生物醫(yī)學圖像去噪方法及其應用研究分享

1、真誠為您提供優(yōu)質參考資料，若有不當之處，請指正。畢業(yè)設計（論文） 論文題目: 生物醫(yī)學圖像的去噪方法及其應用研究 學生姓名： * 學 號：110921023 專 業(yè)： 生物醫(yī)學工程 方 向： 醫(yī)學儀器 指導教師： 2015年 4 月 20 日30 / 31 生物醫(yī)學圖像去噪的研究及應用 學生姓名：崔枝君 指導老師：邢國泉湖北科技學院 生物醫(yī)學工程摘要： 在現代信息化的社會里，醫(yī)學影像圖像處理技術在在臨床醫(yī)學應用中所起的作用越來越大。然而生物醫(yī)學圖像信號在產生、傳輸過程中都可能會受到噪聲的污染，這將對圖像的后續(xù)處理和研究造成嚴重阻礙，在數字圖像處理領域，為了獲取高質量的數字圖像圖像的濾波去噪一直

2、是最重要、最基本的研究課題之一。抽像的講，圖像去噪可以看作對降質圖像矩陣尋求逆變換的過程。 所以，消除在醫(yī)學圖像圖像采集和傳輸過程中而產生的噪聲，保證圖像受污染度最小，成了醫(yī)學圖像處理領域里的重要部分。本文主要從兩個方面著手，一是分析醫(yī)學儀器中產生圖像噪聲的原因，盡量避免這些因素，并了解如今醫(yī)學儀器去噪新的技術應用。二是從醫(yī)學圖像去噪方面對醫(yī)學圖像去噪，觀察其效果。主要研究分析鄰域平均法、中值濾波法、維納濾波法及小波變換法的圖像去噪算法。首先介紹圖像處理的基礎理論；其次詳細闡述了四種去噪算法原理及特點；最后運用Matlab軟件分別對一張含噪CT圖片進行仿真去噪，比較各種去噪方法的優(yōu)缺點。關鍵字

3、：醫(yī)學圖像，MATLAB，去噪，高斯噪聲，CT圖像,小波變換。The Research and application of biological medical image denoisingName:Zhi-Jun Cui Instructor:Guo-Quan XingSchool of Biomedical Engineering, Hubei University of Science and TechnologyAbstract: In the information society, it is more and more important of the imaging tec

4、hniques for medical image in clinical medicine .Biomedical image signal generation as well as the transfer process can be affected by noise in the area of digital image processing, this will bring a serious obstacle to the treatment and research of the image. Image de-noising has been one of the mos

5、t important and basic research topics . Abstractly speaking, image noise reduction can be seen as seeking inverse matrix transformations of degraded images. So, eliminating the medical image noise that come from image acquisition and transmission and guarantee the image by the minimum pollution beco

6、mes an important part of medical image processing field. This article mainly discusses from two aspects: the first causes of image noise in medical instruments were analysed, try to avoid these factors, and understand that latest medical instrument denoising new technology application, the second is

7、 made the image denoising from the aspect of medical image denoising and observe its result. The MATLAB software platform is applied to image denoising with average filtering method, the neighborhood averaging method, median filtering, wiener filtering method .wavelet transform method and so on. Com

8、paring the several kinds of methods which is better.The keys: medical,MATLAB,denoise,gussian noise,CT image.Wavelet transform目錄1. 緒論11.1.醫(yī)學影像技術的發(fā)展趨勢11.2 醫(yī)學圖像去噪處理的發(fā)展21.3 醫(yī)學圖像去噪處理的意義32.生物醫(yī)學圖像噪聲的基本內容32.1醫(yī)學圖像噪聲的基本定義32.2醫(yī)學圖像噪聲的產生原因及分類42.3 醫(yī)學儀器去噪發(fā)展及應用52.3.1超聲圖像去噪技術及應用52.3.2 CT圖像噪聲52.3.3核磁共振圖像去噪62.3.4 數字血管

9、造影技術（DSA）6 3.醫(yī)學圖像去噪原理及應用73.1.均值濾波器73.1.1均值濾波器原理73.1.2.均值濾波器仿真實驗83.2鄰域平均法93.2.1 鄰域平均法原理93.2.2 鄰域平均仿真實驗103.3中值濾波去噪123.3.1中值濾波原理123.3.2中值濾波器仿真實驗123.4維納濾波去噪143.4.1維納濾波原理153.4.2.維納濾波仿真實驗163.5小波閾值去噪173.5.1小波去噪的原理173.5.2 小波去噪的優(yōu)越性203.5.3 小波去噪仿真實驗204總結與分析21參考文獻23致謝24 1. 緒論1.1.醫(yī)學影像技術的發(fā)展趨勢 醫(yī)學影像技術在近年來隨這計算機科技的發(fā)展

