雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

全球研究计算机科学杂志》上

菜单

石头:2229 - 371 x

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

混合模型去噪超声图像

博士(夫人)。年代。N Geethalakshmi* 1和J.Suguna2
  1. 大学副教授,Avinashilingam认为对于女性来说,印度哥印拜陀- 641043
  2. Avinashilingam认为大学研究学者对于女性来说,印度哥印拜陀- 641043
通讯作者:博士(夫人)。年代。N Geethalakshmi,电子邮件:sngeethalakshmi@yahoo.com
相关文章Pubmed,谷歌学者

访问更多的相关文章全球研究计算机科学杂志》上

全球研究计算机科学杂志》上

文摘

数字图像在现代社会的影响力和影响是巨大的和被认为是一个关键组件在各种应用领域包括模式识别、计算机视觉、工业自动化和医疗行业。医学成像涉及成像设备的发展,帮助确定组织和器官的不同方面的各种属性,揭示新属性的基础上组织和内部结构。这些设备/设备的例子包括x光设备,CT / MRI扫描仪,电子显微镜,等等。所有这些设备介绍,一个不受欢迎的信号,称为噪声。本文考虑一种特殊的超超声设备引入的噪声称为“斑点”。斑纹出现在从许多微观扩散反射散射波干扰。他们通过内部器官扩散,使观察者更难区分细节图像的诊断检查。本文混合模型是用于散斑消除结合各向异性扩散基于四阶PDE三个传统线性过滤器,kaun,李和霜冻。实验各种超声波图像。的结果,发现所有的三种混合方法进行去噪操作在一个优越的时尚和产生良好的视觉质量的图像。

关键字
去噪、超声波图像,混合模型、kaun李霜

介绍
各种医学成像设备,像x射线CT / MRI扫描仪和电子显微镜产生高分辨率图像,在疾病诊断中发挥重要作用。这些设备,医学超声(超声)是一种ultrasound-based诊断医学成像技术用于可视化肌肉,肌腱,和许多内部器官,抓住他们的大小、结构和任何病理损伤实时层析图像。超声波超声波检验师一直使用图像人体至少50年,已经成为现代医学中最广泛使用的诊断工具。这项技术是相对便宜和便携式与其他技术相比,如磁共振成像(MRI)和计算机断层扫描(CT)。超声波还用于可视化胎儿在常规和紧急产前护理。这样的诊断应用程序使用在怀孕期间被称为产科超声。医学超声研究中使用许多不同的系统,如心脏病、胃肠病学、妇科、神经学、妇产科、泌尿科和心血管系统(Tso和马瑟,2009)。由这些设备可以显示图像,捕获,通过电脑和广播使用抓帧器捕获和数字化的模拟视频信号。捕获的信号可以位在电脑本身。Ultrasonogrpahy被从业者广泛使用的是他们没有长期副作用,有额外的好处,非侵入性的病人(Hangiandreou, 2003)。 The device provides live images, where the operator can select the most useful section for diagnosing thus facilitating quick diagnoses (Sudha et al., 2009). However, imperfect acquisition instruments, transmission errors often distort the visual signals obtained. These distortions in ultrasound images are referred as ‘Speckle Noise’ and are considered as undesirable feature that often lead to incorrect diagnosis.
散斑是一种复杂的现象,它大大降低图像质量。斑纹出现反向散射波干扰从许多微观扩散反射,通过内部器官,使观察者更难区分细节图像的诊断检查。因此,重要的是,消除或减少这种噪声最大限度地使用它们(拉曼和Himanshu, 2010)。任何斑点去除算法的目标应该是提高损坏图像通过维持图像的质量。
在这篇文章中,各向异性扩散滤波的适用性,也叫做Perona-Malik扩散,斑纹降噪超声图像是考虑。各向异性扩散滤波是一种常用的过滤技术在数字图像(Fu et al ., 2006)。各向异性扩散技术旨在减少图像噪声没有移除图像内容的重要部分,通常边缘、线条或其他细节,对图像的解释很重要(Perona一起和马利克1987;1990;Sapiro, 2001)。尽管它的受欢迎程度,它面临着以下问题。
1。他们导致图像块状效应
2。他们破坏结构和空间附近(皮塔饼和Venetsanopoulos, 1990)和信息
3所示。他们在达到收敛缓慢的阶段。
尝试解决这些缺点包括混合品种的发展(凌Bovik, 2002;Rajan和Kaimal, 2006;2006 b)。尽管,这些混合模型产生的结果与独立的各向异性扩散和其他过滤技术相比,他们有缺陷的消除图像的细节边缘,尖角,细线(哈姆萨et al ., 1999)。
Rajan et al。(2009)开发了一种混合的方法来去除噪声从分子图像。各向异性扩散滤波相结合的方法对2 d PDE(偏微分方程),轻松中值滤波器(王、张,1999)。该方法成功地将分子噪音和减少了阻塞和工件的去噪图像。然而,当应用于去除散斑噪声、噪声并没有完全删除和收敛速度慢的严重缺陷。收敛缓慢是因为使用的2 d PDE和噪声去除的失败可能是由于放松中值滤波器。放松的中值滤波,即使是非常受欢迎的在降低其他类型的噪音,不适合散斑噪声。
出于工作的Rajan et al .(2009),目前的研究工作提出了结合各向异性扩散滤波和传统的散斑噪声去噪过滤器,即Kaun,李和霜冻。正常情况下,各向异性函数是基于二阶PDE(偏微分方程)的功能。在目前的研究工作,使用四阶PDE基本与传统各向异性模型。各向异性扩散函数的组合与4号订单PDE和传统去除杂点滤波器提出了减少超声图像的斑点噪声,同时去噪,保留了边缘,避免楼梯构件和收敛快的方式。
本文组织如下。第一节简要概述了正在讨论的话题。第二节概述散斑噪声。第三节解释中使用的技术的概念提出的混合模型。第四部分介绍了提出方法和实验的结果提出了在第五节。第六节提供了一个简短的结论与未来研究方向。

