Rician噪声水平场的估计及其在MR图像去噪中的应用
遥感技术影像中去除噪音的方法分析及应用
在影像上进行均值滤波法操作，得出均值滤波方法处理椒
盐噪声不太理想，根据上面的图片展示，去噪后的图片中还是留
有不少的椒盐噪声。如图一所示。
图 1 原图像与均值滤波后对比 均值法适用于高斯噪声，首先选择一个窗口，这个窗口上有 其一定的几何规则，之后这个窗口的几何中心处放置待处理的 某个像素点，拿着模板在待处理的图像上左右上下不断地平移， 这样就实现了对图像中的像素值的滤波。
是依据某些条件适应性的选区域的大小进行处理，就得到了图
像处理效。它的优势在于去除脉冲噪声，并且能在平滑的“椒盐”
和其他脉冲噪声中保留细节，还可以减少图像边缘的粗化变形。
248
M 管理及其他 anagement and other
4 小波去噪方法 小波去噪是基于信号和噪声不同分布，然后分析处理。根据
M 管理及其他 anagement and other 遥感技术影像中去除噪音的方法分析及应用
杨益军，李文鹏，李天兰
（昆明理工金图科技有限公司 , 云南 昆明 650031）
摘 要 ：在数字图像处理中存在的典型噪音有高斯噪音、椒盐噪音还有二者的重合而成的混合噪音，本文采用均值滤波法、中
值滤波法和小波去噪法分别对遥感影像进行了处理，做出了适宜性分析。
图像是 f (x, y) ，有个尺寸是 M × M 的工作窗口，通过均值
滤波后的图像是 g(x, y) ，N 代表的是（x,y）的中心。公式中的 x
与 y 的取值范围是 0 到 N-1 之间。在（x, y）点作为场的中心，S 集
包括点 (x,y) 和场中的所有点集，M 是总数，所有像素坐标。
2.1 均值滤波法的实验结果
已知的，噪声和细节大多在高频域，信号在低频域。在图像去噪 的时候还要保证图像的细节不能丢失，要左右平衡这个度。
图像处理中的噪声去除方法和效果评价
图像处理中的噪声去除方法和效果评价噪声是图像处理领域中常见的问题之一。
在图像采集、传输和存储过程中，噪声往往会以各种形式引入图像，从而导致图像质量下降和信息丢失。
因此，研究和应用有效的噪声去除方法对于提高图像质量和增强图像细节非常重要。
本文将介绍图像处理中常见的噪声去除方法和评价方法。
一、图像噪声的分类常见的图像噪声主要包括高斯噪声、椒盐噪声、泊松噪声、固定模式噪声等。
高斯噪声是一种均值为0、方差为σ²的随机噪声。
椒盐噪声则是指在图像中随机分布出现的黑白像素点，其比例可以根据实际情况进行调整。
泊松噪声主要由光子计数引起，其分布满足泊松分布的统计规律。
固定模式噪声是由于设备本身或传输过程中的非线性特性引起的噪声。
二、噪声去除方法1. 均值滤波均值滤波是一种简单的线性平滑滤波方法，通过计算邻域像素的平均值来减少图像中的噪声。
具体而言，对于一个大小为n×n的滤波模板，将滤波模板内的像素值进行求平均操作，然后将平均值赋给目标像素。
均值滤波适用于高斯噪声的去除，但对于椒盐噪声等其他类型的噪声效果不佳。
2. 中值滤波中值滤波是一种非线性滤波方法，其原理是将滤波模板内的像素值按照大小进行排序，然后取中值作为目标像素的值。
中值滤波相比于均值滤波，在去除椒盐噪声等其他类型噪声时表现更好，能够有效保持图像的边缘和细节。
3. 自适应滤波自适应滤波是一种基于图像统计特性的非线性滤波方法。
其核心思想是根据图像中像素的灰度差异来调整滤波器的参数，从而在保持图像细节的同时去除噪声。
自适应滤波方法通常需要根据具体应用场景进行参数调优，以获得最佳的去噪效果。
4. 小波去噪方法小波去噪方法将信号分解为不同尺度的子带，然后通过对具有较小能量的高频子带进行阈值处理，将其置零，最后将处理后的子带重构成去噪后的信号。
小波去噪方法在处理非平稳噪声时表现良好，能够有效去除信号中的噪声，并保留信号的细节。
三、噪声去除效果评价对于图像噪声去除的效果评价是非常重要的，它能够客观地反映算法的优劣和适用性。
基于深度学习的无监督磁共振图像去噪方法
2.2. 对抗损失
为了生成更真实的高质量图像，我们将对抗损失应用于低质图像域和高质图像域[22]，如式(3)所示：
( ) = LDh Eh~ p(h) log DH (h) + El~ p(l) log 1− DH ( fakeh)
(3)
fakeh 如式(4)所示：
( ) fakeh = GH ELc (l ), zN
基于深度学习的无监督磁共振图像 去噪方法
唐 凡1，符 颖1,2*，李 燕3 1成都信息工程大学，四川 成都 2四川省图形图像与空间信息2011协同创新中心，四川 成都 3重庆中烟工业有限责任公司重庆卷烟厂，重庆
收稿日期：2021年4月10日；录用日期：2021年5月7日；发布日期：2021年5月14日
(5)
fakel 如式(6)所示：
( ) fakel = GL EHc (h), zN
(6)
2.3. 循环一致损失
(4)
在训练模型的过程中， GH 试图使生成的图像 fakeh 看起和来自高质图像域的图像更加相似， DH 希 望能够区分 fakeh 和真实样本 h。 GH 在训练中希望尽量减少损失，同时 DH 希望尽量扩大损失，我们将 低质图像域中的对抗性损失定义为式(5)：
( ) L= Dl El~ p(l) log DL (l ) + Eh~ p(h) log 1− DL ( fakel )
有效的内容信息。由于高质图像未受噪声影响，所以 EHc 可从中提取到不带噪声的内容信息。为了能从低
质图像中更好的提取内容信息，我们采用了 ELC 和 EHc 共享权重参数的策略。另一方面，我们通过添加 KL
散度损失来约束噪声特征的分布 zN ，使其近似正态分布 p ( z) ~ N (0,1) ，KL 散度损失如式(1)所示：
去除磁共振成像图像莱斯噪声的加权扩散
去除磁共振成像图像莱斯噪声的加权扩散作者：贺建峰陈勇易三莉来源：《计算机应用》2014年第10期摘要：针对各向同性扩散易于造成图像边缘等特征区域的模糊以及相干增强扩散易于在图像背景区域内产生伪条纹的问题，提出了一种根据磁共振成像（MRI）图像莱斯噪声分布特点来对其进行降噪的加权扩散算法。
该算法以MRI图像背景区域的莱斯噪声方差作为区分MRI 图像背景区域和感兴趣的边缘特征区域二者特征差异的阈值。
基于该阈值，该算法构造了一个加权函数，并用该函数对各向同性扩散和相干增强扩散进行加权。
加权函数根据图像在不同结构区域的变化，自适应地调整两种扩散的权值，从而充分发挥两种扩散的优势并克服各自的不足。
实验结果表明，该算法在峰值信噪比（PSNR）及平均结构相似度（MSSIM）的评价上优于一些经典算法。
因此，该算法的降噪及保护、增强边缘的能力更为优越。