10、，本身發(fā)展也是迅速的?，F代的醫(yī)學影像技術發(fā)展從倫琴發(fā)現X線并拍攝到第一張手的X線片，隨著計算機體層成像（CT）、核磁共振成像（MRI）、超聲成像、介入放射學等的影像技術、影像診斷和影像治療的相繼問世。醫(yī)學影像技術的發(fā)展也徹底改變了傳統(tǒng)醫(yī)學診斷，從望聞問切，醫(yī)生摘要憑經驗和主管判斷，到有圖像可依，可直觀判斷病灶位置和大小直觀的看到人體內部器官組織的解剖圖，這是醫(yī)學發(fā)展史的重大進步。X線的發(fā)現奠定了現代醫(yī)學影像學的基礎。當今醫(yī)學影像技術進入了全新的數字影像時代，醫(yī)學影像技術的發(fā)展反映和引導著臨床醫(yī)學在診治以及診斷方面的進步。醫(yī)學影像技術的發(fā)展，尤其是介入放射學的出現，使使醫(yī)學影像學從單純醫(yī)學圖像診

11、斷漸漸發(fā)展為既能夠診斷又能夠治療的雙重職能，并在整個醫(yī)學領域中占有非常重要的地位，成為醫(yī)學的重點臨床學科。展望未來，醫(yī)學影像學必將得到更快、更好及更大全面的發(fā)展，必將會對人類的健康做出更大的貢獻。 醫(yī)學影像技術發(fā)展飛快，應用到實際的診斷治療中，也取得了很大的成就。人們對于獲取圖像的質量要求也越來越高。這同時也推動著醫(yī)學設備不斷地追求創(chuàng)新發(fā)展，也推動著醫(yī)學圖像處理技術的不斷進步。然而，在生物醫(yī)學圖像處理不斷發(fā)展進步的過程中，也會遇到各種技術難題。其中，醫(yī)學影像圖像噪聲一直是科學家需要克服的難題。噪聲的存在，對圖像質量產生著較大的不良影響，干擾圖像細節(jié)，使醫(yī)生不能準確判斷出病灶信息。圖像在生成采集

12、和傳輸重建的過程中會受到來自各種噪聲的干擾,這些噪聲干擾對于圖像信息的處理、傳輸和存儲造成極大的不利影響。尋找一種能夠有效地減小噪聲,同時又能很好地保留圖像邊緣信息的去噪方法,是醫(yī)學工XXX和圖像信息處理研究一直共同追求的目標。而隨著生物醫(yī)學信息科技的發(fā)展，科學家對降低圖像噪聲的研究也越來越進步，臨床應用到的圖像處理技術包括去噪處理都越來越好。將科技的發(fā)展應用于臨床診斷，醫(yī)生能夠更清楚明確的診斷疾病，更有效率的為病患治療。 而在當今時代，人類已經進入了信息化時代，計算機在處理各種信息中發(fā)揮著重要作用。據統(tǒng)計，人類從自然界獲取的信息中，視覺信息占75%85%。在當代高度信息化的社會中，圖形和圖像

13、在信息傳播中所起的作用越來越大，在圖像處理領域，數字圖像處理得到了飛速發(fā)展1。將數字圖像處理技術應用到醫(yī)學影像圖像去噪技術中從而改善醫(yī)學圖像的圖像質量，從圖像中提取有效信息，也是我們在不斷提高技術診斷和研究的重大進步。首先，必須對從醫(yī)學影像圖像進行去噪預處理。根據噪聲的頻譜分布的規(guī)律和統(tǒng)計特征以及圖像的特點，出現了多種多樣的去噪方法。 醫(yī)學影像去噪主要從兩個方面著手：一是減少儀器設備中的量子噪聲，機械噪聲，電子元器件的噪聲，做好設備噪聲的質量控制，提高設備的性能，減少設備的系統(tǒng)噪聲和工作狀態(tài)中可能產生的誤差，將圖像采集過程中產生的噪聲見到最小。二是對于已采集的圖像被噪聲污染，無法看大圖像信息的

14、圖像進行去噪處理。經典去噪方法有：空間域合成法、頻域合成法和最優(yōu)線性合成法等。與之相適應的出現了許多應用方法：如均值濾波器、中值濾波器、低通濾波器、維納濾波器等方法。這些方法廣泛應用，促進數字信號處理的極大發(fā)展。 1.2 醫(yī)學圖像去噪處理的發(fā)展 傳統(tǒng)的醫(yī)學圖像去噪方法是一方面依賴于影像儀器設備的不斷進步改善，從而提高圖像獲取的質量，以CT為例： CT是20世紀70年代發(fā)展起來的成像技術，曾給醫(yī)學影像學帶來一場深刻的革命。其主要特點是橫切面、斷層成像、數字影像，使X線的重疊影像成為層面圖像，并可用CT值測量人體組織密度。多年來，CT成像技術的發(fā)展一直圍繞解決掃描速度、清晰度及掃描范圍的和諧發(fā)展，

