Chatoiement Réduction du bruit Dans … médicale

Chatoiement Réduction du bruit Dans ... médicale

8 chapitre

Chatoiement RÉDUCTION du bruit en échographie médicale Les Images

Figure 8. Le modèle général versez la réduction du chatoiement en Utilisant contourlet transformateur.

Figure 9. a) Image originale de l’échographie. (B) l’image Despeckled en Utilisant la transformée en ondelettes en Utilisant la sous-bande Bayes seuillage doux (niveau 3). (C) l’image Despeckled Utilisant contourlet transformation à l’aide seuillage doux. (D) l’image Utilisant Despeckled contourlet transformation à l’aide seuillage dur. l’image (e) Despeckled Utilisant contourlet transformation à l’aide seuillage semi-doux.

Figure 10. Le schéma synoptique du procédé de déchatoiement basons sur la transformée contourlet à la filature du cycle.

Figure 11. Les facts de PSNR et SNR verser Diverses methods de seuillage par la méthode obtenues de CT à la base de filage de cycle de et Que par la méthode à la base CT directe de.

Figure 12. Les facts de MSE verser Diverses methods de seuillage par la méthode obtenues de CT à la base de filage de cycle de et Que par la méthode à la base CT directe de.

Figure 13. Les Valeurs du coefficient de corrélation versez Différentes methods de seuillage par la méthode obtenues de CT sur la base de filage du cycle de de et Que la méthode directe à TDM de base par.

Figure 14. Les facts de la variance verser les Différentes methods de seuillage par la méthode obtenues de CT à la base de filage de cycle de et Que par la méthode à base de CT.

Figure 15. Les facts des temps de calcul verser les Différentes methods de seuillage obtenues par cycle de filage à la base de méthode de CT et Que par la méthode à base de CT.

l’image a l’image 16. ultrasonore original (b) Utilisant Despeckled CT à la base de filage de cycle de la salle Utilisant méthode ST Figure). (C) l’image Despeckled CT Utilisant une base de filage de cycle de la salle Utilisant méthode HT. (D) d’images Despeckled Utilisant CT à la base de filage de cycle de la salle Utilisant méthode SST. (E) d’images Despeckled en Utilisant la méthode de CT directe.

Figure 18. a) l’image échographique d’origine, (b image) débruitée en Utilisant non filtre gaussien, c) l’image en Utilisant la 1ère variante with WT (d) l’image (débruitée de méthode débruitée en Utilisant 1ère variante with la méthode LP. (E) d’images Débruité Utilisant 1ère solution de rechange à la méthode CT. (F) l’image débruitée Utilisant 2ème variante with la méthode WT. (G) d’images Débruité Utilisant 2ème variante with la méthode LP. (H) d’images Débruité Utilisant 2ème variante with la méthode CT.

Figure 19. Le modèle général versez la représentation gaussienne du bruit de chatoiement.

Figure 22. a) Image originale de l’échographie (b) l’image en Utilisant la Despeckled contourlet transformée with the cycle de filage c) image de (débruitée en Utilisant le modèle Proposé par régression linéaire. La boîte Indique la Région d’images Dans (b) et (c) montrant l’improvement visuelle de plan de premier plan en raison de la déchatoiement.

Figure 23. a) Une image d’image sous originale à ultrasons (b) sous-images de les supprimant en impuretés Utilisant non filtre Wiener (c) de sous-images de les supprimant en impuretés Utilisant la méthode de WT (d) de Sous- l’image de les impuretés supprimant les images méthode de CT (e) sous l’utilisation de les supprimant à l’aide impuretés de cycle de filage d’image CT méthode basée sur (f) sous des Utilisant les impuretés Proposé supprimant modèle de régression linéaire.

Chatoiement RÉDUCTION du bruit en échographie médicale Les Images

[1] Département de P.G. Etudes et Recherches en Informatique, Université Gulbarga, Gulbarga, Karnataka, Inde

[2] Département d’informatique et de génie, le Dr P.G.H. de B.L.D.E.A College of Engineering, Bijapur, Karnataka, Inde

[3] Département de médecine, Sri.B.M.Patil Medical College, Université BLDE, Bijapur, Karnataka, Inde

1. Introduction

L’utilisation de l’Imagerie par ultrasons Dans le diagnostic médical is bien ÉTABLI en raison de sa nature non invasive, à Faible Cout, la capacity de l’ancien l’imagerie en temps réel et à l’improvement de la qualité de l’image continuer. Cependant, IL Souffre D’UN certains NOMBRE DE Lacunes ET CEUX-ci comprennent: le bruit d’acquisition de l’Equipement, le bruit ambiants de l’Environnement, La Présence de tissu de fond, d’Autres Organes ET influences anatomiques Telles Que la graisse du corps, et le mouvement de respiration. Par Conséquent, La réduction Du Bruit est tres types importants, les plongeurs de Qué de bruit genere Limite l ‘efficacité DU d’Images de diagnostic médicales.

L’échographie is a onde sonore Avec Une frequency supérieure à 20 kHz. Il transporte l’énergie et se Propage à Travers several means Comme une onde de pression pulsée [1]. Il Est decrit par Un Certain Nombre de paramêtres d’onde tells Que la densité de la pression, la direction de propagation, et le Déplacement des particules. Si le Déplacement des particules à la is parallèle direction de propagation, l’onde Puis is appelee juin onde longitudinale ous de compression. Si le Déplacement des particules is Perpendiculaire à la direction de propagation, il is a cisaille ous D’une onde transversale. L’interaction des ondes ultrasonores with the tissu is Soumis aux lois de l’optique géométrique. Il inclut la réflexion, la réfraction, la diffusion, la diffraction, interférence, l’absorption et l’. À l’exception des Interférences, Toutes les Autres interactions réduisent l’intensité du faisceau d’ultrasons.

technique à ultrasons is Principalement basée sur la mesure des échos Transmis en arrière à partir d’un soutien non LORs de l’envoi d’onde ultrasonore juin à Elle. Dans la technique de l’échographie impulsion d’écho, l’onde ultrasonore interagit with les tissus et des Rendements Énergétiques CERTAINS Transmis au transducteur à Détecter par l’instrument [2]. En outré, les ondes réfléchies par la are captées sonde du transducteur et relayées vers la machine. L’appareil calcule de la distance de between sonde de transducteur versez les tissus ous d’organes (Limites) en Utilisant la vitesse du son Dans les tissus (1,540 m / s) et le moment où du retour de each écho (millionièmes de seconde). L’appareil affiche les distances et les intensités des échos sur l’écran, la photo de la formation de d’en juin en Deux dimensions. structures superficielles Telles Que les muscles, les tendons, les testicules, du sein et du cerveau du nouveau-né à juin images are frequency, plus élévée (7- 18 MHz), Qui offre juin Meilleure résolution et axiale latérale. des structures, plus profondes, tells Que le foie et les reins are images à juin frequency Inférieure à 6/1 MHz axiale Inférieure et juin résolution latérale Mais juin, plus grande pénétration.

