Reducción de ruido de moteado en el médico …

Reducción de ruido de moteado en el médico ...

Figura 8. El modelo general para la reducción de manchas usando contourlet transformar.

Figura 9. a) imagen de ultrasonido original. (B) Imagen Despeckled usando transformada wavelet utilizando subbanda de Bayes umbralización suave (nivel 3). (C) Imagen Despeckled usando contourlet transformar el uso de umbralización suave. (D) el uso de la imagen Despeckled contourlet transformar el uso de umbralización dura. imagen (e) Despeckled usando contourlet transformar el uso de umbralización suave semi.

Figura 10. El diagrama de bloques del método de eliminación de puntos basado en contourlet transformada con el giro ciclo.

image Figura 16. a) Imagen original de ultrasonido (b) Despeckled mediante TC basada ciclo de centrifugado utilizando el método de ST. (C) Imagen Despeckled mediante TC basada ciclo de centrifugado utilizando el método de HT. (D) la imagen Despeckled mediante TC basada ciclo de centrifugado utilizando el método de SST. (E) la imagen Despeckled utilizando el método de CT directa.

Figura 18. a) Imagen original de ultrasonido, (b) la imagen sin ruido utilizando una imagen sin ruido filtro gaussiano, (c) el uso de 1ª alternativa con la imagen sin ruido método WT (d) el uso de 1ª alternativa con el método LP. (E) la imagen sin ruido usando primera alternativa con el método CT. (F) la imagen sin ruido utilizando segunda alternativa con el método WT. (G) la imagen sin ruido utilizando segunda alternativa con el método LP. (H) la imagen sin ruido utilizando segunda alternativa con el método de CT.

Figura 19. El modelo general para la representación de Gauss del ruido de moteado.

Figura 22. a) imagen de ultrasonido original (b) Despeckled imagen utilizando el contourlet transformada con el ciclo de hilado (c) la imagen sin ruido utilizando el modelo de regresión lineal propuesto. El cuadro indica la región de la imagen en (b) y (c) que muestra destacada mejora visual debido a la eliminación de puntos.

Figura 23. a) Una imagen sub imagen de ultrasonido original, (b) la imagen secundaria de eliminación de puntos utilizando la imagen secundaria de eliminación de puntos utilizando la imagen secundaria de eliminación de puntos de imagen CT método (e) el uso de sub de eliminación de puntos utilizando el método WT (d) del filtro de Wiener (c) de ciclo de centrifugado CT basándose en la imagen método (f) de la sub eliminación de puntos utilizando el modelo de regresión lineal propuesto.

[1] Departamento de P.G. Estudios e Investigación en Ciencias de la Computación de la Universidad de Gulbarga, Gulbarga, Karnataka, India

[2] Departamento de Ciencias de la Computación e Ingeniería, de B.L.D.E.A Dr. P.G.H. Facultad de Ingeniería, Bijapur, Karnataka, India

[3] Departamento de Medicina, Sri.B.M.Patil Medical College, Universidad BLDE, Bijapur, Karnataka, India

1. Introducción

En las imágenes de ultrasonido, el contenido de ruido gaussiano es multiplicativo y no. Tal ruido es generalmente más difícil de eliminar que el ruido aditivo, debido a que la intensidad del ruido varía con la intensidad de la imagen. Un modelo de ruido multiplicativo está dada por

y i j = X i j n i

En la Ec. (14). la σ k es la desviación estándar del núcleo y K – es el valor medio de intensidad del núcleo. La única desventaja del filtro Kuan es que el parámetro ENL necesita ser computado.

El filtro de Wiener [14] es un filtro de dominio espacial lineal. Hay dos alternativas. (I) método de transformada de Fourier (dominio de frecuencia) (ii) significa método cuadrado (dominio espacial), para la implementación del filtro de Wiener. La primera alternativa se utiliza para la eliminación de ruido y deblurring, mientras que la segunda alternativa se utiliza para la eliminación de ruido solamente. El dominio de frecuencia alternativa de filtrado de Wiener requiere un conocimiento previo de los espectros de potencia de ruido y la imagen original. Pero, con carácter subsidiario dominio espacial, no se necesita tal conocimiento previo. Se basa en la estadística principio menos cuadrado y reduce al mínimo el error cuadrático medio entre la secuencia señal real y la secuencia de señal deseada.