15、最終多層（排）螺旋CT機的出現使三者得到了完美的體現。然而CT技術發(fā)展的過程中，噪聲也是一直存在的，這些設備系統(tǒng)內系統(tǒng)噪聲也直觀的影響CT圖像，噪聲以斑點、細粒、網紋、雪花狀存在。人們在研究提高CT工作效率，工作性能的同時，也盡力克服噪聲帶來的影響，這是提高CT質量的一部分。在不斷的研究中，科學家從CT成像的過程和影響噪聲的因素入手，改變斷層的幾何分辨率，斷層厚度，劑量，以及測試物體的衰減性能，不斷改善設備的條件，降低噪聲水平，改善圖像質量。 從數字圖像處理角度對于提取的影像圖像進行預處理。使醫(yī)生看到的圖像能夠更清晰，不影響診斷。而這方面的技術算法隨著計算機的發(fā)展，和數字處理技術的發(fā)展，發(fā)展的

16、更快，衍生出很多不同的圖像處理方法。也有利于醫(yī)學圖像的發(fā)展。醫(yī)學圖像處理從不同處理域的角度可以劃分空域和頻域處理方法。前者是在圖像本身存在的二維空間里對其進行處理，根據不同的性質又可以分為線性處理方法和非線性處理法；而后者則是用一組正交函數系來逼近原信號函數，獲得相應的系數，將對原信號的分析轉化到了系數空間域即頻域中進行4?？臻g域的線性濾波算法理論發(fā)展較為成熟，數字分析簡單，對濾除信號不相關的隨機噪聲效果顯著，但是它本身存在著明顯的缺陷，如需要隨機噪聲的先驗統(tǒng)計知識，對圖像邊緣細節(jié)保護能力較差等，特別是后者使得線性濾波無法很好地適應于醫(yī)學圖像的噪聲濾除處理。與線性濾波相對應的非線性濾波大都考慮

17、到了人的視覺標準和最佳濾波準則，提高了圖像分辨率和邊緣保護能力，特別是一些改進后的非線性濾波方法一般都具有了自適應性，這就使得非線性濾波的功能更為強大，可以廣泛地應用到醫(yī)學、遙感等領域的圖像處理中。 近年來，小波變換去除噪聲的方法得到廣泛的應用。與傳統(tǒng)的去噪方法相比。它利用的是非線性域值，在時間域和頻率域同時具有良好的局部化性質，而且時窗和頻窗的寬度可以調節(jié)。對高頻成分采用逐漸精細的時域或空域取樣步長，從而可以聚焦到對象的任意細節(jié)。因此可以提高散斑高散射特性的噪聲對比度，很好的消除散斑噪聲。小波變換去除噪聲的方法在不斷地發(fā)展，去噪方法很多，如非線性小波變換閾值法去噪、小波變換模極大值去噪及基于

18、小波變換域的尺度相關性去噪法等2。1.3 醫(yī)學圖像去噪處理的意義 醫(yī)學圖像去噪聲處理屬于圖像的預處理階段對于醫(yī)學圖像的發(fā)展有著有著非常重要的意義：(1)雖然醫(yī)學圖像去噪技術是以一般數字圖像處理技術為基礎，但是醫(yī)學圖像本身具有自己一些鮮明的特征，這些特征正是醫(yī)學圖像所含有的特殊信息。在對醫(yī)學圖像進行去噪處理的時候必須盡可能地保留這些特征，這就需要我們研究新的算法使得這些算法在保留一般數字圖像去噪性能的基礎上還能滿足醫(yī)學圖像去噪的特殊要求。(2)在醫(yī)學圖像去噪領域，不同算法都有者不同的數學理論基礎，對圖像去噪的效果也表現不同。探求它們的內部機理，尋求相應的關系，研究不同算法之間如何取長補短，以達到

19、更好的去噪效果，也是很有意義的。(4)研究圖像去噪的同時對醫(yī)學圖像其他處理環(huán)節(jié)性能的提升也有著促進意義，好的圖像質量有利于后期的圖像后續(xù)的圖像分析、圖像分割、識別和診斷等。2.生物醫(yī)學圖像噪聲的基本內容2.1醫(yī)學圖像噪聲的基本定義 對于醫(yī)學圖像噪聲，可以從兩種角度來給它下定義：一種是從人的感觀角度，認為醫(yī)學圖像噪聲是妨礙人的感覺器官對所觀察的圖像信息進行識別和理解的因素；另一種是從數學角度，將圖像信息看成是一個空間函數 N（x,y)，圖像噪聲就是使這個函數所表達的信息退化的因素，即在噪聲的影響F(x,y)，圖像退化為 G(x,y)5。那么圖像噪聲按照圖像和信號的關系可分為加性噪聲和乘性噪聲，這

20、兩種噪聲可由下式表達： G(x,y)=F(x,y)+N(x,y) (1) G(x,y)=F(x,y)*N(x,y) (2) 其中（1）式表示加性噪聲，（2）表示乘性噪聲。然而，圖像噪聲又是不可預測的，只能用概率統(tǒng)計的方法來認識隨機誤差，通常常見的噪聲主要有高斯噪聲和椒鹽噪聲。高斯噪聲是一種源于電子電路噪聲和由于低照明度或高溫帶來的傳感器噪聲，它也稱為正態(tài)噪聲，是自然界中最常見的噪聲。它的概率密度函數為（3）： （3）其中，隨機變量Z表示灰度值，u為該噪聲的期望，為噪聲標準差，即為噪聲的方差。稱雙極脈沖噪聲，其概率密度函數為（4）： （4）椒鹽噪聲指圖像中出現的兩種灰度值，分別是a和b，這兩種灰

