一种相关性噪声的估计方法

摘要

本发明提供一种相关性噪声的估计方法，所述方法包括如下步骤：(1)输入图像，对所述图像进行预处理，并提取所述图像的选定区域；(2)分别对所述选定区域的X方向和Y方向进行n个尺度的噪声水平估计，得到所述X方向和Y方向上的相关性因子rx和ry，其中，所述n大于等于3，所述相关性因子rx和ry均大于等于1；(3)根据所述相关性因子rx和ry，确定所述图像的噪声水平。该技术方案不仅能同时估计噪声的相关性和标准差，而且不需要依赖特定的统计函数模型，对不同类型的噪声和图像均具有普适性。

权利要求

1.一种相关性噪声的估计方法，其特征在于，包括如下步骤：

(1)输入图像，对所述图像进行预处理，并提取所述图像的选定区域；

(2)分别对所述选定区域的X方向和Y方向进行n个尺度的噪声水平估计，得到所述X方向和Y方向上的相关性因子rx和ry，其中，所述n大于等于3，所述相关性因子rx和ry均大于等于1；

(3)根据所述相关性因子rx和ry，确定所述图像的噪声水平；

其中，所述得到所述X方向和Y方向上的相关性因子rx和ry的过程具体为：分别对所述X方向和Y方向上相邻的噪声水平估计值进行相除，得到n-1个比率；根据所述n-1个比率值，得到比率曲线；根据所述比率曲线，确定在预定范围内的所述比率值所对应的位置；根据所述对应的位置，确定所述相关性因子rx和ry的初始值；判断所述相关性因子rx或ry的初始值与预定阈值的大小，若所述相关性因子rx或ry的初始值大于预定阈值，则所述初始值即为所述相关性因子rx或ry；若所述相关性因子rx或ry的初始值小于等于预定阈值，则根据相邻比率查找表确定所述相关性因子rx和ry；

所述确定所述噪声水平的过程具体为：

根据所述相关性因子rx和ry，对所述图像进行拆分；分别计算所述拆分图像的噪声水平；计算所述拆分图像的噪声水平的均值或中值，即得到所述图像的噪声水平。

2.如权利要求1所述一种相关性噪声的估计方法，其特征在于，所述预处理的过程为：

1)对所述图像进行局部极值抑制、正规化，得到正规化图像；

2)对所述正规化图像进行邻域像素填充以及线状结构检测，得到线状结构图；

3)提取所述线状结构图中线性结构响应最小的区域，即所述图像的选定区域。

3.如权利要求1所述一种相关性噪声的估计方法，其特征在于，对所述选定区域的X方向和Y方向进行n个尺度的噪声水平估计之前，确定所述图像是否具有预定相关性因子rx'或ry'。

4.如权利要求3所述一种相关性噪声的估计方法，其特征在于，若所述图像具有所述预定相关性因子rx'或ry'，且所述预定相关性因子rx'或ry'大于等于2，则所述n为5。

5.如权利要求3所述一种相关性噪声的估计方法，其特征在于，若所述图像具有所述预定相关性因子rx'或ry'，且所述预定相关性因子rx'或ry'小于2，则所述n为3。

6.如权利要求1所述一种相关性噪声的估计方法，其特征在于，所述预定范围为

1.05-1.1。

7.如权利要求1所述一种相关性噪声的估计方法，其特征在于，所述预定阈值为2。

说明书

一种相关性噪声的估计方法

技术领域

[0001] 本发明涉及图像处理领域，尤其涉及一种相关性噪声的估计方法。

背景技术

[0002] 传统的噪声估计方法一般分为两类，一类是基于变换域的噪声估计算法，如多尺度小波噪声估计，但这类算法很难将高频信息和噪声完全分开；另一类是基于图像域的噪声估计算法，主要有基于噪声分布模型的噪声估计方法和基于局部平坦区域的噪声估计方法，其中基于噪声分布模型的方法依赖于准确的噪声模型，很难满足实际应用，而基于局部平坦区域的噪声估计方法要依赖于只包含“纯”噪声背景区域的提取。

[0003] 上述大部分算法都假设图像域噪声是独立不相关的。而在医学领域，为了追求成像速度，近些年出现了许多新的成像方法，这些成像方法一般只采集部分的扫描数据，并利用数据间的某些相关性恢复剩余部分，如磁共振中的半回波成像、半傅里叶成像等。这些成像方法一般会采集部分的K空间数据，而将缺失的K空间数据直接采用0或通过数据间的相关性估计出的数据填充，在这个过程中，人为引入的相关性会同时影响噪声特性，从而产生包含相关性噪声的医学图像，其中相关性噪声强弱与扫描数据填充的比例有直接的关系。