En una imagen, las propiedades estadísticas difieren demasiado de una región a otra región. De este modo, ambas estadísticas globales (media, varianza, y los momentos de orden superior de toda la imagen) y las estadísticas locales (media, varianza, y los momentos de orden superior de núcleo) son importantes. filtrado de Wiener se basa tanto, las estadísticas globales y locales y está dada por

Y i j = K – + k σ 2 σ k + 2 σ 2 K U V – K –

Para un juicio adecuado de rendimiento de los filtros, la evaluación subjetiva se debe tomar en consideración. Para la evaluación subjetiva, las imágenes despeckled de varios filtros se muestran en la Figura 5. En la Figura 5. Se observó a partir de la inspección visual que todos los tres métodos consiguen un buen rendimiento de supresión de manchas. Sin embargo, Lee Kuan y filtros pierden muchos de los detalles de la señal y de las imágenes resultantes son borrosas. Además, el filtro de Wiener con el tamaño del núcleo 3×3 dio realce mejor visual de imágenes de ultrasonido médico. Sin embargo, el filtro de Lee alisa ruido en regiones planas, pero deja los detalles finos tales como líneas y la textura sin cambios.

Figura 1.

Desempeño de los diversos filtros de eliminación de puntos, en términos de PSNR, SNR.

Figura 2.

Desempeño de los diversos filtros de eliminación de puntos, en términos de varianza

Figura 3.

Desempeño de los diversos filtros de eliminación de puntos, en términos de MSE.

Figura 4.

Desempeño de los diversos filtros de eliminación de puntos, en términos de coeficiente de correlación

Figura 5.

Tabla 1.

Comparación de rendimiento de varios filtros de eliminación de puntos sobre la base de tiempo de cálculo.

3. transformada wavelet método

El objetivo principal de la reducción de manchas es eliminar el moteado sin perder mucho detalle contenida en una imagen. Para lograr este objetivo, hacemos uso de la transformada wavelet y aplicar el análisis multirresolución para localizar una imagen en diferentes componentes de frecuencia o sub-bandas útiles y luego reducir efectivamente el moteado en las sub-bandas de acuerdo con las estadísticas locales dentro de las bandas. La principal ventaja de la transformada wavelet es que la fidelidad de la imagen después de la reconstrucción es visualmente sin pérdidas.

Cualquier descomposición de una imagen en wavelets implica un par de formas de onda, uno para representar las altas frecuencias que corresponden a las partes detalladas de una imagen (función wavelet ψ) y uno para las frecuencias altas se transforman con funciones cortos (baja escala). El resultado de WT es un conjunto de wavelet las bajas frecuencias o partes lisas de una imagen (función) de escala phi coeficientes, que miden la contribución de las pequeñas ondas en diferentes lugares y escalas. El WT realiza el análisis de imágenes de resolución múltiple [22]. La función de escalado de resolución múltiple aproximación se puede obtener como la solución a una ecuación de dilatación, dos lotes (16).:

φ (x) = Σ k a φ (k) L (2 x-k)

ψ (x) = Σ k a φ (k) H (2 x-k).

ψ V (x. y) = φ (x) ψ (y)

que corresponden a las tres sub-bandas de LH, HL y HH, respectivamente [23]. La ecuación de ondas produce diferentes tipos de familias wavelet como Daubenchies, Haar, Symlets, Coiflets y ondas Biortogonal [24].

3.1. técnicas de fijación de umbrales

Hay dos enfoques para llevar a cabo el umbral después del cálculo de los coeficientes de onda, es decir, umbral de sub-banda y de umbral mundial [25]. En umbral de sub-banda, se calcula la variación del ruido de los sub-bandas horizontales, verticales y diagonales de cada nivel de descomposición, a partir de las bandas espectrales exterior y avanzando hacia las bandas espectrales interiores (descomposición de los niveles superiores hacia los niveles más bajos) y calculamos el valor umbral utilizando Bayes contracción o encogimiento regla Visu. En umbralización global, se determina el valor umbral de la única banda diagonal, pero aplicamos este umbral para las sub-bandas horizontales, verticales y diagonales. Este enfoque supone que la banda diagonal contiene la mayor parte de sus componentes de alta frecuencias; por lo tanto el contenido de ruido en la banda diagonal debe ser superior a las otras bandas. De umbral en el nivel más grueso no se hace, ya que contiene los coeficientes de aproximación que representan la versión traducida y reducida de la imagen original. Umbralización a este nivel hará que la reconstrucción de la imagen se distorsione.