L’Utilité de l’imagerie par ultrasons is dégradé par la présence du bruit du signal de personne à charge, sous le chatoiement Connu. bruit chatoiement multiplicatif is in the nature. Type This is a de bruit propriété inhérente de l’imagerie médicale à ultrasons et à la cause of this bruit de la résolution et le contraste d’images deviennent réduite, Ce Qui affecte la Valeur diagnostique of this modalité d’imagerie [3]. AINSI, la réduction du bruit de chatoiement is a étape de treatment Préalable Essentielle, each foie Que l’imagerie par ultrasons is used versez l’imagerie médicale. Conséquent Par, l’image déchatoiement is une tache très Importante, et Doit Être filtré [4 -6], sans Affecter les characteristics IMPORTANTES de l’image.

Dans les images échographiques, le contenu de bruit gaussien is multiplicatif et non. Ce bruit généralement de is, plus difficile à eliminer Que le bruit additif, Parce Que l’intensité du bruit varie with the intensité de l’image. Un modèle de bruit multiplicatif is Donné par

y i j = X i j n i

Dans l’équation (14) .. le σ k is l’écart de type du noyau et K – is la Valeur moyenne du noyau d’intensité. Le seul Inconvénient du filtre Kuan is that the Paramètre ENL Doit Être calculee.

Le filtre de Wiener [14] is a filtre de domaine de l’espace linéaire. Deux alternatives de Il exists. méthode transformateur (i) de Fourier (fréquentiel de domaine) (ii) signifié méthode au carré (domaine de l’espace), verser la mise en œuvre du filtre de Wiener. La première variante is Utilisée for the réduction du bruit et de déconvolution, TANDIS Que la seconde variante is Utilisée for the débruitage only. Le domaine frequency alternatif de filtrage de Wiener Nécessite juin Préalable Connaissance des Spectres de puissance du bruit et de l’image d’origine. Mais, in the domaine de remplacement spatiale, Aucune Connaissance Préalable is Nécessaire. Elle Est basée sur le principe statistique moindres carrés et de minimiser l’erreur quadratique moyenne Entre la séquence de signaler et réelle de la séquence de signaux souhaitée.

image juin Dans, les proprietes statistiques DIFFÉRENTS trop D’une région à Une Autre région. AINSI, Les Deux statistiques Mondiales (moyenne, la variance ET moments d’ordre supérieur de Toute l’image) ET des statistiques locales (moyenne, variance ET moments d’ordre supérieur du Noyau). Sont Important filtrage de Wiener is basons sur les statistiques, Globales et locales et par is gave

Y i j = K – + σ k 2 σ k 2 + σ 2 K u v – K –

where Yij Désigne l’image despeckled, K – is la moyenne locale, σ k 2 is la variance locale, K u v est u. v t h pixel Dans le noyau K et σ 2 is the variance globale. Considérons le noyau de la taille MxM, PUI variance locale σ k 2 is definie par l’équation. (dix). De l’équation (15) .. sur la sortie observer Que du filtre is Égale à moyenne locale si la Valeur du pixel central is Égale à moyenne locale, ous bien il affiche la Valeur Modifiée Différente de moyenne locale. AINSI, la sortie du filtre varie de la moyenne locale en fonction de la variance locale et tente de MAINTENIR la Valeur réelle d’origine Dans la mesure du possible AINSI.

Le filtre Lee et filtre de Wiener are mis en œuvre en Utilisant le noyau de taille 3×3, 5×5, 7×7 et le filtre Kuan Utilisant 3×3 taille du noyau et 5×5.The filtre de Wiener classique, ne Sont suffisantes de Pas pour eliminer le chatoiement, voiture il is designed Principalement versez additif de suppression de bruit. Verser le visage faire à la nature multiplicative du bruit de chatoiement, juin approach homomorphic is developpee Dans [15], Qui ConvertIt le bruit multiplicatif en bruit additif, en Prenant le logarithme de l’image, le filtre appliqué Puis de Wiener. Le PSNR, SNR, CC, la variance et MSE are considérées Comme des Mesures de la performance du filtre. Les chiffres 1.-4. montrer les Résultats Moyens obtenus verser 70 images échographiques, Qui sont despeckled Kuan utilisent, Lee et filtre de Wiener. L’optimalité is specified par les Autres critères, à savoir (i) La Hausse des facts SNR et PSNR, (ii) la variance Inférieure, les facts MSE et (iii) Coefficient de corrélation is equal Presque à un. A partir des figures 1.-4. sur observer Que Le filtre de Wiener AVEC La Taille du Noyau 3×3 Donne de Meilleurs Résultats Que d’Autres filtres déchatoiement. Le temps de calcul des Différents filtres are Donnés in the tableau 1. Le filtre Ayant Moins de temps de calcul is généralement des applications Requis verser en temps en ligne et bobines. Le Moins Valeur de calcul is mise en évidence. À partir du tableau 1, sur observer that the filtre de Wiener with la taille du grain is better 3×3 parmi Tous Les filtres par rapport ici, verser les impuretés supprimant les images échographiques médicales.

Pour un bon jugement de la performances des filtres, l’évaluation subjective Doit Être pris en considération. Pour évaluation subjective juin, les images despeckled des Différents filtres are presentes sur la figure 5. Dans la figure 5, sur observer l’inspection visuelle juin Que Tous les Trois methods reached Une bonne exécution de la suppression Du chatoiement. Cependant, les filtres Lee et Kuan have PERDU Un grand Nombre de détails du Signal Et Les images résultantes Sont floues. En outré, le filtre de Wiener with la taille du noyau 3×3 a abouti à la mise en valeur des images better visuelle d’échographie médicale. Toutefois, le filtre Lee estompe le bruit Dans les Régions plaques, Mais laisse les petits détails tells Que les lignes et la texture inchangée.

Figure 1.

Performance des Différents filtres de déchatoiement, en Termes de PSNR, SNR.

Figure 2.

Performance des Différents filtres déchatoiement, en Termes de variance

La figure 3.

Performance des Différents filtres de déchatoiement, en Termes de MSE.

La figure 4.

Performance des Différents filtres déchatoiement, en Termes de coefficient de corrélation

La figure 5.

Comparaison des performances des Différents filtres déchatoiement par inspection visuelle l’image de d’en juin échographique du rein.

Tableau 1.

Comparaison des performances des Différents filtres déchatoiement BASES sur le temps de calcul.