[0004] 对于包含相关性噪声的医学图像，不仅要估计到准确的噪声水平，还需要比较准确地估计出噪声的相关性。已有相关的方法来解决这个问题，如基于多尺度小波变换的噪声估计方法(请参考[Portilla,J.,et al.,IEEE Trans Image Process,12(11),1338-1351,2003])。该方法需要对图像进行多尺度小波变换，对各个尺度的图像小波变换因子有一个假设模型，且在每个尺度上采用贝叶斯最大后验模型不断迭代得到相关性噪声的信息。不仅依赖于假设模型的准确性，还需要不断迭代，算法上比较复杂费时。

发明内容

[0005] 本发明解决的问题是提供一种相关性噪声的估计方法，能同时估计噪声的相关性和标准差。

[0006] 为了解决上述问题，本发明提供了一种相关性噪声的估计方法，包括如下步骤：

[0007] (1)输入图像，对所述图像进行预处理，并提取所述图像的选定区域；

[0008] (2)分别对所述选定区域的X方向和Y方向进行n个尺度的噪声水平估计，得到所述X方向和Y方向上的相关性因子rx和ry，其中，所述n大于等于3，所述相关性因子rx和ry均大于等于1；

[0009] (3)根据所述相关性因子rx和ry，确定所述图像的噪声水平；

[0010] 其中，所述得到所述X方向和Y方向上的相关性因子rx和ry的过程具体为：

[0011] 分别对所述X方向和Y方向上相邻的噪声水平估计值进行相除，得到n-1个比率；根据所述n-1个比率值，得到比率曲线；根据所述比率曲线，确定在预定范围内的所述比率值所对应的位置；根据所述对应的位置，确定所述相关性因子rx和ry的初始值；判断所述相关性因子rx或ry的初始值与预定阈值的大小，若所述相关性因子rx或ry的初始值大于预定阈值，则所述初始值即为所述相关性因子rx或ry；若所述相关性因子rx或ry的初始值小于等于预定阈值，则根据相邻比率查找表确定所述相关性因子rx和ry；

[0012] 所述确定所述噪声水平的过程具体为：

[0013] 根据所述相关性因子rx和ry，对所述图像进行拆分；分别计算所述拆分图像的噪声水平；计算所述拆分图像的噪声水平的均值或中值，即得到所述图像的噪声水平。

[0014] 上述所述一种相关性噪声的估计方法，其中，所述预处理的过程为：

[0015] 1)对所述图像进行局部极值抑制、正规化，得到正规化图像；

[0016] 2)对所述进行正规化图像邻域像素填充以及线状结构检测，得到线状结构图；

[0017] 3)提取所述线状结构图中线性结构响应最小的区域，即所述图像的选定区域。

[0018] 上述所述一种相关性噪声的估计方法，其中，对所述选定区域的X方向和Y方向进行n个尺度的噪声水平估计之前，确定所述图像是否具有预定相关性因子rx'或ry'。

[0019] 上述所述一种相关性噪声的估计方法，其中，若所述图像具有所述预定相关性因子rx'或ry'，且所述预定相关性因子rx'或ry'大于等于2，则所述n为5。

[0020] 上述所述一种相关性噪声的估计方法，其中，若所述图像具有所述预定相关性因子rx'或ry'，且所述预定相关性因子rx'或ry'小于2，则所述n为3。

[0021] 上述所述一种相关性噪声的估计方法，其中，所述预定范围为1.05-1.1。

[0022] 上述所述一种相关性噪声的估计方法，其中，所述预定阈值为2。

[0023] 与现有技术相比，本发明通过多尺度噪声估计以及相邻估计值之间的比率曲线来估计噪声相关性，计算快速，n个尺度噪声估计一般只需要n次卷积，增加了计算的速度，节省了时间；

[0024] 进一步地，根据噪声相关性信息估计噪声水平，不需要依赖特定的统计函数模型，对不同类型的噪声和图像都有普适性；并能同时准确估计噪声的相关性和标准差，可以为后续的处理提供更全面的参考信息。