关键词：磁共振成像（MRI）；各向同性扩散；相干增强扩散；莱斯噪声；加权扩散中图分类号：TP391.413文献标志码：A引言磁共振成像（Magnetic Resonance Imaging， MRI）技术因其具有对人体的无创性、软组织的高分辨率等技术优点，广泛用于现代临床医学的诊疗及基础科学研究中。
但由于MRI图像是由高斯噪声污染的实部图像和虚部图像经取模运算而得到的模图像，因而最终得到的图像是受莱斯噪声污染的[1]，因此在对MRI图像进行降噪及增强处理时需要根据其莱斯噪声分布的特点对其进行处理。
MRI图像的质量对临床医学诊疗和根据其边缘等特征信息进行相关参数计算的准确性都具有十分重要的意义，因此对MRI图像进行降噪以改善其图像质量是非常重要的。
对MRI图像进行降噪关键是要解决好去除背景噪声和保护甚至增强目标边缘这一对矛盾，基于此基础，许多成熟的技术已经运用到了MRI图像的降噪处理过程中，如：维纳滤波[2]、小波阈值滤波[3]、谱减法[4]、非邻域均值滤波[5]和基于偏微分方程的扩散滤波等技术，其中基于偏微分方程的扩散技术因具有简单高效、易于实施、理论完备等特点而得到了广泛的关注和应用，这些技术包括线性的各向同性扩散算法[6]、非线性的PM算法[7]、鲁棒各向异性算法[8]、复数域扩散算法[9]和相干增强算法[10]等扩散算法。
基于深度学习的图像去噪算法研究及应用
基于深度学习的图像去噪算法研究及应用随着人工智能与深度学习的发展，在图像应用领域，去噪技术是一个十分重要的研究方向。
例如在医学领域中，核磁共振（Magnetic Resonance Imaging, MRI）等影像噪声非常严重，会使图像失真，同时会影响医生的判断和诊断。
因此，图像去噪技术是必由之路，对于进行准确病情判断有着重要的作用。
在现有的图像去噪算法中，经典的算法有基于小波变换、双边滤波等。
然而，这些算法在复杂噪声和高频详细信息处理上表现并不理想。
而深度学习算法中的卷积神经网络（Convolutional Neural Network，CNN）具有出色的图像处理能力，因此在图像去噪领域也引起了广泛研究与应用。
一、深度学习在图像去噪中的应用基于深度学习的去噪技术，直接将去噪过程作为监督学习的任务。
其思路是先生成噪声样本然后利用加噪的模型进行训练，最终生成一个去噪的模型。
其中将深度学习应用到去噪领域的核心是如何产生噪声样本，如何设计优良的去噪损失函数及如何高效的训练网络。
目前，深度学习中的去噪算法广泛应用于医学影像处理、人脸识别、自然图像去噪和压缩感知等领域。
在深度学习算法中，使用编码器-解码器框架的网络是最为常用的结构。
编码器用于将图像高维表示构建成低维表示，解码器用于从低维表示中恢复图像的高维表示。
编码器-解码器网络通过将低维噪声输入图像，经过网络去噪后输出清晰的图像。
二、卷积神经网络的去噪处理卷积神经网络（Convolutional Neural Network，CNN）作为深度学习领域的代表性模型被广泛地应用于图像去噪任务中。
CNN在图像处理任务中表现非常出色，其核心是使用卷积层和池化层来学习图像特征，从而实现高维信息的处理和提取。
CNN主要使用“卷积核”来提取图像中的特征，该卷积核是一组固定权重的矩阵，卷积核对于图像进行卷积操作可以实现对图像局部特征的提取。
在图像去噪中，CNN通过学习去噪过程中的特征，进而实现去噪的目的。
基于噪点检测的中值滤波图像去噪方法
基于噪点检测的中值滤波图像去噪方法唐宁;吕洋【摘要】图像去噪是图像处理中一个非常重要的环节.针对传统中值滤波方法存在的不足,提出一种新的基于噪点检测的自适应中值滤波图像去噪方法.该方法通过自适应地改变滤波窗口的大小,局部检测并判断极值点是否为噪声点,有效地降低了非噪声点误判为噪声点的概率.实验结果表明,该方法能够更有效地去除图像中的噪声,并较好地保持图像细节和边缘.【期刊名称】《微型机与应用》【年(卷),期】2015(034)005【总页数】4页(P35-38)【关键词】图像去噪;中值滤波;噪点检测方法【作者】唐宁;吕洋【作者单位】桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004【正文语种】中文【中图分类】TP317.4图像是对外界信息识别的重要途径，图像的清晰度直接影响到人们对外界的识别以及进一步分析。
在图像采集传输过程中由于外界噪声的干扰，会削弱或消除一些图像基本信息，进一步导致图像质量的降低。
对加入噪声的图像可以通过平滑、滤波等一系列预处理来改善图像质量。
中值滤波被广泛应用于图像去噪中。
它不同于一般的模板，中值滤波采用周围邻域像素的中间值来代替，能够较高地保留高频信号，使图像能更好地保持边缘清晰［1］。
本文通过对中值滤波及其改进的算法进行研究，提出了一种基于噪点检测的中值滤波图像去噪方法，通过实验对比进一步体现改进方法的优势，使其能够更好地保留原始图像的细节及边缘。
1.1 图像噪声图像噪声主要是源于图像的获取和传输，在此过程中受到了外界随机信号的干扰，从而影响人们对其信息的接收。
因而描述噪声的方法完全可以借用随机过程的描述，即使用概率分布函数和概率密度分布函数［2］。
图像中的噪声，可以根据概率密度函数分为高斯噪声、瑞利噪声、脉冲噪声等；依据噪声频谱分类可将其分为：白噪声、1/f噪声、三角噪声等［2］。
本文中将主要对椒盐噪声进行去噪分析。
图像处理中的图像去噪方法与效果评估
图像处理中的图像去噪方法与效果评估图像去噪是数字图像处理中的一项关键任务，它旨在从图像中去除噪声，使其更清晰、更易于分析和理解。
在图像处理的众多应用中，图像去噪是一个必备的步骤，它可以用于医学图像、卫星图像、摄影图像等领域。
目前，有许多图像去噪方法可供选择，这些方法可以根据去噪原理、去噪效果和计算效率等方面进行分类。
下面将介绍几种常用的图像去噪方法，并对它们的效果进行评估。
1. 统计滤波方法统计滤波是一种基于统计原理的去噪方法，它通过对图像的像素值进行统计分析来判断噪声像素和信号像素，并通过滤波操作来抑制噪声。
常用的统计滤波方法包括中值滤波、高斯滤波和均值滤波。
中值滤波是一种简单有效的统计滤波方法，它通过对图像中的每个像素周围的邻域进行排序，然后取中间值作为该像素的新值。
中值滤波对于椒盐噪声和斑点噪声有较好的去除效果，但对于高斯噪声和高频噪声效果较差。
高斯滤波是一种基于高斯函数的滤波方法，它将像素的值与其周围像素的值进行加权平均，权值由高斯函数确定。
高斯滤波可以有效地平滑图像，并且保持边缘信息，但对于噪声的去除效果较差。
均值滤波是一种简单的滤波方法，它将像素的值与其邻域像素的平均值进行替换，可以有效地降低噪声的影响，但会导致图像模糊。
