一种基于空域滤波的超声影像去噪方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种基于空域滤波的超声影像去噪方法。

背景技术

在超声影像教学中，为了让学员了解和学习超声影像的相关基本知识，比如：超声影像的种类，需要将采集到的超声影像通过显示屏等设备展示给学员。但是，超声影像在进行图像采集过程中，不可避免的会存在噪点数据的影响，导致所采集的超声影像对比度低、细节特征不明显以及大量斑点噪声等，超声影像质量较差，从而影响学员的学习效率。因此，超声影像准确有效的去噪至关重要。

现有技术去噪方法为：确定图像中的噪点与非噪点后，以每个噪点为中心在逆时针方向上取预定数量非噪点以及根据非噪点的位置确定每个噪点对应的自适应滤波窗口，自适应滤波窗口中的非噪点数量仅根据位置获取，容易导致滤波去噪效果不明显；同时噪点的自适应滤波窗口尺寸的大小仅根据非噪点的位置确定，会导致自适应滤波窗口尺寸不准确；当自适应滤波窗口尺寸过大时，对图像进行滤波去噪会导致图像内的细节纹理信息丢失，出现边缘过度模糊等现象；当自适应滤波窗口尺寸过小时，对图像进行滤波去噪会导致图像内会存在去噪不明显的情况，影响去噪效果。

发明内容

为了解决自适应滤波窗口尺寸获取不准确，导致对图像不能准确有效的去噪的技术问题，本发明的目的在于提供一种基于空域滤波的超声影像去噪方法，所采用的技术方案具体如下：

本发明实施例中提供了一种基于空域滤波的超声影像去噪方法，该方法包括以下：

获得超声影像图像，根据所述超声影像图像内的每个像素点预设第一邻域范围内的灰度值分布获得每个像素点的孤立因子，根据每个像素点的所述孤立因子筛选出噪点；

对每个噪点设定预设大小的局部邻域，计算每个所述局部邻域内的每个像素点的灰度梯度指标；

获得所述超声影像图像的亮度分量图像，将每个所述局部邻域在所述亮度分量图像中对应的区域作为目标区域，获取所述目标区域内的每个像素点对应的雅可比矩阵的特征值，根据所述特征值获取所述目标区域内的每个像素点的纹理指标；

根据每个所述局部邻域对应的所述灰度梯度指标与所述纹理指标获取局部邻域特征值；根据所述局部邻域特征值与所述超声影像图像的大小获取每个所述局部邻域对应噪点的自适应滤波窗口尺寸，根据自适应滤波窗口对所述超声影像图像进行滤波去噪。

进一步地，所述孤立因子的获取方法，包括：

选取超声影像图像内的任意一个像素点作为目标像素点，获取目标像素点与对应所述预设第一邻域范围内每个其他像素点的灰度差异，将目标像素点的所述预设第一邻域范围内最小的灰度差异归一化，获得孤立因子。

进一步地，所述根据每个像素点的所述孤立因子筛选出噪点的方法，包括：

设置孤立因子阈值，当孤立因子大于孤立因子阈值时，孤立因子所对应的像素点为噪点。

进一步地，所述灰度梯度指标的获取方法，包括：

选取任意一个局部邻域内的任意一个像素点作为第二目标像素点，计算第二目标像素点与对应第二预设邻域范围内每个其他像素点的灰度差值绝对值的均值作为第二目标像素点的灰度梯度指标。

