【正文】 輝度調制顯示，亮度隨著回聲信號大小而變化，反映人體組織二維切面斷層圖像。（4）C型超聲診斷儀雖然有了B超在醫(yī)學診斷中的廣泛應用，但是人們卻還希望能獲得與X透視相似的圖像，這樣就有了C型超聲診斷儀的出現(xiàn)。只不過F超的延遲電路控制的距離選通時間是隨位置變化的函數(shù)，而C超的距離選通門的開啟時刻是個可調的常數(shù)。D超主要應用于對運動的臟器和血流的探查，在診斷血管疾病中要是必不可少的。只有有了滿意的黑白結構顯像和清晰的彩色血流顯像才能有高質量的彩色顯示。臨床用于心臟瓣膜病，先天性心臟病、心肌病、心臟腫瘤的無創(chuàng)傷診斷，彩色多普勒血流顯像直觀、相形、快速檢測，診斷靈敏和準確率很高。然后換能器接受這些回聲信號并將之轉換成電信號，按先后次序輸入放大器。實時線性診斷儀是使超聲束在人體內部做快速的直線運動，運動方向和聲波前進方向垂直，然后對獲取的回聲信號做亮度調制，這樣就可以得到一副矩形切面圖。實時凸陣診斷儀則具有比扇形探頭近場視野大，又比線陣遠場視野廣的優(yōu)點。同時也可顯示動態(tài)器官的檢測，如心臟瓣膜的運動情況等。因為掃描是連續(xù)的，所以可以由點、線掃描出臟器的解剖斷面，是二維空間顯示。因而，研究斑點噪聲的特性，并且在此基礎上進一步研究如何抑制這種噪聲，并保留與增強圖像邊緣和細節(jié)特征，對于準確的進行邊緣檢測、圖像識別、分割與定位，以及診斷器官是否有病變都具有十分重要的意義。領域平均法是均值濾波主要采用的方法。 維納濾波方法維納濾波是經(jīng)典的線性濾波，維納濾波是一種在平穩(wěn)條件下采用最小均方誤差準則得出的最佳濾波準則，這種方法是尋找一個使得均方誤差最小的最佳線性濾波器。相比之下，維納濾波后的圖像效果質量則明顯好很多，大大減少噪聲的影響，使得圖像清晰度提高，更有利于圖像的識別。對于一幅圖像的象素矩陣，取以目標象素為中心的一個子矩陣窗口，這個窗口可以是355等，根據(jù)不同的需要選擇不同的窗口，如方形、圓形、十字形等。中值濾波的實現(xiàn)效果圖如圖33：圖33 中值濾波效果圖從這些去噪后的圖像中可以看出，選擇77窗口的去噪圖像效果明顯選擇33窗口的去噪圖像要號，所以選擇適當大小的濾波窗口可以在最大限度保持圖像精度的基礎上進行去噪處理。超聲圖像的去噪就是利用小波變換的多尺度頻率特性對確定信號具有“集中”這個能力進行的，“集中”能力只要是說有少數(shù)包含大部分信號有用信息的小波系數(shù)大于其它的小波系數(shù)，因此可以通過小波系數(shù)的閾值處理去除噪聲。通過研究表明，閾值選的過大會丟失高頻信息，使得圖像模糊，反之則去噪的效果不明顯。但是這種閾值與信號的尺度對數(shù)的平方根成正比，當尺度過大時，往往會產(chǎn)生“過扼殺”系數(shù)的現(xiàn)象，所以雖然這種閾值有較好的理論基礎，但實際應用效果并不是很好。傳統(tǒng)的去噪方法只能在去除噪聲的同時丟失圖像的邊緣細節(jié)，使得圖像處理后質量下降變得模糊。這兩種去噪方法不是完全針對全局的頻域處理，就是針對局部的空間域處理，都不能很好的相結合的進行去噪。因此小波變換能很好的處理含寬帶噪聲信號、非平穩(wěn)過程信號及短時瞬態(tài)信號中的噪聲。醫(yī)生的識別和診斷組織器官是否病變都是依據(jù)醫(yī)學圖像中的細節(jié)特征，所以超聲圖像的去噪就必須做到在去除噪聲的同時保留圖像的邊緣細節(jié)特征。最先出現(xiàn)小波變換去噪方法的應用是在合孔徑雷達圖像的散斑噪聲除去上，隨后Xuli Zong，Andrew ＆。