Speckle Noise Reduction in Medical …

Speckle Noise Reduction in Medical …

Speckle Noise Reduction in Medical ...

Abbildung 8. Das allgemeine Modell für Speckle-Reduktion unter Verwendung von contourlet verwandeln.

Abbildung 9. a) Original-Ultraschallbild. (B) Despeckled Bild unter Verwendung von Wavelet mit Subband Bayes weiche Schwellwerte (Stufe 3) zu transformieren. (C) Despeckled Bild mit contourlet mit weicher Schwellenwert verwandeln. (D) Despeckled Bild mit contourlet mit harter Schwellenwert verwandeln. (E) Despeckled Bild mit contourlet mit halb weiche Schwellwerte verwandeln.

Abbildung 10. Das Blockdiagramm von Entfernen von Flecken Methode basiert auf contourlet mit Zyklus Spinnen verwandeln.

Abbildung 11. Die Werte von PSNR und SNR für verschiedene Methoden Thresholding durch Zyklus Spinnen basierend CT-Verfahren erhalten und dass durch direkte CT basierte Methode.

Abbildung 12. Die Werte von MSE für verschiedene Schwellwertverfahren durch Zyklus Spinnen basierend CT erhalten Verfahren und durch direkte CT basierte Methode.

Abbildung 13. Die Werte der Korrelationskoeffizient für verschiedene Methoden Thresholding durch Zyklus Spinnen basierend CT-Verfahren erhalten und dass durch direkte CT basierte Methode.

Abbildung 14. Die Werte der Varianz für verschiedene Schwellwertverfahren durch Zyklus Spinnen basierend CT erhalten Verfahren und durch CT basierte Methode.

Abbildung 15. Die Werte der Rechenzeit für verschiedene Methoden Thresholding durch Zyklus Spinnen basierend CT-Verfahren erhalten und dass durch CT basierte Methode.

Abbildung 16. a) Original-Ultraschallbild (b) Despeckled Bilderzeugungsverfahren unter Verwendung von Zyklus Spinnen basierend CT mit ST. (C) Despeckled Bild mit Zyklus Spinnen basierend CT HT-Verfahren. (D) Despeckled Bild mit Zyklus Spinnen basierend CT SST-Verfahren. (E) Despeckled Bild direkt CT-Methode.

Figur 18 a) Original Ultraschallbild, (b) entrauschten Bildes mit Gauß-Filter, (c) entrauschten Bildes erste Alternative mit WT-Methode (d) entrauschten Bildes mit ersten Alternative mit LP-Verfahren. (E) denoised Bild 1. Alternative mit CT-Verfahren. (F) denoised Bild unter Verwendung der 2. Alternative mit Methode WT. (G) denoised Bild 2. Alternative mit LP-Methode. (H) denoised Bild 2. Alternative mit CT-Verfahren.

Abbildung 19. Das allgemeine Modell für Gaußsche Darstellung von Speckle-Rauschen.

Abbildung 22. a) Original-Ultraschallbild (b) Despeckled Bild unter Verwendung der contourlet mit Zyklus Spinnen (c) denoised Bildmodell unter Verwendung der vorgeschlagenen linearen Regression verwandeln. Der Kasten zeigt den Bereich des Bildes in (b) und (c) aufgrund des Entfernen von Flecken prominente visuelle Verbesserung zeigt.

Abbildung 23. a) ein Teilbild des Original-Ultraschallbild (b) Unter Bild von Entfernen von Flecken Wiener-Filter (c) Teilbild Entfernen von Flecken WT-Verfahren (d) Teilbild Entfernen von Flecken CT-Verfahren (e) Unter Bild von Entfernen von Flecken unter Verwendung von mit Zyklus Spinn basierend CT-Verfahren (f) Unterbild von Entfernen von Flecken linearen Regressionsmodells vorgeschlagen werden.

[1] Institut für P. G. Studien und Forschung in der Informatik, Gulbarga University, Gulbarga, Karnataka, Indien

[2] Institut für Informatik und Ingenieurwesen, B.L.D.E.A Dr. P.G.H. College of Engineering, Bijapur, Karnataka, Indien

[3] Institut für Medizin, Sri.B.M.Patil Medical College, Blöde University, Bijapur, Karnataka, Indien

1. Einleitung

Die Verwendung von Ultraschall-Bildgebung in der medizinischen Diagnostik gut etabliert wegen seiner nicht-invasive Natur, niedrige Kosten, Fähigkeit, Echtzeitabbildung bildet, und in der Bildqualität ständigen Verbesserung. Allerdings leidet es unter einer Anzahl von Nachteilen, und diese umfassen: Akquisitions Rauschen von der Ausrüstung, der Umgebungsgeräusche aus der Umgebung, um das Vorhandensein von Hintergrundgewebe, andere Organe und anatomische Einflüsse wie Körperfett, und Atmungsbewegung. Daher ist Lärmreduzierung sehr wichtig, da verschiedene Arten von Rauschen erzeugt, um die Wirksamkeit der medizinischen Bilddiagnose begrenzt.

Ultraschall ist eine Schallwelle mit einer Frequenz, die mit 20 kHz überschreitet. Es transportiert Energie und breitet sich durch verschiedene Mittel wie eine pulsierende Druckwelle [1]. Es wird durch eine Anzahl von Wellenparameter wie Druck Dichte, Ausbreitungsrichtung und Teilchenverschiebung beschrieben. Wenn die Partikelverschiebung zur Ausbreitungsrichtung parallel ist, dann wird die Welle eine longitudinale oder Kompressionswelle bezeichnet. Wenn die Partikel Verschiebung senkrecht zu der Ausbreitungsrichtung ist, ist es eine Scherung oder Transversalwelle. Die Wechselwirkung von Ultraschallwellen mit dem Gewebe ist, den Gesetzen der geometrischen Optik unterliegen. Es enthält Reflexion, Brechung, Streuung, Beugung, Interferenz und Absorption. Mit Ausnahme von Störungen reduzieren alle anderen Interaktionen, die Intensität des Ultraschallstrahls.

Ultraschall-Technik basiert im Wesentlichen auf die Echos Messung von einem Medium übertragen zurück, wenn eine Ultraschallwelle, um es zu senden. In der Echoimpulsultraschalltechnik wirkt die Ultraschallwelle mit Gewebe und einige der übertragenen Energie kehrt zum Wandler vom Instrument detektiert werden [2]. Ferner werden die reflektierten Wellen von der Wandlersonde und weitergeleitet an die Maschine aufgenommen werden. Die Maschine berechnet den Abstand vom Wandler Sonde mit dem Gewebe oder Organ (Grenzen), um die Schallgeschwindigkeit im Gewebe unter Verwendung von (1,540 m / s) und die Zeit des jeweiligen Echo Rückkehr (millionstel Sekunde). Die Maschine zeigt die Abstände und Intensitäten der Echos auf dem Bildschirm, um ein zweidimensionales Bild zu erzeugen. Oberflächlicher Strukturen wie Muskeln, Sehnen, Hoden, der Brust und der neonatalen Gehirn bei einer höheren Frequenz (7- 18 MHz) abgebildet wird, die eine bessere axiale und seitliche Auflösung liefert. Tieferen Strukturen wie Leber und Nieren werden bei einer niedrigeren Frequenz 1-6 MHz mit geringer axialer und lateraler Auflösung, aber größere Durchdringung abgebildet.

Die Nützlichkeit von Ultraschallbildgebung wird durch die Anwesenheit von signalabhängige Rauschen als Speckle bekannt abgebaut. Speckle-Rauschen ist multiplicative in der Natur. Diese Art von Lärm ist eine inhärente Eigenschaft der medizinischen Ultraschall-Bildgebung und wegen dieses Rauschen die Bildauflösung und Kontrast reduziert werden, was den diagnostischen Wert dieser Bildgebungsmodalität bewirkt [3]. So Speckle Rauschunterdrückung ist ein wesentlicher pre Verarbeitungsschritt, wenn der Ultraschallbildgebung für medizinische Bildgebung verwendet wird. Daher ist die Bild Despeckling eine sehr wichtige Aufgabe, und sollte [4 -6] herausgefiltert werden, ohne wichtige Merkmale des Bildes betreffen.

In Ultraschallbildern ist der Rauschanteil multiplikative und nicht Gaussian. Ein solches Rauschen ist im Allgemeinen schwieriger als additives Rauschen zu entfernen, da die Intensität des Rauschens mit der Bildintensität variiert. Ein Modell des multiplikativen Rauschen ist gegeben durch

y i j = X i j n i

In der Gl. (14). die σ k ist die Standardabweichung des Kernels und K — der Intensitätswert des Kernels bedeuten. Der einzige Nachteil des Kuan Filters ist, dass die ENL-Parameter berechnet werden muss.

Das Wiener-Filter [14] für einen linearen Raumdomänenfilter. Es gibt zwei Alternativen. (I) Fourier-Verfahren (Frequency Domain) (ii) mittlere quadratische Methode (räumliche Domäne) verwandeln, für das Wiener-Filter implementiert. Die erste Alternative ist für Entrauschen und deblurring verwendet, während die zweite Alternative nur für Entrauschen verwendet wird. Der Frequenzbereich Alternative der Wiener-Filterung erfordert eine vorherige Kenntnis der Rauschleistungsspektren und dem Originalbild. Aber in der räumlichen Domäne alternative keine solche vorherige Kenntnis erforderlich. Es basiert auf statistischen dest quadrierten Prinzip und minimiert der mittlere Fehler zwischen der tatsächlichen Signalsequenz und der gewünschten Signalfolge quadriert.

In einem Bild, unterscheiden sich die statistischen Eigenschaften zu viel von einer Region in eine andere Region. Somit können sowohl globale Statistik (Mittelwert, Varianz und Momente höherer Ordnung des gesamten Bildes) und der lokalen Statistik (Mittelwert, Varianz und Momente höherer Ordnung von Kernel) wichtig sind. Wiener-Filterung basiert auf den beiden, globale und lokale Statistiken und ist gegeben durch

Y i j = K — + σ k 2 σ k 2 + σ 2 K u v — K —

wobei Yij bezeichnet das despeckled Bild, K — der lokale Mittelwert, 2 σ k die lokale Varianz, v K u ist u. v t h Pixel im Kern K und σ 2 ist die globale Varianz. Lassen Sie uns Kern der Größe M · M betrachten, dann zwei lokale Varianz σ k durch die Gleichung definiert ist. (10). Aus der Gl. (15). es wird beobachtet, daß der Filterausgang den lokalen Mittelwert gleich ist, wenn der Wert Mittelpixel lokalen Mittelwert entspricht, oder gibt er den geänderten Wert verschieden von lokalen Mittelwert. Somit variiert Filterausgabe von dem lokalen Mittelwert von der lokalen Varianz abhängig und somit versucht, den wahren ursprünglichen Wert so weit wie möglich zu halten.

