超声图像斑点的小波变换消噪方法研究

沙特国王大学学报一种用于超声图像斑点Leena Jaina，Palwinder Singhb，a印度阿姆利则全球管理和新兴技术研究所bI.K.G Punjab Technical University，Kapurthala，印度阿提奇莱因福奥文章历史记录：收到2020年2020年10月7日修订2020年10月10日接受2020年10月16日网上发售保留字：超声图像斑点噪声的小波变换消噪A B S T R A C T斑点噪声是超声成像中的主要问题。斑点噪声降低了后续图像处理的速度和精度，如分割，描述等，但减少斑点噪声可能会导致边缘和重要特征的模糊或丢失。在我们的工作中，我们采用了一种新的阈值规则的基础上小波变换的斑点减少超声图像。小波变换通过分别处理图像中存在的不同频率分量来对给定图像执行多尺度分析。实验结果表明，与现有的阈值分割规则相比，本文提出的阈值分割规则对医学超声图像的斑点噪声抑制、边缘保持和特征保持都有较好的效果。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍超声成像系统使用非常高频率的声波来生成图像。频率超过20000赫兹的声波被称为这些高频声波通过换能器传输到人体内。然而，当组织遇到超声波时，这些超声波的一部分被反射回来。这些反射的超声波形成超声图像。超声成像的日益增长的使用背后的流行性在于其是低成本、非侵入性方法、具有高时间分辨率并且不存在有害的电离辐射。此外，超声波图像是实时捕获的，因此，内部器官如组织的运动、心脏瓣膜的功能、胎儿的运动和血液在血管中的流动可以容易地被捕获。被发现[2]。与X射线和PET成像（正电子发射断层扫描）不同，它不使用有害辐射来产生超声图像。因此，在诊断下，人体不会受到辐射的副作用。超声图像可用于心脏、肾脏、肝脏、胰腺、甲状腺、胆囊、颈动脉、乳腺及胎儿生长发育的诊断。频率的具体值取决于诊断下的身体部位[3]。虽然超声图像具有许多优点，但它也存在严重的人工流产问题。*通讯作者。电子邮件地址：leenajain79@gmail.com（L.Jain），palwinder_gndu@yahoo.com（P.Singh）。事实除了低空间分辨率之外，斑点噪声、杂波和阴影是超声成像中常见的伪影。然而，斑点噪声已经被认为是超声成像中的主要伪影。它在采集期间被引入超声图像中，并且是所有相干源所固有的。超声图像中的散斑噪声引起的主要问题是可见光分辨率降低、图像模糊，同时也降低了后续图像处理的速度和精度。作为结果，从给定的超声图像中提取基本信息变得非常困难。本文的第二部分讨论了相干斑噪声和现有的一些著名的相干斑抑制技术。第三节概述了小波变换和小波阈值去噪的基本原理。第四节给出了基于小波变换的阈值分割规则4.第5节和第6节分别讨论了实验设置和图像质量指标。手稿的第7节和第8节描述了针对模拟肾脏图像、合成图像和真实超声图像获得的相应客观和主观结果。最后，关于拟议工作的结论性意见载于手稿第9节。2. 散斑噪声及几种常用的散斑噪声抑制方法散斑噪声的存在降低了图像的质量，因此感兴趣区域变得难以分析。https://doi.org/10.1016/j.jksuci.2020.10.0091319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comL. Jain和P. Singh沙特国王大学学报4462ðÞðÞðÞðÞejfw j-TFFF在超声图像中，散斑噪声表现为颗粒状图案，其起源于来自亚分辨率散射体的相长和相消波干涉。可以使用统计和概率方法来解释斑点噪声的发生，并且通常可以以下面给出的数学形式对其进行建模[4]。gi;jfi;j ωmi;j ni;j1其中，f∈i;j∈是原始图像，g∈i;j∈是由加性噪声g∈ i;j和乘性噪声m ∈ i;j破坏的退化图像。加性噪声（例如传感器噪声）的影响与乘性噪声i ∈n ∈ i;jm ∈ i;j相比可以忽略不计，因此等式（1）可以重写为<T0ifjfwjT<ð3Þ以在给定图像中的统计特性改变时改变滤波器行为。