AINSI, le directeur Inconvénient du filtre Lee is req, il a tendance à le Ignorer bruit de chatoiement Dans la zone la plus de proche des bords et des lignes. Le filtre Kuan is being Considéré Comme en plus du filtre supérieure Lee. Elle ne fait pas juin rapprochement de la variance de bruit Dans la fenêtre de filtre. La limitation du filtre Seule Kuan is Le temps de calcul en raison de Élevé l’estimation du Paramètre ENL. Le filtre de Wiener AVEC La Taille du Noyau 3 × 3 Est éfficace verser PRESERVER LES BORDS ET d’Autres informations détaillées JUSQU’A Une certaine mesure. En outré, when les Différents filtres de domaine spatial Comparées are d’inspection visuelle par, sur CONSTATE Que le filtre de Wiener with la taille du noyau 3 × 3 a abouti à l’amélioration des images Mieux Visuelle d’échographie médicale. En outré, versez l’élimination complète de chatoiement sans Perdre Aucune Donnée Ne est pas possible à l’heure actuelle. Céci is Parce Que Tous Ces filtres reposent sur des Données au pixel filtré Liées statistiques locales. Une Autre approche Consiste à la transformée en UTILISER ondelettes.

3. Méthode transformée en ondelettes

Le principe de réduction Objectif de la granularité is d’enlever le chatoiement sans Perdre beaucoup de détails Contenus Dans Une image. Verser Atteindre CET Objectif, Faisons Nous utilisation de la transformée en ondelettes et d’appliquer l’analyser l’image de localiser de juin en Différentes Composantes de Fréquences ous bandes Utiles Et Puis Réduire EFFICACEMENT le chatoiement Dans les sous-bandes SELON LES statistiques Locales Dans les multirésolution versez bandes. Le principale avantage de la transformée en ondelettes is that the fidélité d’après l’image la reconstruction is sans perte visuellement.

Une ondelette is a fonction mathématique Utilisée versez décomposer juin fonction Donnée signal de UO d’en non en temps continu en Différentes Composantes de frequency et d’Étudier each Composant Avec Une résolution Qui correspondent à fils échelle. Une transformée en ondelettes est là représentation d’Une fonction nominale ondelettes. Les ondelettes are redimensionnées et traduits copies (sous le nom connues ondelettes fille) D’une longueur finie ous en décomposition rapide forme d’onde oscillante (Connue en Tant que mère ondelettes). transformées en ondelettes are classés en transformée en ondelettes continuer (CWT) et transformée en ondelettes discrète. CWT analyser le signaler à Travers les Décalages en continu D’une fonction évolutive sur le plan non temporel. Parce Que des Ordinateurs nature discrète, des programmes informatiques utilisent la transformée en ondelettes discrète. La transformation discrète est tres Efficace du Point de vue informatique.

débruitage d’images en Utilisant des techniques d’ondelettes is Efficace en raison de sa capacity à capter la majeure partie de l’énergie d’de transformation significatifs non signal de la DANS QUELQUES coefficients. Une Autre raison de l’utilisation de la transformée en ondelettes is due au Développement d’algorithmes Efficaces versez la décomposition du Signal et de la reconstruction [16] verser les applications de Traitement d’images Telles Que le débruitage et la compression. Une enquète-sur les techniques déchatoiement is Discute Dans [17. 18], et de techniques Nombreuses du domaine d’ondelettes are déjà DISPONIBLES Dans la littérature. Dans [19], les auteurs have presented juin méthode de suppression de chatoiement nouvelle verser les images de l’échographie médicale, Dans Laquelle il is démontré Que les décompositions de sous-bande d’images échographiques have des statistiques sensiblement non gaussiennes Qui sont les Mieux hébergé par les familles de lourdes file d’attente distributions Telles Que l’alpha stable. Ensuite, non bayésien is designed estimateur verser exploiteur bureaux statistiques. Alpha modèle stable is used for develop non processeur de suppression de bruit aveugle Qui Effectue juin opération non linéaire sur les Données. Dans [20], les auteurs Ont Proposé juin technique nouvelle verser les images les supprimant impuretés ultrasons Médicaux Utilisant la compression avec perte. Dans [21], les auteurs Ont Proposé juin technique nouvelle ondelettes basée sur l’image de débruitage, Dans Lequel les Différentes fonctions de seuil, à savoir le seuil universel, Visu rétrécir, Que rétrécir, rétrécir et Bayes rétractable normale Sont considérés verser l ‘étude. La Valeur de seuil is Calculated en Utilisant le noyau circulaire, seuil max moyenne, le plus de proche voisin et nouvelle fonction de seuil.

Toute décomposition image de juin d’en ondelettes Comporte juin paire de formes d’onde, l’ONU versez representer les hautes Fréquences CORRESPONDANT D’une image de aux partis (fonction ondelette ψ) et non verser les hautes Fréquences are with des fonctions transformées courtes (à Faible échelle). Le Résultat de WT is a ensemble de ondelettes les images d’en juin basses Fréquences OÜ partis Lisses (mise à l’échelle de fonction phiv) coefficients, Qui mesurent la contribution des ondelettes à des Endroits et des Différents échelles. Le WT Effectue juin analyse d’images multirésolution [22]. La fonction de mise à l’échelle versez multirésolution can be Obtenu est comme la solution à juin équation de dilatation de deux à grande échelle (16) .:

φ (x) = Σ k a L (k), φ (2 x-k)

Pour Une séquence appropriate des coefficientsL (K). Une Fois Que φ was found, Une ondelette mère Associée is Donnée by a équation Similaire à la recherche (17) .:

ψ (x) = Σ k a H (k), & phiv (2 x-k).

L’analyse par ondelettes conduit à de parfaits bancs de filtres de reconstruction en Utilisant le coefficient des Séquences D’UNL (K) et nonH (K). La séquence d’entrée X is convolution with passe-haut (HPF) et passe-bas (LPF) filtre non H k. a L k respectively. En outré, each Résultat is échantillonné par deux, Ce Qui donne les Signaux x H x L. et transformée Le signal de is reconstruit par suréchantillonnage et convolution with haute et basse filtres synthèse sH (K) et sL (K). En cascade la banque de filtres d’analyse with lui-même non certaine Nombre de foie, la décomposition du Signal numérique Avec mise à l’échelle de frequency dyadique Connu sous le nom DWT can be Forme. Le DWT verser Une image de signal non Comme 2D can be dérivée de 1D DWT. La Meilleure Façon verser des fonctions de get mise à l’échelle et ondelettes verser dimensions Deux is en Multipliant Deux fonctions 1D. La fonction de mise à l’échelle for the 2D DWT can be Obtenu en Multipliant Deux fonctions de mise à l’échelle 1D: φ (x, y) = φ (x) φ (y) l’image representative approximation de Sous- bande (LL). La banque de filtres d’analyse versez la structure juin 2D DWT à niveau images Trois de produit unique de détail de sous-bande (HL, LH, HH) correspondant à trois orientations (horizontale, verticale et diagonale) et Une résolution Inférieure d’images DIFFERENTES directionnelles sous-bande LL. La structure de de la banque de filtre can be itérée de Manière Similaire sur le canal de LL verser provide juin à several levels décomposition. Les ondelettes séparables are also considérés Comme des Produits tensoriels de un ondelettes dimensionnelles Et Les fonctions d’échelle. Si ψ (x) is l’ondelette juin à juin dimensionnelle Associée dimension φ de la fonction de mise à l’échelle (x). Puis trois ondelettes 2D associés à trois images sous-bande, appelées Comme Les détails verticaux, horizontaux et diagonaux, are Donnés par

ψ V (x. y) = φ (x) ψ (y)

Qui correspondant aux trois sous-bandes LH, HL et HH, respectively [23]. L’équation ondelettes produit Différents types de families d’ondelettes Comme Daubenchies, Haar, Symlets, Coiflets et ondelettes biorthogonales [24].