Der Lee-Filter und Wiener-Filter verwenden Kerngrße 3×3, 5×5 implementiert, 7×7 und Kuan Filter Kerngrße 3×3 und 5×5.The klassischen Wiener-Filter, ist nicht ausreichend zur Entfernung von Speckle, da sie hauptsächlich für die additive Rauschunterdrückung ausgebildet ist. Um die multiplikative Art von Speckle-Rauschen ansprechen, ein homomorphes Ansatz wird in [15] entwickelt, die das multiplikative Rauschen in additives Rauschen umwandelt, durch den Logarithmus des Bildes zu nehmen und dann gilt das Wiener-Filter. Das PSNR, SNR, CC, Varianz und MSE als Filterleistung Maßnahmen berücksichtigt. Die Figuren 1.-4. zeigen die durchschnittlichen Ergebnisse für 70 Ultraschallbilder erhalten, die sind despeckled mit Kuan, Lee und Wiener-Filter. Die Optimalität wird durch die Kriterien festgelegt, nämlich (i) höhere SNR und PSNR-Werte, (ii) geringere Varianz, MSE-Werte und (iii) Korrelationskoeffizient ist ein nahezu gleich. Aus den Figuren 1.-4. es wird beobachtet, dass Wiener-Filter mit Kerngröße 3×3 bessere Ergebnisse als andere Entfernen von Flecken Filter gibt. Die Rechenzeit von verschiedenen Filter werden in der Tabelle 1 Der Filter mit weniger Rechenzeit in der Regel gegeben ist für die Online und Echtzeit-Anwendungen erforderlich ist. Der kleinste Wert der Berechnung wird markiert. Aus der Tabelle 1 wird beobachtet, dass Wiener-Filter mit Kerngröße 3×3 ist besser unter allen Filter hier im Vergleich zum Entfernen von Flecken medizinischen Ultraschallbildern.

Für eine korrekte Beurteilung der Leistung von Filtern sollte die subjektive Bewertung berücksichtigt werden. Für die subjektive Bewertung, die despeckled Bilder verschiedener Filter sind in der Figur 5. Aus der Figur 5 gezeigt aus Sichtprüfung beobachtet wird, dass alle drei Methoden gut Speckle-Unterdrückung Leistung erreicht. Doch Lee und Kuan Filter verloren viele der Signaldetails und die resultierenden Bilder sind unscharf. Ferner ergab Wiener-Filter mit Kerngröße 3×3 bessere visuelle Verbesserung der medizinischen Ultraschallbildern. Allerdings glättet die Lee-Filter Rauschen in flachen Regionen weg, lässt aber die feinen Details wie Linien und Textur unverändert.

Abbildung 1.

Leistung verschiedener Entfernen von Flecken Filter in Bezug auf PSNR, SNR.

Figur 2.

Leistung verschiedener Despeckling-Filter, in Bezug auf die Varianz

Figur 3.

Leistung verschiedener Entfernen von Flecken Filter im Hinblick auf MSE.

Figur 4.

Leistung verschiedener Entfernen von Flecken Filter, in Bezug auf die Korrelationskoeffizient

Abbildung 5.

Leistungsvergleich verschiedener Entfernen von Flecken Filter durch visuelle Inspektion eines Ultraschallbildes von Niere.

Tabelle 1.

Leistungsvergleich verschiedener Entfernen von Flecken Filter auf Basis von Rechenzeit.

Somit ist die Hauptnachteil Lee Filters ist, dass es Speckle-Rauschen in dem Bereich am nächsten zu den Kanten und Linien zu ignorieren neigt. Der Kuan-Filter wird als mehr besser als die Lee-Filter sein. Es ist nicht eine Annäherung an die Rauschvarianz innerhalb des Filterfensters machen. Die einzige Einschränkung von Kuan-Filter ist die hohe Rechenzeit aufgrund Schätzung des ENL-Parameter. Das Wiener-Filter mit Kerngröße 3 x 3 ist wirksam bei der bis zu einem gewissen Grad die Kanten und andere detaillierte Informationen zu erhalten. Ferner wird, wenn die verschiedenen Filter räumlichen Domäne durch visuelle Inspektion verglichen werden, wird beobachtet, dass Wiener-Filter mit kernel Größe 3 × 3 bessere visuelle Verbesserung der medizinischen Ultraschallbilder ergab. Ferner wird für die vollständige Entfernung von Speckle, ohne Daten zu verlieren, ist im Moment nicht möglich. Dies liegt daran, alle diese Filter auf lokale statistische Daten angewiesen, um das gefilterte Pixel zusammen. Ein alternativer Ansatz ist Wavelet-Transformation zu verwenden.

3. Verfahren Wavelet-Transformation

Das primäre Ziel der Speckle-Reduktion ist die Speckle zu entfernen, ohne in einem Bild enthaltenen sehr ins Detail zu verlieren. Um dieses Ziel zu erreichen, nutzen wir die Wavelet-Transformation und Multi-Resolution-Analyse anwenden, ein Bild in verschiedenen Frequenzkomponenten oder nützlich Subbänder und dann effektiv reduzieren die Speckle in den Subbändern entsprechend den lokalen Statistiken innerhalb der Bänder zu lokalisieren. Der Hauptvorteil der Wavelet-Transformation ist, dass die Bildtreue nach dem Wiederaufbau visuell verlustfrei.

Ein Wavelet ist eine mathematische Funktion verwendet, um eine gegebene Funktion oder zeitkontinuierlichen Signals in verschiedene Frequenzkomponenten zu zerlegen und jede Komponente mit einer Auflösung untersuchen, die seine Skala übereinstimmt. Eine Wavelet-Transformation ist die Darstellung einer Funktion von Wavelets. Die Wavelets werden skaliert und übersetzt Kopien (auch bekannt als Tochter Wavelets) einer endlichen Länge oder schnell abklingende oszillierende Wellenform (als Mutter-Wavelet bekannt). Wavelet-Transformationen werden in kontinuierlichen Wavelet-Transformation klassifiziert (CWT) und diskreten Wavelet-Transformation. Die CWT analysiert das Signal durch die kontinuierliche Verschiebungen eines skalierbaren Funktion über einen Zeitebene. Da der Computer diskrete Natur, Computer-Programme verwenden die diskreten Wavelet-Transformation. Die diskrete Transformation ist sehr effizient von Rechen Sicht.

Bild denoising Wavelet-Techniken wirksam ist wegen seiner Fähigkeit, den größten Teil der Energie eines Signals in einigen signifikanten Transformationskoeffizienten zu erfassen. Ein weiterer Grund der Verwendung von Wavelet ist für die Entwicklung von effizienten Algorithmen für die Signal Zersetzung und Rekonstruktion [16] für Bildverarbeitungsanwendungen wie Entrauschen und Kompression durch verwandeln. Eine Umfrage unter Entfernen von Flecken Techniken wird in [17 diskutiert. 18] und viele Waveletbereich Techniken sind bereits in der Literatur zur Verfügung. In [19] haben die Autoren eine neuartige Speckle Unterdrückungsverfahren für medizinische Ultraschallbilder dargestellt, in denen es, dass die Subband-Zerlegungen von Ultraschallbildern Gaußschen Statistiken signifikant nicht haben gezeigt ist, die von Familien von Schwer tailed Verteilungen wie die alpha am besten beschrieben werden stabil. Dann wird ein Bayes-Schätzer diese Statistiken ausnutzt. Alpha stabiles Modell wird verwendet, um einen blinden Rauschentfernungs Prozessor zu entwickeln, die auf den Daten einer nichtlinearen Operation durchführt. In [20], haben die Autoren eine neue Technik für Entfernen von Flecken, die medizinischen Ultraschallbilder mit verlustbehafteter Kompression vorgeschlagen. In [21], haben Autoren eine neue Wavelet-basierte Bild denoising Technik vorgeschlagen, bei der die verschiedenen Schwellenfunktionen, nämlich Universal-Schwelle, Visu schrumpfen, sicher schrumpfen, Bayes schrumpfen und normalen Schrumpf werden für die Studie nicht berücksichtigt. Der Schwellenwert wird mit kreisenden Kern, mittlere Höchstwert berechnet, Nachbar und neue Schwellenfunktion.

Jede Zerlegung eines Bildes in Wavelets umfasst ein Paar von Wellenformen, eine der hohen Frequenzen darstellen, entsprechend den detaillierten Teile eines Bildes (Wavelet-Funktion ψ) und eine für hohe Frequenzen werden transformiert mit kurzen Funktionen (geringe Skala). Das Ergebnis von WT ist ein Satz von Wavelet die tiefen Frequenzen oder glatten Teile eines Bildes Koeffizienten (Funktion φ Skalierung), die den Beitrag der Wavelets messen an unterschiedlichen Orten und Skalen. Der WT führt Multi-Resolution-Bildanalyse [22]. Die Skalierungsfunktion für Multi-Resolution-Annäherung kann als die Lösung einer zwei Skala Dilatationsschwingung Gleichung erhalten werden (16).:

φ (x) = Σ k a L (k) φ (2 x-k)

für einige geeignete Folge von Koeffizienten aL (K). Sobald φ gefunden wurde, wird ein zugeordneter Mutter-Wavelet durch eine ähnliche Suche Gl (17).:

ψ (x) = Σ k a H (k) φ (2 x-k).

Die Wavelet-Analyse führt zu einer perfekten Rekonstruktion Filterbänke mit der Koeffizient a-SequenzenL (K) und aH (K). Die Eingangssequenz X wird gefaltet mit Hochpass (HPF) und Tiefpass (LPF) filtert, um ein H k. a L k verbunden. Ferner ist jedes Ergebnis nach unten durch zwei abgetastet werden, die Signale x H Transformation ergibt und x L. Das Signal durch Upsampling und Faltung mit hohen und niedrigen Synthesefilter s rekonstruiertH (K) und sL (K). Durch die Kaskadierung der Analysefilterbank mit sich selbst mehrere Male, digitale Signal Zersetzung mit Skalierung dyadic Frequenz als DWT bekannt ist, kann gebildet werden. Die DWT für ein Bild als ein 2D-Signal kann von 1D DWT ableiten. Der einfachste Weg für den Erhalt der Skalierung und Wavelet-Funktionen für zwei Dimensionen ist durch zwei 1D-Funktionen multipliziert wird. Die Skalierungsfunktion für 2D-DWT kann durch Multiplikation zwei 1D-Skalierungsfunktionen erhalten: φ (x, y) = φ (x) φ (y), die die Annäherung Subband Bild (LL). Die Analyse-Filterbank für eine einzelne Ebene 2D-DWT Struktur erzeugt drei Detail Subband Bilder (HL, LH, HH) entsprechend den drei unterschiedlichen Richtungsorientierungen (horizontal, vertikal und diagonal) und eine geringere Auflösung Subband Bild LL. Die Filterbank-Struktur kann in ähnlicher Weise auf der LL-Kanal iteriert werden Multi-Level-Zersetzung zu liefern. Die trennbare Wavelets sind auch als Tensorprodukte eindimensionaler Wavelets und Skalierungsfunktionen betrachtet. Ob ψ (x) ist die eindimensionale Wavelet mit eindimensionale Skalierungsfunktion φ (x) zugeordnet sind. dann drei 2D-Wavelets, die mit drei Teilbandbildern, wie vertikale, horizontale und diagonale Details genannt, sind gegeben durch

ψ V (x. y) = φ (x) ψ (y)

die entsprechen den drei Subbänder LH, HL und HH bzw. [23]. Die Wavelet-Gleichung erzeugt verschiedene Arten von Wavelet-Familien wie Daubenchies, Haar, Symlets, Coiflets und Biorthogonale Wavelets [24].

