基于支持向量机的自适应均值滤波超声图像降噪

发布时间：2024-04-24 00:35

　　医学超声图像在成像过程中由于超声散射回波的相互干渉,导致所成图像中出现难以与器官、组织等人体结构区分的斑点噪声,给后期的临床诊断和图像后续处理带来了极大的不便。针对超声图像中的斑点噪声,提出了一种基于支持向量机(SVM)的自适应均值滤波超声图像降噪模型。该方法利用SVM的分类特性,将超声图像中的噪声信号和非噪声信号作出区分,再将SVM的分类结果和均值滤波相结合去对噪声图像进行去噪。这样可以保证医学含噪图像的组织区域和细节特征做到最大保留,噪声区域获得最大的平滑处理。在实验部分,通过对物理体膜和人体超声肝脏图像分别进行实验,结果表明,该方法可以有效抑制并降低超声图像中的斑点噪声,并保留了其边缘特征,使得去噪图像的信噪比显著增加,是一种有效的医学超声图像降噪方法。

【文章页数】：8 页

【部分图文】：

图1数据提取示意图

均值滤波是采用线性的方法,先求出给定窗口范围内的像素值的平均值,再用窗口中的全体像素的平均值去代替原来像素值。传统的均值滤波处理图像,对于超声图像的边缘特征不能做到很好的保留,在去除图像噪声的同时也将图像的细节部分做了平滑,从而使整张超声图像变得模糊,不能很好地体现降噪和保边的效....

图2基于SVM的均值滤波模型

根据SVM的分类特性可知,在φ中,组织区域的值非常接近“0”,而噪声区域的值非常接近“1”,所以式(11)最后得到的结果If既保留了原图的细节边缘特征,又保留了均值滤波后的噪声区域。那么基于SVM的均值滤波去噪模型如图2所示。3实验结果及分析

图3物理体膜实验结果

通过比较图3(b)～(d)和图4(b)～(d)的实验结果,本文算法处理过后的超声图像既做到了噪声区域的最大程度平滑,又较好地保留了图像的边缘细节特征。根据表1和2的实验评价指标可以看出,在算法的迭代次数和平滑窗口大小相同的情况下,本文算法对超声图像处理的SNR值和CNR值的提高都....

图4肝脏超声图像1实验结果

图3物理体膜实验结果图4肝脏超声图像1实验结果

本文编号：3962973