3.1. des techniques de seuillage

De Il EXISTE Deux approaches verser éffectuer le seuillage après calcul des coefficients d’ondelettes, à savoir la sous-bande seuillage et seuillage Mondiale [25]. Dans la seuillage sous-bande, calculons nous la variance du bruit des sous-bandes horizontales, verticales et diagonales de each niveau de décomposition, à partir des bandes spectrales Extérieures et se dirigeant vers des bandes spectrales intérieures (décomposition des levels Supérieurs vers les levels inférieurs) et de la Valeur de Calculer en seuil Utilisant Bayes retrait ous Visu règle de retrait. Dans seuillage global, Nous déterminons la Valeur de seuil à partir de la bande diagonale only, maîs Nous appliquons aux CE seuil sous-bandes horizontales, verticales et diagonales. This approach supposons Que la Bande diagonale Contains La Plupart des COMPOSANTES hautes Fréquences; D’où le contenu de bruit Dans la bande diagonale devrait Être en plus Élevé Que les Autres bandes. Seuillage au niveau le plus de ne se fait grossier pas, voiture il contains les coefficients d’approximation Qui representent la Version Traduite et de l’image Réduite originale. Thresholding à this niveau provoquera l’image de reconstruction A être déformée.

L’approche de seuillage is de Réduire les coefficients de détail (Composants à haute frequency) Dont les amplitudes inférieures à are Une certaine Valeur de seuil statistique à zéro tout en conservant les coefficients de détail, plus lisses verser Reconstruire l’sans images Idéale grande perte Dans des ses détails. Ce Processus is Parfois Appelé retrait ondelettes, PUISQUE les coefficients de détail are rétrécis vers zéro. IL EXISTE Trois Modèles versent les coefficients d’rétrécir ondelettes, à savoir, le donjon-or-tuer seuillage dur, rétrécir ous-tuer seuillage doux introduite par [26] et la récente seuillage semi-doux ous ferme. La diminution du coefficient d’ondelette is, plus Efficace si les coefficients are rares, Qui est, La Plupart des coefficients are Égaux à juin et zéro juin minorité de coefficients de grande amplitude, plus d’ayant Pouvant representer l’image [27]. Le critère de each régime is decrit Comme costume. ETANT Donné Que λ Représente la limite de seuil, Xw Désigne les coefficients d’ondelettes d’entrée et Yt Désigne les coefficients de sortie d’ondelettes après seuillage, Nous définissons les fonctions de seuillage Suivantes:

Y t = T h a r d (X w) = lt; X w. versez | X w | ≥ λ 0. écoulement | X w | lt; λ

La procédure de seuillage dur SUPPRIME le bruit par seuillage Seuls les coefficients ondelettes des détails sous-bandes, tout en conservant les coefficients de Faible résolution inchangée. Le schéma de seuillage doux Montré Dans l’équation. (22) l’extension de juin de l’Est du seuillage dur. Il Evite les discontinuités et est, par Conséquent, plus stable Que seuillage dur. Dans la pratique, seuillage doux is en plus populaire Que seuillage dur, voiture il les Réduit Changements brusques brusques Qui se produit Dans seuillage dur et visuellement de plus les fournit des images Récupérées agreables. L’Objectif de seuil demi molle is d’Offrir non Compromis Entre seuillage dur et mou en changeant la pente de la pente. Ce system Nécessite Deux Seuils, non λ de seuil Inférieur et non seuil λ supérieure1 where λ1 is Estimée à deux Fois la Valeur du seuil Inférieur λ.

3.2. règle rétrécissement

Un très grand seuil λ se rétrécira Presque Tous les coefficients à zéro et may Donner lieu à plus de un lissage de l’image, TANDIS petite Qu’une Valeur de λ aux arêtes vives conduira with des détails being Conserves, but may ne pas supprimer le chatoiement. Nous utilisons les rêgles de retrait, à savoir, la règle de retrait Visu et Bayes règle de retrait verser seuillage Qui sont expliqués Dans costume cen qui:

3.2.1. Visu règle de retrait

Visu retrait règle [28] is seuillage en appliquant le seuil universel. L’idée is de Pressothérapie

each seuil λje Soit proportionnelle à la racine carrée de la variance du bruit σ 2 locale Dans each sous-bande de l’image ultrasonore après la décomposition. Si Nk is la taille de la sous-bande Dans le domaine des ondelettes, λ Puisje

λ i = σ 2 log (N k)

images Despeckled l’aide du filtre de Wiener et le filtre Wavelet

3.3. pyramide de transformée de Laplace

Several techniques de réduction du chatoiement BASES sur des methods d’échelle multiples (transformateur par exemple Wavelet, pyramide laplacienne (LP) transformation) were proposées [30 -33]. Le LP a la Particularité Que each niveau de la pyramide genere Une Seule l’image de bande passante (same versez les CAS multidimensionnels), Pas de Qui N’a « Brouille » Fréquences. This frequency de brouillage Qui se passe Dans la banque de filtres ondelettes Quand canal non passe-haut, après l’échantillonnage vers le bas, is repliée in the frequency bande de basse, et Fait fils spectre is réfléchie. Dans le LP, this is Evite effet par échantillonnage in the canal passe-bas only.

Une méthode de réduction du chatoiement basons sur non filtrage de diffusion non linéaire d’images passe-bande ultrasonores in the domaine de la pyramide laplacienne was Proposé Dans [34], Ce Qui SUPPRIME Effectivement le chatoiement tout en conservant des bords et des characteristics détaillées. Dans [31], les auteurs Ont mis en oeuvre Une transformation pyramidale multi-échelle non linéaire, sur la base de blocs de se chevauchent les décompositions non via l’opération médiane et Une approximation polynomiale. Sur montre Que la structure this can be utile for the débruitage de Signaux ONU ET Deux dimensions (1-D et 2-D). Il can be used for the sélection des Seuils verser les Demandes de débruitage.