散斑噪声
散斑是一个随机、确定性、在图像形成干涉图样中包含许多sub-resolution散射的相干辐射。散斑对超声波成像产生负面影响。图像斑点噪声的存在显示减少损伤检测能力约8倍。这种激进的减少对比度分辨率负责贫困的有效分辨率超声的x光和核磁共振。的散斑噪声防止自动目标识别(ATR)和纹理分析算法执行效率,给图像的外观。因此,去除杂点被认为是一个关键的预处理步骤在医学成像系统。散斑噪声是伽马分布,给出了方程(1)。
图像
方差是aA¯害怕一个½¯害怕½和g是灰色的水平。在一个图像,散斑噪声方差(0.05)看起来如图1所示,在图1中给出的相应的伽马分布b。
图像

警报混合过滤器
基本模型提出了一个新的变种,它取代了中值滤波的滤波器更适合去除散斑噪声。过滤器被认为是取代中位数过滤器(i) Kaun过滤器,(ii)李过滤和(iii)弗罗斯特滤波器。所有这三个过滤器选择已经成功利用去除散斑噪声。超声图像上直接使用它的缺点是它产生的工件去除后的副作用。为了提高各向异性扩散滤波,传统的散斑噪声去除过滤器和伦琴数模型,修改各向异性扩散滤波使用4号订单PDE,紧随其后的是这三个中的任何一个散斑噪声消除技术。因此,提出了三种新的混合模型,下面列出的和图2显示了所采用的方法。本节解释所使用的技术和算法。
1。4日订单基于PDE的各向异性扩散滤波+ Kaun过滤器(ADFK模型)
2。4日订单PDE基于各向异性扩散滤波+李过滤器(ADFL模型)
3所示。4日订单PDE基于各向异性扩散滤波器+弗罗斯特滤波器(ADFF模型)
图像

