一种自适应中值滤波的CT图像去噪方法

摘要

本发明公开了一种自适应中值滤波的CT图像去噪方法，属于医学图像处理技术领域，特别适合于新冠肺炎的CT图像去噪。选取尺寸为n×n的方形滤波窗口，比较窗口内灰度值的自适应最大值自适应最小值与当前像素点灰度值f(i,j)，依据第一阈值T0判断当前像素点是否为疑似噪声点，若是，再根据第二阈值T1进一步精确判断是否为噪声点；若当前像素点不为疑似噪声点或噪声点，则遍历窗口内的下一像素点；通过中心加权中值滤波的方法处理噪声点；最后输出中值滤波去噪后的CT图像。在保持图像去噪的同时更好地保护了图像细节；通过改进熵权法修正传统熵权法传递信息存在偏差的问题，通过各项评价指标对去噪效果的贡献值确定中心加权滤波的最优权重，从而达到最优去噪效果。

说明书

技术领域

本发明涉及图像信号处理技术领域，具体涉及一种基于自适应中值滤波的CT图像去噪方法，适合于肺炎CT图像的滤波处理，特别适合于新冠肺炎的CT图像去噪，属于医学图像处理技术领域。

背景技术

新冠肺炎的病灶特点主要表现为各种形态的磨玻璃影，或者伴有实变影，CT图像在传输和获取过程中会受到脉冲噪声的干扰。新冠早期病灶变化不明显，病灶数目较少，病灶范围较小，密度较低，脉冲噪声干扰容易造成早期新冠患者漏诊的问题。

针对传统CT图像脉冲噪声去噪算法中值滤波器易受到窗口尺寸的影响，当窗口尺寸过小时，中值滤波容易受到周围像素点的干扰，从而使原来信号点的灰度值被替换成噪声点的灰度值，使得图像去噪能力受到限制，而无法正确的去除噪声。当窗口尺寸过大时，噪声点的干扰能力会大幅降低，能在很大程度上提高图像去噪能力，但会导致图像细节(例如边缘，线条，角等)遭到破坏。因此，传统中值滤波很难在图像去噪和保留图像细节中有着较好的表现。

发明内容

针对这些上述缺点，本发明提出多级阈值中心加权自适应中值滤波算法，通过采用多级阈值方法，更大程度上降低了对信号点的误判，在保持图像去噪的同时更好地保护了图像细节。通过对图像中心像素点赋予权重，权重的大小受窗口尺寸的影响，当该点为信号点时，通过权重的性质，极可能使该点排在中间位置，相反，当该点为噪声点时，会排在较后位置，通过修正像素权值后，中值运算在一定程度上加强了非噪声像素对噪声修复的主导作用。随着中值滤波迭代次数的不断增多，图像细节信息会逐渐减小，因此只有设置一个终止迭代条件，才能得到最佳滤波效果，拟提出变步长凸组合范数的去噪迭代终止准则，在减小图像去噪失真的情况下，加快原算法的收敛速度，减小中值滤波的计算量。

本发明根据CT图像在获取时易产生脉冲噪声的特点，以及为了能够适应新冠早期病灶变化不明显，病灶数目较少，密度较低的问题，提出了一种基于多级阈值中心加权自适应中值滤波的新冠肺炎CT图像去噪方法，包括以下步骤：

S10，选取尺寸为n×n的方形滤波窗口，比较窗口内灰度值的自适应最大值

S20，通过中值滤波方法处理所述疑似噪声点；

S30，输出中值滤波去噪后的CT图像。

其中，关于第一阈值T

式中，n为滤波窗口大小相等的长和宽，

传统的灰度最大最小值，用于检测噪声像素的像素值范围很大，会增大对噪声的错误检测概率。一般情况下，像素集合的均值通常与大部分像素值接近。所以可以通过分析一个像素与其所在集合的均值之间关系来判断该像素值是否被外界噪声干扰，通过9个均值来选取自适应最大最小值。

分别对待处理像素f(i,j)水平及垂直方向的像素值求取均值，得到2个均值：

分别在点(i，j)的上、下两个方向定义5×2的两个邻域矩形窗口，在点(i，j)的左、右两个方向定义2×5的两个邻域矩形窗口，示意如图6所示，同时定义这四个邻域所对应的灰度平均值分别为

对n×n滤波窗口主副对角线上的像素值求取均值，得到2个均值：

以所求得的9个均值中的最大值作为滤波窗口的自适应最大值

为了提高噪声点判断的精度，在步骤S10中初步判断该点为疑似噪声点之后，还包括通过第二阈值

进一步，步骤S20的中值滤波方法是滤波窗口内加权中值滤波，即用加权中值灰度值f(i,j)

其中，median{}表示在一组数值中，返回居于中间数值的函数，k(r,s)×f(r,s)表示f(r,s)的权重是k(r,s)时灰度值，

f(r,s)的权重k(r,s)值计算：滤波窗口内，大部分的点应当与像素均值接近，与像素均值接近的灰度点的值，应当赋予像素加权较大的值；若像素灰度值远远大于像素均值，则可能为噪声点或者图像边缘，这时应当赋予像素加权较小的值。所以加权函数与灰度距离相关性公式呈负相关。设当前像素为(r,s)，当前滤波窗口的灰度均值为f