[10-13]中提出了许多不同的自适应滤波器，这些自适应滤波器根据不同的统计和几何特性，如局部均值、棒方向、标准差和非局部均值分别大多数空间域方法都适用于而软阈值化不是保持系数不变，而是将系数缩小阈值的绝对值。在等式（4）中定义软阈值化算子。加性噪声，但是对于斑点噪声不能给出好的结果的^空间域方法以单一尺度分析给定图像Wsgnfwjfwj-Tifjfwj>T0ifjfwjT<ð4Þ最近[14]提出了一种自适应模糊方法来减少超声图像中的斑点噪声。在[15]中，提出了一种Schur分解的数学技术，其中图像根据散斑图案的大小被分成重叠区域。这些段的协方差用于计算全局协方差矩阵，该协方差矩阵进一步使用schur分解进行分解以获得正交向量。随后仅考虑那些正交向量，其具有最大幅度的本征值以减少来自超声图像的斑点噪声。利用偏微分方程的概念，提出了各向异性扩散的散斑抑制方法[16].后来，在偏微分方程中进行了一些调整，以创建更有用的自适应滤波器[17，18]。提出了基于图像像素的平均平滑和辐射强度的选择性平滑，以减少超声图像的斑点噪声[19]。文献[20]提出了一种受草食动物行为启发的新的所提出的方法增强了超声图像中存在的结构之间的过渡，并减少了伪影。在[21]中，提出了一种基于CUDA的高性能计算架构，用于快速有效地实现降噪算法。在[22]中，提出了一种使用遗传算法通过LPA-ICI（基于局部多项式近似的相交置信区间）的参数优化来降低MR图像噪声的新方法[23]一个新的两阶段提出了一种过滤器，用于去除高浓度的盐和胡椒，虽然研究中发现软阈值法优于硬阈值法，但硬阈值法和软阈值法都有各自的缺点。4. 拟议的持牌规则为了克服硬阈值和软阈值存在的问题，提出了一种新的小波阈值规则硬阈值规则产生过平滑图像，并且阈值'T'和'-T'不连续，导致吉布斯现象。因此，给定图像的方差变得非常大，并且不利地影响图像细节。软阈值规则不产生Gibbs现象，但当阈值小于修正系数时，原始小波系数和修正后的小波系数之间存在一个常数偏差这是因为当小波系数的值大于阈值时，小波系数会收缩，所以小波系数可能与之前的小波系数不同这些偏差可能会影响重建结果。为了克服硬阈值法和软阈值法存在的问题，进一步提高相干斑抑制效果，提出了一种新的基于小波变换的阈值法所提出的阈值规则在以下等式（5）中给出。图像.超声图像是实时采集的，因此在任何去噪算法中，时间都是非常关键的因素。另一关于我们8T，ð5Þ方法是多尺度，其中在多个尺度上执行分析以将图像结构与噪声分离。0ifjfwjT<.¼.¼：L. Jain和P. Singh沙特国王大学学报4463yy;其中e，f，w是小波系数，小波阈值5. 实验装置具有阈值T和“sgn”的系数用于表示正负号函数。提出的阈值分割规则可以自适应调整，并可计算阈值。所提出的方法的基础取自现有方法，例如，如果阈值因此，它是软阈值和硬阈值规则的组合。等式（5）中给出的阈值规则早先用于时间序列的噪声降低[31]。这里使用等式（5）作为用于从超声图像减少斑点的阈值规则，并且发现所提出的阈值规则给出比使用不同阈值技术的硬阈值规则和软阈值规则更好的结果。在给定的数据集上，利用Visu-Shrink、Bayes-Shrink、Mod-Bayes-Shrink和Normal-Shrink对所提出的阈值规则与硬阈值规则和软阈值规则进行了性能比较。据观察，所提出的阈值规则优于每一个阈值技术的低和中等方差的噪声。 使用不同的图像质量指标，如峰值信噪比（PSNR），均方误差（MSE），结构相似性指数（SSIM），相关系数（CoC），特征相似性指数（FSIM）和边缘保持指数（EPI）和斑点抑制指数（SSI）的性能进行比较。软阈值规则优于硬阈值规则和提出的阈值规则优于软阈值规则的结果与每一个阈值技术观察到类似的模式本文提出的超声图像斑点噪声抑制算法如下。步骤1：对给定噪声进行离散小波变换以Daubechies（DB8）为母小波，选择分解层2，步骤2：使用公式计算给定图像的噪声方差（6）下面中位的。. E ij。ΣΣ20：675用于实验的数据集包括肾脏体模、合成图像和真实超声图像。使用Jensen[32]开发的field-II模拟器模拟kid- ney幻影。Field-II是利用空间脉冲响应概念模拟超声成像系统的软件。用于模拟的方法基于线性系统理论，并通过空间脉冲响应找到连续波和脉冲波的超声场[33]。