附图说明

[0025] 图1所示为本发明实施例一种相关性噪声的估计方法的流程示意图；

[0026] 图2所示为本发明实施例对图像进行预处理的流程示意图；

[0027] 图3所示为本发明实施例对所述选定区域进行X和Y方向进行5个尺度噪声水平估计的5个尺度模板示意图；

[0028] 图4所示为本发明实施例得到所述选定区域X方向和Y方向上的相关性因子rx和ry的流程示意图；

[0029] 图5所示为所述选定区域X方向上的比率曲线；

[0030] 图6所示为本发明实施例确定所述噪声水平的流程示意图。

具体实施方式

[0031] 在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

[0032] 其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实例，其在此不应限制本发明保护的范围。

[0033] 下面结合附图和实施例对本发明进行详细地描述。本发明相关性噪声的估计方法如图1所示，首先，执行步骤S1，输入图像，对所述图像进行预处理，并提取所述图像的选定区域。其中，对所述图像进行预处理的过程如图2所示，首先，执行步骤S201，对所述图像进行局部极值抑制、正规化，得到正规化图像。对于某些比较特殊的图像，为了减少由于图像的特殊性而对噪声估计所带来的影响，对图像进行局部极值抑制、正规化等处理。接着，执行步骤S202，对所述进行正规化图像邻域像素填充以及线状结构检测，得到线状结构图。具体地，对所述正规化图像中具有校正变形图像的特殊区域进行领域像素填充；接着，对图像进行线状结构检测。在线状结构检测中，为了尽可能地避免图像中噪声等的干扰，对图像和其一阶结构张量依次进行不同尺度的高频滤波，得到线状结构检测位置准确和受噪声影响程度较小之间较折中的一个线状结构图。

[0034] 具体地，在本实施例中，首先，对所述图像进行结构张量检测，为了使检测结果对噪声更加鲁棒，以及为了检测结果的局部连续性，我们采取了基于一阶梯度和高斯平滑核的结构张量检测[请参考Brox T,Weickert J,Burgeth B,et al.Nonlinear structure tensors[J].Image and Vision Computing,2006,24(1):41-55.]，该方法不仅能有效地提取出图像在每一个像素点处的方向信息，同时又抑制了噪声等的干扰，从而将局部区域的平滑程度和边缘的连续性有机地结合了起来。接着，对上述检测得到的结构张量矩阵进行特征值和特征向量计算，根据所述特征值可以分析图像局部结构，从而得到图像的线状结构图[请参考Li Q,Sone S,Doi K.Selective enhancement filters for nodules,vessels,and airway walls in two-and three-dimensional CT scans[J].Medical physics,2003,30:2040.]。

[0035] 接着，执行步骤S203，提取所述线状结构图中线性结构响应最小的区域，即所述图像的选定区域。在本实施例中，选取所述线状结构图中响应最小区域的10％作为所述图像的选定区域，即选取所述线状结构图中最平坦的背景区域。

[0036] 接着，执行步骤S2，分别对所述选定区域的X方向和Y方向进行n个尺度的噪声水平估计，得到所述X方向和Y方向上的相关性因子rx和ry，其中，所述n大于等于3，所述相关性因子rx和ry均大于等于1。具体地，噪声的相关性表示有很多，包括协方差矩阵，自相关函数等，而本发明中的噪声相关性是由于数据填充造成的，因此，在本实施例中，采用数据填充的比例来表示噪声的相关性，即所述相关性因子rx和ry为填充因子，填充因子rx表示在X方向(即水平方向)上填充了rx-1比例的数据，ry表示在Y方向(即垂直方向)上填充了ry-1比例的数据。需要说明的是，所述相关性因子rx和ry也可以为其它相关性因子。

[0037] 在实际应用中，对于输入的图像，可能已经知道该图像的填充因子，因此，具体地，在本实施例中，对所述选定区域的对所述区域的X方向和Y方向进行n个尺度的噪声水平估计之前，确定所述图像是否具有预定相关性因子rx'或ry'(即填充因子rx'或ry')。如果所述图像具有所述预定填充因子rx'或ry'，且所述预定填充因子rx'或ry'大于等于2，则所述n为5。其中，预定填充因子rx'或ry'一般为2-4的整数。在本实施例中，当预定填充因子rx'大于等于2的时候，则对所述图像中选定区域进行X方向上的5个尺度的噪声水平估计，得到所述选定区域X方向上的5个噪声水平估计值。如果所述图像具有所述预定相关性因子rx'或ry'，且所述预定相关性因子rx'或ry'小于2，则所述n为3，即当所述预定相关性因子rx'或ry'小于2，则对所述图像中选定区域进行X或Y方向上的3个尺度的噪声水平估计，从而得到所述选定区域X或Y方向上的3个噪声估计值。

[0038] 而对于大部分输入的图像而言，并没有关于填充因子的先验知识，则需要分别对所述选定区域的X方向和Y方向都进行n个尺度的噪声水平估计，一般n的取值为5。其中，所述噪声水平估计可以通过拉普拉斯(Laplace)噪声估计等方法得到。具体地，在本实施例中，如图3所示，图3(a)为对所述选定区域的X方向进行5个尺度噪声水平估计的5个尺度模板；图3(b)为对所述选定区域的Y方向进行5个尺度噪声水平估计的5个尺度水平。通过拉普拉斯噪声估计方法得到X和Y方向上的5个尺度噪声水平估计，得到所述选定区域X方向上的第一个尺度到第五个尺度的噪声水平分别为44,303,387,250以及240；同样的，可得到所述选定区域Y方向上的第一个尺度到第五个尺度的噪声水平估计值。

