文档介绍：万方数据
基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法李云红列光学精密工程靼补こ檀笱У缱有畔⒀г海挛魑靼琗,:——第卷第年文章编号———摘要:分析了维纳滤波原理和脉冲耦合神经网络模型的特点,根据斑点噪声统计模型的特征,结合小波变换方法,提出了一种基于模型的小波自适应斑点噪声滤除算法——锤纳瞥枷裰柿俊J紫龋猿图像进行对数变换,使斑点噪声转换为加性噪声;对医学图像进行维纳滤波处理,计算其加性噪声的标准方差,并以此作为小波阈值。然后,利用小波变换对图像进行预处理,利用在小波域中对小波系数进行相应的修正。最后,进行小波逆变换和指数变换,获得滤除噪声的图像。结果表明:本文提出的滤波方法优于其他滤波方法,当噪声方差为保疚穆瞬ㄋ惴ɑ竦玫姆逯敌旁氡染璚瞬ǚ椒ɑ竦玫母叱。该滤波方法能在有效去除超声斑点噪声的基础上保留图像的边缘细节信息,极大地改善了图像的视觉质量。关键词:斑点噪声;维纳滤波;脉冲耦合神经网络;小波变换中图分类号:;文献标识码:疧..,,鋎.:—瓼,瓼,.瑃甌琣甌收稿日期:;修订日期:基金项目:陕西省教育厅自然科学专项;西安工程大学博士科研启动基金资助项目猦甌瑃—瑆..
万方数据
法眦约盎赑男〔ㄈ磴兄德小波去噪及去噪引言医学超声影像技术因具有无创、高效和敏捷等优点而成为俅惨窖Цㄖ锒系闹匾J侄沃超声医学图像领域中一个十分重要的研究课题。小波变换具有传统去噪方法没有的独特优势:小波分析能同时在时域频域中对图像进行分析,它不仅能够生成具有显著特性输入信息的系数,而且能够对图像进行由粗及精的多分辨率分用,但是各种基于小波变换的去噪方法都使图像产生不同程度的模糊现象,因而不能很好地保留图像的边缘和细节信息。统神经网络的新型神经网络口。与传统神经网结构,因而在图像处理应用方面获得了十分显著常突出。但对于受到斑点噪声污染的超声医学图像,由于不能确定噪声点的准确位置以及提出了一种基于的小波域超声医学图像去噪方法。该方法能在去除斑点噪声的同时,保留图像的细节信息,而不会出现小波去噪后产生优线性滤波,根据该特性,能够通过对图像进行维纳滤波,进而获得最优的噪声方差估计,并以此确出了一种基于维纳滤波的噪声标准方差估计方法。声滤除算法具有以下优点:梦陕瞬ê蟮图像作为小波阈值,能自动准确地获取阈值,而不需手动设定。〔ū浠缓蟮耐枷瘢肷结了阈值、设定步长和噪声强度之间的关系,以便于获得最优参数设置。实验验证显示,与经典去噪波方法猈进行比较,狿法不图像的边缘信息和细节信息。器官的粗糙表面散射后形成的一系列相干波会出现干涉现象,产生斑点噪声口超声图像斑点噪声可看作乘性噪声与加性噪的近似模型可以用下式表示:由于加性噪声对超声图像的影响远远小于乘李云红,等:基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法籛一。然而,在医学超声成像过程中,由于相干波叠加产生的斑点噪声严重影响了超声图像的质量,干扰了人们对目标的分辨能力,甚至会影响临床诊断的准确性口R虼耍叩阍肷种萍际跻丫晌析K淙幌衷谛〔ㄈピ胨惴ㄒ丫还惴河脉冲耦合神经网络琍是根据猫、猴等哺乳动物大脑皮层的视觉神经元传导特性建立的一种不同于传络相比,不需要训练,同时具有单层网络的效果乇鹗嵌杂诮费卧肷穆顺Ч不能设定准确的阈值,因而对噪声抑制的效果不是十分理想。针对斑点噪声模型的特点,郭业才等的模糊现象。但是运用模型需要进行参数设置,而