1概述
醫學圖像在獲取與傳輸的過程中，會受到各種形式噪聲的干擾。近年來，一些新的濾波技術逐漸受到相關學者的重視並被應用到醫學圖像的降噪中[1-3]。文獻[3]提出的非局部均值(Non-localMeans,NLM)濾波算法考慮了儘可能多的相似性結構信息，但該算法存在耗時、搜尋相似像素不充分的不足。相關文獻報道了一些改進的NLM濾波算法，如魯棒的快速算法[4]、基於核迴歸的改進算法[5]、基於奇異值分解和K-均值聚類的自適應改進算法[6]、基於矩的改進算法[7-8]。這些改進算法均取得了較好的去噪效果。爲提高NLM算法的去噪性能，本文提出一種基於梯度信息的自適應的醫學圖像去噪NLM改進算法(ANLM)，並通過實驗驗證了算法的有效性和可行性。
2經典的非局部均值濾波算法
文獻[3]中提出的經典NLM算法原理爲：含噪圖像f{f(i)|iI}的任一像素點i處被濾波的灰度值()fi爲：()(,)()jIfiwijfj(1)222,||()()||1(,)e()ijfNfNhwijZi(2)其中，權重w(i,j)滿足0≤w(i,j)≤1和(,)1jwij；22,||||爲度量像素i和j的相似程度的高斯加權歐氏距離；a爲高斯核的標準差，a0；h爲控制衰減程度的參數；kN表示中心位於像素k的方形鄰域。正則化常數Z(i)爲：222,||()()||()eijfNfNhjIZi(3)爲避免過加權，當ij時，權重w(i,j)爲：w(i,j)max(w(i,j)),ij(4)NLM算法的核心思想是在一個稱爲搜索窗的大的像素範圍內搜尋儘可能多的、與被濾波像素相似或匹配的其他像素參與到濾波過程中，以改善濾波效果。搜索窗內2個像素點i和j的相似性通過稱爲相似窗的2個鄰域Ni和Nj中所有像素點的加權歐氏距離來度量。該距離越小，則i和j的相似程度越高，權重w(i,j)值越大。本文將上述算法稱爲經典的非局部均值算法(CassicalNL-means,CNLM)。顯然，CNLM算法中相似窗的平移操作只能找到位置不同的相似像素，數量相對較少。若能同時對相似窗進行平移和旋轉操作，則能找到更多的位置匹配或方向匹配的像素，從而提高算法的性能。本文基於這一思想，利用梯度信息，提出一種自適應的非局部均值濾波算法(AdaptiveNL-means,ANLM）。
3自適應非局部均值濾波算法
3.1算法原理
所提出的ANLM算法將待濾波圖像的梯度幅度信息和方向信息引入到了CNLM算法中。對於圖像f，像素點i處的梯度定義爲：
3.1.1基於梯度幅度的濾波參數選擇
對於式(2)中濾波參數h的選擇，國內外研究者已做了一系列研究[7,9-10]。本文依據梯度幅度信息選擇濾波參數h。具體思想爲：由於較大的梯度幅度|f(i)|表明相似窗Ni內可能存在圖像邊緣或紋理，而較小的|f(i)|則表明Ni爲較爲平坦的區域。因此，爲避免過於平滑圖像的.邊緣或紋理細節，對於較大的|f(i)|，選取較小的參數h；反之，則選取較大的h。本文采用Sobel梯度算子計算梯度。ANLM算法結合一個最佳的梯度優化閾值optiT對h進行多種選擇，即：0opti0optiopti00.8|()|1.50.9|()|1.5hfiThhTfiTh≥≤其他(8)其中，0h爲CNLM算法所用的h值，0h。這樣，對|f(i)|不同的點，選擇不同的h值，很大程度上實現了既保護邊緣、又平滑噪聲的濾波效果。
3.1.2基於梯度方向的更多匹配像素搜索