应用狄拉克δ函数激励换能器，在空间中的特定点处发射超声场。通过空间脉冲响应与激励函数的卷积，可以模拟不同激励下的场。不同图像的模拟时间通常很长，但可以通过使用低采样频率来保持。换能器的变迹、衰减和聚焦由模拟器中的不同程序完美地处理。该模拟器可用于模拟点扩散函数、B型囊肿体模图像、B型合成胎儿图像、B型合成胎儿图像，也可用于血流模拟。我们在换能器中使用了128个元件将64个有源元件和换能器频率调整为7 MHz，以创建肾脏体模。其它输入参数调整为：声速1540 m/s，振子宽度0.15 mm，振子高度5 mm，采样频率100 MHz。右侧纵向盆腔肾的真实超声图像取自Geldrsevallei医院提供的在线医学图像数据集，用于研究目的[34]。还拍摄了尺寸为512*512的合成图像，并且使用Matlab人工添加方差为0.02至0.06的斑点噪声。除了真实超声图像之外的其他图像在数据集中取得，以使结果更真实，因为参考图像对于真实不可用。超声图像.虽然仿真结果不能可以扩展到真实的超声图像，但仍然在相同的不同算法的性能可以步 骤 3 ： 通 过 使 用 等 式 （ 7 ） （ Vis-Shrink ） 或 等 式 （ 8 ）（ BayesShrink ） 或 等 式 （ 9 ）（ Modified BayesShrink ） 或 等 式（10）（NormalShrink）来计算阈值。在相干斑抑制和特征保持方面得到验证。Tv¼q2logPr^2r^2ð7Þ6. 图像质量度量超声图像的质量要求得到保持和提高，因此对超声TB¼ r^2r^2ð8Þ阶段在这些应用中，人眼是最终的观察者使用主观质量测量，但是存在一些应用，其中图像质量的评估应该在自动化的基础上自动进行。不需要任何人为干预的数学方法的TNS¼CNSr^2r^2TMB¼CMBr^2ð9Þð10Þ客观IQMs也可以分为误差度量、噪声度量、相关度量和结构度量[35]。我们已经考虑了用于评估结果的所有类别的指标。使用完全参考IQMs对合成、囊肿和肾脏体模、B型超声图像和无噪声超声图像进行性能比较。峰值信噪比步骤4：应用所提出的阈值规则（在等式（5）中给出）在保持近似系数不变的情况下，对细节小波系数进行阈值化，以获得阈值化系数。第五步：对小波系数进行小波逆变换，得到最终的重构图像.该阈值规则在低、中等噪声方差条件下具有较好的相干斑抑制、特征保持和边缘保持效果。使用所提出的阈值规则的散斑抑制的框图在下图中给出。1.一、峰值信噪比（PSNR）、均方误差（MSE）、结构相似性指数特征相似性指数（FSIM）、边缘保持指数（EPI）、相关系数（COC）由于参考的无噪声图像不可用于真实超声图像，因此上述度量不能用于其性能评估。利用主观评价和斑点抑制指数对实际超声图像进行了检验。我们的研究中使用的一些指标的细节如下。yr^2¼ð6ÞL. Jain和P. Singh沙特国王大学学报4464MMN.ðÞFF¼F^FF^FXX图1.一、使用建议的保持规则的散斑抑制框图6.1. 均方误差（MSE）其中I2最大强度，MSE是均方均方误差是去噪图像和参考图像强度之间的差值平方和除以图像大小[36]。数学上，均方误差定义为等式（11）中给出的。错误.6.3.结构相似性指数（SSIM）结构相似性指数（SSIM）是一种用于发现损失由于对给定图像进行去噪而产生的结构信息的M N。均方误差（MSE）联系我们2ÞÞ ð11Þ该算法使用的假设，像素之间的依赖关系包含重要和显着的信息，结构，它简单且计算成本低，这是其广泛用于各种图像质量测量的原因。一张图片[37]SSIM如等式（13）中给出的那样定义。6.2.峰值信噪比（PSNR）SSIM¼.2lfl^fK1·。2rf^fK2l2l2K1·。r2r2K213Þ图像的质量被测量为可用的最大强度（信号的情况下的功率）与均方误差的平方根的比率。它以分贝为单位。对于给定的图像fi，j，PSNR在数学上被定义为如等式（12）中给出的。I2在哪里lf 是参考图像的平均强度，L^f 是去噪图像的平均强度，r2是参考图像的方差，r^2是去噪图像的方差，rf^f 是参考图像和去噪图像的协方差，K 1和K 2是稳定常数，PSNR10logMMSEð12Þ防止分母变得太小。