Dans [33], la comparaison des Deux methods multirésolution: transformée en ondelettes et pyramide laplacienne transformateur, versez la réduction de la granularité et l’improvement simultanée du contraste Pour Les images ultrasonores is Donnée. Comme une grande variabilité exists Dans les images échographiques, la méthode ondelettes se revele Être une méthode beaucoup better Que Celui Laplacien POUR UNE improvement globale. Cependant, Le Système de pyramide laplacienne doivent être Les explorées verser parvenir A De Meilleurs Résultats de déchatoiement.

3.3.1. Système pyramidal Laplacien

Une Façon d’get juin multiéchelle décomposition is d’UTILISER juin laplacienne pyramide (LP) transformateur [35]. Dans le premier stade de la décomposition, l’image originale is transformée en signal de non grossier et non le signal de différence. Le signal de grossier a d’Échantillons Moins Que l’image d’origine, Mais le signaler de différence a the same Nombre d’Échantillons Que l’image originale. Le signal de grossier version is de juin et filtrée vers le bas échantillonné de l’image originale. Il is ensuite échantillonné et filtré versez prédire l’image originale. La prédiction résiduelle Constitué le signal de détail de. Le signal de grossier may décomposée de la longe et Être ainsi this Processus can be several REPETE foie de Manière itérative. Fr supposant Qué les filtres Lp Sont des Filtres orthogonaux, image juin X is décomposé en J images de détail dj, j = 1, 2. J et juin image d’approximation grossière c J. Ensuite, NOUS Avons

‖ X ‖ 2 = Σ j = 1 J ‖ d j ‖ 2 + ‖ c J ‖ 2

Laplacien is Alors calculee est comme la difference between l’image originale et l’image filtrée passe-bas. Ce Processus se POURSUIT verser get non ensemble de détail des images filtrées (PUISQUE each is the difference between levels Deux de la pyramide gaussienne). AINSI, la pyramide laplacienne is a ensemble de filtres de détail. En répétant several foie CES ÉTAPES, juin Sequence d’images obtenue est. Si SCÉ images are empilées les UNES au-dessus de l’autre, le Résultat is a la structure de Données en pyramide se rétrécissant, et d’where le nom de la pyramide laplacienne.

Une méthode de réduction de la granularité sur la base de de pyramide laplacienne transformateur l’image de l’échographie médicale verser is Illustrée A l’aide-DU DIAGRAMME representé Sur la Figure 7. Dans la Figure 7. UNE tells approche de homomorphes Que la transformation logarithmique de l’image de tavelures corrompu, ConvertIt le bruit multiplicatif du l’image originale en bruit additif. opération homomorphique normaliser simultanément la luminosité et l’image Dans Une AUGMENTE le contraste. Verser le signal each de différence de N-niveau de Laplacien décomposition pyramidale Une valeur de seuil is calculee en Utilisant la règle de retrait de Bayes. En outré, le seuillage is Effectué versez le chatoiement Réduire. L’opération exponentielle is exécutée sur le signal de sortie de l’image filtré versez l’despeckled get.

La figure 7.

Schéma de suppression de bruit de chatoiement Utilisant juin transformation laplacienne pyramide

La pyramide de Laplace transformation is éffectuée sur l’image du journal Transformé. Les décompositions Pyramidales Laplacien Jusqu’a six levels are obtenus en Utilisant les filtres biorthogonales with des Numéros de précision suffisantes Telles Que le « 9/7 » et « 5/3 ». En outré, les régimes de seuillage tells Que seuillage dur, seuillage doux et seuillage semi-molle is réalisée versez le chatoiement Réduire. La Valeur seuil is calculee en Utilisant la règle de retrait de Bayes. L’expérimentation réalisée sur is 70 images par ultrasons du foie ET des reins. L’évaluation des performances de la méthode proposed is faité en Termes de variance, MSE, SNR, PSNR, les facts de CC Qui sont calculées à partir de l’image despeckled. La pyramide laplacienne transformée avec 1 niveau de décomposition et seuillage dur is OBSERVEE Pour Etre better Que d’Autres methods de seuillage.

Le tableau 4 montre la comparaison de la performances du LP de transformateur Proposé la méthode de déchatoiement la base with la transformée en ondelettes méthode déchatoiement de base [36]. Sur Que Remarque, en comparaison Avec Les déchatoiement images échographiques Médicales basées sur WT, le déchatoiement basons sur la méthode LP donne des resultats mediocres. Parce Que le bruit multiplicatif is type ONU Particulier de bruit du signal de personne à charge, Dans l’amplitude du Lequel terme de bruit à la is proportionnelle Valeur du signal sans bruit non nulle Ayant moyenne. Par Conséquent, juin représentation de passe-bande Comme LP ne pas verser le Convient modèle de bruit multiplicatif, Fait la méthode Doit Être Améliorée.

AFIN de SAISIR les contours lisses Dans Les images, les transformations contourlet, décompositions Qui d’permettent directionnels, are UTILISE verser les impuretés supprimant les images échographiques médicales Dans la section suivante.

transformateur 4. Méthode Contourlet

La contourlet transformée (CT) cadre est non multi-échelles et multidirectionnelle d’image discrète. Il is l’simple extension directionnelle versez ondelettes Qui résout fils Problème de sous-bande de mélange et Amélioré sa directivité. Parmi les techniques « au-delà de ondelette », contourlet Përmet ONU et des différents postes motorisés flexibles directions A each échelle, tout en réalisant non critique sampling Presque. Les proprietes de CT souhaitables verser la représentation d’images includes multirésolution, permettant aux images d’être rapprochées Dans Une grossière à belle Façon; localisation des Vecteurs de la base dans l’Espace et la frequency; Faible redondance, AFIN de ne pas increase la quantity de Données à stockeur; directivité, permettant la représentation des éléments de base de Orientes Dans Une Variété de directions; et l’anisotropie, la capacity de capturer des contours lisses en images, en Utilisant des éléments de base de juin Qui sont Variété de formes allongées with DIFFERENTS Rapports d’aspect [37].

La transformation de contourlet was Surmonter les Développé versez limitations des ondelettes et, par Conséquent, Les Nouveaux algorithmes BASES sur la transformée contourlet are, plus Efficaces Que les methods d’ondelettes. Dans [38], les auteurs have presented juin méthode de réduction de la granularité de contourlet basons verser débruitage d’images ultrasonores de sein. La structure de de la banque de filtres itérative doubles et Une petite redondance au plus de 4/3 en Utilisant Deux methods de seuillage montre juin grande promesse for the réduction de la granularité. Dans [39], les déchatoiement images médicales à ultrasons Utilisant transformation contourlet à l’aide de la règle de retrait de Bayes is étudiée. L’algorithme is also tested sur les images échographiques ovariens verser l’improvement démontrer de la segmentation Qui donne juin classement bonne versez la détection du follicule ovarien Dans Une image [40].