21、度值出現的概率分別是，該噪聲的均值為（5）方差為（6）： （5）. （6）通常情況下，脈沖噪聲總是數字化為允許的最大值或最小值。所以，負脈沖以黑點（胡椒點）出現，正脈沖以白點（鹽點）出現在圖像中。因此，該噪聲稱為椒鹽噪聲。2.2醫(yī)學圖像噪聲的產生原因及分類 醫(yī)學圖像噪聲是電路或系統(tǒng)中不含信息量的電壓或電流。噪聲是隨機出現的，在醫(yī)學成像設備與自然界中，存在著各種干擾源（噪聲源），如儀器設備大功率電力電子器件的接入、大功率用電設備的開啟與斷開、雷擊閃電等都會使圖像空間電場和磁場產生有序或無序的變化，導致最終采集的圖像出現噪聲，這些都是干擾源（或噪聲源）。當這些儀器設備處于工作狀態(tài)時，這些噪聲源產生

22、的各種電磁波或尖峰脈沖通過磁、電耦合或是通過電源線等路徑進入圖像采集放大電路，再加上各種電氣設備，形成各種形式的干擾。特別是在影像儀器運行過程中產生的干擾，都對圖像產生較大影響。這些噪聲都屬于設備系統(tǒng)噪聲。而對于圖象傳感器的工作情況也有可能受到個中因素的影響，如圖象獲取的環(huán)境條件和傳感器元件的自身因數。例如，使用CCD攝影機獲取圖象，光照強度和傳感器溫度是生成圖象中產生的主要因數5。圖象在傳輸過程中主要由于所用的傳輸信道的干擾受到噪聲污染。比如，通過無線網絡的傳輸的圖象可能會因為光或其他大氣因素的干擾被污染。按照以上噪聲產生的物理因素來劃分，噪聲主要可以分成如下幾類：(1) 電子噪聲：由圖像采

23、集電路阻性器件或電容電感元器件中的電子運動發(fā)熱而產生的噪聲，多出現于儀器設備運行時的電路中，在經過圖像的采集或傳輸直接表現在圖像上。(2) 光電子噪聲：由圖像的光電轉換器引起，特別是在弱光的條件下噪聲尤為強烈。這也屬于外界環(huán)境引起的噪聲。(3) 感光顆粒噪聲：一般存在膠片圖像中。它是由于在膠片曝光和顯影中，感光劑鹵化銀顆粒轉化為金屬銀顆粒時的形狀不均和分布的隨機性造成的。這種噪聲在醫(yī)學影像方面出現的較少。(4) 斑點噪聲：在一些相干成像系統(tǒng)（如醫(yī)學超聲成像、合成孔徑雷達成像、激光成像、多普勒超聲成像）中，由于聲波或者光波的相干作用而在圖像中產生的噪聲5。2.3 醫(yī)學儀器去噪發(fā)展及應用 醫(yī)學圖像

24、噪聲可以認為是圖像中不能反映組織器官或者病理的特征的紋理。下面闡述了一些典型的醫(yī)學圖像噪聲產生的機理和特點，并且了解了在去噪過程中，一些各種儀器在去噪發(fā)展過程中的新應用。2.3.1超聲圖像去噪技術及應用 超聲是超過20000HZ的機械振動波，超過人耳能夠聽得到頻率，超聲檢查是利用超聲波傳導的特性，和人體不同組織有不同的阻抗差異來成像的。也因為超聲成像的成像機制的原因，超聲成像過程中會產生很多斑點噪聲，特別是在用于檢查軟組織時，對比度差、噪聲污染嚴重、影像中表征組織特性的特征不明顯。斑點噪聲是影響超聲診斷質量的關鍵因素。由于斑點噪聲干擾，圖像產生模糊，質量較差，即使經驗豐富的超聲診斷專家有時很難

25、從圖像中獲得明確有用的信息。 對于斑點噪聲，現有的超聲儀器數據處理系統(tǒng)采用斑點噪聲消除技術SRI（speckle reduction imaging).SRI采用強大的數據處理系統(tǒng)對于各種數據采用不同的數據處理方式，分別對強弱信號處理產生不同的新的結構，不僅保存原始圖像的細微的分辨率，并且把有用的信號凸顯出來，顯著提高了圖像的對比分辨率。SRI應用到臨床上，消除了超聲圖像的固有斑點噪聲，保留了有用的臨床信息，不降低幀頻，實時實現，反應速度快。這項技術可以實現同屏雙幅圖像顯示，把原始二維圖像信息和經SRI處理后的圖像顯示對比?？梢悦黠@看出經處理后的圖像可以發(fā)現許多基礎圖像不能發(fā)現的近等回聲的結節(jié)