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

3.2. regla de contracción

Una gran λ umbral se reducirá casi todos los coeficientes a cero y puede dar lugar a más de suavizar la imagen, mientras que un pequeño valor de λ dará lugar a los bordes afilados con los detalles que se conservan, pero puede fallar para suprimir el moteado. Utilizamos las reglas de contracción, a saber, la regla de contracción Visu y la regla de Bayes para la contracción de umbral que se explican en el siguiente:

3.2.1. regla de contracción Visu

cada λ umbralyo a ser proporcional a la raíz cuadrada de la varianza del ruido local de σ 2 en cada sub-banda de la imagen de ultrasonidos después de la descomposición. Si Nk es el tamaño de la sub-banda en el dominio wavelet, entonces λyo

λ i = σ 2 log (N k)

Despeckled imágenes utilizando el filtro y el filtro Wiener Wavelet

3.3. pirámide laplaciano transformar

Un método de reducción de manchas basado en el filtrado de difusión no lineal de imágenes de ultrasonido de paso de banda en el dominio de la pirámide laplaciana se ha propuesto en [34], que suprime de manera efectiva el speckle preservando al mismo tiempo los bordes y las características detalladas. En [31], los autores han puesto en marcha una transformación de escala múltiple piramidal no lineal, basado en las descomposiciones de bloques superpuestos no se emplean operaciones de mediana y una aproximación polinómica. Se muestra que esta estructura puede ser útil para eliminación de ruido de una y dos señales de dimensiones (1-D y 2-D). Puede ser utilizado para la selección de umbrales para aplicaciones de eliminación de ruido.

En [33] la comparación de dos métodos: multirresolución se da transformada wavelet y la pirámide laplaciano transformar, para la reducción de manchas simultánea y mejora de contraste para imágenes de ultrasonido. Como existe una gran cantidad de variabilidad en imágenes de ultrasonido, el método wavelet demuestra ser un método mucho mejor que el laplaciano de una mejora global. Sin embargo, el esquema de la pirámide laplaciano necesitan ser explorados para lograr mejores resultados de eliminación de puntos.

3.3.1. esquema de la pirámide laplaciano

Una forma de conseguir una descomposición multiescala es utilizar una pirámide laplaciana (LP) transformar [35]. En la primera etapa de la descomposición, la imagen original se transforma en una señal de grueso y una señal de diferencia. La señal de grueso tiene menor número de muestras que la imagen original, pero la señal de diferencia tiene el mismo número de muestras que la imagen original. La señal grueso es una versión filtrada y hacia abajo en la muestra de la imagen original. Le corresponde entonces muestreada y filtrada para predecir la imagen original. El residuo de predicción constituye la señal de detalle. La señal grueso puede ser descompuesto aún más, y este proceso se puede repetir varias veces de forma iterativa. Suponiendo que los filtros de LP son filtros ortogonales, una imagen X se descompone en detalle las imágenes d Jj, una imagen aproximación gruesa c J. A continuación, j = 1, 2. J y, tenemos

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

El Laplaciano se calcula entonces como la diferencia entre la imagen original y la imagen filtrada en paso bajo. Este proceso se continúa para obtener un conjunto de detalle filtrada imágenes (ya que cada una es la diferencia entre dos niveles de la pirámide gaussiana). Por lo tanto la pirámide laplaciano es un conjunto de filtros de detalle. Al repetir estos pasos varias veces, se obtiene una secuencia de imágenes. Si estas imágenes se apilan una encima de otra, el resultado es una estructura de datos de pirámide se estrecha y, de ahí el nombre de la pirámide laplaciana.

Un método de reducción de manchas basado en pirámide laplaciano transformar la imagen de ultrasonido médico para se ilustra mediante el diagrama de bloques mostrado en la Figura 7. En la Figura 7. un enfoque homomorphic tales como la transformación logarítmica de la imagen de moteado corrompido, convierte el ruido multiplicativo de la imagen original en ruido aditivo. operación homomorphic normaliza al mismo tiempo el brillo a través de una imagen y aumenta el contraste. Por cada señal de diferencia de N niveles de descomposición piramidal Laplaciano un valor de umbral se calcula utilizando la regla de la contracción de Bayes. Además, la umbralización se realiza para reducir el moteado. La operación exponencial se realiza en la salida filtrada para obtener la imagen despeckled.

La Figura 7.

Diagrama de bloques de la supresión del ruido de moteado utilizando la transformada de Laplace de la pirámide

La pirámide laplaciana transformar se lleva a cabo en la imagen de registro transformado. Las descomposiciones piramidales Laplacianos hasta seis niveles se obtienen utilizando filtros biorthogonal con un número suficiente precisión como el “9/7” y “5/3”. Además, los esquemas de umbrales tales como umbral duro, de umbral suave y de umbral suave semi se realiza para reducir el moteado. El valor umbral se calcula utilizando la regla de contracción de Bayes. La experimentación se llevó a cabo en 70 imágenes de ultrasonido del hígado y el riñón. La evaluación del desempeño del método propuesto se realiza en términos de varianza, MSE, SNR, PSNR, valores de CC que se calculan a partir de la imagen despeckled. La pirámide laplaciano transformar con 1 descomposición nivel de umbral y se observa duro para ser mejor que otros métodos de fijación de umbrales.

