基于多尺度几何分析和各向异性扩散的医学超声图像去噪算法研究

《基于多尺度几何分析和各向异性扩散的医学超声图像去噪算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号Ｔ巧９１密级公开ＵＤＣ编号《方矣聲硕女研《４《像讼乂题目某于多尺度几何分巧巧各向异性矿散的医学超黄围像去噪算法研巧ＴｉｔｌｅＲｅｓｅａｒｃｈｏｎＭｕｌｔｉｓｃａｌｅＧｅｏｍｅｔｒｉｃＡｎａｌｙｓｉｓａｎｄＡｎｉｓｏｔｒｏｐｉｃＤｉｆｕｓｉｏｎＤｅｎｏｉｓｉｎｇｆｂｒＵｌｔｒａｓｏｕｎｄＩｍａｇｅｓ、学院（所、中ｍＬ）信息学院专业名疏生物疾学工释研巧牛姆名何旭學号１２０１３００１０６８导师姓名张俊化职稔教授２０化年５月论文独创性声明及使用授权本论文是作者

2、在导师指导下取得的研究成果。除了文中特别加Ｗ标注和致谢的地方外，不，论文中不包含其他人已经发表或撰写过的研究成果存在割窃或抄一袭行为。与作者同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。：学校有权保留本论文（含电子版）现就论文的使用对云南大学授权如下，也可Ｗ采用影印、缩印或其他复制手段保存论文；学校有权公布论文的全部或部分内容，可将论文用于査阅或借阅服务；学校有权向有关机构送交学位论文用于学术规范审査、社会监督或评奖；学校有权将学位论文的全部或部分内容录入．有关数据库用于检索服务。（内部或保密的论

3、文在解密后应遵循此规定）研究生签名：导师签么；來化坪日期：＾摘要近年来，基于多尺度几何分析的图像去噪方法成为研究的热点。多尺度几何分析方法解决了小波变换在多维信号表示方面的缺点，并广泛应用于图像去噪、图像増强、图像融合、图像分割ｅａｒｌｅｔＳｈｅａｒｌｅｔ变换、图像复原、特征提取等相关领域。其中沈变换及非下采样的Ｔ一ｕｂａｍｈｅａｒＴｎｓｆｏｒｍ，（Ｎｏｎｓｓ，ＮＳＳ）作为种最新的多尺度凡何分析工具具有对图ｐｌｅｄＳｌｅｔｒａ，，可Ｗ对图像进行多尺度被广泛应用于像理论上的最优稀疏表示、多方向、局部的分析能力图像去噪相关领

4、域。因此本文通过结合非下采样的Ｓｈｅａｒｌｅｔ变换来进行医学超声图像的去噪，并在传统的ＮＳＳＴ閱值去噪方法的基础上进行如下两点进巧改进：，（１）由于传统的传统Ｓｈｅａｒｌｅｔ变换闽值去噪方法在各分辨率下执巧相同的阀值难Ｗ对图像中不同分辨率下的噪声进行有效去噪，因此本文在ＮＳＳＴ阔值去噪方法的基础上，提出了，在各分辨率下的阔值进行尺度加权的方法，自适应地控制不同分辨率下的闽值大小有效滤除各分辨率下的噪声。２ＮＴ阀值去噪方法只针对各高分辨率下的ＮＳＳＴ，而低频（）此外，由于传统的ＳＳ系数ＮＳＳＴ系数则保留，子带下的，但低频子带中的ＮＳＳＴ

5、系数仍然存在少量的低频噪声因此本文对低频子带下的ＮＳＳＴ系数结合ＫＡＤ模型方法进行去噪，使得滤除低额噪声的同时保留图像中微弱的远缘细节。，最实验中首先将对模拟噪声图像进行去噪，并通过量化实验结果来衡量算法的去噪性能、后对实际的医学超声图像进行去噪，并通过整体视觉去噪效果、局部细节对比将定白描线灰度曲线来对比的本文算法和相关算法的去噪效果，。通过对比实验结果表明本文算法不管是在一定的提高整体图像去噪效果还是在边缘保留方面都得到，且去噪后的超声图像在视觉上更加自然。关键字：多尺度几何分析ｉ非下采样Ｓｈｅａｒｌｅｔ变换；各向异性扩散ｉ

6、超声图巧去噪ＩＡｂｓｔｒａｃｔＡｂｓｔｒａｃｔＩｎｒｅｃｅｎｔｅａｒｓｉｍａｅｄｅｎｏｉｓｉｎｍｅｔｈｏｄｓｂａｓｅｄｏｎｍｕｌｔｌｉｌｉｉｓｃａｅｅｏｍｅｔｒｃａｎａｓｓｙ，ｇｇｇｙｂｅｃｏｍｅａｒｅｓｅａｒｃｈｈｏｔｓｏｔｌｔｒｌｉｈｏｄｌＭＧＡｐ．Ｍｕｔｉｓｃａｌｅｇｅｏｍｅｉｃａｎａｙｓｓｍｅｔｓｏｖｅｄｔｈｅ（）－Ｗａｖｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌｓｉｇｎａｌｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｆｌｅｔｔｒａｎｓｆｏｒｍｗｈｉｃｈ，ｗｉｄｅｌ

7、ｙｕｓｅｄｉｎｉｍａｇｅｄｅｎｏｉｓｉｎｇ，ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ，ｉｍａｇｅｆｕｓｉｏｎ，ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，ｉｍａｇｅＫＳｔｏｒａｔｉｏｎ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｏｔｈｅｒｒｅｌａｔｅｄｆｉｅｌｄｓ．ＡｍｏｎｇＭＧＡ，ＳｈｅａｒｌｅｔｔｒａｎｓｆｏｒｍａｎｄｎｏｎｓｕｂｓａｍｐｌｅｄＳｈｅａｒｌｅｔｔｒａｎｓｆｏｒｍ（ＮＳＳＴｉｓｔｈｅｌａｓｔｍｕｌｔｉｓｃａｌｅｅｏｍｅｔｒｉｃ）ｇａｎａｌｙｓｉｓｔ：ｏｏｌ，ｗｈｉｃｈｉｓｏｐｔｉｍａｌｌｙ

8、ｓｐａｒｓｅｍｕｌｔ