梅玲， 茍雙全

( 1.重慶水利電力職業(yè)技術學院 大數據學院， 重慶 402160；2.甘肅中醫(yī)藥大學(定西校區(qū)) 理科教學部, 甘肅 定西 743000 )

0 引言

醫(yī)學影像圖像在存儲或信號傳輸過程中不可避免地會受到噪聲影響，造成圖像細節(jié)丟失，進而影響圖像后續(xù)的處理效果及臨床應用；因此，研究醫(yī)學影像圖像的去噪問題具有重要意義.為了有效消除圖像中的噪聲，研究人員提出了許多去噪方法，如高斯、維納濾波、均值濾波等線性算法[1-3]和雙邊濾波、中值濾波、小波濾波等非線性算法[4-6].其中：線性算法可有效地抑制高斯噪聲，但該算法同時也會濾掉原有圖像的一些細節(jié)信息，因此使得圖像變得模糊;非線性算法能較好地抑制椒鹽噪聲和保留圖像的細節(jié)信息，但存在對高斯噪聲抑制不理想的問題.由于醫(yī)學影像圖像常常同時受多種噪聲的干擾，因此單一地使用線性或非線性濾波難以有效地抑制噪聲對圖像的干擾.為此，一些學者在上述算法的基礎上提出了一些改進算法.例如：文獻[7]提出了一種改進均值濾波算法，該方法可提高去噪性能，但存在閾值、自適應性差等問題；文獻[8]提出了一種具有細節(jié)保護的自適應濾波算法，該算法能很好地保護圖像的細節(jié)信息和有效地抑制脈沖噪聲,并具有較強的自適應性，但其去除高斯噪聲的效果并不理想；文獻[9]提出了一種將中值和分數階微分相結合的算法，該方法能有效抑制圖像中的椒鹽噪聲和保留圖像的紋理細節(jié)和邊緣信息，但去除高斯噪聲的效果并不理想；文獻[10]提出了一種迭代中值濾波算法，該算法簡單便利，可精確地恢復出被高密度椒鹽噪聲污染的影像細節(jié)信息,但去除高斯噪聲的效果并不理想；文獻[11]探討了一種多特征融合的尺度自適應相關濾波跟蹤算法，該方法對去除小噪聲具有良好的準確性和穩(wěn)定性，但對大噪聲的抑制并不理想；文獻[12]設計了一種自適應窗口形狀的中值濾波算法，該方法能有效濾除圖像中的噪聲和保留有用信息，但計算較為復雜；文獻[13]提出了一種二級修復的多方向加權均值濾波算法，該方法能有效去除高概率的椒鹽噪聲和保護圖像邊緣和細節(jié)特征，但對高斯噪聲的去除效果不理想；文獻[14]提出了一種基于邊緣導向的非局部圖像均值濾波算法，該方法具有高強度噪聲環(huán)境下的圖像邊緣修復能力，但對圖像細節(jié)的保真度較差；文獻[15]提出了一種具有魯棒性的去椒鹽噪聲算法，該方法能有效刻畫圖像的局部特征，增強圖像邊緣切線方向的擴散能力,但計算速度較慢.為了更好地去除醫(yī)學磁共振圖像中的高密度噪聲和保證圖像質量，本文提出了一種改進中值濾波算法，并通過仿真實驗驗證了該方法的有效性.

1 算法模型

1.1 均值算法模型

均值算法是一種線性濾波算法，該算法的核心思想是在圖像上給定目標像素一個模板，然后用該模板中的全體像素的平均值代替原像素值.均值算法對像素點(i,j)進行平滑時，首先獲取濾波窗口內所有像素的灰度均值Mean(W1[f(i,j)])， 然后以該點為中心選取一個灰度區(qū)間[W1[f(i,j)]-λ,W1[f(i,j)]+λ]， 最后將濾波窗口W1[f(i,j)]內所有灰度值處在該灰度區(qū)間的像素點進行平均，并將結果作為點(i,j)的新灰度值f1(i,j)輸出[16].均值算法可有效抑制椒鹽和高斯等脈沖噪聲，但其去噪效果受閾值λ的影響較大.