La Tabla 4 muestra la comparación de rendimiento de la LP propuesto método de eliminación de puntos en base a transformar con el método de la transformada wavelet eliminación de puntos en base [36]. Se observa que, en comparación con las imágenes de ultrasonido eliminación de puntos médicos basados ​​en WT, la eliminación de puntos basado en los rendimientos del método LP resultados pobres. Debido a que el ruido multiplicativo es un tipo particular de ruido dependiente de la señal, en el que la amplitud del término de ruido es proporcional al valor de la señal libre de ruido que tiene medio distinto de cero. Por lo tanto, una representación de paso de banda como LP no es adecuado para el modelo de ruido multiplicativo, así que el método necesita ser mejorado.

Con el fin de capturar los contornos suaves en las imágenes, las transformadas contourlet, que permiten descomposiciones direccionales, se emplean para la eliminación de puntos de imágenes de ultrasonido médico en la siguiente sección.

4. contourlet método de la transformada

El contourlet de transformación (CT) es un marco de múltiples escalas y multidireccional de imagen discreta. Es la extensión direccional simple para wavelet que fija su mezcla subbanda problema y mejora su direccionalidad. Entre las técnicas “más allá de ondas”, contourlet permite diferentes y flexible número de direcciones en cada escala, mientras que el logro de muestreo casi crítico. Las propiedades deseables de la TC para la representación de la imagen incluye varias resoluciones, permitiendo que las imágenes pueden aproximar en un grueso a la manera fina; localización de los vectores de la base en el espacio y en frecuencia; bajo la redundancia, a fin de no aumentar la cantidad de datos a almacenar; direccionalidad, lo que permite la representación con elementos de la base orientadas en una variedad de direcciones; y la anisotropía, la capacidad de capturar contornos suaves en imágenes, utilizando elementos de la base que son de una variedad de formas alargadas con diferentes relaciones de aspecto [37].

El contourlet transformar se ha desarrollado para superar las limitaciones de los wavelets, y por lo tanto, los nuevos algoritmos basados ​​en la contourlet transformar son más eficientes que los métodos wavelet. En [38], los autores han presentado un método basado en la reducción de máculas contourlet para la eliminación de ruido de imágenes de ultrasonido de mama. La estructura de banco de filtros iterada doble y una pequeña redundancia como máximo 4/3 utilizando dos métodos de fijación de umbrales muestra una gran promesa para la reducción de manchas. En [39], las imágenes de ultrasonido médico eliminación de puntos utilizando contourlet transformar usando la regla de contracción de Bayes se investiga. El algoritmo también se prueba en imágenes de ultrasonido de ovario para demostrar las mejoras en la segmentación que produce buena clasificación para la detección del folículo en una imagen de ovario [40].

En [41], la reducción de máculas basado en contourlet transformar usando umbral adaptativo escala de la imagen de ultrasonido médico para la que se ha examinado, en donde los coeficientes de sub-banda contourlet de las imágenes de ultrasonido después de la transformación logarítmica se modelan como distribución de Gauss generalizada. Se aplica el umbral adaptativo escala en marco bayesiano. El método se probó en las dos imágenes de ultrasonido sintéticos y clínicos interms de S / MSE y el parámetro preservación borde. El método propuesto exhibe un mejor rendimiento en la supresión de manchas que el método basado wavelet, mientras que hace bien a preservar los detalles de características de la imagen.

El contourlet transformada se puede dividir en dos etapas principales: La descomposición pirámide laplaciano y bancos de filtros direccionales. Contourlet transformar es una escala de múltiples y representación de la imagen direccional que utiliza primero una wavelet como estructura para la detección de bordes, y luego un direccional local de transformación para la detección del segmento de contorno. Una estructura de banco de filtros doble de la contourlet obtiene expansiones escaso para las imágenes típicas que tienen contornos suaves. En la estructura de banco de filtros de doble, la pirámide laplaciana se utiliza para descomponer una imagen en un número de sub-bandas radiales, y los bancos de filtros direccionales descomponer cada LP detalle de sub-banda en un número de sub-bandas direccionales. La banda pasan imágenes (dj [N]) de la LP se alimentan a un DFB para que la información de dirección puede ser capturado. El esquema puede repetirse en la imagen gruesa (cj [norte]). El resultado combinado es una estructura de doble iterativa banco de filtros, llamado piramidal banco de filtros direccionales (PDFB), que descompone las imágenes en sub-bandas direccionales en múltiples escalas. El modelo general para la eliminación de puntos de una imagen mediante contourlet transformar se muestra en la Figura 8.