Dans [41] contourlet des images-bande sous, la réduction du chatoiement basée sur contourlet transformée en Utilisant l’échelle seuil adaptatif d’image ultrasonore médicales a eté CANDIDAT, où, DANS LES coefficients DE ultrasonores transformation après logarithmique modélise are Comme la distribution gaussienne généralisée. Le seuil adaptatif à grande échelle in the cadre bayésien is appliqué. La méthode is Testée sur des images synthétiques et CLINIQUES interms de ultrasons S / MSE et de préservation du Paramètre bord. La méthode proposed present juin Meilleure performances sur la suppression de chatoiement Que la méthode d’ondelettes sur la base Alors Qu’Il ne conserver bien les détails de characteristics de l’image.

La contourlet transformée en can be divisée Deux Ethic Principales: la décomposition de pyramide laplacienne et bancs de filtres directionnels. Contourlet transformateur is a échelle de several et de représentation d’images directionnelle qui utilisent d’Abord non ondelettes est comme la structure de la verser détection de bord, transformateur Puis direction juin locale versez la détection de segments de contour. Une structure double de banque de filtres de l’contourlet obtient expansions clairsemées verser les images Typiques des contours lisses Ayant. image juin décomposeur en Un certains Nombre de sous-bandes Radiales Dans la structure de de la banque de filtre double, la pyramide laplacienne is used for, et les Banques de filtres directionnels décomposer each LP DETAIL sous-bande en Un Certain Nombre de sous-bandes directionnelles. images Passe Le Groupe de (dj [N]) A partir du LP introduits de Sont Dans un DFB AFIN Que l’informations directionnelle can be capturée. Le schéma can be REPETE sur l’image grossière (cj [N]). Le Résultat combiné is a la structure à double itérative de banque de filtres, pyramidal Nommé banque de filtres directionnels (PDFB), Qui se décomposent en sous-bandes des images directionnelles A De multiples échelles. Le modèle général versez Une image en supprimant les impuretés Utilisant contourlet transformation is Représenté in the figure 8.

Figure 8.

Le modèle général versez la réduction de la granularité en Utilisant contourlet transformateur.

Dans la figure 8. Le procédé de la base de déchatoiement CT is Constitué par l’image ultrasonore initiale de la transformation logarithmique being Soumis à contourlet transformateur, verser des coefficients get contourlet. L’image de transformée is débruité en appliquant des techniques de seuillage sur each bande passe sous les bandes en Utilisant juin règle de retrait de Bayes, Dérivée des statistiques locales du Signal Dans le domaine Transformé. Le rétrécissement de Bayes was Proposé par [29]. Le mais de Bayes la méthode de retrait is de minimiseur le osée de Bayes, et d’where fils nom, de Bayes psy. En outré, les régimes de seuillage tells Que seuillage dur, semi-molle is réalisée versez le chatoiement Réduire seuillage seuillage doux ous. L’opération exponentielle is exécutée sur le signal de sortie de l’image filtré versez l’despeckled get.

L’expérimentation réalisée sur is 70 images par ultrasons du foie ET des reins. Les six levels de décompositions Pyramidales Laplacien are effectuees en Utilisant des filtres Avec des nombres biorthogonales de précision Suffisante, tells Que le «7/9». Les décompositions directionnelles Jusqu’a huit are effectuees Dans Tous Les levels pyramidaux, en Utilisant Deux filtres à échelle dimensionnelles. La contourlet transformateur utiliser les filtres « 9/7 » au stade LP Parce Que, Dans la phase de décomposition de multiéchelle, il Réduit considérablement Tous les inter échelle, l’emplacement inter et la direction des informations entre des coefficients contourlet mutuelle. De same, Dans l’étape de décomposition directionnelle, les filtres Structure en échelle de PKVA [42], plus Efficaces are Dans localisant direction de bord, bureaux de voiture la direction filtres réduisent de l’informations Entre mutuel. En outré, les régimes de seuillage tells Que seuillage dur, semi-molle is réalisée versez le chatoiement Réduire seuillage seuillage doux ous. La Valeur seuil is calculee en Utilisant la règle de retrait de Bayes. Le PSNR est Couleur Calculated décompositions JUSQU’A 6 LP. La Valeur de PSNR AUGMENTE JUSQU’A 2 décompositions HT Utilisant, ST et SST, et par la suite un nombre réduit. Par Conséquent, le niveau optimal de LP is 2. En décomposition outré, il is OBSERVER à partir du tableau 5. Que le Laplacien 2 niveau de décomposition pyramidale et 4 sous-bandes directionnels passe-bande (2 au niveau 1, 2 au niveau 2) en Utilisant Dur seuillage Donné de Meilleurs Résultats Que seuillage doux et des techniques semi-seuillage doux.

Tableau 5.

Les resultats obtenus versez la décomposition optimale des levels optimale LP et décompositions en directionnels Termes de paramêtres d’évaluation de la qualité de l’image en Utilisant la méthode de contourlet basée sur Différentes techniques de seuillage with la règle de retrait de Bayes.

La figure 9.

a) originale image échographique. (B) l’image Despeckled en Utilisant la transformée en ondelettes en Utilisant la sous-bande Bayes seuillage doux (niveau 3). (C) l’image Despeckled Utilisant contourlet transformation à l’aide seuillage doux. (D) l’image Utilisant Despeckled contourlet transformation à l’aide seuillage dur. l’image (e) Despeckled Utilisant contourlet transformation à l’aide seuillage semi-doux.

Les bandes de Fréquences obtenues en Utilisant non niveau optimal L2-11 de décomposition contourlet Sont Les Suivants: le 2 ème niveau 1 une bande d’approximation de la taille 128 x128 et 4 Composants de détail (2 de 128 x 256, 2 de 256 x 512). L’image de l’image reconstruite is despeckled. Le seuillage dur is better Que d’Autres methods de seuillage, Parce Que les petits coefficients are supprimés TANDIS Que d’Autres are Laissés intacts Dans HT, TANDIS Que Dans ST OÜ au seuil de coefficients de SST are réduites par la Valeur absolue de seuil. En outré, sur un CONSTATE Que la déchatoiement basée-sur contourlet transformateur Donne de Meilleurs Résultats Que la méthode de réduction du chatoiement basons sur la transformée en ondelettes, en Particulier. La ondelettes Methode de seuillage escamotables Bayes bases Est basée-sur séparables 2D transformée en ondelettes Qué les directions A LIMITE (horizontale, verticale et directionnelle). bruit speckle Dans les images ultrasonores va Médicaux des coefficients Générer significatifs in the domaine des ondelettes, tout Comme de VERITABLES fonctions de détail, tells Que les bords. Cependant, le bruit de chatoiement is Moins sensibles de Générer des coefficients significatifs Dans la méthode de contourlet, et Fait, il Mène Directement à juin Meilleure performances Dans la suppression de bruit Que l’ondelette du system de seuillage de rétractable base de Bayes.