3.1. Thresholding Techniken

Es gibt zwei Ansätze, die Schwellwertbildung nach der Berechnung der Wavelet-Koeffizienten auszuführen, nämlich Subband Schwellwertbildung und globale Schwellwertbildung [25]. In Subband Schwellwertbildung, berechnen wir die Rauschvarianz der horizontalen, vertikalen und diagonalen Teilbänder jeder Zerlegungsstufe, von den äußeren Spektralbänder beginnt und bewegt sich in Richtung Innen Spektralbänder (Zersetzung von höheren zu niedrigeren Ebenen) und Schwellwert berechnen Bayes Verwendung Schrumpfung oder Visu Schrumpfung Regel. In der globalen Schwellen bestimmen wir den Schwellenwert nur aus dem diagonalen Band, aber wir wenden diese Schwelle auf die horizontalen, vertikalen und diagonalen Teilbänder. Dieser Ansatz geht davon aus, dass die diagonalen Band meisten der hohen Frequenzen Komponenten enthält; daher auch der Rauschanteil in diagonalen Band sollte höher sein als die anderen Bands sein. Thresholding auf der gröbsten Ebene nicht gemacht wird, weil es die Näherungskoeffizienten enthält, die übersetzt und abgespeckte Version des Originalbildes darstellen. Thresholding auf dieser Ebene bewirkt, dass das Rekonstruktionsbild verzerrt.

Die Schwellwertbildung Ansatz ist die Detailkoeffizienten (Hochfrequenzkomponenten), deren Amplituden kleiner als ein bestimmter Schwellenwert statistischen schrumpfen auf Null, während die glattere Detailkoeffizienten Halte das ideale Bild ohne viel Verlust in seinen Einzelheiten zu rekonstruieren. Dieser Vorgang wird manchmal Wavelet-Schrumpfung bezeichnet, da die Detailkoeffizienten werden auf Null geschrumpft. Es gibt drei Schemata der Wavelet-Koeffizienten zu schrumpfen, nämlich die Keep-or-kill harte Schwellwerte, schrumpf or-kill weiche Schwellwerte eingeführt durch [26] und die letzte Halb weich oder fest Schwellwertbildung. Schrumpfen des Wavelet-Koeffizienten ist am effizientesten, wenn die Koeffizienten spärlich sind, das heißt, die Mehrzahl der Koeffizienten null ist und eine Minderheit von Koeffizienten mit größerer Größe, die das Bild darstellen kann [27]. Das Kriterium jedes Schema wird wie folgt beschrieben. Da λ bezeichnet den Grenzwert, Xw bezeichnet die Eingangs Wavelet-Koeffizienten und Yt die Ausgangs Wavelet-Koeffizienten nach Thresholding bezeichnet, definieren wir die folgenden Thresholding Funktionen:

Y t = T h a r d (X w) = lt; X w. für | X w | ≥ λ 0 für | X w | lt; λ

Das harte Schwellwerte Verfahren entfernt das Rauschen, das durch Schwellwertbildung nur die Wavelet-Koeffizienten der Detailunterbänder, während die niedrige Auflösung Koeffizienten unverändert zu halten. Das weiche Schwellwerte Schema in Gl. (22) ist eine Erweiterung des harten Schwellwertbildung. Es vermeidet Diskontinuitäten und ist daher stabiler als Fest Schwellwertbildung. In der Praxis ist weicher Schwellenwert populärer als harte Schwellwerte, weil es die plötzliche scharfe Änderungen, die in harter Schwellenwert auftritt, reduziert und optisch angenehm wiederhergestellten Bilder. Das Ziel der halb weichen Schwelle durch Änderung des Gradienten der Steigung eines Kompromisses zwischen harten und weichen Schwellwertbildung zu bieten. Dieses Schema erfordert zwei Schwellen, eine niedrigere Schwelle λ und eine obere Schwelle λ1 wobei λ1 wird geschätzt, den doppelten Wert der unteren Schwelle λ sein.

3.2. Schwindung Regel

Eine sehr große Schwelle λ fast alle Koeffizienten auf Null schrumpfen und über Glättung des Bildes führen kann, während ein kleiner Wert von λ zu den scharfen Kanten führen wird mit Details zurückgehalten werden, sondern kann die Speckle zu unterdrücken, fehlschlagen. Wir verwenden die Schrumpfung Regeln, nämlich die Visu Schrumpfung Regel und Bayes Schrumpfung Regel für Schwellwertbildung, die im Folgenden erläutert werden:

3.2.1. Visu Schrumpfung Regel

Visu Schrumpfung Regel [28] ist Thresholding durch universelle Schwelle anwenden. Die Idee ist, zu finden

jede Schwelle λich proportional zur Quadratwurzel der lokalen Rauschvarianz σ 2 in jedem Teilband des Ultraschallbildes nach der Zersetzung sein. wenn Nk ist die Größe des Teilbandes in der Wavelet-Domäne, dann λich

λ i = σ 2 log (N k)

Despeckled Bilder mit Wiener-Filter und Wavelet-Filter

3.3. Laplacepyramide verwandeln

Mehrere Specklereduktion Techniken, die auf Multiskalenmethoden (zum Beispiel Wavelet-Transformation, Laplace-Pyramide (LP) Transformation) vorgeschlagen worden [30 -33]. Die LP hat das Unterscheidungsmerkmal, dass jeder Pyramidenstufe (auch für mehrdimensionale Fälle) nur ein Bandpass-Bild erzeugt, das nicht die Berechtigung «verschlüsselt» Frequenzen. Diese Frequenz Verwürfelung geschieht in der Wavelet-Filterbank, wenn ein Hochpasskanal nach unten Probenahme wird wieder in dem Niederfrequenzband gefaltet ist, und somit ist sein Spektrum reflektiert. In der LP wird dieser Effekt, indem es die Abtastung des Tiefpass Kanal nur vermieden.

Ein Specklereduktion Verfahren basierend auf nicht-lineare Diffusionsfilterung von Bandpassultraschallbilder in der Laplace-Pyramide Domäne wurde in [34], die effektiv unterdrückt die Speckle unter Beibehaltung Kanten und detaillierte Merkmale vorgeschlagen. In [31] haben die Autoren eine nichtlineare Multiskalen-pyramidal verwandeln, implementiert auf Basis von nicht überlappenden Blockzerlegungen den Median Betrieb mit und eine Polynomannäherung. Es wird gezeigt, dass diese Struktur für denoising von ein- und zweidimensionalen (1-D und 2-D) Signale nützlich sein. Es kann für die Auswahl der Schwellenwerte für denoising Anwendungen verwendet werden.

In [33] Der Vergleich der zwei Mehrfachauflösungsmethoden: Wavelet-Transformation und Laplace-Pyramide verwandeln, für die gleichzeitige Speckle-Reduktion und Kontrastverstärkung für Ultraschallbilder gegeben. Wie viel Variabilität in Ultraschallbildern vorhanden ist, erweist sich die Wavelet-Verfahren eine wesentlich bessere Methode als die Laplace eine für eine Gesamtverbesserung sein. Allerdings müssen die Laplace-Pyramidensystem für die Erreichung besser Entfernen von Flecken Ergebnisse, erkundet zu werden.

3.3.1. Laplace-Pyramidensystem

Eine Möglichkeit, eine Multiskalenzerlegung zu erreichen, ist eine Laplace-Pyramide zu verwenden (LP) verwandeln [35]. In der ersten Stufe der Zersetzung wird das Originalbild in ein Grobsignal und ein Differenzsignal umgewandelt. Das Grobsignal hat weniger Abtastwerte als das Originalbild, aber das Differenzsignal hat die gleiche Anzahl von Abtastwerten wie das ursprüngliche Bild. Das Grobsignal eine gefilterte und abwärts Version des Originalbildes abgetastet. Es liegt dann abgetastet und das Originalbild zur Vorhersage filtriert. Die Vorhersage Rest bildet das Detailsignal. Das grobe Signal kann weiter zerlegt werden und dieser Prozess kann einige Male iterativ wiederholt werden. Unter der Annahme, die Filter in LP sind orthogonale Filter wird ein Bild X in J Detailbilder zerlegt dj, j = 1, 2 J und einer groben Näherungsbild c J. Dann haben wir

‖ X ‖ 2 = Σ j = 1 J ‖ d j ‖ 2 + ‖ c J ‖ 2

Der Laplace-Operator wird dann als die Differenz zwischen dem Originalbild und dem tiefpaßgefilterten Bild berechnet. Dieser Prozess wird fortgesetzt, einen Satz von gefilterten Detailbildern zu erhalten (da jeder die Differenz zwischen zwei Ebenen der Gauß’schen Pyramide ist). So ist die Laplace-Pyramide ist eine Reihe von Detail-Filter. Durch Wiederholung werden diese Schritte mehrmals, eine Folge von Bildern erhalten. Wenn diese Bilder übereinander gestapelt sind, ist das Ergebnis eine sich verjüngende Pyramidendatenstruktur und, daher der Name der Laplace-Pyramide.

Ein Speckle-Reduzierungsverfahren basierend auf Laplace-Pyramide für medizinische Ultraschallbildtransformation wird mit dem Blockschaltbild in der 7. 7. a homomorphe Ansatz wie der Log-Transformation der Speckle-Bild beschädigt In der Figur dargestellt ist dargestellt, wandelt die multiplikative Rauschen des Originalbild in additives Rauschen. Homomorphe Betrieb normalisiert gleichzeitig die Helligkeit über ein Bild und erhöht den Kontrast. Für jedes Differenzsignal von N-Niveau der Laplace-Pyramiden Zersetzung wird ein Schwellenwert unter Verwendung von Bayes ‘Schrumpfungsregel berechnet. Ferner wird Schwellwertbildung zu reduzieren Speckle durchgeführt. Die exponentielle Operation wird auf dem gefilterten Ausgangsgeführt, um das despeckled Bild zu erhalten.