答:各向异性扩散
在各向异性扩散,该地区主要的座右铭是鼓励平和,平和的边缘。这是通过设置导电系数作为区域内的1和0附近的边缘,然而,所涉及的主要问题的存在和缺乏边缘的检测。这是通过分析传导系数的函数梯度的大小。一般表达式(阿克顿et al ., 2003)的各向异性扩散方程(3)写的。
图像
图像
平面图像显然满足(Rajan和Kaimal, 2006),因此是一个全球最低的E (u)。平面图像是全球唯一最低的E (u)如果f (s)³0 s³0因为成本函数E (u)这种情况下凸(Rajan和Kaimal, 2006 b)。因此,方程(9)的进化是一个过程的图像平滑越来越多,直到它变成一个平面图像。但在二阶各向异性扩散的情况下,ƒ”(s)不得大于0年代,导致步进屏蔽构件影响的合成图像。

d .斑纹过滤器
一些研究者贡献技术解决去除杂点问题。主要的挑战是去噪的过程是不可逆的,因此必须非常小心而去除噪声区域。意外删除重要的地区应该avoidedAmong标准过滤器,李过滤器,弗罗斯特滤波器(霜et al ., 1982),中值滤波和Kaun过滤器(Kaun et al ., 1985)已经成功地应用于降低散斑的问题,将在这一节中讨论。
每个过滤器在这一节中所讨论的,都有一个独特的还原方法,应用于一个内核(square-moving窗口)和过滤是基于中央像素之间存在统计关系及其周边像素(图3)。内核必须是奇数的典型的大小范围从3 x 3 - 33 x 33。内核大小必须仔细选择,大尺寸将计算昂贵,重要的信息可能会丢失在平滑。同样,散斑减少不能应用于一个很小的内核。大部分的作品使用3 x 3或7 x 7内核大小。
图像
滤波是基于局部统计数据或局部噪声方差估计的内核。方差因此获得用于确定每个散斑图像所需的平和。噪声方差决定从本地过滤窗口更适用的如果一个区域的强度是常数或平面而ENL是确定合适的如果有困难的区域形象是平的。

•李过滤器
李过滤器使用最小二乘方法估计的信号强度中心细胞过滤窗口从测量值中,细胞,细胞的地方平均亮度的窗口,和增益系数计算从本地噪声方差和标准差。过滤器假定噪声的高斯分布(正常)值,并计算出每个过滤器的本地噪声标准差窗口。李滤波器计算产生一个输出值接近当地的意思是统一的区域和一个值接近于原始输入值更高的对比度区域。李过滤器是统一的地区更多的情感和能保持边缘和其他细节。李过滤器没有用户定义的参数。李过滤器下面的数学背景。
李过滤器是基于平滑的方法执行时方差除以面积较低或不变,否则,也就是说,如果方差高(如边缘附近),平滑不会被执行。李明博斑点噪声滤波器假设是乘法,可以用一个线性近似模型给出了方程(12)。
图像
图像

实验结果
评价模型,提出八个性能指标。噪音,噪音平均值,标准偏差,均方不同,同等数量的外表、偏转率和品质因数,峰值信噪比(PSNR)和去噪。前六参数给出的解释在Mastriani和吉拉尔德茨(2006)。四个ultasound图像被选为测试提出的模型。所有提出的模型是奔腾IV的机器上执行512 MB RAM和MATLAB开发的7.3。测试原始图像使用图4中给出了介绍了斑点噪声和20%在所有这些图像。提出了混合模型的性能,即ADFK, ADFL ADFF模型通过比较判断结果与传统模型。用于比较的模型选择中值滤波器,Kaun过滤器,过滤器,李霜过滤器,SRAD过滤和SRAD +中值滤波器(基本模型)。
图像

答:噪声平均值
所有测试的噪声均值计算图像,所有过滤器和过滤前后,获得的结果如表1所示。
图像
从噪声平均值投射在表1中,很明显,这三个提出混合模型产生更好的结果比传统的模型。评价模型的整体性能,平均价值的四个模型计算。从表中可以看出,在十个模型,ADFF在所有四个图像产生更好的结果。这是ADFL和ADFK紧随其后。

b .噪声标准差(NSD)
四个测试噪声的噪声标准差获得图像投射在表2。
图像
从结果可以看到,ADFF过滤器又优于所有其他提出模型和传统模型。这个结果是与表2的结果,这表明NSD结果是一致的。

