均值、閾值鄰域均值等3種算法的去噪效果進行了仿真實驗比較。實驗用圖像來源于醫(yī)學圖像數(shù)據(jù)集，如圖2為胰腺超聲原始圖，加入噪聲分別為高密度椒鹽和高斯等2種噪聲。對2種噪聲分別利用3種方法進行噪聲去除實驗，實驗結(jié)果如圖3（a）—（d）和圖4（a）—（d）所示。

圖3（a）是在圖2中加有均值為0、方差為0.25的高斯噪聲的胰腺超聲圖像；圖3 （b）是對圖3（a）通過中值去噪后的圖像；圖3（c）是對圖3（a）通過均值去噪后的圖像；圖3（d）是對圖3（a）通過本文算法后的圖像。對比實驗結(jié)果，觀察到：中值非線性和均值線性濾波算法在濾除高斯噪聲方面效果不佳，而本研究中提出的算法能有效地抑制其高斯噪聲，能很好地保護醫(yī)學影像圖像的細節(jié)，使圖像更明晰。

圖4（a）是在圖2中加有噪聲密度為0.25椒鹽噪聲的胰腺超聲圖像；圖4（b）是對圖4（a）經(jīng)中值非線性去噪后的圖像；圖4（c）是對圖4（a）經(jīng)均值線性去噪后的圖像；圖4（d）是對圖4（a）經(jīng)本文算法去噪后的圖像。由圖4可以觀察到：中值非線性和均值線性去噪方法都能在一定程度上抑制椒鹽噪聲，中值法比均值法較好地保持了醫(yī)學影像圖像的原有細節(jié)，但所得醫(yī)學影像圖像較模糊、清晰度欠佳。本文提出的方法對椒鹽噪聲的濾除效果最佳，能很好地保護醫(yī)學影像圖像的細節(jié)信息，使圖像清晰度更高。

為了進一步驗證本文提出的算法在胰腺超聲圖像中的去噪聲效果，用均值、中值和本文提出的算法等3種方法將圖像進行去噪聲運算，通過峰值信噪比（peak signal to noise ratio，PSNR）衡量3種方法的去噪功能，各方法的PSNR指標見表1。由表1可見，本文算法的峰值信噪比顯著大于其他兩種算法，表明該方法去噪性能優(yōu)于其他兩種方法。由以上可知，本文算法不僅能有效去除胰腺超聲圖像中含有高密度的椒鹽和高斯噪聲，又可有效保持圖像的細節(jié)。

3 結(jié)語

研究表明，運用閾值鄰域均值濾波法既能夠有效抑制胰腺超聲圖像中含有的高密度的椒鹽和高斯噪聲，又可有效保持圖像的細節(jié)信息。因此，本方法對醫(yī)學影像圖像的去噪研究有良好的參考價值。在今后的研究中，筆者將對醫(yī)學影像圖像中的其他類型噪聲的去除進行研究。

參考文獻：

[1]李曉峰， 李東， 王妍瑋. 基于深度殘差網(wǎng)絡的醫(yī)學超聲圖像多尺度邊緣檢測算法［J］. 吉林大學學報（理學版）， 2021， 59（4）： 900-908.

［2］ 盧文鋒， 佀同光， 韓國勇. 基于稀疏表示和低秩矩陣逼近的圖像去噪算法的研究［J］. 首都師范大學學報（自然科學版）， 2022， 43（1）： 19-23.

［3］ 何明. 基于L1范數(shù)和自適應全變差的椒鹽噪聲圖像去噪［J］. 西南師范大學學報（自然科學版）， 2021， 46（5）： 115-120.

［4］ 張永剛. 基于小波變換的醫(yī)學影像圖像閾值分割實現(xiàn)設計［J］. 貴州大學學報（自然科學版）， 2021， 38（2）： 37-39，43.

［5］ 肖磊， 陳菲， 熊秀娟. 基于Canny算子的邊緣切線擴散醫(yī)學超聲圖像去噪［J］. 計算機應用研究， 2015， 32（7）： 2189-2191， 2199.

［6］ 袁樂民. 基于中值濾波算法的醫(yī)學影像圖像去噪設計實現(xiàn)研究［J］. 貴州大學學報（自然科學版）， 2020， 37（2）： 42-45，50.