Abbildung 7.

Blockschaltbild des Speckle-Rauschunterdrückung unter Verwendung von Laplace-Pyramide verwandeln

Die Laplace-Pyramide Transformation wird auf die log-transformierten Bildes durchgeführt. Die Laplace-Pyramiden Zersetzungen bis zu sechs Ebenen erhalten werden unter Verwendung biorthogonal Filter mit ausreichender Genauigkeit Zahlen wie «9/7» und «5/3». Ferner wird Thresholding Schemata wie harte Schwellwerte, weiche Schwellwerte und halb weiche Schwellwerte ausgeführt Speckle zu reduzieren. Der Schwellenwert wird berechnet unter Verwendung der Bayes-Schrumpfung Regel. Das Experimentieren wird auf 70 Ultraschallbilder von Leber und Niere durchgeführt. Die Leistungsbewertung des vorgeschlagenen Verfahrens ist in Bezug auf die Varianz durchgeführt, MSE, SNR, PSNR, CC-Werte, die von despeckled Bild berechnet werden. Die Laplace-Pyramide-Transformation mit 1 Ebene Zersetzung und harter Schwellenwert ist als andere Schwellwertverfahren besser beobachtet werden.

Die Tabelle 4 zeigt die Performance Vergleich der vorgeschlagenen LP mit der Wavelet-Transformation basiert Entfernen von Flecken-Methode [36] basiert Entfernen von Flecken Verfahren zu transformieren. Es wird bemerkt, dass, im Vergleich zu den Flecken entfernen medizinischen Ultraschallbildern auf Basis von WT, das Entfernen von Flecken auf Basis von LP Methode liefert schlechte Ergebnisse. Weil multiplikativen Rausch eine bestimmte Art von signalabhängige Rauschen ist, bei dem die Amplitude des Rauschterm ist gleich dem Wert des freien Signalrauschen von Null verschiedenen Mittelwert proportional. Daher ist ein Bandpass Darstellung wie LP nicht geeignet für multiplikativen Rauschmodell, also ist das Verfahren verbessert werden muss.

Um in den Bildern glatte Konturen zu erfassen, die contourlet Transformationen, die Richtungs Zersetzungen ermöglichen, sind für Entfernen von Flecken medizinische Ultraschallbilder im nächsten Abschnitt beschäftigt.

4. Contourlet Transformationsverfahren

Die contourlet Transformation (CT) ist ein Multiskalen und multidirektionale Rahmen von diskreten Bild. Es ist die einfache Richtungserweiterung für Wavelet, das seine Subband Misch Problem behebt und verbessert die Direktionalität. Unter den «jenseits Wavelet-Verfahren», ermöglicht contourlet für unterschiedliche und flexible Anzahl von Richtungen an jeder Skala, während fast eine kritische Abtastung zu erreichen. Die wünschenswerten Eigenschaften von CT für Bilddarstellung umfasst Multi-Resolution, so dass Bilder in einer groben zu feinen Mode angenähert werden; Lokalisierung der Basisvektoren in Raum und Frequenz; geringer Redundanz, um nicht die Menge der Daten zu erhöhen, werden gespeichert; Direktionalität, so dass Darstellung mit Basiselementen in einer Vielzahl von Richtungen ausgerichtet sind; und Anisotropie, zu erfassen, die Fähigkeit, glatte Konturen in Bildern, Basiselemente verwenden, die eine Vielzahl von länglichen Formen mit unterschiedlichen Seitenverhältnissen sind [37].

Die contourlet Transformation wurde die Grenzen der Wavelets zu überwinden, entwickelt, und somit die neuen Algorithmen auf der contourlet basierten Transformation sind effizienter als Wavelet-Methoden. In [38], haben die Autoren eine contourlet basierte Specklereduktion Verfahren für Entrauschen Ultraschallbilder von der Brust dargestellt. Die Doppel-iterativen Filterbankstruktur und eine geringe Redundanz höchstens 4/3 unter Verwendung von zwei Schwellwertverfahren zeigt ein großes Versprechen für Speckle-Reduktion. In [39], mit der Entfernen von Flecken medizinischen Ultraschallbilder mit Bayes Schrumpfung Regel contourlet Transformation untersucht. Der Algorithmus ist ebenfalls auf ovarian Ultraschallbildern getestet Verbesserung der Segmentierung zu demonstrieren, die für Follikel Detektion in einem ovarian Bild gute Klassifizierung ergibt [40].

In [41], basierend Specklereduktion auf contourlet verwandeln adaptive Schwelle für medizinische Ultraschallbild mit Skala untersucht worden ist, wobei in den Teilband contourlet Koeffizienten der Ultraschallbilder nach logarithmischer Transformation als generali Gauß-Verteilung modelliert. Die Skala adaptive Schwelle in Bayes-Rahmen angewendet wird. Das Verfahren ist auf beiden synthetischen und klinischen Ultraschallbildern getestet interms von S / MSE und Kantenbewahrung Parameter. Das vorgeschlagene Verfahren weist eine bessere Leistung auf Speckle-Unterdrückung als die Wavelet-basierte Methode, während es die Funktion Details des Bildes ist gut erhalten.

Die contourlet verwandeln lässt sich in zwei Hauptschritte unterteilt werden: Laplacepyramide Zersetzung und Richtungsfilter Banken. Contourlet Transformation ist ein Multi-Skala und Richtungsbilddarstellung, die zuerst eine Wavelet-artige Struktur für die Kantenerkennung verwendet und dann eine lokale Richtungs für Kontursegment Erkennung transformieren. Ein Doppelfilterbankstruktur des contourlet erhält spärlich Erweiterungen für typische Bilder mit glatten Konturen. Bei der Doppelfilterbankstruktur wird die Laplace-Pyramide verwendet, um ein Bild in eine Anzahl radialer Teilbänder zu zerlegen, und die Richtungsfilterbänke zersetzen jedes LP Detail Subband in eine Anzahl von Richtungsunterbändern. Das Bandpassbilder (dj [N]) aus dem LP werden in einen DFB zugeführt, so daß eine Richtungsinformation erfasst werden können. Die Regelung kann auf dem groben Bild (c wiederholt werdenj [N]). Das Ergebnis dieser Kombination ist eine doppelte iterierten Filterbankstruktur, genannt pyramidal Richtungsfilterbank (PDFB), die Bilder in Richtungs Subbändern bei mehreren Skalen zerfällt. Das allgemeine Modell für eine Bild Despeckling contourlet Transformation verwendet, ist in der Figur 8 gezeigt.

Abbildung 8.

Das allgemeine Modell für Speckle-Reduktion unter Verwendung von contourlet verwandeln.

In der Figur 8. Verfahren CT basiert Entfernen von Flecken besteht aus dem Protokoll ursprünglichen Ultraschallbild umgewandelt unterworfen werden Transformation contourlet, contourlet Koeffizienten zu erhalten. Das transformierte Bild wird durch die Anwendung Thresholding Techniken auf einzelnen Band denoised eine Bayes Schrumpfung der Regel abgeleitet von den lokalen Statistiken des Signals in der Transformation unter Verwendung von Domain-Subbänder passieren. Bayes Schrumpf wurde von [29] vorgeschlagen. Das Ziel der Bayes Schrumpfung Methode ist, das Bayes Risiko zu minimieren, und daher auch der Name, Bayes ‘schrumpfen. Ferner wird Thresholding Schemata wie harte Schwellwerte, weiche Schwellwerte oder halb weiche Schwellwerte ausgeführt Speckle zu reduzieren. Die exponentielle Operation wird auf dem gefilterten Ausgangsgeführt, um das despeckled Bild zu erhalten.

Das Experimentieren wird auf 70 Ultraschallbilder von Leber und Niere durchgeführt. Die sechs Ebenen der Laplace-Pyramiden Zersetzungen verwenden biorthogonal Filter mit ausreichender Genauigkeit Zahlen wie «9/7» durchgeführt. Die Richtungs Zersetzungen bis zu acht sind in allen pyramidal Ebenen durchgeführt, zweidimensionalen ladder Filter verwendet. Die contourlet Transformation verwendet die «9/7» Filter in LP-Stufe, weil in der Multiskalen-Zersetzungsstufe, es reduziert deutlich alle inter-Skala unter Lage und inter Richtung der gegenseitigen Information von contourlet Koeffizienten. In ähnlicher Weise in Richtungszersetzungsstufe sind die Leiterstruktur PKVA Filter [42] effektiver in lokalisierende Kantenrichtung wie diese Filter die Inter Richtung der gegenseitigen Information zu reduzieren. Ferner wird Thresholding Schemata wie harte Schwellwerte, weiche Schwellwerte oder halb weiche Schwellwerte ausgeführt Speckle zu reduzieren. Der Schwellenwert wird berechnet unter Verwendung der Bayes-Schrumpfung Regel. Die PSNR berechnet bis zu 6 LP Zersetzungen. Der PSNR-Wert steigt bis zu 2 Zersetzungen mit HT, ST und SST und danach reduziert. Daher ist das optimale Niveau der LP Zersetzung 2. Ferner ist es aus der Tabelle beobachtet 5. dass die 2-Ebene Laplace-Pyramiden Zersetzung und 4 Richtungsband Subbänder (2 auf Stufe 1, 2 auf der Ebene 2) unter Verwendung von Fest bessere Ergebnisse liefern Schwellwertbildung als weiche Schwellwerte und halb weiche Schwellwerte Techniken.

Tabelle 5.

Die Ergebnisse für die optimale optimale Zersetzung von LP Ebenen und Richtungs Zersetzungen in Bezug auf Bildqualität Bewertungsparameter mit contourlet Methode erhalten auf der Basis verschiedener Thresholding Techniken mit Bayes Schrumpfung Regel.

9.

a) Original-Ultraschallbild. (B) Despeckled Bild unter Verwendung von Wavelet mit Subband Bayes weiche Schwellwerte (Stufe 3) zu transformieren. (C) Despeckled Bild mit contourlet mit weicher Schwellenwert verwandeln. (D) Despeckled Bild mit contourlet mit harter Schwellenwert verwandeln. (E) Despeckled Bild mit contourlet mit halb weiche Schwellwerte verwandeln.