c均方(MSD)的区别
均方的区别(MSD)获得所有提出的三个模型和选定的6个常规滤波器模型如表3所示。
图像
图像
图像
高PSNR给予理解,获得去噪图像的视觉质量是好的。根据文卡特斯et al .(2008),一种改进的去噪算法是被高PSNR值或较低的MSE。同意这一点,提出了系统的结果高PSNR证明他们在现有的方法改进的版本。同样,据报道Schneier和Abdel-Mottaleb(1996),范围30 - 40的PSNR值表明,合成的图像是一个很好的匹配原始图像。根据这份报告,所有这三个的结果提出的混合算法产生PSNR值范围40-46dB证明这是一个增强版相比,传统的算法。

h .去除杂点时间
表8显示了时间的提议和常规过滤器来执行去噪操作。
图像
同时考虑到执行时间,ADFF模型在去除杂点最快的嘈杂的图像,ADFK和ADFL紧随其后。这清楚地表明,4日订单基于PDE的引入各向异性扩散函数结合knau,李和弗罗斯特滤波器收敛迅速,因此加速去除杂点的过程。
根据缪尔德涅et al . (2005), PSNR和速度是最重要的两个性能因素的去噪算法。的结果,很明显,提议去噪算法更快的速度相比,标准的算法,因此使其具有吸引力的选择几个先进医学成像领域的应用。
的视觉对比产生的各种传统和去噪图像提出了图像过滤器如图5所加州大学1。类似的质量与所有其他测试图像也被观察到。
图像

结论
因此,各种实验结果清楚地表明,提出去除杂点算法产生的图像视觉质量好,因此可以应用于大多数的医学图像处理系统。三个混合模型可以结合小波收缩函数改进收敛时间。三个收缩函数、VisuShrink BayesShrink PureShrink可以应用和性能可以比较。目前的工作主要集中在生产去除杂点算法,减少了噪声图像的噪声。工作没有考虑内存效率和计算复杂性,可以分析在未来。