隨后又提出了基于硬、軟閾值的去噪方法，并從統(tǒng)計學的角度不斷的完善這類去噪方法。近幾年來小波變換去噪方法得到廣泛的應用，基于小波變換的新去噪方法的研究也不少，但是在實際應用中小波變換還是有很多問題需要處理，所以探索新的去噪方法是個很值得研究的問題。事實研究表明，圖像中噪聲的可見度隨著圖像區(qū)域內灰度空間變化率的增加而遞減。因此，一個允許的基本小波幅度頻譜類似于帶通濾波器的傳遞函數(shù)。一般情況下，原點為基本小波的中心，所以基本小波以為中心進行的伸縮得到了。為了使信號重構的實現(xiàn)上是穩(wěn)定的，除了完全重構條件外，還要求的傅里葉變換滿足如下穩(wěn)定性條件： 式中，0＜A≤B＜ （48） 離散小波變換在實際應用中，特別是在計算機的實現(xiàn)上，連續(xù)小波必須加以離散化。在連續(xù)小波函數(shù)中，是被允許的。 二進制小波變換為了可以使得小波變換具有可變的時間和頻率分辨率，并且適應待分析信號的非平穩(wěn)性，就需要改變a和b的大小，以使得小波變換具有“變焦距”的功能，這樣就需要把頻率軸劃分為鄰接的頻帶。而這正類似于在人類視覺和聽覺中的應用，使得快速算法得以實現(xiàn)。在圖像分解中，一維小波函數(shù)和尺度函數(shù)經(jīng)過張量積變換就可以得到二維小波函數(shù)和尺度函數(shù)。對，有，而其中設是有兩個一元分解序列生成的二元分解序列 （416）寫成 （417）則分解算法： （418）每經(jīng)過一級分解，當前頻帶被分成四個頻帶。傳統(tǒng)的去噪處理中是去除圖像中的噪聲頻率成分。 超聲圖像模型超聲圖像可以看做是由很多超聲信息線所組成的，而每一條超聲信息線都是經(jīng)過好多程序才形成的，這樣就必不可少的在超聲圖像中夾雜著隨機加性噪聲，另外由于超聲波在人體內的不均勻組織介質中發(fā)生的散射隨機相位相干現(xiàn)象，使得超聲圖像不可避免的出現(xiàn)了乘性斑點噪聲。對式兩邊取對數(shù)，得到： （53）這樣我們就可以利用一般的方法來去除斑點噪聲，但是這些方法還是經(jīng)常會導致在去除的噪聲中含有有用的信號，而輸出的信號中含有無用的噪聲。高頻部分用子帶表示，這里的指的就是小波分解尺度，范圍是1,2，…，其中最大的尺度就是。因為硬閾值的不連續(xù)性使得恢復后的圖像會產(chǎn)生偽影，而且噪聲越大時這樣的影響越大，所以我們使用軟閾值的方法去噪。通常閾值函數(shù)的選取有硬閾值和軟閾值函數(shù)兩種，在前面的章節(jié)已經(jīng)介紹過了。它不僅有效地除去了醫(yī)學超聲圖像的斑紋噪聲，而且保留了圖像必要的細節(jié)，取得了較好的效果，有利于對圖像做進一步的分析和處理。(4)利用處理后的小波分解的第N層的低頻系數(shù)和從第一層到第N層的各層高頻系數(shù)，進行圖像的小波重構。實驗也發(fā)現(xiàn)，若增大了領域范圍能夠更好的濾除噪聲，但圖像的模糊程度加重；77的濾波窗口取的相對較大，能夠較好地濾除噪聲，但同時圖像的模糊程度也隨之增大，這主要和選取的窗口大小有關。 盡管維納濾波方法是按最小原則導出的，在理論上更精確，但實驗中發(fā)現(xiàn)，維納濾波雖使噪聲得到抑制，并較好保存圖像的邊緣和高頻細節(jié)信息，但去噪后的圖像仍略顯模糊。在采集超聲圖像數(shù)據(jù)時，不可避免地會引入一定的斑點噪聲，這種噪聲是超聲信息在形成過程中受設備或者周圍環(huán)境因素的影響而產(chǎn)生的。以此為出發(fā)點，本文結合對數(shù)變換和小波變換分解重構對超聲圖像進行去噪。最近，許多學者提出了大量基于小波閾值的超聲圖像去噪算法，并獲得了較好的去噪效果。