Figura 8.

El modelo general para la reducción de manchas usando contourlet transformar.

La experimentación se llevó a cabo en 70 imágenes de ultrasonido del hígado y el riñón. Los seis niveles de descomposiciones piramidales Laplaciano se realizan utilizando filtros biortogonales con números suficiente precisión como el “9/7”. Las descomposiciones direccionales hasta ocho se realizan en todos los niveles piramidales, el uso de dos filtros en escalera dimensionales. El contourlet transformar utiliza los filtros “9/7” en la etapa LP, ya que, en la etapa de descomposición de múltiples escalas, se reduce de manera significativa entre todas escala, entre ubicación y dirección de información mutua entre los coeficientes de contourlet. Del mismo modo, en la etapa de descomposición direccional, los filtros estructura de la escalera PKVA [42] son ​​más eficaces en la localización de dirección del borde ya que estos filtros reducen la información mutua entre dirección. Además, los esquemas de umbrales tales como umbral duro, de umbral suave o de umbral suave semi se realiza para reducir el moteado. El valor umbral se calcula utilizando la regla de contracción de Bayes. La PSNR se calcula hasta 6 descomposiciones LP. El valor de PSNR aumenta hasta 2 descomposiciones utilizando HT, ST y SST, y después de eso reduce. Por lo tanto, el nivel óptimo de LP descomposición es 2. Por otra parte, se observa en la Tabla 5. que el nivel 2-Laplaciano descomposición piramidal y 4 sub-bandas de paso de banda direccionales (2 a nivel 1, 2 en el nivel 2) el uso de umbralización dura dió mejores resultados de umbral suave y las técnicas de fijación de umbrales suaves semi.

Tabla 5.

Los resultados obtenidos para la óptima descomposición óptima de los niveles de LP y descomposiciones de dirección en términos de parámetros de evaluación de calidad de imagen, utilizando el método contourlet basado en diferentes técnicas de fijación de umbrales con la regla de contracción de Bayes.

La Figura 9.

a) imagen de ultrasonido original. (B) Imagen Despeckled usando transformada wavelet utilizando subbanda de Bayes umbralización suave (nivel 3). (C) Imagen Despeckled usando contourlet transformar el uso de umbralización suave. (D) el uso de la imagen Despeckled contourlet transformar el uso de umbralización dura. imagen (e) Despeckled usando contourlet transformar el uso de umbralización suave semi.

4.1. Ciclo de hilatura transformada basada contourlet

Para compensar la falta de propiedad de invariancia traducción del contourlet transformamos, aplicamos el principio de hilatura ciclo para contourlets. Supongamos que X e Y son imágenes originales y despeckled, F y F -1 son directa e inversa contourlet transforman, Si, j es el desplazamiento circular 2D en i ª fila y columna j º direcciones, λ es el operador de umbral en contourlet dominio de la transformada. El hilado ciclo contourlet basado transformada para una imagen eliminación de ruido se podría describir como

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

La Figura 10.

El diagrama de bloques del método de eliminación de puntos basado en contourlet transformada con el giro ciclo.

Entre los filtros de dominio de transformación desarrolladas en las secciones anteriores, el contourlet transformada con rendimientos de giro del ciclo de mejora visual mejor calidad de las imágenes despeckled. Sin embargo, todavía hay una necesidad de eliminar el ruido gaussiano inherente a las imágenes de ultrasonido médico, que se aborda en la siguiente sección.

La Figura 11.

La Figura 12.

La Figura 13.

La Figura 14.

La Figura 15.

5. modelo de Gauss para el ruido de moteado

G X. m. σ = 1 σ 2 π e – 1 2 X – 2 m σ

La Figura 16.

a) Imagen original de ultrasonido (b) Imagen Despeckled mediante TC basada ciclo de centrifugado utilizando el método de ST. (C) Imagen Despeckled mediante TC basada ciclo de centrifugado utilizando el método de HT. (D) la imagen Despeckled mediante TC basada ciclo de centrifugado utilizando el método de SST. (E) la imagen Despeckled utilizando el método de CT directa.

5.1. Antes o después de proceso-

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

donde Xij representa el píxel en la imagen ruidosa X, fij representa el pixel libre de ruido, nij y gij representar el ruido granular multiplicativo y aditivo de ruido gaussiano, respectivamente. Los índices i, j representan la posición espacial sobre la imagen. Utilizamos transformar técnicas de filtrado de dominio [36, 54, 47] para la eliminación de puntos junto con el filtro de Gauss en la etapa de procesamiento previo para la eliminación de ruido gaussiano.