26、，包塊結構，并且可以發(fā)現微小組織的細微差異，勾勒出比較清晰地邊界6。 現在超聲三維超聲技術，也在圖像降噪方面有很大進步。三維超聲成像技術即立體圖像，現在已經分為動態(tài)的三維超聲和靜態(tài)三維超聲成像，這些技術可以實現16幀每秒的立體圖形采集，大大提高了圖像采集速度，減少偽像，同時相比于傳統(tǒng)的B超，M超聲系統(tǒng)，新的三維超聲也數字化系統(tǒng)裝備有告訴的信號處理器，可以實時處理圖像減少了平移旋轉等操作，同時也減少了噪聲的可能性。三維超聲成像采用臨床最具有價值的體元模型法，他可以對所檢查結構的的所有組織灰階信息和血流多普勒信息進行重建能夠顯示解剖結構的細微特征。體元模型法還應用到CT及MRI的三維重建中。很大程

27、度上促進了三維成像技術的發(fā)展。目前的三維圖像噪聲主要有三種成像方式：表面成像、透明成像、和多普勒血流成像。應用到臨床上相較于二維成像，具有較高的分辨率，而且噪聲較少，圖像質量高，不僅能夠發(fā)現病灶，還能清楚顯示病灶大小、邊界回聲、形態(tài)及位置，在臨床應用上非常廣泛，這也是醫(yī)學圖像發(fā)展的一大進步6。2.3.2 CT圖像噪聲CT在醫(yī)學診斷發(fā)展起著重要的作用，但過高的輻射劑量限制了其在婦女兒童特別是疾病篩查中的作用, 因此近年來降低CT劑量，提高圖像清晰度是CT研究的重點方向。CT噪聲主要源于投照X線光子密度在時間和空間的隨機變化產生的量子噪聲和電子測量系統(tǒng)工作狀態(tài)產生的熱噪聲。通常來說，增大X線劑量可

28、以減少噪聲，但是不利于病人的身體健康。人們通過減少X-射線發(fā)射管電流強度(mAs) 的方法達到減少劑量的目的 。但低強度的發(fā)射電流會產生較少的X線劑量，但是弊端在于會使得探測器端產生 光子饑餓. ( photon starvation) 現象,探測器接收不到投影信號， 這使得投影數據產生嚴重噪聲，同時圖像也會比較模糊7。所以在不斷的研究中，科學家從CT成像的過程和影響噪聲的因素入手，改變斷層的幾何分辨率，斷層厚度，劑量，以及測試物體的衰減性能，不斷改善設備的條件，降低噪聲水平，改善噪聲質量8。力求在較低的劑量照射下獲得較好的圖像品質。 到現在為止, 人們提出解決該為題的方法一是濾波器去噪法：主

29、要采用傳統(tǒng)低通濾波器, 直接對投影數據, 或對重建圖像進行濾波, 其算法簡單, 卻不能有效處理信噪比較低的低劑量CT 圖像; 二是 基于統(tǒng)計的方法： 利用了投影圖像統(tǒng)計特性, 分為其兩個主要研究方向包括: 在投影域和重建圖像域之間進行的迭代重建算法( SIIRS) 和在投影域進行統(tǒng)計去噪并且用濾波反投影( FBP) 算法重建。2.3.3核磁共振圖像去噪 磁共振成像(Magnetic Resonance Imaging，簡稱MRI)圖像的噪聲主要來自人體組織運動和磁共振設備的電路原器件。共振激發(fā)時，由于射頻場的變化，人體被測部位那部分組織會產生渦流電場。在人體中渦流電場的產生必然帶來渦流電流，繼

30、而在人體內產生歐姆熱，從而產生噪聲。NMRI信號隨機噪聲的另一個來源是接收線圈內部電路元件的熱運動。當設備運行時電子元件如電容電感電阻都會產生微小的電場磁場當，當然，這些隨機電子噪聲與他們與同組織熱噪聲相比，要小很多。但是在低場系統(tǒng)中，電子元件噪聲和人體的噪聲相比同樣也是不可忽略。實際上，在MRI檢查中，受檢查者的身體也相當于信號接受電路的一部分(相當于線圈填料)。所以，上述噪聲源可以稱為系統(tǒng)內部噪聲源。此外周圍環(huán)境電磁波對磁共振成像干擾也很嚴重，如廣播發(fā)射機、電視臺、熒光燈等許多裝置都可能產生RF干擾信號，手機等。這寫都是MRI系統(tǒng)的外部噪聲源。所以特別是在做核磁共振的病人和工作人員都是不允

31、許帶手機的。這些外部的脈沖干擾一般都是以圖像偽影的形式出現，并不呈現隨機噪聲的形式。我們可以通過安裝良好的機房RF屏蔽，外部噪聲源都可以排除。 磁共振圖像實際上是組織體素所發(fā)出的射頻信號，每個像素的灰度與對應體素的自旋回波信號（NMRI）信號成正比關系。但是噪聲信號是使組織的邊界模糊，細微結構難以辨別的重要因素。同時，噪聲也限制了MRI信噪比和靈敏度的進一步提高。所以信噪比(SNR, signal to noise ratio)是衡量圖像質量的最重要的指標9。盡可能地提高SNR也是當今核磁共振研究的方向。除了對設備系統(tǒng)，和環(huán)境因素的要求，我們所進行的是MRI圖像后處理，是根據磁共振圖像的自身特

