比较分析的方法来消除干扰CT扫描图像

Tarandeep Chhabra¹网站的创始人Geetika Dua,²,Tripti Malhotra³

学生,ECE称,杜恩谷工程与技术研究所Karnal,印度¹
学生,ECE称,IIT Ropar,印度²
助理教授、ECE系杜恩谷工程与技术研究所Karnal,印度³

文摘

医学图像通常噪声由于并购过程的物理机制。在CT扫描范围适应病人的图像质量和剂量。减少辐射剂量(我。e x射线的数量)会影响图像的质量,负责在CT图像噪声。大部分的加性高斯白噪声去噪算法假设但然而大多数医学图像可能包含非高斯噪声和泊松噪声在CT。本文包含大量的去噪算法的比较分析即维纳滤波、小波分解,各向异性扩散,在小波域,各向异性扩散波原子分解,中值滤波和NL-means过滤。然后,一些定量的性能指标如PSNR,信噪比,MSE, S / MSE和疯狂的计算。这种比较可以帮助评估图像质量和忠诚。我们得出这样的结论:各向异性扩散小波域是最有效的方法把泊松噪声从CT扫描图像。

关键字

,计算层析成象技术,降低噪音,,滤波,小波各向异性、信噪比、均方误差。

介绍

Ct扫描代表计算机断层扫描。它基本上使用x射线来获取人体的结构和功能信息。在ct图像质量受到很多技术参数。最重要的一个参数是辐射剂量。图像的质量与大量的辐射剂量增加[1]。但增加的x射线吸收人体增加癌症的机会。所以我们需要减少辐射剂量负责在ct图像噪声。对于正确的分析和诊断,应减少图像噪声。噪声去除因此起着至关重要的作用在医学成像应用中为了提高和恢复分析可能隐藏在数据的细节。因此,为此过滤应用这些图片。 Any noise reduction algorithm aims to enhance the fidelity of an image which actually means removing the random and uncorrelated structures and retaining the resolution. Denoising of image data has been an active area of research and different methods such as median filtering, wiener filtering, use of nlm filter, wavelets decomposition, wave atom, bilateral filtering, isotropic, anisotropic diffusion, etc have been used.

方法在CT扫描图像减少噪音

答:中值滤波

线性过滤器通常用于降低CT图像的噪声。这里,相邻像素代表相同的值的额外的样品的参考像素。在线性滤波器卷积过程是用于实现相邻内核社区功能。但是这可能会导致模糊的边缘。为了克服这样的问题非线性滤波器用于降噪。这些过滤器有助于保持边缘。中值滤波是一种非线性滤波器的例子。在中值滤波,邻近像素的排名是根据像素的强度或亮度水平和价值评估下周围的像素值的中值代替。

社区价值观:

115119120123124125126127150年

中值= 124

中值滤波可以有效地消除干扰医学图像。拍摄的图像扭曲或模糊或脉冲噪声可以极好地使用该滤波器去噪。中值滤波器对平和过滤器[9]有很多优势:

一个¯·中值滤波器的输出值只包括那些目前在附近(中值)所以没有降低整个步骤相反。

一个¯·边界也没有转移使用中值滤波。

一个¯·边缘是最小的退化,因此中值滤波可以反复应用。

b .小波分解

小波一词意味着一个短波振荡。其振幅值从0开始,再次增加,降解为零值。

小波变换是一个数学技术用于合成时域的信号。它可以结合任何未知的信号,分析信号[8]。然后计算每个部分的变换。在高频变换给了可怜的频率,但时间分辨率好,反之亦然。

在小波变换数据的分析变量在时间和频率域。在DWT信号表示的位移函数函数ψφ和规模。

DWT的信号可以分解为若干层次,然后这些独立水平进行了分析。使用正交小波信号分解()可以通过方程所示:

阈值降噪应用到小波系数。阈值进一步的两种类型:

(我)软阈值

(2)硬阈值

软、硬阈值可以作为:

进一步说,有很多可以作为母小波基函数的小波变换。常用的小波函数是哈雾、daubechies coiflet, symmlet等等。小波的选择根据他们的形状和分析信号的能力在一个特定的应用程序。

c波原子变换

波原子用于谐波计算分析。这些是2 d小波包的一个变体,保留一个各向同性方面比率[6]。他们有一个锋利的频率定位,无法实现使用一个基于小波包滤波器组。波原子服从抛物线标度律:波长一(直径)2。“波原子”这个名字来源于房地产,他们提供了一个最佳桅杆表示波传播算子的应用程序快速解决数值波动方程。

d·维纳滤波器

维纳滤波器基本上是最佳线性过滤涉及线性估计期望信号序列的另一个相关的序列在解决线性滤波问题某些重要参数如均值和有用信号的相关函数和不必要的添加剂噪声假设。现在的目的是设计一个线性滤波器的输入数据和输出要求减少噪音的影响[10]。过滤器优化问题是最小化均方误差的值定义为误差均方值。这是预期的和实际的滤波器输出的区别。最终的解决方案(固定输入)称为维纳滤波器。然而,维纳滤波器对非平稳输入不足,因为在这种情况下最优滤波器假设一个随时间变化的形式。维纳滤波器的性能函数给出:

这就是所谓的“均方误差准则”

大肠各向异性扩散

扩散滤波的图像类似于物理扩散过程提供平衡,同时遵循质量守恒定律。图像强度可以被视为„concentrationA¢。噪声可以被视为噪音inhomogenities。inhomogenities可以平和的„diffusionA¢。扩散滤波是数字图像处理的主要是两种类型:线性和非线性。自扩散过程涉及一个浓度梯度变化,线性各向同性扩散,这些数量是平行的[2]。线性各向同性扩散用于图像平滑。的主要缺点是它的重要功能,如边缘变得模糊。在非线性扩散浓度梯度和通量不平行和响应的滤波器系数变化微分结构内的图像[3]。