[0039] 接着，根据上述得到的多个尺度的噪声水平估计，得到所述选定区域X方向和Y方向上的相关性因子rx和ry，即填充因子rx和ry。具体地，如图4所示，首先，执行步骤S401，分别对所述X方向和Y方向上相邻的噪声水平估计值进行相除，得到n-1个比率。在本实施例中，分别将上述步骤S2中得到的X方向和Y方向上的5个噪声水平估计值中的相邻噪声水平值进行相除，即X方向上的第2个尺度的噪声水平估计值除以第1个尺度的噪声水平估计值，X方向上的第3个尺度的噪声水平估计值除以第2个尺度的噪声水平估计值，以此类推，从而得到4个比率；根据同样的方法，可以得到Y方向上的4个比率。接着，执行步骤S402，根据所述n-1个比率值，得到比率曲线。在本实施例中，如图5所示，根据步骤S401中得到的X方向上的4个比率值，分别得到X方向的比率曲线。根据同样的方法，可以得到Y方向上的比率曲线。

[0040] 接着，执行步骤S403，根据所述比率曲线，确定在预定范围内的所述比率值所对应的位置。其中，所述预定范围为1.05-1.1。具体地，在本实施例中，由图5可知，X方向上比率值在预定范围1.05-1.1内的位置在尺度2附近。同样的，得到Y方向上比率值在预定范围1.05-1.1内的位置在尺度3附近。接着，执行步骤S404，根据所述对应的位置，确定所述相关性因子rx和ry的初始值。具体地，在本实施例中，根据步骤S403中的具体的位置可知X方向上的相关性因子rx(填充因子)的初始值为2；Y方向上的相关性因子ry(填充因子)的初始值为3。

[0041] 接着，执行步骤S405，判断所述相关性因子rx或ry的初始值与预定阈值的大小，若所述相关性因子rx或ry的初始值大于等于预定阈值，则执行步骤S406，则所述初始值即为所述相关性因子rx或ry；若所述相关性因子rx或ry的初始值小于预定阈值，则执行步骤S407，根据相邻比率查找表确定所述相关性因子rx和ry。其中，在本实施例中，所述预定阈值为2。具体地，由步骤S404可知，所述选定区域X方向上的填充因子rx的初始值为，等于所述预定阈值2，则所述选定区域X方向的填充因子rx为2；所述选定区域Y方向上的填充因子ry的初始值为3，大于所述预定阈值2，则所述选定区域Y方向的填充因子ry为3。需要说明的是，若所述选定区域X方向或Y方向上的填充因子小于所述预定阈值2，则根据所述选定区域X或Y方向上第2个尺度噪声水平估计值和第1个尺度噪声水平估计值的比值、第3个尺度噪声水平估计值和第2个尺度噪声水平估计值的比值以及相邻比率查找表确定所述填充因子rx或ry。其中，所述相邻比率查找表根据已知填充因子的MR序列图像的数据得到。同样的，根据上述方法，可以得到已知预定填充因子的图像的填充因子。

[0042] 接着，执行步骤S3，根据所述相关性因子rx和ry，确定所述图像的噪声水平。具体地，如图6所示，首先，执行步骤S601，根据所述相关性因子rx和ry，对所述图像进行拆分。具体地，在本实施例中，由上述可知，所述选定区域X方向的填充因子rx为2，选定区域Y方向的填充因子ry为3，则将所述图像进行拆分，得到6帧拆分图像。接着，执行步骤S602，分别计算所述拆分图像的噪声水平。具体地，通过拉普拉斯噪声估计方法计算每帧拆分图像的噪声水平，即计算上述6帧拆分图像的噪声水平。需要说明的是，每帧拆分图像的噪声水平也可以为步骤S2中每个尺度上的噪声水平估计值。

[0043] 接着，执行步骤S603，计算所述拆分图像的噪声水平的均值或中值，即得到所述图像的噪声水平。在本实施例中，采用均值的方法，将步骤S602中计算得到的6帧拆分图像的噪声水平进行均值，从而得到输入图像的噪声水平。从而实现了不仅得到图像的噪声水平，还准确估计了噪声的相关性。需要说明的是，若所述选定区域X方向的填充因子为2，所述选定区域Y方向的填充因子小于2，则将所述图像拆分成2帧拆分图像，即根据填充因子大于2的那个方向的填充因子进行拆分。

[0044] 需要说明的是，如果所述选定区域X方向和Y方向的预定填充因子rx和ry相同，则可以在X方向和Y方向上同时进行多尺度噪声估计，然后根据相邻噪声水平估计值的比率曲线得出所述填充因子rx、ry以及所述图像的噪声水平。