Die Frequenzbänder unter Verwendung von optimalen L2-11 von contourlet Zersetzung erhaltenen Ergebnisse sind wie folgt: der 2. Ebene hat 1 Annäherung Band der Größe 128 x128 und 4 Detailkomponenten (2 von 128 x 256, 2 von 256 x 512). Das rekonstruierte Bild wird das Bild despeckled. Der harte Schwellwerte ist besser als andere Schwellwertverfahren, weil kleine Koeffizienten entfernt werden, während andere in HT unberührt gelassen, während in ST oder SST-Koeffizienten über dem Schwellenwert von Absolutwert der Schwellen geschrumpft werden. Ferner wird gefunden, dass das Entfernen von Flecken auf Basis von contourlet Transformations bessere Ergebnisse als die Speckle-Reduzierungsverfahren insbesondere auf Wavelet-Transformation auf Basis verleiht. Die Wavelet-basierte Bayes ‘Schrumpf Schwellwertverfahren auf trennbare 2D basiert Wavelet-Transformation, die hat eine begrenzte Richtungen (horizontal, vertikal und Directional). Speckle-Rauschen in der medizinischen Ultraschallbilder werden signifikante Koeffizienten in Wavelet-Bereich erzeugen wie detailgetreu Features, wie Kanten. Jedoch ist der Speckle-Rauschen weniger wahrscheinlich signifikanten Koeffizienten in dem contourlet Verfahren zu erzeugen, und somit führt es direkt zu einer besseren Leistung bei der Unterdrückung von Rauschen als der Wavelet-basierte Bayes ‘Schrumpf Schwellwertbildung Schema.

Ein anderer Weg, die Auswirkungen von Despeckling Techniken zu analysieren ist, die despeckled Bilder zu untersuchen. In der Figur 9 die resultierenden Bilder einer Probe medizinischen Ultraschallbild präsentiert die Ergebnisse der verschiedenen Techniken Entfernen von Flecken durch visuelle Inspektion zu vergleichen. In der Figur 9 (b) und (c) wird der Speckle erheblich reduziert, aber die Strukturen sind unscharf und einige sichtbare Artefakte eingeführt werden. Jedoch in 9 (e) wird das Speckle reduziert gut und Strukturen verbessert. Aber einige Details sind verloren und einige sind über verbessert. Es ist ermutigend, dass die in der Figur 9 (d) zu beachten ist die Speckle effektiv reduziert und auch Strukturen mit fast keinen Verlust oder spürbaren Artefakt verbessert.

4.1. Zyklus Spinnen basierend contourlet verwandeln

Die CT ist nicht translationsinvariantes. Dies bedeutet, dass die Fehler nach denoising wird auf die Positionen der Diskontinuitäten in den Daten empfindlich sein. Um solche Effekte zu vermeiden, ist es notwendig translationsinvariant Version der Transformation zu bauen. Translationsinvarianz wird durch verschiedene Weise erreicht. Beispielsweise in [43], die zeitinvariante Systeme der Wavelet-Zerlegungen basieren vorgeschlagen worden und wurden häufig als Zyklus Spinnen. Leider aufgrund der downsamplers und upsamplers in den Richtungsfilterbänke von CT wird die CT nicht invariant Verschiebung, die in Bild denoising durch Schwellwertbildung wichtig ist und normalerweise verursacht pseudo-Gibbs-Phänomen. In [44] wird der Zyklus Spinn Algorithmus in der Entwicklung einer Translation invariant contourlet basierend denoising Technik verwendet. Die experimentellen Ergebnisse zeigen deutlich die Fähigkeit des vorgeschlagenen Systems in Bild Entrauschen, vor allem für detaillierte Texturbilder. Es wird gezeigt, dass die meisten der visuellen Artefakte aus dem contourlet resultierenden Prozesstransformation Entrauschen eliminiert werden. In [45] wird ein Zyklus Spinnverfahren verwendet für den Mangel an Translationsinvarianz Eigenschaft von scharfen Frequenz lokalisierten contourlet zu kompensieren. Die experimentellen Ergebnisse zeigen, dass Zyklus Spinnen eine einfache und effiziente Art und Weise ist es, die Pseudo-Gibbs Phänomene zu mitteln, die um Singularitäten sind und von der Downsampling und Upsampling von Richtungsfilterbänke hergestellt und zur Verbesserung der denoising Leistung interms der visuellen Qualität und PSNR .

Zum Ausgleich des fehlenden Translationsinvarianz Eigenschaft des contourlet verwandeln, wenden wir das Prinzip der Zyklus Spinnen contourlets. Angenommen, X und Y sind original und despeckled Bilder, F und F -1 sind Vorwärts- und inverse contourlet verwandeln, Si, j ist die 2D-Kreis Verschiebung i Zeile und j-ten Spaltenrichtungen th ist λ die Schwellen Operator in contourlet Domäne umwandeln. Der Zyklus Spinnen basierend contourlet für Bild denoising verwandeln konnte wie folgt beschrieben werden

Y = 1 B 2 Σ i, j = 1 B CS -i, -j (F -1 (λ (F (CS i, j (X)))))

wobei B die Serie von Bit-Verschiebungen in der i th Reihe und j th Spalte Richtungen. Wenn man ein Bild der Größe (N, N) zersetzt unter Verwendung der contourlet wandeln, wird die maximale Anzahl von Zerlegungsebenen in der LP-Stufe sein, B, und deshalb sind die maximale Anzahl der Schichten (B, B) in der Zeile und Spalte Richtungen. Nach einer B Anzahl von Bit-Verschiebungen, die auf dem Niveau der Zersetzung hängt der Ausgang abbaut transformieren. Daher hat der Zyklus Spinn nach einer bestimmten Anzahl von Bit-Verschiebungen gestoppt werden. Die Figur 10 zeigt das Blockschaltbild zur Speckle-Reduktionsverfahren basierend auf contourlet mit Zyklusspinntransformieren. Der Zyklus Spinn wird dem log-transformierten Bild angewendet. Es führt zweidimensionale Kreis Verschiebung in i-ten Zeile und j-ten Spalte Richtungen. Die kreisförmige Verschiebung wird auf B Anzahl der Bitverschiebungen durchgeführt, wo B auf dem Niveau der Zersetzung abhängt. Der Ausgang abbaut als B erhöht sich verwandeln. Daher hat der Zyklus Spinn nach einer bestimmten Anzahl von Bit-Verschiebungen gestoppt werden. Dann verwandeln contourlet wird unter Verwendung von Doppelfilterbankstruktur durchgeführt. Die sechs Ebenen der Laplace-Pyramiden Zerlegungen durchgeführt unter Verwendung biorthogonal Filter mit ausreichender Genauigkeit Nummern wie die «9-7» .Die Richtungs Zersetzungen bis zu sechs in der untersten pyramidal-Ebene durchgeführt, unter Verwendung von zweidimensionalen ladder Filter entworfen in [42]. Ferner ist ein Thresholding Schema entweder harte Schwellwerte, weiche Schwellwerte oder halb weiche Schwellwerte, durchgeführt Speckle zu reduzieren. Der Schwellenwert wird berechnet unter Verwendung der Bayes-Schrumpfung Regel. Die Ergebnisse für die optimale Bit-Verschiebungen des Zyklus Spinnen erhalten contourlet Methode basierend auf harte Schwellwerte, weiche Schwellwerte und halb weiche Schwellwerte Bayes Regel unter Verwendung vorgestellt. Die Ergebnisse für verschiedene Rekonstruktionsverfahren sind in den Figuren 11 -15 gezeigt, die Laplace-Pyramide Zersetzungen und Richtungs Zersetzungen für verschiedene Stufen der zu optimalen Ergebnissen von contourlet entsprechenden Graphen von statistischen Merkmalen PSNR, SNR, Varianz, MSE und CC jeweils aufweisen Transformations mit Zyklus Spinnen basierend Entfernen von Flecken Methode [46]. Die optimale Rekonstruktionsverfahren nach den Kriterien bestimmt wird, nämlich geringere Varianz und MSE, höhere SNR und PSNR-Werte, ist Korrelationskoeffizient nahezu gleich eins ist. Die contourlet Transformation mit 2 Niveau pyramidal Zersetzung und zwei Richtungs Zersetzungen im feinsten Skala und harte Schwellwerttechnik mit Bayes Schrumpfung Regel bessere Ergebnisse im Vergleich ergeben hat contourlet basierte Methoden [47] zu transformieren. In den Figuren 11 -15 gibt die horizontale Achse Etikett CYC-HT-Bn Zyklus Spin (CYC) Thresholding (HT, ST, SST), n die Anzahl der Bit-Verschiebungen in Zyklus Spinn. Von den 11 -15, wird beobachtet, dass, 4-Bit-Zyklus Spinnen, mit dem 2-Niveau von Laplace-Pyramiden Zersetzung mit 4 Richtungsbandteilbänder (2 auf Stufe 1, 2 auf der Ebene 2) vorbehaltlich weiche Schwellwerte, Erträge optimale Ergebnisse für Speckle-Reduktion. Die Rechenzeit (in Sek.) Des Zyklus Spinn basierend CT-Verfahren ist in Abbildung 15. Die CT basiert Entfernen von Flecken Verfahren gezeigt dauert weniger Rechenzeit als Basis CT-Verfahren zu Zyklus Spinnen verglichen.

Abbildung 10.

Das Blockdiagramm der Despeckling-Methode basierend auf contourlet mit Zyklusspinntransformieren.

Die Figur 16 veranschaulicht die sich ergebende despeckled Bilder eines Ultraschallbildes durch die Zyklusspinn basierend CT-Verfahren erhalten unter Verwendung von Hart-, Weich- und Halbweich Thresholding mit Bayes ‘Schrumpfung Regel, und auch, dass die durch das CT-Verfahren [47] zum Vergleich von Das Entfernen von Flecken Methode Sichtprüfung auf Basis von Zyklus Spinn contourlet Koeffizient Schrumpfung mit (Abbildung 16. (b)) eine bessere Leistung und scheint eine Verbesserung gegenüber direkten contourlet Transformation basierend Entfernen von Flecken Methode.

Unter den in den vorangegangenen Abschnitten entwickelte Domain Filter verwandeln, transformieren die contourlet mit Zyklus Spinnen ergibt eine bessere visuelle Qualität Verbesserung der despeckled Bilder. Jedoch gibt es noch einen Bedarf an Gaußsches Rauschen zu entfernen, die mit der medizinischen Ultraschallbildern, die in dem nächsten Abschnitt gerichtet.

Abbildung 11.

Die Werte von PSNR und SNR für verschiedene Methoden Thresholding durch Zyklus Spinnen basierend CT-Verfahren erhalten und dass durch direkte CT basierte Methode.

Abbildung 12.

Die Werte von MSE für verschiedene Methoden Thresholding durch Zyklus Spinnen basierend CT-Verfahren erhalten und dass durch direkte CT basierte Methode.