K1、K2值按给定公式计算。L. Jain和P. Singh沙特国王大学学报4465[美国]^FðÞðÞ“#圣诞快乐Þ肾上腺素注射液1f^fF^FSIM卡F^F2Pk2XPC M kffGK111L12和K212L22其中J1和J2是值小于1的常数，L是FSIM 1/4Pk2XSIMLPCM19强度的动态范围。当它们之间没有相似性时获得最小值，当^fi;j2lf-fi;j.6.4. 相关系数（COC）COC的作用仅限于线性关系，不能用于发现非线性关系。数学公式在下面的等式（14）中给出COC的值。其中，PCM kmaxPC1k;PC2k，X是整个图像的空间域。6.7. 散斑抑制指数（SSI）斑点抑制指数被用作真实超声图像的定性测量。SSI公式在以下等式（20）中给出。r^f Lf公司简介P.fi;j-lf：. ^fi;j-l^fð14ÞSSI¼l·rfð20Þ我知道了。ffiffi ffifffi ffiðffi ffiiffiffi；ffiffijffiÞffiffi ffi—ffiffi ffiffi ffilffiffi ffi2ffi ffiΣffiffi ffi：ffi ffiPffiffiffiffiffi ffi.ffiffiffi^fffiffiðffiffiiffi;ffiffijffiffiÞffiffiffi-ffiffiffiffilffiffiffiffi2ffiffiΣffiffi其中lf是噪声图像的平均强度，l^f是平均强度r2是含噪图像的方差，其中l和lf^f是参考图像的平均强度，f^f去噪图像，分别。6.5. 边缘保持指数（EPI）EPI使用通过高通滤波过程获得的边缘图像之间的相关性[38]。EPI可以使用给定的等式（15）来计算。去噪图像SSI的值越小表示越好结果表1使用Visu-Shrink获得的硬，软和建议的保持规则之间的PSNR，MSE和SSIM值的性能比较。去噪技术图像质量评价PMPNDf峰值信噪比MSE SSIM噪声图像15.8613 1686.341 0.1497PMPN1/1DfVisu-Soft 16.1354 1537.5425 0.2043视觉硬盘16.0679 1535.6356 0.1816其中Dfi;j 是高通滤波的参考图像，并且是高通滤波的去噪图像。图像eDfi;j的平均强度表示为Dlf 并且Imag eD^f的平均强度被给出为Dl^f。6.6. 特征相似性指数特征相似性指数是一种基于人类视觉特征的Visu-申报16.2627 1509.7742 0.2043表2使用贝叶斯收缩获得的硬，软和建议的保持规则之间的PSNR，MSE和SSIM值的性能比较。去噪技术图像质量评价峰值信噪比MSE SSIM理解图像中可感知的变化，水平细节[38，39]。视觉上明显的特征，如相位控制，噪声图像贝叶斯软15.861315.9811686.3411614.66690.14970.1848梯度（PC）和梯度幅值（GM）具有显著的重要性。贝叶斯-硬15.93251649.12440.1573在表征图像的局部质量方面的作用贝叶斯-建议16.03621529.11560.1843对于参考图像fi;j和去噪图像fi;j，PCf和PC^f是它们的相位一致性，Gf和G^f是它们的相位一致性。梯度幅值相位一致性之间的相似性表3PCf和PC^f并且梯度幅度Gf和G^f在等式中给出使用Mod-Bayes-Shrink获得的硬、软和建议的保偏规则之间的PSNR、MSE和SSIM值的性能比较。（16）和（17）。去噪技术图像质量评价SIMPC k2PCfkPC^fkT116PC2kPC^2kT1峰值信噪比MSE SSIM噪声图像15.8613 1686.341 0.1497Mod-Bayes-Soft 16.3054 1501.3184 0.2164“2GkGkT#F^F2G2kG 2kT其中T1和T2是具有正值的稳定常数，并且它们的值被认为在（0，1）之间。另一个参数SIMLk通过组合SIMGk和SIMG k来定义用于总体相似性，SIM Gk由等式（18）给出。SIMab表4使用Normal-Shrink获得的硬、软和建议的保持规则之间的PSNR、MSE和SSIM值的性能比较。