引用
  1. 阿克顿,s.t。,Molloy, J.A. and Yu, Y. (2003) Three- Dimensional Speckle Reducing Anisotropic Diffusion, IEEE Conference Record of the 37th Asilomar Conference on Signals, Systems and Computers, Vol.2, Pp. 1987- 1991
  2. 霜,糖丸,斯泰尔斯,j,Shanmugam, K.S. and Holtzman, J.C. (1982) A model for radar image & its application To Adaptive digital filtering for multiplicative noise, IEEE Transaction on pattern analysis and machine intelligence, Vol. PMAI-4, Pp.175-16-1982.
  3. 傅,S。,Ruan, Q., Wang, W. and Li, Y. (2006) Adaptive Anisotropic diffusion for ultrasonic image denoising and edge enhancement, International Journal of Information Technology, Vol. 2, No. 4, Pp. 284-292.
  4. 格里尔,J.B.贝尔托齐,A.L.(2004)行波解的四阶pde图像处理,暹罗在数学分析》杂志卷36岁,38 - 68页。
  5. 格里格,G。,Kubler, O., Kikinis, R. and Jolesz, F.A. (1992) Nonlinear Anisotropic Filtering of MRI Data, IEEE Transactions on Medical Imaging, Vol. 11, No. 2, Pp. 221- 232.
  6. 哈姆扎,a, B。,Escamilla, P. L., Aroza, J. M. and Roldan, R. (1999) Removing Noise and Preserving Details withRelaxed Median Filters, Journal of Mathematical Imaging and Vision, Pp 161-177.
  7. 新泽西州Hangiandreou居民(2003)物理教程:主题:b型:基本概念和新技术——Hangiandreou射线,第四,第23卷,第1019页。
  8. Kaun, D.T.,Sowchauk, T.C. and Chavel, S.P. (1985) Adaptive noise smoothing filters for signal dependent Noise, IEEE Transaction on pattern analysis and machine intelligence, Vol. PMAI -7, Pp.165-177.
  9. 凌,j .和Bovik交流(2002)通过各向异性值平滑图像低信噪比分子扩散、IEEE反式。在医学成像,Pp.21-24卷21日。
  10. Lysaker, M。,Lundervold, A. and Tai, X.C. (2003) Noise Removal Using Fourth – Order Partial Differential Equation With Applications to Medical Magnetic Resonance Images in Space and Time, IEEE Trans. Image Processing, Vol. 12, Pp 1579-1590.
  11. Mastriani, m·吉拉尔德茨,A.E.(2006)卡尔曼滤波的小波收缩去除杂点的SAR图像,智能系统和技术的国际期刊,卷2,第三,pp.190 - 196。
  12. 最小值、l和Xiangchu, f(2007)图像恢复使用全变差和各向异性扩散方程,边界的电气和电子工程在中国,高等教育出版社,与出版社合作出版GmbH, 2卷,第4期,页400 - 403
  13. 穆雷查克,P。,Weickert, J. and Steidl, G. (2003) Correspondence between Wavelet Shrinkage and Nonkinear Diffusion, Scale-Space 2003, LNCS 2695, Pp. 101-116.
  14. 缪尔德涅,T。,Leighton, G. and Diamond, J. (2005) Using XML compression for WWW communication, Proceedings of the IADIS WWW/Internet 2005 Conference, 2005.
  15. Perona一起,p和马利克,j .(1990)使用各向异性扩散尺度空间和边缘检测,IEEE模式分析与机器智能,12卷,页629 - 639。
  16. Perona一起,p和马利克,j .(1987)使用各向异性扩散尺度空间和边缘检测,IEEE计算机学会学报》研讨会在计算机视觉。16 - 22页。
  17. 皮塔饼,和Venetsanopoulos A.N.(1990)非线性数字滤波器:原理与应用,Kluwer学术出版社,1990年。
  18. Rajan, j .和Kaimal核磁共振(2006)图像去噪使用嵌入小波各向异性扩散(•韦德),视觉信息工程专业国际研讨会论文集》589 - 593页。
  19. Rajan j .和Kaimal核磁共振(2006 b)降低散斑图像•韦德& WECD”、计算机视觉、图形和图像处理、讲师4338年计算机科学(信号)指出,施普林格-,页184 - 193。
  20. Rajan, J。,Kannan, K. and Kaimal, M.R. (2009) An Improved Hybrid Model for Molecular Image Denoising, Journal of Mathematical Imaging and Vision, Vol. 31 No. 1, Pp. 73–79.
  21. 拉曼、m和Himanshu A(2010)小说技术对于医学图像斑纹噪声降低,应用工程研究国际期刊的5卷,1号,16-23页。
  22. Sapiro, g(2001)几何偏微分方程和图像分析,剑桥大学出版社。第223页。
  23. Schneier、m和Abdel-Mottaleb m(1996)利用JPEG压缩图像检索方案,IEEE反式。模式肛门。马赫。智能。,Vol.18, No. 8, Pp. 849–853.
  24. Sudha, S。,Suresh, G.R. and Sukanesh, R. (2009a) Comparative Study on Speckle Noise Suppression Techniques for Ultrasound Images, International Journal of Engineering and Technology Vol. 1, No. 1, Pp. 1793-8236.
  25. 太阳、x和歌曲,g(2007)一个新的各向异性扩散方程与适应性保真项,计算情报与安全国际会议(CIS 2007),页330 - 334。
  26. Torkamani-Azar, f·泰特,动向(1996)图像恢复使用各向异性扩散方程,IEEE图像处理,5卷,问题11,1573 - 1578页。[27]Tso, b和马瑟,p .(2009)遥感数据分类方法(第二版),CRC出版社。37-38页。
  27. 文卡特桑,M。,MeenakshiDevi, P., Duraiswamy, K. and Thyagarajah, K. (2008) Secure Authentication Watermarking for Binary Images using Pattern Matching, IJCSNS International Journal of Computer Science and Network Security, Vol.8, No.2, Pp. 241-250.
  28. 王、z和张d(1999)进步的开关中值滤波对脉冲噪声的去除高度损坏图片,IEEE事务在电路与系统- II,模拟和数字信号处理,46卷,没有1,1 - 8页。
  29. 魏。G.W.(1999)广义Perona-Malik方程图像处理、IEEE信号处理信件,6卷,页165 - 167。
  30. 你,Y.L. Kaveh, m(2000)四阶偏微分方程的噪声去除,IEEE反式。图像处理,9卷,页1723 - 1730。
  31. Yu y和阿克顿,海运(2002)散斑减少各向异性扩散”,IEEE图像处理,11卷,Pp.1260 - 1270。