32、點和數字圖像處理相關理論結合利用數字計算機對圖像進行處理從而改善圖像質量。這也是圖像去噪的重點內容。2.3.4 數字血管造影技術（DSA）血管造影技術是1934年被提出的，是利用X線照片進行光學減影的一種方法，20世紀80年代以后的DSA是利用計算機后處理技術將復雜的技術簡單化，就是把未造影的圖像信息和造影的圖像信息分別經過影像增強器增強后通過攝像機掃描在經過模數轉換成數字化圖像，就可以把軟組織和血管清晰顯現出來。但是隨著數字平板探測器（FPD），不斷發(fā)展和其應用技術的成熟，FPD已經應用與于DSA，取代了由影像增強器、攝像頭、光電系統(tǒng)和模數轉換器等構成的影像處理過程。這這一技術的應用直接減少

33、了后期影像處理過程中可能產生的噪聲和畸變，同時又減少了患者X線的輻射劑量，也消除了圖像邊緣幾何失真和余輝效應，這也是改變醫(yī)學儀器提高圖像質量的重要舉措?；蛟S以后的CT圖像探測技術也可以由此出發(fā)，提高圖像質量，減少噪聲。 3.醫(yī)學圖像去噪原理及應用 醫(yī)學影像技術去噪的方法隨著計算機科技和圖像處理技術的發(fā)展也出現了很多的濾波技術-去噪方法，人們不僅從硬件設備上改進設備，減少系統(tǒng)噪聲，還將很多的數字圖像濾波技術引用到醫(yī)學影像去噪處理中，形成了多種多樣的醫(yī)學圖像去噪方式。3.1.均值濾波器3.1.1均值濾波器原理 由于一幅圖像的大部分像素的灰度與鄰近像素的灰度差別不大，存在很大的灰度相關性。這也就導致

34、了圖像的能量集中在低頻區(qū)域，只有圖像細節(jié)能量處于高頻區(qū)域中。由于噪聲的隨機性，它對某一像素點的影響將使其灰度和鄰點灰度差別比較大，所以圖像噪聲往往出現在高頻區(qū)域中。由此可見，我們去掉噪聲的有效途徑就是衰減高頻分類增強低頻分量。線性平滑濾波器也稱為均值濾波器，是一種最常用的線性低通濾波器。均值濾波的基本思想是用幾個像素灰度的平均值來代替每個像素的灰度。假定有一幅 N×N 個像素的圖像 f ( x , y) ,平滑處理后得到一幅圖像 g( x , y) , g( x , y)由下式決定： g( x , y) =f( x , y)M( m , n) S式中 x , y = 0 ,1 ,2

35、, , N - 1 , S ( x , y) 點鄰域中點的坐標的集合,但其中不包括( x , y) 點, M 是集合內坐標點的總數。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）的預定鄰域中的幾個像素的灰度值的平均值來決定。均值濾波器所有的系數都是正值，為了保持輸出圖象仍在原來的灰度范圍內，模板與像素領域的乘積和要除以910。以3*3模板為例，假設當前的待處理像素為f(m,n),最簡單的一種均值濾波器模板如下： （7） 這種均值濾波器的作用區(qū)域為3*3，共有9個像素灰度參加運算，代替中心像素（x,y)的像素灰度，既可以達到去噪的目的。同樣，根據需要，我們也可以選用5*

36、5,7*7等不同作用域的H(x,y)。H（x,y)矩陣中心的元素值所占的中心比例越小，平滑作用越強。將以上的均值濾波器加以修正，可以得到加權平均濾波器9。例如下式（8）、（9）、（10）（11）： （8） （9） （10） （11）3.1.2.均值濾波器仿真實驗 分別用窗口為3×3、5×5、模板均值濾波器進行仿真實驗，程序如下：clear all；I=imread('CT.jpg'); % 讀入圖像 subplot(2,2,1),imshow(I); % 顯示原始圖像title('original image'); % 設置圖像標題J=imn

37、oise(I,'salt & pepper',0.2); % 加噪聲密度 D 為 0.2 的椒鹽噪聲subplot(2,2,2), imshow(J); % 顯示處理后圖像title('noise image'); % 設置圖像標題h=1,1,1;1,1,1;1,1,1; % j均值濾波模板矩陣 h=h/9; % 產生濾波歸一化的模板K=conv2(J,h); % 用均值模板對圖像濾波subplot(2,2,3),imshow(K,); % 顯示處理后圖像title('3*3filter image'); % 設置圖像標題h=1,1,1,

38、1,1;1,1,1,1,1;1,1,1,1,1;1,1,1,1,1;1,1,1,1,1;%均值濾波模板矩陣h=h/25; % 產生濾波歸一化的模板K=conv2(J,h); % 用均值模板對圖像濾波subplot(2,2,4),imshow(K,); % 顯示處理后圖像title('5*5filter image'); % 設置圖像標題均值濾波效果圖如圖1所示：圖1 均值濾波器濾波圖像 由圖1可見，經過均值濾波，椒鹽噪聲的去除效果還是很明顯的，但是濾波器選用的越大，平滑作用也更明顯，即圖像的細節(jié)模糊程度也更多，相對來說用3*3均值濾波比較好。3.2鄰域平均法3.2.1 鄰域平均