依據式(7)計算點i處和點j處的梯度方向j,i以及二者之差ji。依據將相似窗Nj繞中心旋轉：當大於0時，順時針旋轉；反之，逆時針旋轉。旋轉間隔爲π/4，總的旋轉角度爲/(π/4)(π/4)。圖1給出了Nj相對於Ni的旋轉過程。可見，Nj逆時針旋轉π/4後，得到jN，而jN與Ni的像素結構完全相同。這樣，通過旋轉操作，提高了2個相似窗的相似程度，即減小了式(2)中的距離22,||||，找到了平移操作所不能找到的匹配像素點。(a)Ni(b)Nj(c)jN圖1相似窗旋轉過程圖2和圖3分別給出了CNLM算法和ANLM算法對於中心像素點的權重分佈比較。相比CNLM算法，ANLM算法找到了更多的匹配像素點，這表明ANLM算法具有更好的去噪性能。可見，ANLM算法依據|f(i)|實現了參數h的自適應選擇；依據實現了鄰域Nj的自適應旋轉操作，保證了算法的優越性。此外，考慮到多數醫學圖像對稱或近似對稱的特點，搜索窗由中心分別位於i處和與i縱向對稱的像素點處的2個方形區域組成，進一步提高了匹配點的數量。
3.2優化閾值T
opti的確定ANLM算法中一個關鍵點是式(8)中閾值Topti的確定。本文用實驗的方法建立Topti與噪聲標準差之間的數學模型，從而依據圖像噪聲實現Topti的自適應選擇。具體思想爲：對多幅醫學圖像添加標準差爲的噪聲得到噪聲圖像。之後，對每幅噪聲圖像的梯度幅度|f|進行閾值化，即：||||||0||TffTffT≥(9)選取不同的T，求取使原圖像||0f與閾值化||Tf之間的均方誤差err最小的T值，作爲優化的閾值Topti，即：2opti01argmin((|()||()|))ITTiTfifi(10)即通過最小二乘法確定Topti。這樣，選取多個不同的值，得到多個相應的Topti，進而確定出二者的關係模型，作爲自適應選擇Topti的依據。4.1節詳述了具體建模過程。
3.3ANLM算法步驟
ANLM算法的具體步驟如下：
(1)對於像素i和j，依據式(6)和式(7)計算梯度信息。
(2)計算噪聲標準差，依據所建立的Topti與模型及式(8)確定梯度閾值化參數Topti和濾波參數h。
(3)依據ji，將相似窗Nj繞其中心旋轉/(/4)(π/4)°。
(4)確定中心點與i縱向對稱的搜索窗siN。
(5)依據式(1)~式(4)計算i點處的濾波值()fi。
(6)使i遍歷像素點集合I中的每一個像素點，重複上述步驟(1)~步驟(5)，得到最終的濾波圖像f。
4實驗結果與分析
本文將CNLM算法和ANLM算法分別應用於一幅對稱的幾何圖像和2幅醫學CT圖像的去噪過程中。在圖像中添加均值爲0、標準差分別爲5、10、15、20、25的5種高斯噪聲。搜索窗大小爲21×21，相似窗大小爲3×3。圖4爲未受噪聲污染的原圖及=10時相應的包含高斯噪聲圖像。
4.1優化閾值T
opti的建模根據式(9)和式(10)所描述的理論依據，通過實驗建立最佳梯度閾值Topti與噪聲標準差之間的數學模型。圖5爲當σ=10時均方誤差err與閾值T的關係曲線，可見，err具有全局極小值。圖6爲3幅圖像Topti與之間的關係曲線。可見，除過幾何測試圖像曲線上最右邊一點(25,37.2)外，Topti與成近似的線性關係。對應於腹部CT圖像與胸部CT圖像的Topti與近似線性數學模型分別爲：optiT1.860.8(11)optiT1.641.9(12)對於該類醫學圖像降噪時，可將上述2個線性模型的綜合作爲自適應選擇Topti的依據。
4.2算法性能比較
圖7~圖9分別爲3幅圖像的CNLM濾波和ANLM濾波結果及相應的方法噪聲。比較2種算法所得結果圖像的視覺效果可知，ANLM算法明顯優於CNLM算法，尤其在圖中標註的矩形區域內，後者具有更強的對比度。此外，相對於CNLM，ANLM所對應的方法噪聲也更接近於高斯白噪聲。這進一步表明了ANLM算法去噪性能的改善。上述結果表明，在引入梯度信息、考慮了相似窗的旋轉不變性和自適應地確定濾波參數h之後，ANLM算法在平滑噪聲的同時較好地保持了圖像的邊緣，濾波性能明顯提高。
5結束語
本文在分析CNLM算法的基礎上，提出了一種自適應的非局部均值醫學圖像降噪算法ANLM。該算法利用圖像梯度信息實現了濾波參數的自適應選擇，搜索到了更多的相似像素。實驗結果驗證了算法的可行性和有效性，該算法可應用於醫學圖像的後處理。下一步將對算法的加速進行研究。
