新超声斑点噪声滤波模型：NSRAD与S型扩散系数提升图像细节

本文主要探讨了在超声成像领域中，斑点噪声滤波的改进方法。原始的斑点噪声各向异性扩散模型（Speckle Reducing Anisotropic Diffusion, SRAD）因其扩散系数的问题，存在一些局限性，如在同质区域产生板块效应、模糊弱边界和细节等问题。为了解决这些问题，作者提出了一个新的斑点噪声各向异性扩散模型（New Speckle Reducing Anisotropic Diffuse, NSRAD）。 NSRAD的关键创新在于引入了一个S型函数作为扩散系数。这个函数的设计使得在处理图像时更加灵活。在同质区域，NSRAD采用各向同性扩散，有效地避免了板块效应，保持了图像的连续性和一致性。而在结构性区域，S型函数使得扩散速度随着图像特征的变化而变化，特别是在细节和弱边界处，扩散速度更快并趋向于零，这有助于提高这些区域的分辨率，增强细节并保持边界清晰度。 通过对仿真图像进行定量分析，研究结果显示新方法相较于原始SRAD在噪声去除效果上更为显著，能够更好地保留图像的结构信息，并且形变较小。此外，对于真实图像的实验验证，NSRAD在实现有效降噪的同时，成功地消除了黑板刷效应，显著提升了图像的边界清晰度和细节表现。 本文提出的NSRAD模型通过优化扩散系数策略，有效地解决了斑点噪声滤波中的问题，为超声成像的噪声抑制提供了更精确和有效的解决方案，对于提升超声图像的质量和解析度具有重要意义。关键词包括各向异性平滑、斑点滤波、超声图像和局部统计，研究成果发表在2012年3月的《自动化学会报》上，DOI为10.3724/SP.J.1004.2012.00412。