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

La segunda alternativa es investigado para la mejora de la calidad de imagen, debido a la eliminación de ruido, una imagen de ultrasonido en.

La Figura 17.

El núcleo 3 × 3 con (a) σ = 0,5, (b) σ = 1.

Comparación del desempeño de los métodos de eliminación de ruido basado en el filtrado gaussiano con los métodos de eliminación de puntos.

5.2. modelo de regresión lineal

Se presenta un enfoque basado en la regresión lineal para la eliminación de puntos de imagen de ultrasonido clínico en el dominio espacial. Proponemos un modelo de regresión lineal para la representación ruido gaussiano de ruido granular de imágenes de ultrasonido médico. Este enfoque presenta un filtro adaptativo, así preservar bordes y estructuras en la imagen. Los parámetros en el modelo se estiman a través de un esquema iterativo eficiente.

La Figura 18.

a) Imagen original de ultrasonido, (b) la imagen sin ruido utilizando una imagen sin ruido utilizando 1 st alternativa con la imagen sin ruido utilizando 1 st alternativa con el método LP método WT (d) del filtro de Gauss, (c). (E) el uso de la imagen sin ruido 1 st alternativa con el método de CT. (F) la imagen sin ruido utilizando 2 nd alternativa con el método WT. imagen (g) sin ruido utilizando 2 nd alternativa con el método LP. imagen (h) sin ruido utilizando 2 nd alternativa con el método de CT.

Si los valores SSE y RMSE están más cerca de cero, indican mejor ajuste. El modelo general para la estimación de ruido gaussiano y la eliminación de imágenes de ultrasonido eliminación de puntos en se muestra en la Figura 19.

La Figura 19.

El modelo general para la representación de Gauss del ruido de moteado.

Los pasos implicados en el proceso de eliminación de ruido, que se muestra en la figura 19 se dan en el algoritmo 2.

Algoritmo 2. Eliminación de puntos basado en el modelo de regresión lineal para la estimación de ruido gaussiano.

Entrada: imagen de ultrasonido médico.

El modelo de regresión lineal de los parámetros a, b, c y d para la representación gaussiana de ruido speckle se calcula para el conjunto de datos de 63 imágenes de ultrasonido y la regresión lineal ecuaciones del modelo son, donde a = (ecuaciones (37) y (38).) – 6.129e-007, b = 2.742e-005, c = -0.0002192, d = 0,01004, con las medidas de “mejor ajuste” son el SSE = 4.682e-009, RMSE = 8.833e-006 por medio con respecto al PSNR y SSE = 0.0006471, RMSE = 0.003284 para la desviación estándar vs. PSNR. Las figuras (2 0 y 21) muestran las líneas de mejor ajuste para la media vs. PSNR y la desviación estándar vs. PSNR, respectivamente, que se utilizan para la estimación de ruido gaussiano y remoción.

La Figura 20.

La regresión lineal de la media en PSNR

La Figura 21.

La regresión lineal de la desviación estándar en PSNR

Tiempo computacional
(En las secciones.)

Tabla 7.

Comparación del rendimiento de eliminación de puntos basado en contourlet transformar y método propuesto basado en el modelo de regresión lineal.

La figura 22 muestra una imagen de ultrasonido médico muestra, utilizando su imagen despeckled contourlet transformar con el giro del ciclo y la imagen sin ruido utilizando el modelo de regresión lineal, respectivamente. La calidad visual de mejora de imagen también se puede observar a partir de la imagen de la muestra y su imagen sin ruido. Las estructuras anatómicas son más claramente visibles en la Figura 22. (C) que en la Figura 22. (B). El cuadro indica la región de la imagen en (b) y (c) que muestra prominentes del realce visual debido métodos de eliminación de puntos.

La Figura 22.

a) imagen de ultrasonido original (b) Despeckled imagen usando la transformada de contourlet (la imagen c) sin ruido ciclo para usar el modelo de regresión lineal propuesto. El cuadro indica la región de la imagen en (b) y (c) que muestra destacada mejora visual debido a la eliminación de puntos.

La Figura 23.

a) Una imagen sub imagen de ultrasonido original, (b) sub imagen de la eliminación de puntos utilizando la imagen secundaria de eliminación de puntos utilizando la imagen secundaria de eliminación de puntos de imagen CT método (e) sub usando de eliminación de puntos utilizando el método WT (d) del filtro de Wiener (c) de la base de giro del ciclo CT método de imagen (f) de la sub eliminación de puntos utilizando el modelo de regresión lineal propuesto.