Une Autre Façon d’analyseur les Effets des techniques les supprimant d’impuretés is Étudier les images despeckled. Sur la figure 9. Les images résultantes image d’en juin en échographie médicale échantillon are PRESENTES verser Comparer les Résultats des techniques de Différentes visuelle déchatoiement par inspection. Sur la figure 9 (b) et (c), le chatoiement is considérablement réduite, les structures Mais are floues ET des artefacts visibles are introduites. Cependant, Dans la figure 9 (e), Le chatoiement Est BIEN reduite Et Les structures améliorées de Sont. MAIS CERTAINS DETAILS SONT Perdus ET CERTAINS SONT Améliorés PLUS. Il is encourageant de Noter Que Dans la figure 9 (d), le chatoiement is also et Effectivement Réduite des structures renforcées are with Presque Aucune perte ous artefact notable.

4.1. Cycle de filature de transformation de base contourlet

Le CT is pas la traduction par invariant. Cela signifié Que les Erreurs après débruitage will be sensibles aux positions des discontinuités Dans les Données. AFIN d’EVITER de tells Effets, il is Nécessaire de construct Translation la Version invariant de transformation de la. invariance de traduction is réalisée par le biais de several Façons. Par exemple, Dans [43], La Durée des programmes invariantes ondelettes sur la base de des décompositions were proposées et are Designes Souvent Comme filage de cycle. Malheureusement, en raison des downsamplers et upsamplers Présents Dans les bancs de filtres directionnels de CT, la CT is pas invariant Déplacer, CE Qui est importante Dans l’image débruitage par seuillage et pseudo-phénomène compositions provoquent Gibbs normalement. Dans [44], l’algorithme de filage de cycle de is used in the development D’une technique de débruitage en fonction de traduction contourlet invariante. Les Résultats expérimentaux démontrent Clairement La CAPACITE DU SYSTEME PROPOSE la DANS débruitage d’images, en Particulier Pour Les images de texture détaillées. Il is Montré Que la Plupart des artefacts visuels résultant de la transformation contourlet Processus débruitage are éliminés. Dans [45], non de procédé de filage is cycle used for Compenser le manque de propriété d’invariance de la frequency forte contourlet localisée. Les Résultats expérimentaux montrent Que le filage du vélo is a MOYEN simples Phénomènes et Efficace de la moyenne sur le pseudo-Gibbs, Qui sont Autour de singularités et produit par l’échantillonnage vers le bas et Jusqu’à l’échantillonnage des bancs de filtres directionnels, et d’Improving les performances de débruitage interms de qualité visuelle et PSNR.

Verser Compenser le manque de propriété d’invariance de l’contourlet Transformons, Nous appliquons le principe de la filature de cycle de verser contourlets. Supposons X et Y SONT des images originales et despeckled, F et F -1 are en avant et inverse contourlet transforment, Si, j is le passage 2D circulaire i ème ligne et j e directions de colonne, λ is l’opérateur de seuil Dans contourlet transformateur domaine. Le filage du cycle de transformation de contourlet basons verser débruitage d’images Pourrait Être decrit Comme

Y = 1 B 2 Σ i, j = 1 B CS -i, -j (F -1 (λ (F (CS i, j (X)))))

where is the B série de Décalages de bits de Dans la ligne et ième directions j ième de colonne. Si l’sur Décomposer une Image de taille (N, N) en Utilisant la transformée de contourlet, Le Nombre maximal de levels de décomposition Dans la phase de LP de sérums B, et par Conséquent, le Nombre maximal de Décalages are (B, B ) Dans la Ligne et la Colonne directions. Apres un B Nombre de Décalages de bits de Qui Dépend du degré de décomposition, la transformation de sortie se dégradent. Par Conséquent, le filage du cycle de Doït Être arrêté après l’ONU certains Nombre de Décalages de bits. La figure 10 montre le schéma de principe for the méthode de réduction du chatoiement basons sur la transformée contourlet à la filature du cycle. Le filage du cycle de is appliqué à l’image de transformation logarithmique. Il Effectue Deux décalage circulaire Dimensions Dans i ième ligne et directions j ème de colonne. Le Déplacement circulaire is réalisé B de Jusqu’au Nombre Décalages de bits where B is fonction du niveau de décomposition. La transformation se dégradent de sortie en B AUGMENTE. Par Conséquent, le filage du cycle de Doït Être arrêté après l’ONU certains Nombre de Décalages de bits. Puis transformation contourlet is éffectuée en Utilisant la structure de de la banque de filtre double. Les six levels de décompositions Pyramidales Laplacien are effectuees en Utilisant des filtres biorthogonales with des Numéros de précision suffisantes Telles Que les «9-7» .Les décompositions directionnelles Jusqu’a six is ​​réalisée in the niveau pyramidal le plus de bas, en Utilisant Deux filtres d’échelle dimensionnelles concus Dans [42]. En outré, A system de seuillage Soit seuillage dur, semi-molle seuillage doux ous seuillage, is réalisée versez le chatoiement Réduire. La Valeur seuil is calculee en Utilisant la règle de retrait de Bayes. Les resultats obtenus Pour Les Décalages de morceaux Optimales de filage de cycles en Utilisant la méthode basée sur contourlet seuillage dur, seuillage doux et seuillage semi-molle en Utilisant la règle de Bayes PRESENTES are. Les resultats obtenus Pour Les Différentes Méthodes de reconstruction are PRESENTES DANS LES figures 11 -15, Qui Presentent des graphiques de statistiques characteristics PSNR, SNR, variance, MSE et CC, respectively, versez les levels de décompositions Différents de pyramide laplacienne et décompositions directionnelles correspondant à des Résultats optimaux de contourlet transformateur with la méthode déchatoiement à la base de filage du cycle de [46]. La méthode de reconstruction optimale is specified en fonction des Autres critères, à savoir la variance de juin, plus Faible et MSE, SNR supérieur et les facts PSNR, le coefficient de corrélation is à peu près equal à un. La contourlet transformée Avec 2 niveau de décomposition pyramidale et Deux décompositions directionnelles à échelle, plus la belle technique et la de seuillage dur with la règle de retrait de Bayes gave de Meilleurs Résultats en comparaison contourlet transformateur les methods [47] sur la base. Dans les figures 11 -15, l’étiquette d’axe horizontal CYC-HT-Bn Indique tour de cycle de (CYC), seuillage (HT, ST, SST), n Nombre de Décalages de bits de Dans la filature de cycle. De Figures 11 -15, sur observer req, les bits du cycle 4 filature de, Ayant le niveau 2 de Laplacien décomposition pyramidale with 4 sous-bandes directionnelles de passe-bande (2 au niveau 1, 2 au niveau 2) sous réserve de seuillage doux, donne des Résultats optimaux Pour la réduction de la granularité. Le temps de calcul (en sec.) De la méthode de CT sur la base de de filage de cycle de is Représenté sur la figure 15. La méthode de CT sur la base de déchatoiement de temps Prend Moins de calcul par rapport à la méthode de CT en fonction du cycle de de filage.