去噪技术图像质量评价Lð18Þ峰值信噪比MSE SSIMPC和G的相对重要性可以通过使用参数a和b来调整。一般来说，它被认为是a=b= 1。相应地，参考图像fi，ji与去噪图像f i，j j i在等式（19）中给出F^Fð15Þ第1页ð17ÞMod-Bayes-Hard15.95241638.98370.1883Mod-Bayes-拟定16.73521358.68630.2171噪声图像15.86131686.3410.1497正常-软16.39391358.75960.2189正常-硬15.93211639.09170.1888正常-拟定16.43361359.04080.2189L. Jain和P. Singh沙特国王大学学报4466图二、硬、软和建议的基于模拟肾脏图像的不同图像处理技术的图像处理规则的结果表5使用Visu-Shrink去噪技术图像质量评价表6使用贝叶斯收缩获得的硬、软和建议的保持规则之间的FSIM、COC和EPI值的性能比较。去噪技术图像质量评价FSIMCOCEPIFSIMCOCEPI噪声图像0.59170.59190.145噪声图像0.59170.59190.145Visu-Soft0.62320.64160.2535贝叶斯软件0.59890.60890.1982视觉硬0.59530.62610.1946贝叶斯-硬0.59830.59770.1532Visu-建议0.62380.64360.2511贝叶斯-建议0.59810.61740.20037. 模拟肾脏图像的实验结果与讨论表1-4包含模拟Field-II肾脏的各种算法的PSNR、MSE和SSIM值图像.实验结果表明，硬阈值法在超声图像斑点噪声抑制中不如软阈值法有效。使用Mod-Bayes-Shrink方法得到了最佳的阈值分割结果，其中L. Jain和P. Singh沙特国王大学学报4467表7使用Mod-Bayes-Shrink获得的硬、软和建议的保持规则之间的FSIM、COC和EPI值的性能比较。去噪技术图像质量评价FSIMCOCEPI噪声图像0.59170.59190.145Mod-Bayes-Soft0.64730.65380.2964Mod-Bayes-Hard0.60840.61780.1833Mod-Bayes-拟定0.66860.66780.2964表8使用Normal-Shrink去噪技术图像质量评价FSIMCOCEPI噪声图像0.59170.59190.145正常-软0.65010.65620.3167正常-硬0.61840.62770.1962正常-拟定0.65080.65970.3166表9实际超声图像算法SSI算法SSIVisu-Soft0.9310Mod-Bayes-Soft0.9198视觉硬0.9602Mod-Bayes-Hard0.9487Visu-建议0.9283Mod-Bayes-拟定0.9123贝叶斯软件0.9324正常-软0.9196贝叶斯-硬0.9572正常-硬0.9440贝叶斯-建议0.9315正常-拟定0.9167与软阈值法相比，PSNR、MSE、SSIM、FSIM和COC分别提高了但由于改进不明显，在边缘保持方面还需要进一步改进。所提出的方法的计算复杂度与现有方法非常相似图三.使用Visu-Shrink和Bayes-Shrink对真实超声图像进行硬、软和建议的保留规则的结果。表10不同去噪方法对合成图像PSNR值的性能比较去噪技术方差0.020.030.040.050.06噪声图像25.600223.860722.635321.672520.8915维纳滤波器34.738433.178232.005330.147428.4635混合滤波器[24]35.125334.025631.822330.213528.7632Visu-Soft33.50432.064831.105930.356729.769视觉硬34.265132.837431.526630.569729.7296Visu-建议34.576433.256732.049530.608529.7857贝叶斯软件28.775326.934325.81424.901624.1531贝叶斯-硬26.156524.48123.253622.307721