La figura 23 muestra la mejora visual, debido a diversos métodos de eliminación de puntos de comparación. (A) muestra la imagen secundaria de la imagen original, La Figura 23 (b) – (f) indica la subimagen que muestra realce visual debido a los diferentes métodos de eliminación de puntos a saber, Wiener filtro con (3X3), la transformada wavelet método, contourlet método de la transformada, contourlet basado ciclo de centrifugado método de la transformada y el modelo de regresión lineal propuesto. Se observa la importante mejora visual utilizando el modelo de regresión lineal propuesto.

6. Conclusión

7. Agradecimientos

Los autores agradecen a los revisores por sus útiles comentarios que mejoraron la calidad del papel. Además, los autores agradecen al Dr. Ramesh Mankare, radiólogo, Sangameshwar Scanning Centre, Bijapur, Karnataka, India, para proporcionar las imágenes de ultrasonido de riñón, hígado y también útil para los debates.

referencias

1 – Suetens Paul, Fundamentos de la Imagen Médica, (1ª edición), Universidad de Cambridge, U.K .; 2002.p145-182.

2 – Hedrick W.R. y Hykes D.L. La imagen y el procesamiento de señales de diagnóstico por imágenes ultrasónicas, Revista de Diagnóstico Médico ecografía 1989; 5 (5): 231-239.

3 – Godman J. W. Algunas propiedades fundamentales de moteado, Jl. Optar. Soc. A.m. 1976; 66 (11): 1145-1149.

4 – Burckhardt C. B. moteado de ultrasonido modo B Scans, IEEE Trans. Sonics Ultrasonidos 1978; 25: 1-6.

5 – Yongjian Y. y Acton S.T. Moteado reducir difusión anisotrópica, IEEE Trans. Procesamiento de imágenes. 11 2002; 11 (11): 1260-1270.

6 – R. W. Prager Gee A. H. G. M. Treece y la detección de L. Berman moteado en imágenes de ultrasonido utilizando las estadísticas de primer orden, Gued / F-INFENG / TR 415, Universidad de Cambridge, Departamento de Ingeniería, de julio de 2002: 1-17.

7 – Zong X. Laine A. F. y E. A. Geiser con reducción de manchas y mejora de contraste a través de los ecocardiogramas procesamiento no lineal de múltiples escalas, IEEE Trans.on médica. Imaging. 1998; 17: 532-540.

8 – Netravati A.N. y Haskell B.G. Imágenes digitales: Representación, compresión y normas, (2ª ed.) 2000, Nueva York Pleno.

9 – Loizou C.P. Pattichis, Pantziaris M., Tyllis T. y A. Nicolaides Evaluación de Calidad de ultasound Imaging en la arteria carótida Sobre la base de Normalización y Reducción de filtrado de moteado, Federación Internacional de Ingeniería Médica y Biológica, 2006; 414-426.

10 – Lee J. S. Análisis de moteado y alisado de radar de apertura sintética Imágenes, Comp. Gráficos de procesamiento de imágenes de 1981; 17: 24-32.

11 – Insana M. Hall T. J, Glendon. G. C. y S. J. Posental El progreso en formación de imágenes ultrasónicas cuantitativa, SPIE Vol. 1090 Medical Imaging III, Formación de la imagen, de 1989; 2-9.

12 – Lee J. S. filtrado refinada de ruido de la imagen utilizando las estadísticas locales, Gráfico por ordenador y procesamiento de imágenes, 1981; 15: 380-389.

13 – Kuan D. T. Sawchuk A. A. Strand T. C. y P. Chavel adaptativa restauración de imágenes de moteado con IEEE Trans. ASSP, 1987; 35 (3): 373-383.

14 – Wiener Norbert extrapolación, interpolación y suavizado de estacionario de series temporales, Nueva York: Wiely de 1949.

15 – A. K. Jain 1989, Fundamental de Procesamiento Digital de Imágenes. Nueva Jersey: Prentice-Hall,

19 – Achim A. y Bezerianos A, Novel bayesiano Método multiescala para Eliminación de manchas en las imágenes médicas de ultrasonido, IEEE Trans. en Medical Imaging, 2001; 20 (8): 772-783.

20 – Nikhil Gupta y Swamy M.N. Eliminación de puntos de imágenes médicas de ultrasonido partir de datos y adaptable a la frecuencia compresión con pérdida. IEEE Trans. Medical Imaging, 2005; 24 (6): 682-695.

22 – Mallat S. Una teoría de la descomposición de la señal de varias resoluciones: La representación wavelet IEEE Trans. Patrón anal. Máquina Intell. Julio de 1989; 11: 674-693.

23 – Rafael C. González maderas Procesamiento de Imágenes Digitales Richard E., 2ª Edición, Prentice Hall, Upper Saddle River, Nueva Jersey, 2002; 350-402

24 – bases de wavelets soporte compacto Cohen A. Daubechies I. y J. C. Feauveau Biortogonal. Comm. Pure Appl. Mates. 1992; 45: 485-500.