2. 小波变换方法小波变换是一种多尺度分析方法，可以将图像分解为不同频率的子带，然后根据子带的特征对噪声进行去除。
小波变换方法具有良好的去噪效果和较高的计算效率，在图像压缩、细节增强等应用中得到了广泛的应用。
小波去噪方法通常包括两个步骤：小波分解和阈值处理。
在小波分解阶段，图像被分解为不同频率的子带；在阈值处理阶段，对每个子带的系数进行阈值处理，然后通过逆小波变换将图像重建。
常用的小波去噪方法包括基于软阈值和硬阈值的去噪方法。
软阈值方法将小于某个阈值的系数置零，大于阈值的系数乘以一个缩放因子；硬阈值方法将小于阈值的系数置零，大于等于阈值的系数保持不变。
这两种方法在去除噪声的同时也会对图像细节造成一定的损失。
非局部主成分分析极大似然估计MRI图像Rician噪声去噪
Ｗ Ｕ Ｘｉ， 一
Ｚ ＨＯＵ Ｊ— ｉ ｉＬ ｕ
ＸＩ ｉ ｇＹｕ ｎ Ｅ Ｍ ｎ — ａ
（ ｅ ａｔ ｎ ｏ ｌ ｔ ｎｃＥ ｇｎ ｅｉｇ ｈｎ ｄ ｎｖｒ ｔ Ｉ ｏ ｍ ｔ ｎ Ｔ ｃ ｎ ｌ ｙ ｈ ｎ ｄ １ ２ ５ ｈ ｎ ） Ｄｐ ｒ ｍｅ ｔｆＥ ｅ ｒ ｉ ｎ ｉ ｉ ，Ｃ ｅ ｇ ｕ Ｕ ｉ ｓ ｙ ｏ ｎ ｒ ａｉ ｅｈ ｏｏ ，Ｃ ｅ ｇ ｕ６ ０ ２ ，Ｃ ｉａ ｃｏ ｅ＇ ｎ ｅｉ ｆ ｆ ｏ ｇ
（ ｏｅｅｏ ｏ ｐ ｔ ｃ ｎｅ ＳｃｕｎＵ ｉ ｒｔ，Ｃ ｅｇ ｕ６ ０ ６ ，Ｃ ｉａ Ｃ ｌｇ Ｃ ｍ ｕｅ Ｓｉ ｃ， ｉ ａ ｎｖ ｓｙ ｈｎ ｄ １０ ５ ｈｎ ） ｌ ｆ ｒ ｅ ｈ ｅｉ
Ａｂｓ ｒ ｃ ：Ａｓ ｔ ｅ ｏ ｓ ｉ ｔ ｅ ｔａ ｔ ｈ ｎ ｉｅ ｎ ｈ ＭＲＩ ｒ ｕ ｄ ｒ ｈ Ｒｉ ｉ ｎ ｉｔｉ ｕ ｉ ｎ， ｉ ｌ ｍｅ ｔ ｔ ｎ ｆ ｃ ｍｍｏ ｌ ｕ ｅ ａ ｅ ｎ ｅ ｔ ｅ ｃ ａ ｄ ｓｒｂ ｔ ｏ ｍｐ ｅ ｎ ａ ｉ ｏ ｏ ｏ ｎｙ ｓ ｄ
噪声方法 、 采用参数修正非局部 均值去除 Ｒ ｃ ｎ噪声方法 、 特定噪声模型 的全变差方 法 ， 不同 噪声 等级 和不 同 ｉａ ｉ 无 对
纹 理 复 杂 度 的 图像 进 行 定 性 和 定 量 的 去 噪 实 验 。结 果 表 明 ， 提 出 的 方 法 可 在 保 持 图 像 细 节 和 纹 理 信 息 的 前 提 下 所
Ｍ ａ ｉ ｕ ｋ ｌｈ ｏ ｔｍ ａ ｉ ｎ Ｉ ａ ｅ Ｄ ｅ ｉｉ ｇ Ｕ ｓｎｇ Ｎｏ Ｌｏ ａ ｘ ｍ ｍ Ｌｉ ｅｉ ｏ ｄ Ｅｓｉ ｔｏ ｍ ｇ ｎｏ ｓｎ ｉ ｎ－ ｃ ｌ
Ｐｒ ｎ ｉ ｌ ｍ ｐｏ ｎｔＡｎａ ｙ ｉ ｉ ｃ ｐ ｅ Ｃｏ ｎｅ ｌ ｓｓ
基于高阶奇异值分解和Rician噪声校正模型的扩散加权图像去噪算法
A diffusion-weighted image denoising algorithm using HOSVD combined with Rician
noise corrected model
XU Pu, GUO Li, FENG Yanqiu, ZHANG Xinyuan School of Biomedical Engineering//Guangdong Provincial Key Laboratory of Medical Image Processing//Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology//Center for Brain Science and Brain-Inspired Intelligence of Guangdong-Hong Kong-Macao Greater Bay Area, Southern Medical University, Guangzhou 510515, China
摘要：目的 研究一种新颖的基于高阶奇异值分解（HOSVD）的扩散加权图像去噪算法，用以提高扩散加权（DW）图像的信噪比 以及后续量化参数的准确性。方法 我们提出一种基于 HOSVD 稀疏约束和 Rician 噪声校正模型的去噪方法，将 Rician 噪声信 号期望融合到传统的 HOSVD 去噪框架中，从而能够直接对带有 Rician 噪声的 DW 图像进行去噪。此外，考虑到对相似块组成 的高维数组进行HOSVD 去噪处理，容易引入条形伪影，因此本文直接对每个局部DW图像块进行HOSVD 去噪，从而解决了条 形伪影问题。为了验证所提方法的有效性，我们将本方法与低秩+边缘约束（LR+Edge）、基于全局指导下的局部高阶奇异值分 解（GL-HOSVD）、基于块匹配的三维滤波（BM3D）和非局部均值（NLM）4 种去噪算法进行了实验对比。结果 实验结果表明， 所提方法能够有效降低 DW 图像噪声，同时较好的保留图像细节以及边缘结构信息。无论是从 DW 图像的峰值信噪比（PSNR） 和结构相似性（SSIM）以及各向异性分数均方根误差定量指标，还是从去噪图像和各向异性分数图的视觉效果来看，本算法都 要明显优于 LR+Edge，BM3D 和 NLM。此外，GL-HOSVD 虽然可以得到较好的去噪结果，但是在高噪声水平下，会引入条形伪 影，而本文方法不但可以得到较好的去噪结果，并且不存在伪影问题。结论 本文提出了一种新颖的 HOSVD 去噪方法，可以直 接处理带有 Rician 噪声的 DW 图像，并且解决了同类算法中伪影问题，去噪效果明显，能够为临床提供更准确的量化参数结果， 更好服务于临床影像诊断。 关键词：扩散磁共振成像；图像去噪；高阶奇异值分解；Rician 噪声
一种基于关联处理的声呐图像去噪技术
一种基于关联处理的声呐图像去噪技术
赵海旭;吴培荣;王小雯;聂良春
【期刊名称】《声学技术》
【年(卷),期】2016(35)6
【摘要】为了改善声呐图像中存在大量杂波而导致目标跟踪困难,设备虚警率高的缺点,提出一种图像关联降噪算法。
首先利用目标特性对静止目标进行剔除,之后利用目标运动的持续性和目标回波在连续多帧图像中的空间位置关联性,对随机噪声进行进一步滤除。
仿真和试验数据验证,所提出的算法对于背景比较稳定的图像,降噪效率不低于95%。
【总页数】4页(P571-574)
【关键词】固定安装声呐;时域连续性;空间邻域积分;杂波抑制;图像关联
【作者】赵海旭;吴培荣;王小雯;聂良春
【作者单位】上海船舶电子设备研究所;海军驻上海地区水声导航系统军事代表室【正文语种】中文
【中图分类】TB533
【相关文献】
1.基于声呐图像去噪算法的应用分析 [J], 陈尧;林平
2.基于弱纹理块的噪声估计方法在侧扫声呐图像去噪中的应用 [J], 张家发;周兴华;赵洪臣;唐秋华
3.一种基于方位估计的双站被动声呐航迹关联方法 [J], 黄凡