.5513贝叶斯-建议29.09426.9825.989124.956124.1057Mod-Bayes-Soft34.419333.900632.937130.997729.4042Mod-Bayes-Hard28.597626.959525.922424.93724.3195Mod-Bayes-拟定35.678534.225633.255131.386529.4839正常-软34.751233.574932.641731.890631.1991正常-硬30.508129.101228.030727.27326.4606正常-拟定35.308834.214333.168632.061731.1871L. Jain和P. Singh沙特国王大学学报4468见图4。使用Mod-Bayes- Shrink和Normal-Shrink对真实超声图像进行硬、软和建议的保留规则的结果。图5.1. 参考合成图像。硬阈值和软阈值，因为小波变换和Daube-chies母小波在所有方法中是通用的。但由于计算复杂，所提出的阈值规则所花费的总时间略多于软阈值规则。此外，还讨论了更好地去噪图5.2. 方差为0.04的散斑噪声污染的合成图像成像可以节省后续图像处理任务时间。因此，通过对所提出的阈值规则、硬阈值规则和软阈值规则的全面比较，表明所提出的阈值规则优于软阈值规则。去噪图像的主观分析如图所示。 二、表5-8包含各种算法获得的FSIM、COC和EPI值。据观察，尽管所提出的阈值规则在去噪方面优于硬阈值规则和软阈值规则，但边缘和特征保留能力需要进一步改进表9和10。8. 真实超声图像的实验结果与讨论同时，还使用盆腔右侧肾脏的真实超声图像来检查不同算法的有效性。完整的参考IQMs不能用于检查不同噪声处理技术在真实超声图像上的性能。原因是参考图像对于真实超声图像不可用。给出了用于主观评价的结果图像在图3和图4中进行目视检查，显示隆起提出的方法在硬阈值和软阈值规则。此外，SSI度量还用于性能比较，因为该度量不 需 要 参 考 图 像 。 与 Visu-Shrink 、 Bayes-Shrink 、 Mod-Bayes-Shrink和Normal-Shrink的软阈值规则相比，提出的阈值规则分别显示出0.29%、0.09%、0.81%和0.32%的SSI结果。类似地，观察到SSI与硬阈值规则相比的显著改善。我们已经注意到，与Visu-Shrink、Bayes-Shrink、Mod-Bayes-Shrink和Normal-Shrink的硬阈值规则相比，建议阈值规则的SSI分别提高了3.43%、2.68%、3.84%和2.89%。表9中给出的针对硬阈值规则、软阈值规则和所提出的阈值规则的SSI的总体比较示出了所提出的阈值规则比硬阈值规则和软阈值规则执行得更好。突出显示较小的SSI值以指出最佳结果。5.1、5.2和6。全参考IQM不能用于实际超声图像，因此，性能的建议，硬和软阈值规则的实际超声图像进行了比较，使用斑点抑制指数（SSI）。结果表明，对于Visu-Shrink和Modified-Bayes-Shrink，所提出的阈值规则优于软阈值规则和硬阈值规则，对于Normal-Shrink，所提出的阈值规则与软阈值规则的性能相似，而对于Bayes-Shrink，软阈值规则的性能优于所提出的阈值规则和硬阈值规则。L. Jain和P. Singh沙特国王大学学报4469¼图六、合成图像的维纳滤波器和混合滤波器[24]的结果9. 合成图像表10包含通过在合成图像上使用各种去噪算法的实验结果获得的PSNR值。引入方差为0.02 ~ 0.06的散斑噪声人工合成的图像。大小为512*512的合成图像包含平滑强度、尖锐边缘和不同形状的区域，用于检查不同条件下不同算法的有效性。在不同噪声水平下对不同算法的性能进行了比较，使结果更具有说服力。图4.1和图4.2分别给出了参考合成图像和受方差为0.04的斑点噪声污染的当与软阈值规则相比时，使用Visu-Shrink观察到，所提出的阈值规则在噪声方差为0.02、0.03、0.04、0.05和0.06的情况下分别显示出PSNR（dB）的3.23%、3.71%、3.03%、0.82%和0.06%的改善。