Abbildung 13.

Die Werte der Korrelationskoeffizient für verschiedene Methoden Thresholding durch Zyklus Spinnen basierend CT-Verfahren erhalten und dass durch direkte CT basierte Methode.

Abbildung 14.

Die Werte der Varianz für verschiedene Methoden Thresholding durch Zyklus Spinnen basierend CT-Verfahren erhalten, und dass durch CT basierte Methode.

Abbildung 15.

Die Werte der Rechenzeit für verschiedene Methoden Thresholding durch Zyklus Spinnen basierend CT-Verfahren erhalten und dass durch CT basierte Methode.

5. Gauß-Modell für Speckle-Rauschen

Gaußsche Wahrscheinlichkeitsdichte wird häufig in Bildfilterung verwendet. Die Gaußsche hat die einzigartige Fähigkeit, keine neuen Kanten als Maßstab (Standardabweichung) zu schaffen, erhöht wird. Diese Eigenschaft ermöglicht die Extraktion von Kanten, die verschiedenen Detailstufen in einem Bild darstellen. Als das Ausmaß erhöht wird, verringert sich die Anzahl der extrahierten schwach und falsche Kanten. Jedoch verschiebt zugleich Kanten von ihren wahren Positionen. Der Betrag der Verschiebung eine Kante hängt von der Skala des Gauß’schen Filters, sondern auch auf die Intensitätsverteilungen des darunterliegenden Bildes macht nicht nur [48]. Mathematisch ist ein Gauss-Filter modifiziert das Eingangssignal durch Faltung mit einer Gaußfunktion. Glättung wird üblicherweise unter Verwendung linearer Filter wie der Gaußfunktion geführt (der Kern wird auf der Grundlage der Normalverteilungskurve), was gute Ergebnisse zu erzeugen, neigt dazu, bei der Verringerung des Einflusses von Rauschen in Bezug auf das Bild. Die 2D-Gauß-Verteilungen, wobei σ die Standardabweichung für Bild X wird durch Gl. (32) [49].

G X. m. σ = 1 σ 2 π e — 1 2 X — m σ 2

Abbildung 16.

a) Original-Ultraschallbild (b) Despeckled Bilderzeugungsverfahren unter Verwendung von Zyklus Spinnen basierend CT mit ST. (C) Despeckled Bild mit Zyklus Spinnen basierend CT HT-Verfahren. (D) Despeckled Bild mit Zyklus Spinnen basierend CT SST-Verfahren. (E) Despeckled Bild direkt CT-Methode.

5.1. Pre- oder Post -Verarbeitung

Üblicherweise medizinische Ultraschallbilder werden durch die Misch Rauschen beeinflußt, das ist die Kombination von Speckle-Rauschen und Gaußsches Rauschen. Es gibt zwei Faktoren, die die Brauchbarkeit eines Glättungsfilters beeinflussen. Die erste reduziert den Bereich von Auflösungen über die Variationen in der Ausgabe von der Filtervariation & Dgr; w erscheinen, werden in dem Frequenzbereich klein und zweite Faktor Anstieg um einen kleinen räumlichen Varianz & Dgr; x in der räumlichen Lokalisierung ist. Diese Lokalisierungsanforderungen in der räumlichen und Frequenzbereich sind widersprüchlich und durch die Unsicherheit Prinzip in Gl bezogen. (33)

Es hat sich gezeigt, dass Gauß-Funktionen die einzigen sind, die die optimale Kompromiss zwischen diesen widersprüchlichen Anforderungen durch die Gleichung eingeschränkt zur Verfügung stellen. (34) [50] ..

So Gaußsche Filter sind weit verbreitet in der Bildfilterung verwendet. In [51] wird die Entfernung von Mischrauschen mit Ordnungsstatistik-Filter und Wavelet-Domäne Wiener-Filter vorgeschlagen. Autoren haben zwei Verfahren bewertet. Das erste Verfahren umfaßt, Ordnungsstatistik Vorfilter und empirischer Wiener-Filter, das verwendet wird, um die Gaußsche Rauschen zu reduzieren. Der Nachteil dieser Methode ist die höheren Zeitverbrauch. Die zweite Methode ist, Ordnungsstatistik-Filter für jede Zerlegungsstufe, in der Zersetzung durch Transformation der Wavelet durchgeführt, gefolgt von Schwellwertbildung. Der Nachteil dieses Verfahrens ist, dass die Effizienz geringer als die des ersten Verfahrens (etwa 1 dB) in den gemischten Rauschentfernungs. In [52] wird Entrauschen von Mischrauschen in Ultraschallbildern dargestellt. Kombinierter Bayesian maximale a posterior (MAP) Schätzers und ST-PCNN (Soft Schwellenimpuls gekoppelt neuronale Netze) Methode wurde für gemischte Rauschunterdrückung verwendet. Das Verfahren entfernt das Speckle-Rauschen deutlich als das Gaußsche Rauschen, das die Ultraschallbilder abbaut. Der Nachteil des Verfahrens ist, entweder Gaußsches Rauschen oder Speckle-Rauschen wird entfernt. Daher präsentieren wir eine Methode aus despeckled Bild Rest Gaußsche Rauschen zu entfernen.

Zwei alternative Algorithmen sind zur Verringerung von Rauschen in mixed medizinischen Ultraschallbildern entwickelt [53]. In der ersten Alternative verringert die Rauschentfernungsverfahren des Gaußschen Rauschens durch Gaußfilter in pre Verarbeitungsstufe Anwendung dann Despeckling wird unter Verwendung entweder Wavelet-Transformation, Laplace-Transformation oder pyramiden contourlet transformieren. Das Rauschmodell für die erste Alternative (das heißt Gauß-Rauschunterdrückung in der Vor-Verarbeitung durch Entfernen von Flecken gefolgt) wird durch die Gl. (35).

X i j = f i j n i j + g i j

wo Xij stellt das laute Pixel im Bild X, fij stellt das freie Pixelrauschen, nij und gij repräsentieren die multiplikative Speckle-Rauschen und additives Gaußsches Rauschen sind. Die Indizes i, j stellen die räumliche Position über das Bild. Wir verwenden Domain Filtertechniken verwandeln [36, 54, 47] für zur Entfernung von Gaußsche Rauschen in der Vor-Verarbeitungsstufe zusammen mit Gauß-Filter Flecken entfernen.

Bei der zweiten Alternative wird das Entfernen von Flecken von medizinischen Ultraschallbilder durchgeführt, entweder unter Verwendung von Wavelet-Transformation, Laplace-Transformation oder pyramiden contourlet wandeln und dann durch Nachbearbeitungsstufe in dem Gaußschen Filter entfernt Gaußsches Rauschen aus dem Bild despeckled folgt. Allerdings nimmt die zweite Alternative, um die Rauschmodell durch die Gl. (36)

X i j = f i j + g i j n i j

Die zweite Alternative ist für die Verbesserung der Bildqualität aufgrund der Rauschentfernung untersucht, in einem Ultraschallbild.

Die Experimente durchgeführt verschiedenen Kernel-Größen und verschiedene Werte von σ verwenden. Größere Werte von σ erzeugen eine breitere Spitze der größeren Unschärfen zu beeinflussen. Kerngröße erhöht mit σ Erhöhung der Gaußschen Art des Filters zu erhalten. Gauß-Kern-Koeffizienten abhängig von dem Wert von σ. Die Abbildung 17 zeigt verschiedene Faltungskerne, die eine Gaußsche mit σ nähern. Gaussians sind lokal empfindlich und kann durch eine Verringerung der Parameter σ mehr räumlich lokalisiert werden gemacht. Es ist, dass die Kerngröße beobachtet 3 x 3 mit σ = 0,5 ergibt eine bessere Ergebnisse als andere Kerne. Es wird festgestellt, dass größere Kerne der Größe 5 × 5 oder 7 × 7 besser denoising Effekt erzeugen, aber das Bild unschärfer machen. Somit ist die empirisch bestimmt kernel Größe 3 × 3 und σ = 0,5 sind in zwei alternativen Verfahren (Gaussian Filter in Pre- oder Post-processing) .Die zwei alternative Methoden ausgewertet werden in Bezug auf die Filterbewertungsparameter verwendet, nämlich PSNR, SNR, MSE , Varianz und CC. Die Vergleiche der Leistung der beiden Alternativen mit den Methoden Entfernen von Flecken in [36, 54. 47] sind in der Tabelle 6 Aus der Tabelle 6 angegeben beobachtet wird, dass der Gauss-Filter in pre Verarbeitungsstufe, daß sein wirksamer gefunden wird als in Despeckling basierend auf Laplace-Pyramide zu transformieren und contourlet transformieren. Jedoch ist die Gauß-Filter in Nachbearbeitungsstufe wirksamer zu sein in Despeckling basierend auf Wavelet-Transformation gefunden. Somit verbessert sich die Gauß-Filter die Leistung von Despeckling Methoden, weil Gaußsches Rauschen, indem zu jedem Bildpixel einen Wert von einem Mittelwert von Null Gaußschen Verteilung gekennzeichnet ist. Die Null bedeuten Eigenschaft der Verteilung solches Rauschen ermöglicht durch lokal durchschnittlich Pixelwerte entfernt werden [55]. Weiterhin wird beobachtet, dass folgte der Gauß-Filter in der Vor-Verarbeitungsstufe durch contourlet basierend Entfernen von Flecken Methode liefert eine bessere optische Aufwertung als die anderen denoising Methoden transformieren, die 18. in dieser Studie führen entwickelt, um die Entrauschen und visuelle Verbesserungstechniken in der Figur dargestellt ist, zu einer Verbesserung der Genauigkeit und Zuverlässigkeit der automatischen Verfahren zur medizinischen Ultraschallbildgebungssystemen.

Abbildung 17.

Das 3 × 3 Kern mit (a) σ = 0,5, (b) σ = 1 ist.

Vergleich der Leistung von denoising Methoden basierend auf Gauss-Filterung mit Entfernen von Flecken Methoden.

5.2. Eine lineare Regressionsmodell

Wir präsentieren eine lineare Regression basierenden Ansatz für die klinische Ultraschallbild Entfernen von Flecken im räumlichen Bereich. Wir schlagen ein lineares Regressionsmodell für Gaußsches Rauschen Darstellung Speckle-Rauschen für medizinische Ultraschallbilder. Dieser Ansatz stellt ein adaptives Filter, auch Kanten und Strukturen im Bild zu erhalten. Die Parameter des Modells werden durch ein effizientes Iterationsschema geschätzt.

