LoG边缘增强的自适应加权引导滤波算法提升医学图像质量

本文主要探讨了一种针对原始全局引导滤波算法存在的问题进行改进的方法，即LoG边缘算子改进的加权自适应规整因子算法。原始引导滤波算法在处理图像时，由于采用统一的线性模型和规整化因子，无法充分适应图像不同区域的纹理特性，这可能导致在降噪过程中边缘信息的损失或过度平滑。 作者针对这一局限，提出利用LoG（Laplacian of Gaussian）边缘检测算子来增强算法的适应性。LoG算子是一种广泛应用于边缘检测的数学工具，它通过对图像的高阶导数进行计算，可以有效地识别出图像中的边缘。在局部窗口内，通过对LoG幅值的计算，算法可以动态调整规整化因子，对平滑区域给予较小的影响，而对边缘区域则给予更大的权重，从而在保持降噪效果的同时，更精确地突出边缘与平坦区域的区别。 研究者选择了开源医学图像库BrainWeb中的T1、T2和PD加权图像，共18张，加入了9%的莱斯噪声作为测试数据集。他们采用结构相似性因子(SSIM)和无参考图像锐化指数(CPBD)这两个量化评估指标来衡量算法的性能。实验结果显示，与传统的引导滤波算法相比，该改进方法显著提升了SSIM指标约5%，CPBD指标约6%，这意味着在保持图像细节的同时，提高了整体的清晰度和锐利度。 此外，新算法在保持原有引导滤波算法较低复杂度的同时，其综合性能优于其他基于方差图像加权的引导滤波算法。相比于主流滤波算法，这种改进的算法能够在SSIM和CPBD两个方面达到最优平衡，特别适合于医学图像和彩色图像的快速滤波降噪应用。因此，该论文提供了一种在保证图像质量的同时，兼顾效率的新型图像处理技术，对于实际工程应用具有重要的价值。