1.2 中值算法模型

中值算法是一種非線性濾波平滑算法，它將每個像素點的灰度值設置為該點某鄰域窗口內的所有像素點灰度值的中值.中值算法對噪聲點進行濾波平滑時，首先在含噪的圖像信號中以每個點(i,j)為中心的濾波窗口內找到該濾波窗口的灰度中值點W2[f(i,j)]； 然后對窗口內的各點均以該中值Median(W2[f(i,j)])為基準計算該點的加權系數；最后對窗口內各像素點的灰度值與相應像素權值之積求和，并將結果作為點(i,j)的新灰度值f2(i,j)輸出[17].中值算法的表達式為:

(1)

1.3 改進的中值算法模型

(2)

本文提出的改進中值算法流程如圖1所示.

圖1 改進中值算法的流程圖

2 改進的中值算法在醫(yī)學MRI去噪中的實現

為驗證本文算法的有效性，采用Matlab仿真[18]對中值算法、均值算法和本文改進的中值算法的濾噪效果進行了對比.實驗中的圖像為鼻咽部的MRI， 圖像中的噪聲為椒鹽、高斯和將這兩種噪聲混合的3種噪聲.3種算法去噪的效果如圖2 — 圖4所示.

(a)高斯噪聲圖像 (b)中值算法 (c)均值算法 (d)本文算法 圖2 3種算法對含有高斯噪聲圖像的濾波效果

(a)椒鹽噪聲圖像 (b)中值算法 (c)均值算法 (d)本文算法 圖3 3種算法對含有椒鹽噪聲圖像的濾波效果

(a)混合噪聲圖像 (b)中值算法 (c)均值算法 (d)本文算法 圖4 3種算法對含有混合噪聲圖像的濾波效果

圖2(a)是含有高斯噪聲(均值為0、方差為0.3)的醫(yī)學MRI，圖2 (b)是對圖2(a)進行中值濾波后的圖像，圖2 (c)是對圖2(a)進行均值濾波后的圖像，圖2(d)是利用本文算法對圖2(a)進行濾波后的圖像.由圖2可以看出：本文算法對高斯噪聲的消除效果顯著優(yōu)于均值線性濾波算法和中值非線性濾波算法，且圖像更為清晰.

圖3(a)是含有椒鹽噪聲(噪聲密度為0.35)的醫(yī)學MRI，圖3(b)是對圖3(a)進行中值非線性濾波后的圖像，圖3(c)是對圖3(a)進行均值線性濾波后的圖像，圖3(d)是利用本文算法對圖3(a)進行濾波后的圖像.由圖3可以看出：本文算法對椒鹽噪聲的去除效果顯著優(yōu)于均值線性濾波算法和中值非線性濾波算法，且能夠較好地保持圖像的細節(jié)信息.

圖4(a)是含有椒鹽噪聲(噪聲密度為0.35)和高斯噪聲(方差為0. 3)的混合噪聲醫(yī)學MRI，圖4(b)是對圖4(a)進行中值非線性濾波后的圖像，圖4(c)是對圖4(a)進行均值濾波后的圖像，圖4(d)是利用本文算法對圖4(a)進行濾波后的圖像.由圖4可以看出：本文算法對混合噪聲的去除效果顯著優(yōu)于均值線性濾波算法和中值非線性濾波算法，且能夠較好地保持圖像的細節(jié)信息.

為了進一步驗證本文改進算法對MRI的去噪聲和保留細節(jié)信息的效果，利用峰值信噪比(PSNR)和結構相似性指數(SSIM)作為指標對均值算法、中值算法和本文算法的去噪性能進行了對比，結果見表1和表2.由表1可見，本文算法的峰值信噪比顯著大于其他兩種算法(高出1.5～3.6 dB)，說明本文算法的去噪性能優(yōu)于其他兩種的算法.由表2可見，本文算法的結構相似性指數顯著大于其他兩種算法(提高了5.3%～6.2%)，說明本文算法不僅能夠較好地去噪，還能保持良好的結構相似性.

表1 不同算法去噪的PSNR值 dB

表2 不同算法去噪的SSIM值 %

3 結語

研究表明，本文提出的改進中值算法不僅能夠有效去除醫(yī)學磁共振圖像中含有的各種噪聲，而且還可以有效保持圖像的細節(jié)信息，因此該算法在醫(yī)學磁共振圖像的去噪中具有良好的應用價值.本文在研究中僅對醫(yī)學磁共振圖像的去噪進行了研究,今后我們將利用本文方法嘗試對其他醫(yī)學圖像(CT、DSA、超聲等)進行去噪，以擴展本文方法的應用范圍.