Abbildung 18.

a) Original Ultraschallbild, (b) entrauschten Bildes mit Gauß-Filter, (c) entrauschten Bildes unter Verwendung von 1 st Alternative mit WT-Methode (d) entrauschten Bildes unter Verwendung von 1 st Alternative mit LP-Methode. (E) denoised Bild mit 1. Alternative mit CT-Verfahren. (F) denoised Bild unter Verwendung von 2 nd Alternative mit Verfahren WT. (G) denoised Bild mit 2. Alternative mit LP-Methode. (H) denoised Bild mit 2. Alternative mit CT-Verfahren.

In [56] haben die Autoren die adaptiven Gewichte Glättungsalgorithmus entwickelt, die eine iterative Prozedur, bei der die Größe einer Nachbarschaft der Oberflächenglätte adaptiv ist. In [57] wird die Schätzung von Sprungflächen durch lokale abschnittsweise linearen kernel Glättung untersucht. In [58. 59], ein anisotropes Diffusionsalgorithmus wurde für Gaußsche Rauschentfernung vorgeschlagen. In [60], ein bilaterales Filter zu entfernen Gaußsche Rauschen entwickelt wird. In [61], ein Fenster auf Basis linearer Regressionsfilter für Echo kardiographischen Bild denoising vorgeschlagen. Die wichtigsten ziehen Rücken der oben genannten Algorithmen sind, dass sie mehr Rechenzeit und komplexe Schaltung zu implementieren sie benötigen.

Wir betrachten ein medizinisches Ultraschallbild X und die entsprechenden despeckled Bild erhalten Y durch die contourlet Transformation verwenden mit Zyklus Spinnen [46]. Das subtrahierte Bild Z = X-Y ist das Fehlerbild enthält Speckle-Rauschen. Wir finden den Mittelwert m und Standardabweichung σ von Z und dann mit diesen Werten von m und σ Gaußsche Rauschen G simulieren. Die Entfernung dieser Gaußsche Rauschen G von despeckled Bild Y ergibt die neue despeckled Bild Y ^. d.h. Y ^ = Y-G, die weiter von dem Originalbild X subtrahiert wird, um die neue Fehlerbild Z enthält das Rest Speckle-Rauschen zu erhalten. Dieser Vorgang wird wiederholt, bis der Prozentsatz der schwarzen Pixel in Z Fehlerbild erreicht 99,9. Wir bestimmen den Maximalwert von PSNR und die entsprechenden Werte von Mittelwert m und Standardabweichung σ die iterierten despeckled Bilder Y ^ verwenden. Dieses Verfahren wird für alle medizinischen Ultraschallbildern X angewendetich. i = 1. 63, in dem Datensatz, die zwei Sätze von Datenpunkten (PSNR nachgebendich, mich ) Und (PSNRichich ), I = 1. n1 Exponate lineare Korrelation. Mit der Methode der kleinsten Fehlerquadrate, so erhalten wir die Linien der beste Lösung für diese Daten, und zwar:

Wenn die SSE und RMSE-Werte näher an Null sind, zeigen sie eine bessere Passform. Das allgemeine Modell für Gaußsche Rauschschätzung und Entfernung in Despeckling Ultraschallbild ist in der Figur 19 gezeigt.

Abbildung 19.

Das allgemeine Modell für Gaußsche Darstellung von Speckle-Rauschen.

Die Schritte in dem Rauschentfernungsprozess beteiligten, in Abbildung 19 gezeigt, sind in dem Algorithmus 2 angegeben.

Algorithmus 2. Entfernen von Flecken auf Basis linearer Regressionsmodell für Gaußsche Rauschen Schätzung.

Input: Medizinische Ultraschallbild.

Die lineare Regressionsmodell Parameter a, b, c und d für Gaussian Darstellung Speckle-Rauschen für die Datenmenge von 63 Ultraschallbilder berechnet und die lineare Regressionsmodellgleichungen sind, wobei a = (Gln (37) und (38).) — 6.129e-007, b = 2.742e-005, c = -,0002192, d = 0,01004, mit den Maßnahmen der «best-fit» sind SSE = 4.682e-009, RMSE = 8.833e-006 für mittlere vs. PSNR und SSE = 0.0006471, RMSE = 0.003284 für Standardabweichung vs. PSNR. Die Figuren (2 0 und 21) zeigen die Linien der beste Lösung für mittlere vs. PSNR und Standardabweichung vs. PSNR verbunden, die für die Gaußsche Rauschschätzung und Entfernung verwendet werden.

Abbildung 20.

Die lineare Regression der Mittelwert auf PSNR

Abbildung 21.

Die lineare Regression der Standardabweichung auf PSNR

Der Vergleich der Ergebnisse des erfindungsgemäßen Verfahrens mit dem Verfahren contourlet Transformation (mit Zyklusspinnen) wird in der Tabelle 7 gegeben wird beobachtet, daß die Verbesserung der Bildqualität durch das Entfernen von Flecken Verfahren erhalten auf Basis linearer Regressionsmodell besser als die erhältlich die contourlet Verfahren in Bezug auf die PSNR und Rechenzeit für denoising erforderlich verwandeln.

Rechenzeit
(In Sek.)

Tabelle 7.

Vergleich der Leistung von Entfernen von Flecken auf Basis von contourlet Transformation und vorgeschlagene Verfahren auf Basis linearer Regressionsmodell.

Die Abbildung 22 zeigt ein Beispiel für medizinische Ultraschallbild, dessen despeckled Bild mit contourlet mit Zyklus Spinnen und dem entrauschten Bild jeweils unter Verwendung des linearen Regressionsmodells zu transformieren. Die visuelle Qualität der Bildverbesserung kann auch aus dem Beispielbild und seine entrauschten Bild beobachtet werden. Die anatomischen Strukturen sind deutlich sichtbar in den Fig. 22 (c) als die in Fig. 22 (b). Die Box zeigt den Bereich des Bildes in (b) und (c) prominente optische Aufwertung durch Entfernen von Flecken Methoden zeigt.

Abbildung 22.

a) Original-Ultraschallbild (b) Despeckled Bild der contourlet Transformation verwenden mit Zyklus (c) denoised Bild mit der vorgeschlagenen linearen Regressionsmodells drehen. Der Kasten zeigt den Bereich des Bildes in (b) und (c) aufgrund des Entfernen von Flecken prominente visuelle Verbesserung zeigt.

Abbildung 23.

a) ein Teilbild des Original-Ultraschallbild (b) Unter Bild von Entfernen von Flecken Wiener-Filter (c) Teilbild Entfernen von Flecken WT-Verfahren (d) Teilbild Entfernen von Flecken CT-Verfahren (e) Unter Bild der Verwendung Entfernen von Flecken Zyklus Spinnen mit Basis CT-Verfahren (f) Unterbild von Entfernen von Flecken vorgeschlagenen linearen Regressionsmodells.

Die Figur 23 zeigt die visuelle Verbesserung aufgrund verschiedener Despeckling Methoden zum Vergleich. (A) zeigt das Teilbild des ursprünglichen Bildes, die 23 (b) — (f) die Unterbild zeigt optische Aufwertung aufgrund unterschiedlicher Entfernen von Flecken Methoden nämlich Wiener-Filter mit (3×3), Wavelet-Transformationsverfahren, contourlet Transformationsverfahren, Zyklus Spinnen basierend contourlet Verfahren zu transformieren und das lineare Regressionsmodell vorgeschlagen. Die herausragende optische Aufwertung wird beobachtet, die vorgeschlagene lineare Regressionsmodell.

Das vorgeschlagene Verfahren schätzt die Gaußsche Rauschanteil im Eingangs medizinischen Ultraschallbild für das Bild effizient Entrauschen. Daher ist es leicht zugänglich für den Aufbau von Embedded-System-Software für Ultraschall-Bildgebungseinrichtung, um die Bilder in hoher Qualität angezeigt werden, die bei der Diagnose mit größerer Genauigkeit der medizinischen Sachverständigen hilft.

6. Schlussfolgerung

In diesem Kapitel wird ein Despeckling-Methode, basierend auf einem 2D-Richtungs nicht trennbare bekannten Transformations als contourlet Transformation dargestellt wird. Herkömmliche 2D-Wavelet-Transformation ist trennbar und somit nicht dünn stellen nicht trennbare Strukturen des Bildes, wie beispielsweise Richtungskurven. Es wird festgestellt, dass pyramidal Richtungsfilterbank Merkmal contourlet macht es in dem Bild eine gute Wahl für die Darstellung von Kurven und Kanten zu transformieren. Aber, verwandeln die contourlet, einer der letzten geometrischen Bildtransformationen, fehlt das Merkmal der Translationsinvarianz aufgrund Subsampling in seiner Filterbankstruktur. Im Zyklus Spinnen wird CT durch Mitteln der Schätzung aller Übersetzungen des verschlechterten Bildes verbessert. Der Gibbs-Effekt wird durch die Transformation mit contourlet Zyklus Spinnen, weil der Durchschnitt der verschiedenen Schätzungen des Bildes verringert die Schwingungen deutlich verringert. In der Literatur, die Autoren [33, 41, 45, 54, 55, 61] haben Ultraschallbilder betrachtet (natürliche / synthetische) mit künstlich hinzugefügt Speckle-Rauschen Inhalt und haben Verfahren für Entfernen von Flecken solche Bilder vorgeschlagen. Doch in der vorliegenden Studie betrachteten wir Ultraschallbilder durch die Ultraschall-Geräte erfasst, die inhärente Speckle-Rauschen enthalten und haben Verfahren vorgeschlagen zum Entfernen des Speckle-Rauschen effektiver.

Wenn die Rauscheigenschaften der Bilder nicht bekannt sind, wird vorgeschlagen, durch eine lineare Regressionsmodell zu entstören, die mit den anderen Verfahren verglichen kosteneffektiv ist. Wir haben ein neues lineares Regressionsmodell für Gaußsche Rauschen Schätzung und Entfernung in Entfernen von Flecken medizinischen Ultraschallbildern vorgeschlagen. Die experimentellen Ergebnisse zeigen die Wirksamkeit sowohl hinsichtlich der Speckle-Reduktion und Rechenzeit für denoising erforderlich. Ferner ist die vorgeschlagene Regressionsmodell einfache, generische und rechen kostengünstig. Daher ist es leicht zugänglich für den Aufbau von Embedded-System-Software für Ultraschall-Bildgebungseinrichtung, um die Bilder in hoher Qualität angezeigt werden, die die medizinischen Experten für schnelle präzise Bildanalyse und Diagnose helfen. Ferner ist die vorgeschlagene Regressionsmodell einfache, generische und rechen kostengünstig.

7. Danksagungen

Die Autoren sind dankbar, dass die Gutachter für ihre hilfreichen Kommentare, die die Qualität des Papiers verbessert. Des weiteren sind Autoren dankbar Dr. Ramesh Mankare, Radiologe, Sangameshwar Scancenter, Bijapur, Karnataka, Indien, die Ultraschallbilder von Niere, Leber für die Bereitstellung und auch für hilfreiche Diskussionen.

