| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 558064 | 1451657 | 2016 | 11 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1.مقدمه
2- متدهای مورد نظر
2-1-مدل نوی
2-2- مدل منطق فازی تطبیقی
شکل 1-توابع عضویت گاوسی با کلاس های مختلف.
جدول 1 آستانه ها را برای دو تصویر مختلف طبیعی برای سطوح مختلف نویز محاسبه می کند.
شکل 2- تابع عضویت گاوسی برای تصویر لنا، الف- نویز با انحراف استاندارد 0.4، ب- نویز با انحراف استاندارد 0.7 و ج- نویز با انحراف استاندارد 1.0.
2-3-فیلترهای انعکاسی Speckle
2-3-1-منطقه همگن
2-3-2-منطقه دقیق
2-3-3-منطقه لبه
شکل 3- تفاوت نسبی SSIM برای تصویر لنا. (a) - (c) تفاوت نسبی SSIM با انحراف استاندارد نویز 0.4، 0.7 و 1 به ترتیب.
جدول 2- پارامتر تنظیم بهینه "C" برای تصاویر مختلف با سطوح مختلف نویز.
2-4-الگوریتم Despeckling
شکل 4- مقایسه روش های مختلف نابود کردن. (الف) تصویر لنا بدون صدا؛ (ب) تصویر پر نویز از انحراف استاندارد نویز 0.7. تصاوير Denoised به دست آمده با استفاده از پ- GenLik [10]، ت- SNIG I [11]، د- فیلتر دوجانبه سازگار [12]، ر- ATMAV [16]، و ز- فیلتر منطقی فازی سازگار مبتنی بر در CV
3- نتایج آزمایشگاهی
شکل 5- نویز حذف شده از تصویر با استفاده از الف- GenLik،ب- SNIG I، ج- فیلتر دو طرفه تطبیقی، چ- ATMAV، و (ح-فیلتر منطق فازی تطبیقی پیشنهاد شده بر اساس CV.
جدول 3-مقایسه مقادیر EPI (بتا) برای روش های مختلف با سیگما n
جدول4- مقایسه مقادیر SNR ( در dB ) برای روش های مختلف.
شکل 6- مقایسه روش های مختلف ناپاک در تصویر شبیه سازی شده فیلد دوم: (a) فانتوم کیست فاقد نویز؛ (ب) فیلد دوم فانتوم کیست شبیه سازی شده؛ (c) GenLik [10]؛ (d) SNIG I [11]؛ (e) فیلتر [12]، (f) ATMAV [16]، و (g) فیلتر منطقی فازی تطبیقی بر اساس CV
شکل 7- روش های مختلف انقباض در تصویر اولتراسوند تیروئید حاوی گره (a) تصویر تیروئید اولتراسوند و تصویر مربوط به آن با استفاده از (b) GenLik،-c SNIG I، (d) فیلتر دو طرفه سازگار، (e) ATMAV، (f) سازگاری پیشنهاد شده فیلتر منطقی فازی بر اساس CV
شکل 8- روشهای مختلف انقباض در تصویر اولتراسوند تیروئید حاوی گره (a) تصویر تیروئید اولتراسوند و تصویر مربوط به آن، با استفاده از (b) GenLik، (ج) SNIG I، (d) فیلتر دو طرفه سازگار، (e) ATMAV و (f) پیشنهاد شده فیلتر منطقی فازی تطبیقی بر اساس CV
جدول 5- مقایسه مقادیر SSIM و USDAI برای روش های مختلف برای شبیه سازی فیلد دوم تصویر
شکل 9- با استفاده از (a) GenLik، (b) SNIG I، (c) فیلتر دو طرفه تطبیقی، (d) ATMAV و (e) فیلتر منطقی فازی تطبیقی پیشنهاد شده بر اساس CV، از تصویر تیروئید اولتراسوند حذف می شود.
شکل 10- نویز از تصویر اولتراسوند تیروئید حذف شده توسط پیاده سازی (a) GenLik، (ب) SNIG I، (c) فیلتر دو طرفه تطبیقی، (d) ATMAV، و (e) فیلتر فازی سازگار پیشنهاد شده بر اساس CV
4- استنتاج
• A speckle reduction filter for ultrasound images using Fuzzy logic on Coefficient of Variation (CV) is proposed.
• In the first level of adaptation, fuzzy logic is applied to classify noisy pixels into three classes based on CV.
• In the second level, the most suitable filter is applied on Homogenous, Detail and Edge defined classes based on Structural Similarity Index Measure of the image.
• Experimental results and comparison with existing works shows appreciable improvement in noise suppression and preservation of image structural details.
Speckle reduction is an important pre-processing stage for ultrasound medical image processing. In this paper, an adaptive fuzzy logic approach for speckle noise reduction in ultrasound images is presented. In the proposed method, adaptiveness is incorporated at two levels. In the first level, applying fuzzy logic on the coefficients of variation computed from the noisy image, image regions are classified. The best suitable filter for the particular image region is adaptively selected by the system yielding appreciable improvement in noise suppression and preservation of image structural details. At the second level, to distinguish between edges and noise, the proposed method uses a weighted averaging filter. The structural similarity measure, which depends on the nature of image and quantity of noise present in the image, is used as the tuning parameter. Thus with two levels of adaptiveness, the proposed method has better edge preservation compared to existing methods. Experimental results of the proposed method for natural images, Field II simulated images and real ultrasound images, show that proposed denoising algorithm has better noise suppression and is able to preserve edges and image structural details compared with existing methods.
Journal: Biomedical Signal Processing and Control - Volume 23, January 2016, Pages 93–103