4.一种基于方位估计的双站被动声呐航迹关联方法 [J], 黄凡
5.一种基于色彩处理的被动声呐宽带目标检测显示方法 [J], 张大伟;范文涛;许林周;章新华
因版权原因，仅展示原文概要，查看原文内容请购买。
图像处理中的噪声去除算法使用教程
图像处理中的噪声去除算法使用教程引言：在图像处理中，噪声是不可避免的，它可以通过各种因素引入，例如摄像机传感器噪声、信号损失、压缩算法等。
噪声会导致图像质量下降，影响图像的细节和清晰度。
因此，噪声去除是图像处理中的重要任务之一。
本教程将介绍几种常见的噪声去除算法及其使用方法。
一、中值滤波算法中值滤波是一种简单而有效的噪声去除算法。
它的原理是将像素点周围的邻域值进行排序，然后选择排序后的中间值作为该像素点的值。
中值滤波的优势在于能够有效地去除椒盐噪声以及其他类似噪声，而同时保持图像的边缘信息。
中值滤波的使用步骤如下：1. 将图像转换为灰度图像（如果是RGB图像）。
2. 定义一个滑动窗口大小（窗口大小应根据图像噪声的特点进行调整）。
3. 遍历图像的每个像素点，将滑动窗口内的像素值进行排序。
4. 将排序后的中间值设为当前像素点的值。
5. 遍历所有像素点完成中值滤波处理。
二、双边滤波算法双边滤波是一种非线性滤波算法，既能去除噪声，又能保持图像的细节信息。
它的原理是通过考虑像素间的空间距离和灰度差异，进行滤波处理。
相比于均值滤波和高斯滤波，双边滤波在边缘保持方面效果更好。
双边滤波的使用步骤如下：1. 将图像转换为灰度图像（如果是RGB图像）。
2. 定义滑动窗口大小和两个权重参数：空间权重sigma_s和灰度差异权重sigma_r，这两个参数需要根据噪声特点和期望的滤波效果进行调整。
3. 遍历图像的每个像素点，计算滑动窗口内像素与当前像素的空间距离和灰度差异。
4. 计算像素之间的加权平均值，权重是通过空间距离和灰度差异计算得出的。
5. 遍历所有像素点完成双边滤波处理。
三、小波去噪算法小波去噪是一种基于小波变换的噪声去除算法，它能够分析图像中的频率成分并去除受噪声影响较大的高频部分。
小波去噪算法具有较好的去噪效果，并且能够保持图像的细节信息。
小波去噪的使用步骤如下：1. 将图像转换为灰度图像（如果是RGB图像）。
改进LMMSE的弥散加权磁共振图像Rician噪声复原
改进LMMSE的弥散加权磁共振图像Rician噪声复原吴锡;周激流;谢明元【摘要】弥散加权磁共振图像(DWI)由于其本身扫描成像和应用特点,易被噪声干扰,且其噪声一般呈Rician分布,需要有效去噪以保证后续应用.目前使用较多的局部去噪方法缺乏对噪声统计信息的综合应用,缺乏针对DWI图像特殊Rician噪声分布的针对性应用.本文提出一种DWI图像Rician噪声的线性最小均方误差(LMMSE)复原方法,使用局部信息的统计特征,对DWI图像的Rician噪声进行有效估计,并引用各向异性滤波的原理改进使用LMMSE进行递归复原.在合成模拟DWI 数据和真实人体脑部DWI数据上进行的仿真和实验表明,本文方法较之现有常用局部性去噪方法能够更好地去除DWI图像中Rician噪声,改善计算获得的DTI图像标量和方向信息的有效性和准确性.【期刊名称】《电子学报》【年(卷),期】2013(041)004【总页数】5页(P717-721)【关键词】弥散加权磁共振图像;图像复原;线性最小均方误差;Rician噪声【作者】吴锡;周激流;谢明元【作者单位】成都信息工程学院电子工程系,四川成都 610225;四川大学计算机学院,四川成都 610065;四川大学计算机学院,四川成都 610065;成都信息工程学院电子工程系,四川成都 610225【正文语种】中文【中图分类】TP3911 引言弥散张量磁共振成像(Diffusion Tensor Magnetic Resonance Imaging,DT-MRI 或者DTI)通过测量活体纤维组织细胞中水分子的弥散情况对该纤维组织的生理机能进行研究,并可根据该弥散信息对纤维结构进行三维重建,其典型应用是大脑白质神经纤维分析及纤维追踪成像研究[1].DTI对三维组织的每一体素使用一个3×3对称正定矩阵构成张量模型进行描述,该模型需要至少六个非共面扩散敏感梯度磁场方向的回波衰减信号测量值构成的弥散加权磁共振图像(Diffusion Weighted Magnetic Resonance Imaging,DW-MRI或者DWI)和一个不施加扩散敏感梯度磁场的MR信号参考测量值解得[2].由于DTI数据的扫描时间和数据量远超普通MRI(7次或以上DWI数据扫描),因此其极易受到噪声干扰[3].同时由于MRI成像获得数据为复数,当其实部和虚部分别被高斯噪声干扰时,其模值图像的噪声一般呈Rician分布,常用的针对Gaussian噪声的去噪方法容易出现误差[4].现有的DTI去噪方法大致可以分为三类,分别为直接对DTI去噪[5],DWI计算DTI 过程中进行正则化去噪[6,7],和对DWI进行去噪[8,9].第一种方法需对DTI数据进行准确有效的评估,由于DTI是二阶张量,需同时考虑大小和方向,对DTI的评估较为困难;第二种方法由于DWI计算DTI的特殊性,该正则化过程受到多种约束,计算较为复杂;第三种方法引入经典灰度图像去噪方法,如各向异性滤波[8,9]、极大似然估计[10]等,应用较为广泛.本文针对现有线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)复原去噪方法,使用局部统计信息,对Rician噪声进行有效估计,并引用各向异性滤波原理改进LMMSE复原处理,推导其递归复原方法,并将其推广到三维DWI数据集中.较之现有最大释然估计等多次迭代获得最优估计的复原方法和基于局部灰度级的各向异性滤波方法,本文方法可有效去除DWI中的Rician噪声,并提高使用该复原DWI获得的DTI数据的大小和方向信息的准确性.下面,先介绍改进LMMSE弥散加权磁共振图像Rician噪声复原的基本原理,然后使用合成和真实DWI数据进行去噪仿真实验,并与最大释然估计和各向异性滤波进行对比分析.2 采用LMMSE的Rician分布DWI图像复原2.1 Rician分布当MRI信号的实部和虚部同时加入方差相等的非相关零均值高斯噪声时,MRI模值图像服从Rician分布[4],其大小可表示为：其中,M为测量数据,A为原始数据,n1和n2为非相关零均值高斯噪声,方差均为σ2.其概率密度函数为：其中I0(◦)为 0阶第一类修正贝赛尔函数,u(◦)为Heaviside函数,当 A=0时(即位于无信号的背景区域),Rician分布可简化为Rayleigh分布.