本文算法是首先對超聲圖像進行對數(shù)變換，乘性噪聲轉變?yōu)榧有栽肼暎賹ψ儞Q后圖像進行多尺度小波變換，將圖像分解成一系列不同尺度上的小波系數(shù)，小波分解后，噪聲大部分集中在高頻子圖像中，而圖像信息絕大部分集中在低頻子圖像中，針對這種特點，對變換后的不同尺度的高頻子圖像進行非線性小波軟閾值處理，閾值處理后的高頻子圖像進行增強,最后通過小波逆變換和指數(shù)變換重構圖像。朱老師知識的廣博，治學的嚴謹和工作的踏實都為我樹立的榜樣，對我潛移默化的熏陶必將使我受益終身。參考文獻[1]ALAN , , WITH , NAWAB,[M],西安交通大學出版社,.[2][M],清華大學出版社,.[3]薛定宇,(基于MATLAB/Simulink的系統(tǒng)仿真技術與應用) [M],清華大學出版社,.[4][M],清華大學出版社,.[5]饒妮妮,[M],電子科技大學出版社,.[6] 郭敏,馬遠良,[A],計算機工程與應用, .[7] 胡鵬,[A].福建電腦,2009年12期.[8] [D].山東大學,.[9] 羅忠亮,王修信,[J]..[10][D].第一軍醫(yī)大學,.[11]侯建華,熊承義,[J].中國生物醫(yī)學工程報,.[12] [A],. [13]Ercal F, Allen M,Feng H. A systolic image difference algorithm for RLEpressed image[J], 外文期刊, 2000（05）[14]Donoho D L, Johnstone I M. Ideal spatial adaptation via wavelet shrinkage[A], 1994[15]S. Sudha, G. R. Suresh, R. Sukanesh. Speckle Noise Reduction in Ultrasound Images Using Contextbased Adaptive Wavelet Thresholding[J], IETE journal of research,當然我也要感謝我的同學們，在我遇到問題時，他們總是能細心耐心的幫助我，教導我不會的知識，解決我遇到的問題，在與他們的探討中我受到了很多有益的啟發(fā)，在此我再次深深的感想我這些友善的同學們。致謝在此論文完成之際，我首先要向我的導師表示深深的感謝。特別是噪聲比較嚴重時，圖像信號多次分解，對多層細節(jié)圖像閾值處理后，造成的重構圖像模糊。經(jīng)典的維納濾波主要是抑制加性噪聲。為了提高圖像的信噪比，也為后繼的處理能夠穩(wěn)定地進行，有必要對超聲圖像作去噪處理。 乘性噪聲由于和圖像信息是相關的，往往隨圖像信號的變化而變化，故較難通過領域處理來濾除，采用維納濾波和小波變換濾波可基本濾波乘性噪聲，采用中值濾波雖可基本濾除噪聲，但圖像模糊程度較高。中值濾波能較好地保護邊界，但對圖像中的細節(jié)處理不理想。本文改進小波變換去噪效果圖如圖52：圖52 本文改進小波變換去噪效果圖 實驗結果和討論通過對含有相同噪聲的不同方法去噪后的圖像對比，可以看出： 均值濾波及中值濾波和維納濾波在以模糊圖像為代價的前提下都可不同程度地濾除相關噪聲。(2)小波變換：選擇一個合適的小波函數(shù)和小波分解層次N，將圖像分解到第N層，得到相應小波系數(shù)。進一步，Donoho提出的小波軟閾值方法應用二維離散小波變換將原始圖像分解到各個尺度上，定義各個尺度j內非線性閾值為： =1，2，3，…， （55）式中，是各尺度下圖像噪聲的標準差，它是該尺度下噪聲強度的度量。含噪信號中大于一定