Referenzen

1 — Suetens Paul, Fundamentals of Medical Imaging (1. Auflage), Universität Cambridge, U.K .; 2002.p145-182.

2 — Hedrick W. R. und D. L. Hykes Bild- und Signalverarbeitung in der diagnostischen Ultraschall-Bildgebung, Journal of Medical Diagnostic Sonographie 1989; 5 (5): 231-239.

3 — Godman J. W. Einige grundlegende Eigenschaften von Speckle, Jl. Opt. Soc. Am. 1976; 66 (11): 1145-1149.

4 — Burckhardt C. B. Speckle in Ultraschall-B-Modus-Scans, IEEE Trans. Sonics Ultrasonics 1978; 25: 1-6.

5 — Yongjian Y. und Acton S. T. Speckle-Reduzierung anisotropen Diffusion, IEEE Trans. Bildverarbeitung. November 2002; 11 (11): 1260-1270.

6 — Prager R. W. Gee A. H. Treece G. M. und Berman L. Speckle Erkennung in Ultraschallbildern mit Statistiken erster Ordnung, Gued / F-INFENG / TR 415, University of Cambridge, Fachbereich Maschinenbau, Juli 2002: 17.01.

7 — Zong X. Laine A. F. und Geiser E. A. Specklereduktion und Kontrastverstärkung von Echokardiogramme über mehreren Maßstäben nicht-lineare Verarbeitung, IEEE Trans.on Medical. Imaging. 1998; 17: 532-540.

8 — Netravati A. N. und Haskell B. G. Digitalbilder: Darstellung, Kompression und Standards (2nd ed.) 2000, New York Plenums.

9 — Loizou C. P. Pattichis, Pantziaris M., Tyllis T., und Nicolaides A. Qualitätsbewertung von Ultasound Imaging in der Arteria carotis Basierend auf Normalisierungs und Speckle Reduction-Filterung, Internationale Vereinigung für Medizinische und Biologische Engineering, 2006; 414-426.

10 — Lee J. S. Speckle-Analyse und Glättung von Synthetic Aperture Radar Bilder, Comp. Graphics Bildverarbeitung 1981; 17: 24-32.

11 — Insana M. Hall T.J, Glendon. G. C. und Posental S. J. Fortschritte bei der quantitativen Ultraschall-Bildgebung, SPIE Vol. 1090 Medical Imaging III, Bilderzeugung, 1989; 09.02.

12 — Lee J. S. Raffinierte Filterung von Bildrauschen unter Verwendung von lokalen Statistiken, Computergrafiken und Bildverarbeitung, 1981; 15: 380-389.

13 — Kuan D. T. Sawchuk A. A. Strand T. C. und P. Chavel Adaptive Wiederherstellung von Bildern mit Speckle IEEE Trans. ASSP, 1987; 35 (3): 373-383.

14 — Wiener Norbert Extrapolation, Interpolation und Glättung der stationären Zeitreihen, New York: Wiely 1949.

15 — Jain A. K. 1989, Fundamental für Digitale Bildverarbeitung. NJ: Prentice-Hall,

19 — Achim A. und Bezerianos A Novel Bayesian Multiskalige Verfahren zum Entfernen von Speckle in medizinischen Ultraschall-Bilder, IEEE Trans. auf Medical Imaging, 2001; 20 (8): 772-783.

20 — Nikhil Gupta und Swamy M. N. Entfernen von Flecken von medizinischen Ultraschall-Bilder mithilfe von Daten und Rate Adaptive verlustbehaftete Kompression. IEEE Trans. Medical Imaging, 2005; 24 (6): 682-695.

22 — Mallat S. Eine Theorie der Multi-Resolution-Signalzerlegung: Die Wavelet-Darstellung IEEE Trans. Muster Anal. Maschine Intell. Juli 1989; 11: 674-693.

23 — Gonzalez Rafael C. Woods Richard E. Digitale Bildverarbeitung, 2. Auflage, Prentice Hall, Upper Saddle River, New Jersey, 2002; 350-402

24 — Cohen A. Daubechies I. und Feauveau J. C. Biorthogonale Basen von kompaktem Träger Wavelets. Comm. Pure Appl. Mathe. 1992; 45: 485-500.

26 — Donoho D. L. Johnstone I. M. Entrauschen von Soft-Thresholding. IEEE Trans. auf Informationstheorie, 1995; 41 (3): 613-27.

28 — Donoho, D. L. Johnstone I. M. Ideal Räumliche Anpassung von Wavelet Schwindung, Biometrika, 1994, 81: 425-455.

29 — Chang S. G. Bin Yu und Martin Vetterli, Adaptive Wavelet Thresholding für Bild Entrauschen und Kompression, IEEE Trans. Image Processing, 2000, 9 (9): 1532-1546.

30 — Minh N. Do, Framing Pyramiden, IEEE Trans. auf Signal Processing, 2003 September, 51 (9): 2329-2342.

31 — Vladimir P. M. Ilya Shmulevich, Karen Egiazarian, Jaakko Astola, Block Median Pyramidale Transformation: Analyse und Denoising Anwendungen IEEE Trans.on Signal Processing, 2001 Februar .; 49 (2): 364-372.

32 — Bruno Aiazzi, Luciano alparone und Stefano Baronti, Multiresolution Lokale — Statistik Speckle-Filterung auf einem Verhältnis Laplacepyramide basiert, IEEE Trans. auf Geowissenschaften und Fernerkundung, 1998 September .; 36 (5): 1466-1476.

35 — Burt P. J. und Adelson E. H. Die Laplace-Pyramide als kompakte Bildcode, IEEE Trans. on Commun, 1983; 31 (4): 532-540.

37 — Do Minh N. Vetterli Martin, Framming Pyramiden, IEEE Trans. auf Signalverarbeitung. 2003; 2329-2342

38 — Huang Mao Yu Huang yueh Min und Wang Ming-Shi, 15-17 Dezember 2004, Taipei, Taiwan. Speckle-Reduktion von Ultraschallbild basierend auf contourlet verwandeln, Int’l. Computer-Symposium: 178-182.

42 — Phoong S. M. Kim C. W. Vaidyanathan P. P. und Ansari R. Eine neue Klasse von Zweikanal-biorthogonales Filterbänken und Wavelet-Basen, IEEE Trans. Signal Processing, 1995 Mar .; 43 (3): 649-665.

43 — Coifman R.R. und Donoho D. L. Translationsinvariantes Entrauschen, in Wavelets und Statistik, Springer Lecture Notes in Statistics, 103, Newyork, springer-verlang, 1994; 125-150.

p1982-1986; — 44 Eslami Ramin und Radha Hayder, The contourlet für Bild Entrauschen mit Zyklus Spinnen, Proceedings of Asilomar Conference auf Signale, Systeme und Computer 2003 zu transformieren.

48 — Goshtasby Ardershir, Am Rand konzentriert Int’l. J L. of Image and Vision Computing, 1994; 12 (4): 247-256.

49 — Fisher R. Perkins S. Walker A. Wolfart E., 2003, Gaußglättung, Hypermedia Bildverarbeitung Referenz (HIPR2), Verfügbar ab: URL: http: / Homepages. inf. ed.ac.uk / RBF / HIPR2 / gsmooth.html.

50 — Bracewell R. Die Fourier-Transformation und ihre Anwendungen, McGraw Hill: 1965; 160-163.

51 — Badulescu P. und Zaciu R. Entfernen von Mixed-Rauschstatistik-Filter und Wavelet-Domäne wiener-Filter um. Semiconductor Konferenz, Schaltungen und Systems’99 procedings, 1999; 1: 301-304.

55 — Bamber J. C. und Daft C. Adaptive Filter zur Reduzierung von Speckle in Ultraschall-Pulse Echoim Alter. Ultrasonics, 1986: 41-44.

56 — Polzehl J. und Spokoiny V. G. Adaptative Gewichte mit Anwendungen zur Bildwiederherstellung Journal der Royal Statistical Society B-62 Glättung: 2000; 335-354.

57 — Qiu P. Der lokale stückweise lineare Kernel Glättungsverfahren zur Montage Sprung Regressionsflächen Techno 2004; 46: 87-98.

58 — Perona P. und Malik J. Skala -Raum und Kantendetektion mit anisotropen Diffusion, IEEE Trans. Muster Anal. Maschine Intell. 1990; 12: 629-639.

59 — Schwarz M. J. Sapiro Guillermo, Marimont David und Heeger David, Robust Anisotrope Diffusion, IEEE Trans. auf Bildverarbeitung, 1998; 7 (3): 421- 432.

60 — Schwarz M. J. Flotte D. und Yacoob Y. Kräftig Estimating Änderungen in Bilddarstellung, Computer Vision und Bild Verstehen, 2000; 78: 8-31.

ZUSAMMENHÄNGENDE POSTS

  • POSTGRADMEDJ Postgraduate Medical …

    Postgrad Med J 2004; 80. 382-387 doi: 10.1136 / pgmj.2003.014563 J S McCarthy 1. D J Kemp 2. S F Walton 3. B J Currie 4 1 Queensland Institute of Medical Research, Brisbane und Australian…

  • Scar und Verunstaltung Reduction — Kaufen …

    Was ist eine Narbe? Narben entstehen durch Wunden oder Verbrennungen der tiefen Schicht der Haut als die Dermis bekannt ist, oder die oberste Schicht der Haut als die Epidermis bekannt….

  • Smiths Medical — Bivona Silikon …

    Dieser Artikel ist rabatt einen Gutschein verwenden. Die gezeigte Abbildung ist nur zu Referenzzwecken. Das eigentliche Produkt kann variieren. Bitte lesen Beschreibung Produkt für die…

  • Sicher Medical Abtreibung Service, sicherste Abtreibung Verfahren.

    Beendigung der Schwangerschaft oder Abtreibung, (bis zu 20 Wochen) ist Ihr Recht. Achten Sie darauf, eine sichere, legale Anbieter zu wählen. Wir bieten sichere Abtreibung (auch als…

  • Studien zeigen, Medical Marijuana …

    Was ist Asthma? Asthma ist eine der am weitesten verbreiteten chronischen entzündlichen Erkrankungen in den USA schätzungsweise 35 Millionen Menschen betroffen sind, und behauptet, das Leben…

  • Palpitationen Medical Information …

    Übersicht, Ursachen, Risikofaktoren Der Begriff Palpitationen beschreibt ein ungewöhnliches Bewusstsein für den Herzschlag. Was wird im Körper los? Normalerweise ist eine Person, der das…