［7］ 梅玲， 茍雙全. 一種加權(quán)中值濾波算法在醫(yī)學磁共振圖像去噪中的應用［J］. 延邊大學學報（自然科學版）， 2021， 47（4）： 365-369.

［8］ 張雪峰， 閆慧. 基于中值濾波和分數(shù)階濾波的圖像去噪與增強算法［J］. 東北大學學報（自然科學版）， 2020， 41（4）： 482-487.

［9］ 李瑞琦， 鮑艷， 盧建軍， 等. 一種新型隧道圖像去噪方法——基于小波變換及中值濾波的隧道圖像去噪方法研究［J］. 現(xiàn)代信息科技， 2020， 4（22）： 81-85.

［10］方斌， 陳家益. 去除脈沖噪聲的小波閾值去噪算法［J］. 激光與光電子學進展， 2021， 58（22）： 248-256.

［11］陳軍. 基于小波分析的醫(yī)學影像圖像去噪設計及仿真研究［J］. 貴州大學學報（自然科學版）， 2020， 37（5）： 78-81， 88.

［12］何文. 基于小波變換與模糊理論的醫(yī)學超聲圖像增強與去噪方法研究［J］. 電子設計工程， 2015， 23（12）： 101-104.

［13］傅博， 吳越楚， 王麗妍， 等. 邊緣導向的非局部均值圖像濾波［J］. 吉林大學學報（信息科學版）， 2020， 38（6）： 687-693.

［14］劉傳義， 王世峰， 王開鑫， 等. 基于余弦相似度的非局部均值濾波方法［J］. 長春理工大學學報（自然科學版）， 2021， 44（2）： 18-26.

［15］惠釗， 黃慧明. 基于比率距離的自適應超聲圖像去噪方法［J］. 中國醫(yī)學物理學雜志， 2020， 37（2）： 174-179.

［16］ZHAO W Y， DELEDALLE C A， DENIS L， et al. Ratio-based multitemporal SAR images denoising： RABASAR［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（6）： 3552-3565.

［17］宋瑞麗， 谷芳， 孟鴿， 等. 去椒鹽噪聲的新型圖像復原模型［J］. 安徽大學學報（自然科學版）， 2021， 45（6）： 29-36.

［18］CHEN Z W， WANG S， FANG G Y， et al. Ionograms denoising via curvelet transform［J］. Advances in Space Research， 2013， 52（7）： 1289-1296.

［19］牟希農(nóng). 離散小波變換在醫(yī)學影像圖像局部壓縮中的實現(xiàn)研究［J］. 貴州大學學報（自然科學版）， 2021， 38（5）： 50-53.

［20］陳軍. 基于維納濾波算法的醫(yī)學影像圖像除噪分析研究［J］. 遼寧大學學報（自然科學版）， 2019， 46（1）： 45-50.

（責任編輯：曾 晶）

Denoising Algorithm for Medical Ultrasound Image

with Threshold Neighborhood Average

MOU Xinong*

（Department of Medical Education， Dingxi Campus， Gansu University of Chinese Medicine， Dingxi 743000， China）

Abstract：

To solve the problem of medical ultrasound image with high-density pepper and salt，and Gaussian noise， poor definition， and inadequate details， an threshold neighborhood average algorithm is proposed. The method first compares the weighted mean of designated pixel with any pixel gray value by threshold strategy， and then removes the pixels larger than the threshold， takes the smaller pixels as useful output information， and finally designs the denoising of the medical image with high-density salt and pepper noise， and Gaussian noise. Simulation experiments show that the threshold neighborhood average algorithm has strong high-density pepper and salt noise， and Gaussian noise suppression on pancreatic ultrasound image， fast computation， lager PSNR than pure median and mean algorithm， and better quality image after denoising.

Key words：

medical ultrasound image; threshold neighborhood average; denoising algorithm

收稿日期：2022-03-24

基金項目：甘肅省高等學校創(chuàng)新能力提升項目 （2020A-193）

作者簡介：牟希農(nóng)（1963—），男，副教授，研究方向：普通物理學及醫(yī)學影像物理學，E-mail：289929872@qq.com.

通訊作者：牟希農(nóng)，E-mail：289929872@qq.com.