第一个非齐次扩散模型(各向异性扩散)是由Perona一起和马利克[7]。他们的想法是为了拓宽噪声去除近均匀区域,同时避免任何改变信号的明显的不连续性。不连续的边缘图像中出现的图像强度的急剧变化。强度的变化随着时间的推移,我被定义为[7]:

g是传导功能。

在小波域f .各向异性扩散

各种小波收缩算法降噪图像通过减少小波系数。这些算法使用小波系数的统计特性,但很少使用你的邻居或本地信息。另一方面,图像各向异性扩散使用邻居信息和调整由边缘扩散电导率大小,但迦南¢t区分边缘产生的噪声和图像结构。自然,我们期望通过结合这两种技术比产生更好的结果。

各向异性扩散进行平稳小波域。提出了去噪的总体框架如下图所示:

„IA¢是输入噪声图像,„SWTA¢和„ISWTA¢意味着平稳小波变换和逆平稳小波变换,„DA¢和„AA¢意味着细节和近似小波系数,包括多尺度系数。„D’A¢去噪后的小波系数各向异性扩散。最后,„我一个¢是最终的去噪图像。

g . NLM过滤器

任何去噪方法的目的是恢复原始图像从一个嘈杂的环境,

v (i) = u (i) + n(我)

v(我)是观测值,你(我)是实际的或真实的价值和n (i)是一个像素的噪声扰动。几种方法可用于降噪和恢复真正的形象。这样的一个方法是使用NLM(非本地意味着)过滤器[4]。NL -意味着算法定义的公式:

”

滤波参数。

根据这个公式去噪在x的值是指在所有的点的所有值的高斯社区是x的社区。

比较参数

最后一步是计算比较参数比较以上描述技术的结果。

答:均方误差(MSE)

均方误差是一个占主导地位的量化性能指标在图像处理领域。用于图像质量的评估和忠诚。累计平方误差之间发生压缩和图像称为MSE的原始形式。它是数学上的定义是:

在图像中m的行数,N (i, j)是嘈杂的图像和DN (i, j)是图像去噪。

峰值信噪比

PSNR值是数学描述为:

R是最大波动的输入图像数据类型。例如,如果输入图像有一个双精度的数据类型,R = 1 [6]。PSNR值趋于无穷时均方误差趋于零。更高的PSNR值代表图像质量高。小的PSNR代表高数值图像之间的区别。

信号噪声比

信噪比是一个技术术语用来描述的质量测量系统的信号检测。它是数学描述为:

其中x是噪音免费模拟图像和一个¯害怕害怕一个½¯½嘈杂或去噪图像。

d .信号的均方误差

均方误差信号是信号功率之比均方误差的数学表示MSE给出方程(8)。

e .平均绝对差

意思是平均计算通过添加一些数字,除以多少。绝对是我们小姐¢t懒得看阳性或阴性。我们假设他们是积极的。

„平均绝对differenceA¢A是一种常见的一组观测量的方式不同于一般的(没有困扰是否高于或低于平均水平)。

结果和DISSCUSSION

本文包含了结果,获得后维纳滤波后,小波分解,各向异性扩散,在小波域,各向异性扩散波原子分解,中值滤波和NL-means过滤。此外,像PSNR对比参数,均方误差、信噪比S / MSE和疯狂的计算和比较。

结论

在本文中,我们从各种去噪alorithms demosntrated图像去噪结果即中值滤波、小波分解,各向异性扩散各向异性扩散,waveatom分解,在小波域维纳滤波和NL-m过滤。通过调查对比参数,很明显,各向异性扩散技术在小波域是光明的。该方法消除了噪声,同时保留边缘等重要功能。它包括的好处就是各向异性扩散的技术和小波分解。这种技术提供了最大的PSNR、信噪比S / MSE和最小MSE和疯狂。所以,从以上描述的比较分析去噪算法很明显,当使用各向异性扩散方法在小波域所有上面讨论中是最好的。

表乍一看


表1	表2

数据乍一看


图1	图2	图3

图4	图5	图6

引用

迈克尔f . McNitt-gray CT图像质量和剂量“权衡”,简历Mosby公司伦敦。
艾德丽安m . Mendrik“降噪在计算机断层扫描使用三维各向异性扩散与混合连续开关”,IEEE医学成像,VOL.28 pp.10, 2009年10月。
,“比较Weeratunga PDE-based非线性各向异性扩散图像去噪技术”,电子成像方法相比,圣克拉拉的2003年1月。
安东尼Buades”,非本地图像去噪算法”。
马代,“图像质量指标:psnr和ssim”, 2010年国际会议模式识别。
创始人Geetika Dua“使用Wavw原子变换去噪MRI图像”,运动生物力学国际会议上,新兴技术和质量保证技术教育,2012年。
马修Desbrun,“各向异性特性保持高度字段和二元数据的去噪。
http://users.rowan.edu/ polikar /小波/ WTpart3.html
罪HOONG销量,“exploreation当前的趋势在中值滤波方法利用数字灰度图像处理”,2013年IJMMM VOL1 (1): 50 - 54 ISSN: 1793 - 8198。
苏雷什·库马尔,”性能比较值和维纳滤波在图像去噪”,IJCA日记账编号4,第七条,2010年出版。
Kazubek,”小波域图像去噪阈值和维纳滤波”,IEEE 1,问题11,2003年11月265 3。