式中，

设

计算激活熵：激活熵是信息熵通过激活函数计算得到的，激活函数主要用于人工神经网络，本文使用改进的双Sigmoid-Tan函数作为激活熵的算法，公式为：

式中：β是控制函数取值范围的常量，β∈[0,1]；α是控制函数形状的常量，α∈[-10,10]；h是控制步长变化速度的常量，h∈[0,5]。缩放系数T

由于传统熵权法在计算

式中

对于

式中，当前像素点为(r,s)，离当前像素点最近的噪声点为(b

为了进一步提升中值滤波的性能，在步骤S30输出中值滤波去噪后的CT图像之前，还包括：遍历下一像素点，采用相对信噪比(RSNR)变化率凸组合范数作为迭代终止准则，其定义如下：

式中：M是图像的行数，N是图像的列数，f(i,j)

当满足迭代终止准则时，即上式成立时，迭代过程终止，输出中值滤波去噪后的CT图像，式中的ε

公式(19)中：λ

相比于现有技术，本方法有如下有益效果：

1、本方法使用多级阈值中心加权自适应中值滤波算法，通过采用多级阈值方法，更大程度上降低了对信号点的误判，在保持图像去噪的同时更好地保护了图像细节。通过对图像中心像素点赋予权重，权重的大小受窗口尺寸的影响，当该点为信号点时，通过权重的性质，极可能使该点排在中间位置，相反，当该点为噪声点时，会排在较后位置，通过修正像素权值后，中值运算在一定程度上加强了非噪声像素对噪声修复的主导作用。

2、本方法使用复合激活熵改进熵权法将像素点灰度值与平均值的灰度差L

3、随着中值滤波迭代次数的不断增多，图像细节信息会逐渐减小，因此只有设置一个终止迭代条件，才能得到最佳滤波效果。利用相对信噪比变化率作为迭代终止条件，为了控制迭代次数，引入图像范数的概念，由于多次迭代后噪声已被去除，所以RSNR的变化率范数会很小，这时CT图像为最佳的滤波效果，减小中值滤波的计算量。变步长凸组合在保证系统的稳态性能、减小图像失真的情况下，加快原算法的收敛速度。其核心思想在于：将其中一个评价指标设点为快速动作，以保证算法快速收敛；而另一个则设定为慢速评价指标，保证收敛最终得到很小的稳态误差。

附图说明

图1为本发明的多级阈值中心加权自适应中值滤波流程图；

图2为新冠肺炎胸部CT原图像；

图3为加入脉冲噪声后的新冠肺炎胸部CT图像；

图4为本发明的多级阈值中心加权自适应中值滤波去噪后的胸部CT图像；

图5为传统中值滤波去噪后的胸部CT图像；

图6为像素点(i,j)上、下、左、右四个邻域矩形窗口示意图。

具体实施方式

下面根据附图和实例对本发明进行详细说明，但本发明的具体实施方式不仅于此。

本实施例阐述了本发明应用于新冠肺炎胸部CT图像脉冲噪声的去噪流程。下面结合附图对本发明的实施方式做具体说明。

图1为本发明算法的总体流程图，一种自适应中值滤波的CT图像去噪方法，具体包括：

中值滤波选取尺寸为5×5的方形滤波窗口，根据判别条件

对滤波窗口内所有像素点进行中心加权计算，加权计算原则为公式(13)。对于

进一步，中值滤波的加权函数中灰度距离相关性公式为公式(14)，采用改进激活熵加权混合L

遍历下一像素点，并检查是否满足终止条件，采用相对信噪比(RSNR)变化率凸组合范数作为迭代终止准则，计算公式采用(18)、(19)所示；若满足中值滤波迭代终止准则公式(19)所示，则输出改进中值滤波去噪后的新冠肺炎胸部CT图像。如果公式(19)不满足，则继续寻找疑似噪声点。

具体到本实施例，本发明采用Matlab R2018a软件平台，对算法进行编程。图2为新冠肺炎胸部CT图像，箭头指向的红色圆圈部位是新冠肺炎的磨玻璃影病灶；图3为加入噪声(噪声强度为0.3的脉冲噪声)后的新冠肺炎胸部CT图像，图片大小均为512*512，滤波窗选用为5*5的方形结构元。使用多级阈值中心加权自适应中值滤波对带有脉冲噪声的新冠肺炎胸部CT图像进行去噪，得到去噪后的的新冠肺炎胸部CT图像，如图4所示。

为了进一步验证本发明的新冠肺炎CT图像去噪方法去噪效果，从客观数据比较分析所提出的方法性能，使用均方误差(mean squared error，MSE)、峰值信噪比(peaksignal-to-noise ratio，PSNR)和信噪比(SNR)对去噪后的图像进行数值计算，均方误差数值越小说明去噪图像质量越好；峰值信噪比、信噪比数值越大，说明去噪效果越好。均方误差的表达式为：

峰值信噪比的表达式为：

信噪比的表达式为：

其中f(j,l)表示去噪后的信号，

采用传统中值滤波做对比去噪仿真实验，进一步比较分析不同去噪方法下的MSE、PSNR和SNR，图5为传统中值滤波去噪后新冠肺炎CT图像，图4为本方法去噪后新冠肺炎CT图像，评定指标数值如表1所示。

表1本方法与传统方法去噪后新冠肺炎CT图像性能对比

从表中数据的变化趋势可知，与对比实验去噪方法相比，当前已改进的去噪方法下加噪图像的PSNR增加了约8dB，MSE值大大降低，SNR增加了约12dB。本专利改进的CT图像去噪方法下的峰值信噪比值最大值为39.7349，与传统去噪方法下的PSNR相比，增加了约8dB，由此可知，采用本专利方法下的去噪效果是最佳的。

至此，完成了本实施例自适应中值滤波的新冠肺炎CT图像去噪过程。