进一步地，所述纹理指标的获取方法，包括：

将目标区域内的每个像素点对应的特征值的绝对值进行相乘所得结果作为目标区域内对应像素点的纹理指标。

进一步地，所述局部邻域特征值的获取方法，包括：

获取每个局部邻域内的灰度梯度指标均值以及每个目标区域内的纹理指标均值，计算灰度梯度指标均值与纹理指标均值的乘积作为对应局部邻域的局部邻域特征值。

进一步地，所述自适应滤波窗口尺寸的获取方法，包括：

根据自适应滤波窗口尺寸获取公式获得自适应滤波窗口尺寸，自适应滤波窗口尺寸获取公式包括：

其中，

进一步地，所述调节因子的获取方法，包括：

根据调节因子获取公式获得调节因子，调节因子获取公式包括：

其中，

进一步地，所述获得所述超声影像图像的亮度分量图像的方法，包括：

将超声影像图像进行HSV颜色空间转换，获得颜色空间下的V分量图像作为亮度分量图像。

本发明具有如下有益效果：

获得超声影像图像，根据超声影像图像内的每个像素点预设第一邻域范围内的灰度值分布获得每个像素点的孤立因子，预测可能为噪点的像素点，进一步分析超声影像图像内的每个像素点的孤立性；根据每个像素点的孤立因子筛选出噪点，以针对噪点进行滤波处理，减少计算量，提高滤波去噪的效率，使得滤波去噪更准确；考虑到噪点的局部范围内的像素点也会存在一定的影响，故对每个噪点设定预设大小的局部邻域，然后计算每个局部邻域内的每个像素点的灰度梯度指标，以通过噪点的局部邻域的特征信息，确定每个像素点的灰度变化，使得更加精确的间接反映噪点的灰度特征；为提高噪点的局部邻域的区域特征提取精度，获得超声影像图像的亮度分量图像，使其图像信息更加贴合人眼视觉特征，进而将每个局部邻域在亮度分量图像中对应的区域作为目标区域，然后获取目标区域内的每个像素点对应的雅可比矩阵的特征值，根据特征值获取目标区域内的每个像素点的纹理指标，特征值越大说明像素点的纹理变化越大，间接反映了噪点的局部邻域内的纹理变化程度；由于灰度梯度指标与纹理指标都反映了噪点的局部邻域的变化特征，因此根据每个局部邻域对应的灰度梯度指标与纹理指标获取局部邻域特征值，使得噪点的局部特征信息更加准确，进而使得根据局部邻域特征值与超声影像图像的大小，获取的每个局部邻域对应噪点的自适应滤波窗口尺寸更加符合实际，令根据自适应滤波窗口对超声影像图像进行滤波去噪的效果更准确，提高了滤波去噪的效率与准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于空域滤波的超声影像去噪方法的流程示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于空域滤波的超声影像去噪方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于空域滤波的超声影像去噪方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于空域滤波的超声影像去噪方法的流程示意图，该方法包括以下步骤：

步骤S1：获得超声影像图像，根据所述超声影像图像内的每个像素点预设第一邻域范围内的灰度值分布获得每个像素点的孤立因子，根据每个像素点的所述孤立因子筛选出噪点。

超声影像图像在进行采集过程中，由于环境较为复杂，获得的超声影像图像难免会存在一些噪点等杂乱数据的影响，因此，本发明实施例将对超声影像图像进行滤波去噪，以提高超声影像的质量。

通过相应的图像采集设备获取超声影像图像，其中，超声影像图像的采集设备实施者根据实际情况而定，将采集的超声影像图像作为滤波去噪的基础数据。

为避免全局滤波导致超声影像图像内的非噪点区域边缘细节模糊等问题，本发明实施例对超声影像图像内的像素点进行分析，提取超声影像图像内的噪点，然后对噪点以及噪点区域进行滤波处理，降低本发明实施例中的滤波去噪的工作量，提高了滤波去噪效率，保证超声影像图像的去噪效果。确定超声影像图像内的噪点的具体方法如下：

（1）计算超声影像图像内的每个像素点的孤立因子。

获取孤立因子的方法为：选取超声影像图像内的任意一个像素点作为目标像素点，获取目标像素点与对应第一预设邻域范围内每个其他像素点的灰度差异，将目标像素点的所述第一预设邻域范围内最小的灰度差异归一化，获得孤立因子。

作为一个示例，选取超声影像图像内的位于

其中，

需要说明的是，相邻像素点之间的灰度值的差值绝对值越大，说明位于

根据获取位于

（2）根据孤立因子确定超声影像图像内的噪点。

根据孤立因子确定噪点的方法：设置孤立因子阈值，当孤立因子大于孤立因子阈值时，孤立因子所对应的像素点为噪点。

本发明实施例设置孤立因子阈值为0.75，当孤立因子大于孤立因子阈值时，孤立因子对应的像素点为噪点，确定超声影像图像内的所有噪点位置，以便后续仅对噪点及其局部邻域内的像素点进行滤波去噪处理，提高滤波去噪效率，降低滤波计算量。

步骤S2：对每个噪点设定预设大小的局部邻域，计算每个所述局部邻域内的每个像素点的灰度梯度指标。

具体的，本发明实施例采用均值滤波算法对超声影像图像内的噪点进行滤波去噪处理。考虑到在对噪点进行滤波去噪过程中，滤波窗口尺寸会影响滤波效果，当滤波窗口尺寸过大时，噪点会得到较好的滤波效果，但会导致超声影像图像内的细节纹理信息丢失，出现边缘过度模糊等现象；当滤波窗口尺寸过小时，超声影像图像内会存在去噪不明显的情况，导致噪点滤除不彻底，影响去噪效果。本发明实施例基于噪点的局部邻域的区域特征状况自适应的设置滤波窗口尺寸，提高滤波去噪效果的同时保证超声影像图像的细节信息。对于超声影像图像内的噪点，本发明实施例首先提取噪点的局部邻域特征，用于对噪点的区域特征状况进行表征，其中，噪点的局部邻域范围实施者可根据实际情况进行自行设定，本发明实施例设置为

优选地，灰度梯度指标的获取方法为：选取任意一个局部邻域内的任意一个像素点作为第二目标像素点，计算第二目标像素点与对应第二预设邻域范围内每个其他像素点的灰度差值绝对值的均值作为第二目标像素点的灰度梯度指标。

作为一个示例，选取局部邻域内的像素点k作为第二目标像素点，获取像素点k的四邻域即第二预设邻域范围内每个其他像素点的灰度值以及像素点k的灰度值，获取像素点k的灰度梯度指标