39、法原理 鄰域平均法也是醫(yī)學圖像去平滑去噪的一種方式，他可以用來有效消除高斯噪聲，鄰域平均法的數學表達式為 （12）其中M為鄰域S內包含的像素總數，S為事先確定好的鄰域，（不包括S點）。比如半徑為1的鄰域可表示為： （13）對應M=4，半徑為的鄰域可表示為： （14）對應M=8，用卷積形式表示： （15）易見，對應半徑為1的鄰域用h(x,y)可表示為 h(x,y)= （16）對應半徑為鄰域，其h(x,y)可表示為 h(x,y)= (17) 鄰域平均法消除噪聲的優(yōu)點是算法簡單，計算速度快，缺點是使圖像模糊。解決方法是取閾值的領域平均，方法是一個窗口（3*3,5*5）沿著圖像移動，先求出窗口中除待處

40、理像素之外的全部像素灰度值的平均值，如果待處理元素灰度值與這個平均值之差的絕對值超過了某一預先預定的閾值，則該像素的灰度值使用平均值代替；否則，保持該像素不變。 取閾值的鄰域平均法的數學表示為： (18)T為預先規(guī)定的閾值，實際處理時要選擇合適的閾值，要注意的是T太大會減弱去噪效果，太小會減弱圖像模糊效應的消除效果11。3.2.2 鄰域平均仿真實驗分別對椒鹽噪聲和高斯噪聲進行鄰域平均濾波，程序如下：I=imread('CT.jpg'); % 讀入圖像subplot(2,3,1),imshow(I); % 顯示原始圖像title('original'); % 設置

41、圖像標題J=imnoise(I,'salt & pepper',0.2); % 添加加噪聲密度 D 為 0.2 的椒鹽噪聲subplot(2,3,2),imshow(J); % 顯示處理后的圖像title('noise image'); % 設置圖像標題text(-20,320,'Salt & Pepper Noise filter');% 添加說明文字h=1,1,1;1,0,1;1,1,1; % 模板矩陣h=h/8; % 產生濾波歸一化的模板K=conv2(J,h); % 用均值模板對圖像濾波subplot(2,3,3),ims

42、how(K,); % 顯示處理后的圖像title('filter image'); % 設置圖像標題I2=imread('CT.jpg'); % 讀入圖像subplot(2,3,4),imshow(I2); % 顯示原始圖像title('original'); % 設置圖像標題J2=imnoise(I2,'gaussian',0.2); % 加均值為0，方差為0.2的高斯噪聲subplot(2,3,5),imshow(J2); % 顯示處理后的圖像title('noise image'); % 設置圖像標題text

43、(-20,320,'gaussian Noise filter'); % 添加說明文字h=1,1,1;1,0,1;1,1,1; % 模板矩陣h=h/8; % 產生濾波歸一化的模板K2=conv2(J2,h); % 用均值模板對圖像濾波subplot(2,3,6),imshow(K2,); % 顯示處理后的圖像title('filter image'); % 設置圖像標題運行結果如圖2所示：圖2 領域平均法分別對椒鹽噪聲和高斯噪聲濾波圖像 從圖像結果可以看出鄰域平均法對高斯噪聲去噪效果沒有有椒鹽噪聲明顯，但是細節(jié)存比較好，而高斯噪聲的去噪效果細節(jié)比較模糊。3.3中

44、值濾波去噪3.3.1中值濾波原理 中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術，它是對濾波窗內各點像素按灰度值排序，用排序后的中值代替濾波窗的中心像素灰度值，當n為奇數時，位于中間位置的那個數值成為這n個數的中值；當n為偶數時，位于中間兩個數的平均為這n個數的中值。記為：。在中值濾波中，圖像中值濾波后各像點的輸出等于該點鄰域中所有素像灰度的中值，即存在一個滑動的窗口，窗口內的所有像素灰度的中值作為窗口被濾波的像素點處理后的灰度12?？杀硎緸椋?（19）3.3.2中值濾波器仿真實驗用3*3的濾波窗口對椒鹽噪聲和高斯噪聲進行中值濾波處理，圖像結果如下：I=imread(

45、9;CT.jpg'); % 讀入圖像subplot(2,3,1),imshow(I); % 顯示原始圖像title('original image'); % 設置圖像標題J=imnoise(I,'salt & pepper',0.02); % 加均值為 0，方差為 0.02 的椒鹽噪聲subplot(2,3,2),imshow(J); % 顯示處理后的圖像title('salt & pepper noise image'); % 設置圖像標題text(-20,320,'Med-value Filter for 3*