使用贝叶斯收缩、Mod-Bayes-Shrink和Normal- Shrink获得类似的结果模式。在图8中还发现，所提出的方法在低噪声方差的情况下显示出显著的改进，而对于高噪声方差，所提出的方法显示出不显著的改进或没有改进。相对于维纳滤波器和混合滤波器，所提出的方法具有显著的改进[29]。对于高方差的噪声，需要进一步改进去噪。突出显示每个方差的最大PSNR（以dB表示），以指示Visu-Shrink、Bayes- Shrink、Mod-Bayes-Shrink和Normal-Shrink的最佳性能。去噪图像的主观分析也使用Cohen的kappa统计测量来完成。这是一种统计方法，用于验证定性研究的评定者间可靠性[39，40]。我们已经使用了两个评分员（放射技师A和放射技师B）来检查去噪算法的有效性。以下公式用于计算kappa系数：与现有的相干斑抑制技术相比，提出的算法在图像质量上有所改善，“否”意味着所提出的算法效果不佳，需要进一步改进。以下数据来自两名评分员。两名评分员均对33张图像表示“是”两名评分员均对4张图像评分者A对33张图像说是，对7张图像说否评分者A对34张图像说是，对6张图像说否通过使用公式（21）中给出的公式，我们发现k= 0.82，这表明两个评级员之间几乎完全一致。 图6和图7中的去噪图像的视觉主观评价表明，所提出的阈值规则具有减少斑点噪声并在去噪的同时保留边缘和其他特征的能力。10. 结论在所提出的方法中，我们使用小波变换和阈值的潜力，从超声图像的斑点噪声的减少。真实超声图像的实验结果表明，与硬阈值规则相比，SSI分别提高了3.43%、2.68%、3.84%和2.89%，与软阈值规则相比 ， Visu-Shrink 、 Bayes-Shrink 、 Mod-Bayes-Shrink 和 Normal-Shrink分别提高了0.29%、0.09%、0.81%和0.32%。同样地，使用模拟图像，使用Mod-Bayes-Shrink获得了所提出的阈值规则的最佳结果，其中我们注意到与软阈值规则相比，PSNR、MSE、SSIM、FSIM和COC分别提高了2.63%、9.5%、0.325、3.29%和2.14%。使用合成图像的性能分析表明，所提出的方法在噪声方差较低的情况下表现出显着的改善，而在噪声方差较高的情况下表现出不显著或没有改善。噪声方差主观分析表明，减少提高的质量的超声图像kp0-pe1-peð21Þ此外，它提高了人类的解释能力，并产生更好的诊断结果。所提出的方法表现出令人满意的其中p0是两个评分者（A和B）之间的一致性，pe是偶然一致性的假设概率我们已经使用了总共40个图像的数据集，其中包括合成（13个图像），模拟（13个图像）和真实超声图像（14个图像），用于找到Kappa系数。评价者对去噪超声图像回答是或否，其中在散斑减少和特征保留方面都有改进。确认作者感谢I.K.G旁遮普技术大学的支持，动机和鼓励。这项研究确实-L. Jain和P. Singh沙特国王大学学报4470见图7。使用Visu-Shrink、Bayes-Shrink、Mod-Bayes-Shrink和Normal-Shrink对散斑噪声为0.04的合成图像进行硬、软和建议的保留规则的结果。L. Jain和P. Singh沙特国王大学学报4471图8.第八条。合成图像的不同去噪技术的合成图像结果的PSNR VS噪声方差图不接受公共、商业或非营利部门供资机构的任何具体赠款引用Chan，V.，Perlas，A.，].超声成像的基础。Atlas of Ultrasound-GuidedProcedures inInterventional Pain Management中的超声引导手术。施普林格，纽约，pp. 13比19A.卡罗瓦茨湾斯马伊洛维奇湾Junuzovic超声在医学中的应用Acta Inform Med 19 3201116810.5455/aim.10.5455/aim.2011.19.168-171http：www.scopemed.org/?http://www.scopemed.org/fulltextpdf.php?mno=11306Ratliff，S. T.（2013年）：Webb's Physics of Medical Imaging.