一般来说,Rician分布的偶数阶矩较之奇数阶矩易于计算,其二阶矩和四阶矩如下：特别的,由于一个DTI数据集需要采集六个(或以上)非共面扩散敏感梯度磁场方向的回波衰减信号测量值和一个不施加扩散敏感梯度磁场的MR信号参考测量值进行求解获得,DWI数据集S根据扫描矩阵的大小可视为P×Q×R的三维矩阵(P、Q、R分别为其行、列和层数),每一体素存储一个包含七个(或以上)参数的列向量,满足Rician分布的DWI数据及其概率密度函数表示为：其中,i为不同方向扩散敏感梯度磁场编号,ni,c和ni,s为非相关零均值高斯噪声,方差均为σ2,其二阶矩和四阶矩为：在本文余下部分均使用DWI的形式,对于普通MRI数据只需令i=1即可.2.2 Rician分布DWI图像改进LMMSE复原LMMSE的原理即使用测量数据M获得原始数据A的最优估计值A′,其方法由文献[11]可得：由于DWI数据中的噪声呈Rician分布,无法直接通过其一阶矩计算,因此最优估计值A′只能通过其平方间接获得,如下式：由于测量数据M的矩无法直接获得,因此需要对当前体素P的邻域采样进行估计：其中S为进行采样选择的邻域区域,一般为正方体(均值滤波).本文为更好保持图像细节,借用各向异性滤波的概念[12],用梯度变化信息来选择采样邻域,并简化如图1,六个不同邻域区域对应三维笛卡尔坐标系的六个不同主轴方向,式(16)中采样邻域S 由图1选择六个主轴方向中梯度最大方向代表的邻域.2.3 噪声估计由式(14)可知,上述LMMSE除准确估计M的矩以外,还需对噪声方差σ2进行估计.由于 Rician噪声特点,只需对原始数据为0区域(图像背景)估计即可.由式(7)可知 ,当 A2=0 时 ,有μ″2=E{M 2i}=2σ2,则：其中,N为估计所用背景区域大小.2.4 递归LMMSE使用单次LMMSE获得复原数据只是一个粗略结果,递归使用LMMSE可以更有效去噪复原,随噪声降低直至达到稳定状态,即：其中I(n)是第n次迭代后结果,初始数据I(0)=M.3 仿真与实验结果在合成和真实脑部DTI数据集中,分别使用本文方法、各向异性滤波[8]和最大似然估计[10]进行10次迭代去噪复原,并对结果进行比较.首先,采用本文提出的算法在合成DTI数据集上进行了仿真,使用MATLAB7.0.4,Windows 7 Professional操作系统,Intel Core(TM)i7 CPU处理器和4G内存.合成DTI数据集大小为64×64×1,由6个不同方向的DWI数据集和1个标准方向DWI数据集使用最小二乘模型计算获得,合成纤维结构的FA为0.8,弥散度为2.1×10-5cm2/s,几何结构为一条正弦曲线,宽度为10体素.如图2(a)为第3个方向的DWI数据集,图2(b)为加入5%Rician噪声结果,图2(c)-(e)为分别使用本文方法、各向异性滤波和最大似然估计复原去噪结果.由图2可知,三种方法均能在一定程度上去除DWI噪声,相比而言,本文方法较之其他两种方法有较好去噪效果,基本能够较好的恢复不同灰度级的图像信息,在边界处对图像结构的保留作用更明显.除对DWI复原效果的定性分析以外,对三种方法的去噪效果进行了定量分析,分别计算了图像信噪比(Signal Noise Ratio,SNR)和结构相似度(Structure Similarity Index,SSIM)[13],前者描述图像的总体噪声情况后者强调结构信息的复原效果,计算方法如下式：其中μx和μy分别为图像x,y的均值,σx和σy分别为x,y的标准差,σxy为x,y的协方差,g和f分别为原始图像和加噪图像,c1和c2分别为稳定参数.图3(a)为DWI数据集中第3个方向数据在不同噪声情况下使用三种方法去噪的图像信噪比,其中横轴为噪声比例,纵轴为信噪比大小,图3(b)为相同处理条件下的SSIM.由图3可知,随着噪声的逐渐增加,DWI的信噪比和SSIM都逐渐下降,三种方法均在不同程度上去除噪声影响,相比而言,本文方法在不同噪声等级下均取得相对最好的复原去噪效果,获得较高SNR和SSIM.图4为使用本文方法、各向异性滤波和最大似然估计复原去噪的DWI图像计算获得DTI图像结果比较.图4(a)为上述DTI数据集的三维结构,图4(b)为图4(a)框中区域放大部分,椭圆表征每个体素的弥散张量,椭圆主轴大小和方向与弥散张量主分量的大小和方向相同.图4(c)为加入5%Rician噪声后的结果,如图所示,由于噪声影响,本来排列整齐大小均匀的DTI数据均发生明显变化,其表征弥散大小的椭圆形状变化明显,表征弥散方向的椭圆主轴方向也发生不同程度的偏差.图4(d)-(f)是分别使用上述三种方法去噪DWI计算获得DTI图,放大区域选取同图4(b),由图可知,分别经过三种方法去噪后获得的DTI较之加噪DTI,用椭圆表示的张量大小和方向都有明显改善,椭圆大小与未加噪标准DTI相比基本相同,方向也基本规律.但仔细观察仍可发现,本文方法去噪后获得DTI的椭圆方向和大小较之其他两种方法均更为规律,基本未出现明显偏差,其他两种方法仍有极少偏差较大的张量.除上述对去噪DTI图像质量影响的定性分析以外,还定量的对上述三种方法DWI去噪对DTI图像的大小和方向信息复原能力进行了比较,DTI图像的弥散大小信息由局部各向异性(Fractional Anisotropy,FA)描述,DTI方向信息保持效果由其主分量的角度偏移确定.由表1可知,使用经过三种方法去噪后的DWI计算获得的DTI图像的大小和方向信息均有较大提高,较之标准未加噪DTI图像其角度偏移值和FA的平均变化值均明显下降,相比而言本文方法效果更为明显,角度偏移值下降到4°以内,而FA平均变化值则下降到0.06以下.表1 使用本文方法、各向异性滤波和最大似然估计复原去噪DTI图像效果分析加入5%Rician噪声本文方法去噪各向异性滤波去噪最大似然估计去噪角度平均偏移值(°) 5.875 3.871 4.019 4.151 FA平均变化值 0.078 0.056 0.068 0.065 其次,采用本文提出的算法在人脑部DTI数据上进行了成像实验.人脑部DTI数据使用Philips Intera Achieva3TMRI扫描仪获得,每次扫描矩阵分辨率为128×128,扫描层数为53层,层厚2mm.DWI由6个不同梯度方向数据(弥散加权值1000s/mm2)和1个未加权基本数据(弥散加权值0s/mm2)构成.图5为真实脑部DWI数据本文方法、各向异性滤波和最大似然估计经过10次迭代去噪效果比较.其中图5(a)为真实人体DWI数据计算出的DTI数据第28层FA 图,描述了各体素的弥散度大小,加入10%Rician噪声以后,如图5(b),FA图呈现明显噪声.图2(c)-(e)是对原始DWI数据分别使用三种方法进行10次迭代去噪后解得DTI数据第28层FA图.