46、3 window '); % 添加說明文字K = medfilt2(J); %用于3×3的濾波窗口對圖像進行中值濾波。%若用m,n的濾波窗口做中值濾波，語法為 K = medfilt2(J,m,n) subplot(2,3,3),imshow(K,); % 顯示處理后的圖像title('medfilter image'); % 設置圖像標題I2=imread('CT.jpg'); % 讀入圖像subplot(2,3,4),imshow(I2); % 顯示原始圖像title('original image'); % 設置圖像標題J

47、2=imnoise(I2,'gaussian',0.02); % 加均值為 0，方差為 0.02 的高斯噪聲subplot(2,3,5),imshow(J2); % 顯示處理后的圖像title('gaussian noise image'); % 設置圖像標題K2 = medfilt2(J2); % 圖像濾波處理subplot(2,3,6),imshow(K2,); % 顯示處理后的圖像title('medfilter image'); % 設置圖像標題圖3 中值濾波分別對椒鹽噪聲和高斯噪聲濾波圖像 由圖3可以看到，中值濾波對于椒鹽噪聲的消噪效果

48、比對椒鹽噪聲消噪效果比較好，但是對于高斯噪聲的去噪效果并不明顯。 用5*5的濾波窗口對椒鹽噪聲和高斯噪聲進行中值濾波處理，程序如下：I=imread('CT.jpg'); % 讀入圖像subplot(2,3,1),imshow(I); % 顯示原始圖像title('original image'); % 設置圖像標題J=imnoise(I,'salt & pepper',0.02); % 加均值為 0，方差為 0.02 的椒鹽噪聲subplot(2,3,2),imshow(J); % 顯示處理后的圖像title('salt &am

49、p; pepper noise image'); % 設置圖像標題text(-20,320,'Med-value Filter for 5*5 window '); % 添加說明文字K = medfilt2(J,5,5); %用于5×5的濾波窗口對圖像進行中值濾波。%若用m,n的濾波窗口做中值濾波，語法為 K = medfilt2(J,m,n) subplot(2,3,3),imshow(K,); % 顯示處理后的圖像title('medfilter image'); % 設置圖像標題I2=imread('CT.jpg'); %

50、 讀入圖像subplot(2,3,4),imshow(I2); % 顯示原始圖像title('original image'); % 設置圖像標題J2=imnoise(I2,'gaussian',0.02); % 加均值為 0，方差為 0.02 的高斯噪聲subplot(2,3,5),imshow(J2); % 顯示處理后的圖像title('gaussian noise image'); % 設置圖像標題K2 = medfilt2(J2,5,5); % 圖像濾波處理subplot(2,3,6),imshow(K2,); % 顯示處理后的圖像tit

51、le('medfilter image'); % 設置圖像標題 圖4 比較兩種窗口的處理效果圖3和圖4，發(fā)現對于椒鹽噪聲，中值濾波法效果更好，對于高斯噪聲選用5*5的窗口濾波效果好于3*3窗口濾波，但圖像模糊加重。3.4維納濾波去噪3.4.1維納濾波原理 維納濾波最早是由Wiener提出的，并用于一維信號，取得了緩和的效果。后來該算法又用于二維的信號處理并取得了良好的效果，特別是在圖像復原鄰域，消除圖像噪聲也是其中的一種。維納濾波是一種最基本的方法，適用于需要從噪聲中分離出的有用信號是整個信號（波形），而不只是它的幾個參量，設維納濾波器的輸入為含噪聲的隨機信號。期望輸出與實際輸

52、出之間的差值為誤差，對該誤差求均方，即為均方誤差。因此均方誤差越小，噪聲濾除效果就越好。為使均方誤差最小，關鍵在于求沖激響應。如果能夠滿足維納霍夫方程，就可使維納濾波器達到最佳。根據維納霍夫方程，最佳維納濾波器的沖激響應，完全由輸入自相關函數以及輸入與期望輸出的互相關函數所決定。 維納濾波的基本原理如下： 設觀察信號y(t)含有彼此統(tǒng)計獨立的期望信號x(t)和白噪聲（t）可用維納濾波從觀察信號y(t)中恢復期望信號x(t)。設線性濾波器的沖擊響應為h(t)，此時其輸入y(t)為y(t)=x(t)+w(t)，可以得到輸出為 （20）對x(t)期望信號的誤差為 （21）其均方誤差為 （22）表示數

53、學期望。應用數學方法求最小均方誤差時的線性濾波器的沖擊響應hopt(t)可得 （23） 式中，Ryx(t)為y(t)與x(t）的互相關函數，Ryy(-)為y(t)的自相關函數。上述方程稱為維納-霍夫(Wiener-Hopf)方程。求解維納-霍夫方程可以得到最佳濾波器的沖擊響應hopt(t)。在一般情況下，求解上述方程是有一定困難的，因此這在一定程度上限制了這一濾波理論的應用。然而，維納濾波對濾波和預測理論的開拓，影響著以后這一領域的發(fā)展。并且維納濾波器在圖像復原的效果比較好，計算量較低，許多高效的圖像復原算法都是以維納濾波為基礎形成的13。3.4.2.維納濾波仿真實驗在MATLAB嗎函數中采用deconvwnr()進行圖像濾波復原，調用