第二版。医学物理，40（9）。约瑟夫，W.G.，].散斑的一些基本性质。光学学会杂志。America 66（11），1145-1150.威尔斯P.N.T. Halliwell，M.，].超声成像中的散斑。Ultrasonics 19（5），225- 229。冈萨雷斯，R.C.，伍兹，R.E.，].数字图像处理。上萨德尔河新泽西州普伦蒂斯霍尔。李，J. - S.（1980）：利用局部统计量的数字图像增强和噪声滤除。IEEE Transactionson Pattern Analysis and Machine Intelligence，PAMI-2（2）：165-168.弗罗斯特，VS，斯泰尔斯，J.A.，尚穆甘湾美国，和Holtzman，J.C.（1982）：雷达图像模型及其在乘 性噪声自适应数字滤波 中的应用。IEEE Transactions on PatternAnalysis and Machine Intelligence，PAMI-4（2）：157-166.Kuan，D. T.，Sawchuk，A.一、Strand，T. C.的方法，Chavel，P.（1985）：信号相关噪声图像的自适应噪声平滑滤波器。IEEE Transactions on Pattern Analysis andMachine Intelligence，PAMI-7（2）：165Loupas，T.，McDaddy，W.N.，艾伦，P.L.，0]。一种自适应加权中值滤波器用于医学超声图像斑点噪声抑制。IEEE Transactions on Circuitsand Systems 36（1），129-135.Czerwinski，R.N.，琼斯，D.L.，O'Brien，W. D.，1]。用方向中值滤波抑制超声斑点噪声。IEEE计算Soc. Press.Qiu，F.，Berglund，J.，J.R.詹森，Thakkar，P.，Ren，D.，2]。基于局部自适应中值滤波的SAR图像斑点噪声抑制。GIScience and RemoteSensing 41（3），244-266.Guo，Y.，中国科学院，王玉，Hou，T.，3]。一种改进的非局部算法在超声图像斑点滤波中的应用。生物医学信号处理和控制6（2），129- 138。巴布，杰杰，Sudha，G.F.，4]。基于变异系数模糊逻辑的超声图像自适应散斑抑制。生物医学信号处理和控制23，93-103。Khan，A.H.，Al-Asad，J.F.，G.B.，5]。基于Schur分解的医学超声图像斑点噪声抑制。IET图像处理12（3），307-313。佩罗纳山口，巴西-地Malik，J.，6]。利用各向异性扩散的尺度空间和边缘检测。IEEETransactions on Pattern Analysis and Machine Intelligence 12（7），629Jubairahmed，L.，Satheeskillaran，S.，Venkatesan角，7]。基于Contourlet变换的自适应非线性扩散滤波去除超声图像斑点噪声。集群计算22，11237-11246。Guo，F.，Zhang，G.，中国农业科学院，张，Q，赵，R.，Deng，M.，徐，K.，8]。加权欧氏距离各向异性扩散抑制散斑噪声。 遥感10（5）：722.de Araujo，A.F.，Constantinou，C.E.，塔瓦雷斯，J.M.R.S. 9]。使用一种新的选择性平均滤波器平滑超声图像。专家系统与应用60，96-106。de Araujo，A.F.，Constantinou，C.E.，塔瓦雷斯，J.M.R.S. 0]。一种新的用于图像增强的人工生命模型。 专家系统与应用41（13），5892-5906。Gulo，C.A.S.J.，de Arruda，H.F.，de Araujo，A.F.，Sementille，A.C.，塔瓦雷斯，J.M.R.S.1]。基于变分模型的图像平滑方法在GPU上的高效并行化。 Journal of Real-Time Image Processing 16（4），1249-1261.Thanh，D.N.H.，Hai，N.H.，Prasath，V.B.S.，你好，