图2(f)-(j)为上述对应结果的DTI图,且仅选择方框中部分进行放大显示,背景为未经伪彩色处理的FA图,DTI数据每个体素张量使用椭圆表征.如图所示,三种方法在真实人体DWI数据中同样均可有效去除噪声,如图5(c)-(e),去噪后,DTI数据的FA图噪声有明显下降,灰度级大小变化较为均匀,没有异常的FA 变化;如图5(h)-(j),真实DTI数据的方向信息也保持较好,如右上角弥散信息较大区域,图5(g)中椭圆大小和方向均较为凌乱的部分经过三种方法复原后排列均较为整齐.仔细观察可知,本文方法的复原效果相对更为明显,如图中间弥散度中等类似桥状部分,经过本文方法去噪后,基本可以获得和未加噪之前相同的张量结构分布,另外两种方法虽然也能局部复原该区域结构,但是仍出现了一定失真.4 结论本文针对目前DWI图像使用较多的局部去噪方法的不足,以及DWI图像中噪声的Rician分布特性,首先估计Rician噪声分布参数,并引入各向异性滤波概念改进LMMSE实现DWI的自适应复原处理.模拟和真实DWI数据集中的仿真实验结果均说明,较之现有方法,本方法可以有效去除DWI中的噪声,提高计算获得的DTI图像大小和方向信息的准确性和可靠性.参考文献【相关文献】[1]M Lazar.Mapping brain anatomical connectivity using white mattertractography[J].NMR in Biomedicine,2010,23(7)：821-835.[2]P Basser,et al.MR diffusion tensor spectroscopy and imaging[J].Biophysical Journal,1994,66(1)：259-267.[3]A W Anderson.Theoretical analysis of the effects of noise on diffusion tensor imaging[J].Magnetic Resonance in Medicine,2001,46(6)：1174-1188.[4]H Johanson-Berg,T Behrens.Diffusion MRI：From Quantitative Measurement to In-Vivo Neuroanatomy[M].London,England：Academic Press,2009.37-54.[5]O Coulon,D Alexander,S Arridge.Diffusion tensor magnetic resonance image regularization[J].Medical Image Analysis,2004,8(1)：47-67.[6]P Fillard,X Pennec,et al.Clinical DT-MRI estimation,smoothing,and fiber tracking with log-euclidean metrics[J].IEEE Transactions on Medical Imaging,2007,26(11)：1472-1482.[7]X Pennec,P Fillard,N Ayache.A Riemannian framework for tensorcomputing[J].International Journal of Computer Vision,2006,66(1)：41-66.[8]Z Ding,Gore JC,AW Anderson.Reduction of noise in diffusion tensor images using anisotropic smoothing[J].Magnetic Resonance in Medicine,2005,53(2)：485-490.[9]邵文泽,韦志辉.基于结构张量图像建模方法的滤波性能研究[J].电子学报,2011,39(7)：1556-1562.Shao Wenze,Wei Zhi-hui.Research on filtering behavior of structure tensor based image modeling approaches[J].Acta Electronica Sinica,2011,39(7)：1556-1562.(in Chinese)[10]J Sijbers,AJden Dekker.Maximum Likelihood estimation of signal amplitude and noise variance from MR data[J].Magnetic Resonance Imaging,2004,51(3)：586-594.[11]S M Kay.Fundamentals of Statistical Signal Processing：Estimation Theory[M].Upper Saddle River,NJ：Prentice-Hall,1993.47-58.[12]JWeickert.Coherence-enhancing diffusion filtering[J].International Journal of Computer Vision,1999,31(2)：111-127.[13]Z Wang,AC Bovik,et al.Image quality assessment：from error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4)：600-612.。
基于噪声水平估计的去马赛克算法
基于噪声水平估计的去马赛克算法燕明;胡越黎;权利【期刊名称】《工业控制计算机》【年(卷),期】2016(029)003【摘要】针对Bayer格式的彩色滤波阵列，鉴于传统的去马赛克算法不能在去马赛克的同时实现降噪，提出了一种针对噪声彩色滤波阵列图像的基于噪声水平估计的去马赛克算法。
该算法首先估计每个通道的均匀区域估计出图像的噪声水平，然后基于不同的噪声水平选择不同的参数来降噪，并同时利用色彩梯度和残差插值实现联合去马赛克。
实验结果表明在不同噪声程度下，算法表现良好；且相对于传统插值算法，提高了峰值信噪比，改善了视觉效果。