28 – Donoho, D.L. I. M. Johnstone Ideal espacial Adaptación Por Wavelet contracción, Biométrika, 1994, 81: 425-455.

29 – S. Chang Yu Bin G. y Martin Vetterli, adaptable Wavelet de umbrales para Reducir el ruido de imagen y compresión, IEEE Trans. Procesamiento de Imágenes, 2000, 9 (9): 1532-1546.

30 – Minh N. Do, Framing pirámides, IEEE Trans. en Procesamiento de Señales de 2003 sept 51 (9): 2329-2342.

31 – Vladimir P. M. Ilya Shmulevich, Karen Egiazarian, Jaakko Astola, Bloque Mediana piramidal transform: Análisis y Aplicaciones Denoising Procesamiento de Señales Trans.on IEEE 2001 Feb .; 49 (2): 364-372.

32 – Bruno Aiazzi, Luciano alparone y Stefano Baronti, Multirresolución local – filtrado de Estadística moteado sobre la base de una pirámide laplaciano relación, IEEE Trans. en Ciencias de la Tierra y Teledetección de 1998 septiembre .; 36 (5): 1466-1476.

35 – Burt P. J. y H. Adelson E. La pirámide laplaciana como un código de imagen compacta, IEEE Trans. en Commun, 1983; 31 (4): 532-540.

37 – Do Minh N. Martin Vetterli, pirámides framming, IEEE Trans. en Procesamiento de Señales. 2003; 2329-2342

38 – Huang Mao Yu, Huang Min yueh y Wang Ming-Shi, 15-17 de diciembre de 2004, Taipei, Taiwán. reducción del moteado de la imagen de ultrasonido basado en contourlet transformar, Int’l. Simposio Informática: 178-182.

42 – Phoong S. M. Kim C. W. Vaidyanathan P. P. y Ansari R. Una nueva clase de bancos de dos canales biortogonales de filtro y bases wavelet, IEEE trans. Procesamiento de Señales, 1995 Mar .; 43 (3): 649-665.

43 – Coifman R. R. y D. L. Donoho La traducción de eliminación de ruido invariante, en Wavelets y estadísticas, Springer Lecture notes in Estadística, 103, Newyork, Springer-Verlang, 1994; 125-150.

44 – Eslami Ramin y Radha Hayder, contourlet La transformación de la imagen de eliminación de ruido mediante hilatura ciclo, Actas de la Conferencia de Asilomar de Señales, Sistemas y Ordenadores, 2003; p1982-1986.

48 – Goshtasby Ardershir, En el borde de enfoque Int’l. Jl. de Imagen y Visión Informática, 1994; 12 (4): 247-256.

49 – Fisher R. Perkins S. Walker A. Wolfart E., 2003, Gaussian suavizado, Procesamiento de Imagen de referencia Hipermedia (HIPR2), Disponible en: URL: http: / páginas de inicio. inf. ed.ac.uk / RBF / HIPR2 / gsmooth.html.

50 – Bracewell R. La transformada de Fourier y sus aplicaciones, McGraw Hill 1965; 160-163.

51 – Badulescu P. y Zaciu R. La eliminación de mezclado-ruido mediante orden del filtro y el filtro Wiener estadística de dominio wavelet. conferencia de semiconductores, circuitos y procedings Systems’99, 1999; 1: 301-304.

55 – Bamber J. C. y C. Daft Filtro Adaptable para la Reducción del moteado en Ultrasonido pulso Echoim edades. Ultrasonidos, 1986: 41-44.

56 – Polzehl J. y Spokoiny V.G. pesos adaptativos suavizado con aplicaciones a la restauración de la imagen Diario de la Royal Statistical Society B-62: 2000; 335-354.

57 – Qiu P. El procedimiento de suavizado kernel piecewisely lineal local para superficies de regresión salto de ajuste Technometrics 2004; 46: 87-98.

58 – Perona P. y J. Malik -space Escala y detección de bordes utilizando la difusión anisotrópica, IEEE Trans. Patrón anal. Máquina Intell. 1990; 12: 629-639.

59 – Negro M. J. Guillermo Sapiro, Marimont David, y David Heeger, robusto difusión anisotrópica, IEEE Trans. en Procesamiento de Imágenes, 1998; 7 (3): 421- 432.

60 – Negro M.J. Flota D. y Yacoob Y. con robustez estimar los cambios en la apariencia de la imagen, la visión y la Imagen de ordenador Comprender, 2000; 78: 8-31.

PUESTOS RELACIONADOS

También te podría gustar...