其中，

需要说明的是，

根据获取像素点k的灰度梯度指标的方法，获取局部邻域内每个像素点的灰度梯度指标。

步骤S3：获得所述超声影像图像的亮度分量图像，将每个所述局部邻域在所述亮度分量图像中对应的区域作为目标区域，获取所述目标区域内的每个像素点对应的雅可比矩阵的特征值，根据所述特征值获取所述目标区域内的每个像素点的纹理指标。

具体的，为提高噪点的局部邻域的区域特征提取精度，本发明实施例将对噪点的局部邻域内的像素点的纹理丰富度进行提取，为了提高纹理丰富度的提取精度，并更加贴合人眼视觉特征。

优选地，对超声影像图像进行HSV颜色空间转换，获得颜色空间下的V分量图像作为亮度分量图像，将亮度分量图像作为纹理丰富度分析的基础数据。

将局部邻域在亮度分量图像内对应的区域作为目标区域，根据对应位置，局部邻域与目标区域为一对一的对应关系。获取所述目标区域内的每个像素点对应的雅可比矩阵，雅可比矩阵能够反映像素点在亮度分量图像内的不同方向上的一阶偏导数，即雅可比矩阵中包含不同方向上像素值变化的信息。进一步获得雅可比矩阵的特征值，在矩阵中特征值用于表征矩阵中特征值对应特征向量方向上的数据变化情况，特征值的绝对值越大，则矩阵在特征值对应特征向量方向上的数据变化越明显，因此可根据雅可比矩阵的特征值获取目标区域内的每个像素点的纹理指标。

作为一个示例，以步骤S2中的像素点k在目标区域对应的像素点

需要说明的是，雅可比矩阵的构建方法和矩阵特征值的获取为本领域技术人员熟知的公知技术，不再进行过多赘述。

为确定像素点

优选地，获取纹理指标的方法为：将目标区域内的每个像素点对应的特征值的绝对值进行相乘所得结果作为目标区域内对应像素点的纹理指标。

以像素点

其中，

需要说明的是，

根据获取像素点

步骤S4：根据每个所述局部邻域对应的所述灰度梯度指标与所述纹理指标获取局部邻域特征值；根据所述局部邻域特征值与所述超声影像图像的大小获取每个所述局部邻域对应噪点的自适应滤波窗口尺寸，根据自适应滤波窗口对所述超声影像图像进行滤波去噪。

具体的，根据灰度梯度指标与纹理指标获取噪点的局部邻域内的每个像素点的特征信息，进而获取每个局部邻域的特征信息即获取每个局部邻域的局部邻域特征值。获取局部邻域特征值的方法为：获取每个局部邻域内的灰度梯度指标均值以及每个目标区域内的纹理指标均值，计算灰度梯度指标均值与纹理指标均值的乘积作为对应局部邻域的局部邻域特征值。

根据局部邻域特征值获取公式获得局部邻域特征值，局部邻域特征值

其中，

需要说明的是，

本发明实施例根据超声影像图像的大小与每个噪点对应的局部邻域的局部邻域特征值获取对应噪点的自适应滤波窗口尺寸。获取噪点的自适应滤波窗口尺寸的方法如下：

（1）根据局部邻域特征值获取调节因子。

根据调节因子获取公式获得调节因子，调节因子

其中，

需要说明的是，

（2）根据调节因子与超声影像图像的大小获取噪点的自适应滤波窗口尺寸。

根据自适应滤波窗口尺寸获取公式获得自适应滤波窗口尺寸，自适应滤波窗口尺寸

其中，

需要说明的是，

获取自适应滤波窗口尺寸

由于噪点的影响，会导致噪点的局部邻域内的像素点的特征信息发生变化，为了提高超声影像图像质量，本发明实施例对每个噪点的局部邻域内的所有像素点均进行均值滤波处理，且局部邻域内的每个像素点进行均值滤波时的滤波窗口尺寸与其所属局部邻域对应的噪点的自适应滤波窗口尺寸一致，以保证超声影像图像内的噪点的滤除效果。

至此，实现对超声影像图像内的噪点以及噪点局部邻域内的像素点进行自适应均值滤波处理，本发明实施例针对性的对超声影像图像内的噪点进行处理，避免了全局去噪导致超声影像图像中的细节信息丢失或者边缘模糊等问题，同时基于噪点的局部邻域内的像素点分布状况实现噪点的自适应滤波窗口尺寸的设定，具有针对性的去噪效果，提高了滤波去噪的效率。

综上所述，本发明实施例获得超声影像图像，根据超声影像图像内的灰度值获得像素点的孤立因子，根据孤立因子筛选出噪点；对噪点设定预设大小的局部邻域，计算局部邻域内的像素点的灰度梯度指标；获得超声影像图像的亮度分量图像，将局部邻域在亮度分量图像中对应的区域作为目标区域，获取目标区域内的像素点对应的雅可比矩阵的特征值，根据特征值获取目标区域内的像素点的纹理指标；根据灰度梯度指标与纹理指标获取局部邻域特征值；根据局部邻域特征值与超声影像图像的大小获取自适应滤波窗口尺寸，根据自适应滤波窗口对超声影像图像进行滤波去噪，提高滤波去噪效率与准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。