%In this paper,a novel demosaicking algorithm for noisy color filter array image based on noise level estimation is presented.A method to estimate the noise level in each of the red,green,and blue channels,based on the estimated noiselevel,noise can be removed effectively by differentparameters.Meanwhile,both color gradient and residual interpolation are applied to joint demosaicking and denoising.Experimental results demonstrate state-of-the-art performance over a wide range of noise level.【总页数】3页(P10-12)【作者】燕明;胡越黎;权利【作者单位】上海大学机电工程与自动化学院，上海市电站自动化技术重点实验室上海 200072;上海大学机电工程与自动化学院，上海市电站自动化技术重点实验室上海 200072;上海大学机电工程与自动化学院，上海市电站自动化技术重点实验室上海 200072【正文语种】中文【相关文献】1.基于两阶段支持向量回归的快速噪声水平估计算法 [J], 徐少平;曾小霞;唐袆玲2.基于最小特征值非线性修正的快速噪声水平估计算法 [J], 徐少平;曾小霞;姜尹楠;林官喜;唐祎玲3.基于主成分分析与深度神经网络的快速噪声水平估计算法 [J], 徐少平;李崇禧;林官喜;唐祎玲;胡凌燕4.基于CNN噪声分离模型的噪声水平估计算法 [J], 徐少平;刘婷云;李崇禧;唐祎玲;胡凌燕5.一种基于卷积神经网络的快速噪声水平估计算法 [J], 于海雯; 易昕炜; 徐少平; 刘婷云; 李崇禧因版权原因，仅展示原文概要，查看原文内容请购买。
基于图像分割和主成分分析的图像噪声水平估计方法
基于图像分割和主成分分析的图像噪声水平估计方法
李彦龙
【期刊名称】《科学技术创新》
【年(卷),期】2022()12
【摘要】由于图像在传输过程中会受到电气系统和外界干扰而存在不必要的噪声使得图像模糊,甚至淹没图像特征,造成分析困难。
本文提出了一种基于块状分割的图像噪声水平估计方法。
首先,通过举例对证找到最优分割尺寸对图像进行分块;然后,用梯度法找到图像纹理复杂度最小的块;最后,利用主成分分析算法对纹理复杂度最小的块进行噪声水平估计。
实验结果表明文中方法能够较为准确的估计图像的噪声值。
【总页数】4页(P79-82)
【关键词】数字图像;噪声估计;图像分割;主成分分析
【作者】李彦龙
【作者单位】河南大学欧亚国际学院
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于尺度噪声水平估计的双树复数小波变换图像去噪方法
2.基于图像分割的噪声方差估计
3.基于主成分分析与深度神经网络的快速噪声水平估计算法
4.基于稀疏
主成分分析的图像噪声估计方法5.基于生成对抗网络和噪声水平估计的低剂量CT 图像降噪方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于噪声-纹理检测算子的图像去噪方法
基于噪声-纹理检测算子的图像去噪方法
孙晓丽;宋国乡;冯象初
【期刊名称】《电子学报》
【年(卷),期】2007(035)007
【摘要】利用能量泛函极小化方法对图像进行滤波时,通常用分段常数函数来近似图像,在滤除噪声的同时也丢失了许多纹理和细节信息.基于这一不足,本文提出一个噪声-纹理检测算子,利用这一算子对滤掉的信息作进一步检验,从而尽可能多的抽取出被误滤掉的纹理信息,将这些纹理信息补充回滤波后的图像中得到最终的去噪图像.实验表明,本文提出的算子对去噪后图像纹理信息的保留具有明显效果.
【总页数】4页(P1372-1375)
【作者】孙晓丽;宋国乡;冯象初
【作者单位】西安电子科技大学理学院,陕西西安,710071;西安电子科技大学理学院,陕西西安,710071;西安电子科技大学理学院,陕西西安,710071
【正文语种】中文
【中图分类】TN911
【相关文献】
1.一种基于脉冲噪声检测的图像去噪方法 [J], 刘西成;冯燕
2.基于噪声检测的激光光斑图像去噪方法 [J], 王杰飞;刘洁瑜;沈强;王琪
3.一种基于纹理算子的图像阴影自动检测方法 [J], 陈林;张玲
4.基于改进高斯—拉普拉斯算子的噪声图像边缘检测方法 [J], 代文征;杨勇
5.一种基于新差异算子和纹理的SAR图像水体变化检测算法 [J], 李玲玉; 张毅
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｅ ｓ ｔ ｉ ｍａ ｔ ｉ ｏ ｎ ｓ ｏ ｆ ｌ ｏ ｃ ａ ｌ ｎ ｏ ｉ ｓ ｅ ｌ ｅ ｖ ｅ ｌ ｓ ａ ｎ ｄ ａ ＮＬ Ｆ ｍｏ ｄ ｅ ｌ ｗｉ ｔ ｈ ｔ ｈ ｅ ｓ ｐ ａ ｒ ｓ ｉ ｔ ｙ ｃ ｏ ｎ ｓ ｔ ｒ ａ ｉ ｎ ｔ ．Ｔｈ ｅ ｎ，ｔ ｈ ｅ ｎ ｏ ｉ ｓ ｙ ＭＲ ｉ ｍａ ｇ ｅ ｓ ｗｅ ｒ ｅ ｍａ ｄ ｅ ｔ ｏ ｂ ｅ ｈ ｏ ｍｏ ｓ ｃ ｅ ｄ ａ ｓ ｔ ｉ ｃ ｂ ｙ ｔ ｈ ｅ ｓ ｐ ａ ｔ ｉ ａ ｌ ｌ ｙ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ｖ ａ ｒ ｉ ａ ｎ ｃ ｅ ． ｓ ｔ ａ ｂ ｉ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｔ ｒ ａ ｎ ｓ ｏｒ ｆ ｍａ ｔ ｉ ｏ ｎ ｓ ｗｉ ｔ ｈ ｔ ｈ ｅ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｄ ＮＬ Ｆ． Ｔ ｈ ｕ ｓ ，ＢＭ３ Ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗａ ｓ ａ ｄ ｏ ｐ ｔ ｅ ｄ ｔ ｏ ｓ ｕ ｐ ｐ ｒ ｅ ｓ ｓ ｔ ｈ ｅ ｎ ｏ ｉ ｓ ｅ ｉ ｎ ｔ ｈ ｅ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍｅ ｄ ｉ ｍａ ｇ ｅ ｓ ．Ｅｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｏ ｎ ｔ ｈ ｅ ｓ ｙ ｎ ｔ ｈ ｅ ｔ ｉ ｃ ａ ｎ ｄ ｒ ｅ ａ ｌ ｉ ｍａ ｇ ｅ ｓ ｄ ｅ ｍｏ ｎ ｓ ｔ ｒ ａ ｔ ｅ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｍｅ ｔ ｈ ｏ ｄ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｓ ｔ ｈ ｅ ＮＬＦ ａ ｎ ｄ ｔ ｈ ｅ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｄ ＮＬ Ｆ ｉ ｓ ｕ ｓ ｅ ｆ ｕ ｌ ｆ ｏ ｒ ｄ ｅ ｎ ｏ ｉ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｓ ｐ ａ ｔ ｉ ａ ｌ ｌ ｙ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ Ｒｉ ｃ ｉ ａ ｎ ｎ ｏ ｉ ｓ ｅ ． Ｔ ｈ ｅ ｍｅ ａ ｎ ｒ ｅ ｌ ａ ｔ ｉ ｖ ｅ ｅ ｒ ｒ ｏ ｒ ｏ ｆ ｔ ｈ ｅ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｄ ｎ ｏ ｉ ｓ ｅ ｌ ｅ ｖ ｅ ｌ ｓ ｗａ ｓ ｌ ｅ ｓ ｓ ｔ ｈ ａ ｎ ０ ． ２％ ．Ｃｏ ｍｐ ａ ｒ ｅ ｄ ｗｉ ｔ ｈ ｏ ｔ ｈ ｅ ｒ ｄ ｅ ｎ ｏ ｉ ｓ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｓ ｏｒ ｆ ＭＲ ｉ ｍａ ｇ ｅ ｓ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ
Ｙ ｕ Ｌ ｉ ． Ｌ ｉ ｎ ｇ Ｙ Ａ ＮＧ Ｗｅ ｉ
Ｆ Ｅ Ｎ Ｇ Ｙ ａ ｎ — Ｑ ｉ ｕ Ｌ Ｉ Ｕ Ｍｉ ｎ Ｆ Ｅ ＮＧ Ｑｉ ａ ｎ 。 Ｊ ｉ ｎ Ｃ ＨＥ Ｎ Ｗｕ ． Ｆ ａ ｎ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｂ ｉ ｏ ｍ ｅ ｄ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ， Ｓ ｏ ｕ ｔ ｈ ｅ ｒ ｎ Ｍｅ ｄ ｉ ｃ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｇ ｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ ０ ５ １ ５， Ｃ ｈ ｉ ｎ ａ ） （ Ｓ ｈ ｅ ｎ ｚ ｈ ｅ ｎ Ｅ ｎ ｔ ｒ ｙ — ｅ ｘ ｉ ｔ Ｉ ｎ ｓ ｐ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｑｕ ａ ｒ ａ ｎ ｔ ｉ ｎ ｅ Ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｉ ａ ｌ Ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｃ ｅ ｎ ｔ ｅ ｒ ，Ｓ ｈ ｅ ｎ ｚ ｈ ｅ ｎ ５ １ ８ ０ ６ ７，Ｃ ｈ ｉ ｎ ａ ）
Ｒ ｉ ｃ ｉ ａ ｎ噪声 水 平场 的估 计 及 其在 ＭＲ 图像去 噪 中的应用
余丽玲 阳 维ｈ 冯衍秋 刘 闽 冯前进 陈武凡
（ 南 方 医科 大 学生 物 医学 工 程 学 院 ， 广州 ５ １ ０ ５ １ ５ ）
（ 深 圳 出入 境 检 验 检疫 局工 业 品检 测 技 术 中 心 ， 深圳
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈ ｅ ｌ ｅ ｖ ｅ ｌ ｓ ｏ ｆ Ｒｉ ｃ ｉ ａ ｎ ｎ ｏ ｉ ｓ ｅ ｉ ｎ Ｍ Ｒ ｉ ｍａ ｇ ｅ ｓ ｖ ａ ｒ ｙ ｓ ｐ ａ ｔ ｉ ａ ｌ ｌ ｙ ． Ａ ｍｅ ｔ ｈ ｏ ｄ ｔ ｏ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｔ ｈ ｅ ｎ ｏ ｉ ｓ ｅ ｌ ｅ ｖ ｅ ｌ ｉｅ ｆ ｌ ｄ
Ｅｓ ｔ ｉ ｍａ ｔ ｉ ｏ ｎ ｏ ｆ Ｓ ｐ ａ ｔ ｉ ａ ｌ ｌ ｙ Ｖａ ｒ ｉ ａ ｂ ｌ ｅ Ｌｅ ｖ ｅ ｌ Ｆｉ ｅ ｌ ｄ ｏ ｆ Ｒｉ ｃ ｉ ａ ｎ Ｎｏ ｉ ｓ ｅ ａ ｎ ｄ ｉ ｔ ｓ
Ａｐｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｔ ｏ Ｍ Ｒ Ｉ ｍａ ｇ ｅ Ｄｅ ｎ ｏ ｉ ｓ ｉ ｎｇ
３ ２ 卷 ５ 期
２ ０１ ３年 １ ０月
中 国 生
物 医
学工ຫໍສະໝຸດ 程学报 Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｂ ｉ ｏ ｍ ｅ ｄ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
Ｖ０ １ ．３ ２ ＮＯ．５ Ｏｃ ｔ ｏ ｂ ｅ ｒ ２Ｏ１ ３
（ ＮＬ Ｆ ）ｗ ａ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｆ ｏ ｒ ｄ ｅ ｎ ｏ ｉ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｓ ｐ ａ ｔ ｉ ａ ｌ ｌ ｙ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｎ ｏ ｉ ｓ ｅ ．Ｔ ｈ ｅ Ｎ Ｌ Ｆ ｗ ａ ｓ ｉ ｆ ｔ ｔ ｅ ｄ ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ
５ １ ８ ０ ６ ７ ）
摘 要 ：针对 ＭＲ图 像 中空 间 变 化 Ｒ ｉ ｃ ｉ ａ ｎ噪声 的 抑 制 问题 ， 提 出 了一 种 噪 声 水 平 场 的估 计方 法 ， 同 时 结 合 方差 稳 定 变换 和 Ｂ Ｍ３ Ｄ算 法 实 现 ＭＲ图 像 的 去 噪 。 噪声 水 平 场 通 过 Ｒ ｉ ｃ ｉ ａ ｎ噪 声 水 平 的 局 部 估 计 和 稀 疏 性 约 束 模 型 进 行 估 计， 利 用 噪 声 水 平 场 对 噪 声 图 像 幅 值 进 行 空 间 自适 应 方 差 稳 定 变 换 ， 使 得噪 声与信 号幅值 和空间位 置无关 ， 采 用 Ｂ Ｍ ３ Ｄ算 法 即 可实 现对 噪声 的抑 制 ， 最 后 通 过 方差 稳定 逆 变 换 得 到无 偏 的去 噪 图像 。仿 真 实 验 中 ， 噪 声 水 平 场估 计 的平均相对误差小于 ０ ． ２ ％， 利 用 空 间 自适 应 方 差 稳 定 变 换 进 行 去 噪 ， 相 比方 差 稳 定 变 换 ， 去 噪 图像 的 峰 值 信 噪 比