La figure 10.

Le schéma de principe de la méthode de déchatoiement basons sur la transformée contourlet à la filature du cycle.

La Figure 16. Illustre la Résultante despeckled images d’images de juin échographique obtenue par la méthode de CT une base de filage de cycles en Utilisant dur, seuillage doux doux et demi with la règle de retrait de Bayes, et also Celle obtenue par la méthode de CT [47], à titre de comparaison par inspection visuelle la méthode de déchatoiement basée sur la filature de cycles en coefficient de contourlet de Utilisant de retrait (figure 16 (b)) Fonctionne Mieux et Semble Être une improvement par rapport contourlet directe de la méthode de déchatoiement transformateur la base.

Parmi les filtres de domaine de transformation développés Dans les sections Précédentes, la contourlet transformée Avec le Cycle de Filage des Rendements en plus d’improvement visuelle de la qualité des images despeckled. Cependant, il existe encore non Besoin verser eliminer le bruit gaussien inhérent aux images échographiques médicales, Qui est traitee Dans la section suivante.

La figure 11.

Les facts de PSNR et SNR verser Diverses methods de seuillage par le cycle de obtenues à la base de filage méthode de CT et Que par la méthode à la base CT directe de.

La figure 12.

Les facts de MSE verser Diverses methods de seuillage obtenues par cycle de filage à la base de méthode de CT et Que par la méthode à la base CT directe de.

La figure 13.

Les facts de coefficient de corrélation versez Différentes methods de seuillage obtenues par cycle de filage à la base de méthode de CT et Que par la méthode à la base CT directe de.

La figure 14.

Les facts de la variance Pour Les Différentes methods de seuillage par la méthode obtenues de CT à la base de filage de cycle de et Que par la méthode à base de CT.

La figure 15.

Les facts de temps de calcul Pour Les Différentes methods de seuillage obtenues par cycle de filage à la base de méthode de CT et Que par la méthode à base de CT.

5. modèle gaussien versez le bruit de chatoiement

densité de probabilité gaussienne is used in the Souvent filtrage de l’image. Le gaussien a la capacity de ne pas Créer de Nouveaux bords Que Son échelle (type ECART) uniques is Augmentée. Cette propriété ne l’extraction d’Përmet arêtes Qui representent Différents levels de détail Dans l’image de juin. Comme l’échelle AUGMENTE, Le Nombre d’arêtes et faux extraits Faibles nombre réduit. Cependant, les Mêmes bords de temps passant de their positions Véritables. La quantity de changement d’ONU bord Permet non only Dépend de l’AMPLEUR du filtre gaussien, Mais aussi sur les distributions d’intensité de l’image sous-jacente [48]. Mathématiquement, non filtre gaussien modifie le signal de d’entrée par convolution Avec Une fonction gaussienne. Le lissage is généralement éffectuée en Utilisant des filtres Linéaires tells Que la gaussienne (le noyau is basée sur la courbe de distribution normale), Qui ont tendance à Produire de bons resultats Dans la réduction de l’influence par rapport Du bruit à l’image. Les distributions gaussiennes 2D, with σ écart type pour l’image X, is Donnée par l’équation. (32) [49].

G X. m. σ = 1 σ 2 π e – 1 2 X – m σ 2

La figure 16.

a) l’image échographique d’origine (b) l’image Despeckled CT Utilisant une base de filage de cycle de la salle Utilisant méthode ST. (C) l’image Despeckled CT Utilisant une base de filage de cycle de la salle Utilisant méthode HT. (D) d’images Despeckled Utilisant CT à la base de filage de cycle de la salle Utilisant méthode SST. (E) d’images Despeckled en Utilisant la méthode de CT directe.

5.1. Pré ous après dosse

En règle générale, les images médicales à ultrasons Sont affectés par le bruit mixte Qui est la combinaison de chatoiement et non bruit gaussien. Il exists Deux factors Qui influent sur l’Utilité d’ONU filtre de lissage. Le premier Réduit la gamme de Resolutions sur les variations Lesquelles de la sortie apparaissent par la variation du filtre Aw, DANS LE domaine fréquentiel Être petit et Deuxième facteur is augmentation de la localisation spatiale par juin variance petite spatiale Dx. CÉS éxigences de localisation Dans le domaine spatial et la frequency are contradictoires et Liées par le principe d’incertitude Donnée Dans l’équation. (33)

De Il a eté démontré Qué les fonctions gaussiennes Sont Les SEULS Sie offrent le Commerce Compromis optimal bureaux de Entre éxigences contradictoires Limitées par l’Eq. (34) [50] ..

Alors gaussiennes filtres are élargisse- UTILISE in the filtrage de l’image. Dans [51], la suppression du bruit mixte Utilisant l’ordre et le filtre statistique domaine d’ondelettes filtre de Wiener is propose. Les auteurs have Evalue Deux methods. La première méthode Consiste, commandant préfiltre statistique et filtre de Wiener empirique, Qui est used verser Réduire le bruit gaussien. L’Inconvénient of this method is the consommation de temps, plus élévée. La Deuxième méthode est, commandant filtre statistique versez each niveau de décomposition, Où la décomposition is éffectuée par la transformée en ondelettes, SUIVIE D’UN seuillage. L’Inconvénient of this is méthode Que Son Efficacité is Inférieure à Celle de la première méthode (environ 1 dB) verser eliminer le bruit mixte. Dans [52], débruitage du bruit mixte DANS LES images échographiques is presented. Maximale bayésienne combiné a posteriori (MAP) et estimateur ST-PCNN (impulsion de seuil souple Couplé réseaux neuronaux) Methode was Utilisée for the réduction du bruit mixte. Le Procede Elimine le bruit de tavelure sensiblement Qué le bruit gaussien Sie Dégradé les images échographiques. L’Inconvénient du procédé is Soit de bruit du bruit ous mouchetures gaussienne is supprimé. Par Conséquent, Présentons NOUS juin Méthode pour supprimer le bruit gaussien résiduel de l’image despeckled.

Deux algorithmes alternatifs are développés verser Réduire le bruit mixte Dans les images échographiques médicales [53]. Dans la première variante, le procédé de débruitage Réduit le bruit gaussien par l’application du filtre gaussien à l’étape de treatment Préalable, Puis les impuretés supprimant is réalisée en Utilisant Soit transformée en ondelettes, pyramide laplacienne transformateur ous contourlet transformateur. Le modèle de bruit verser la première variante (par exemple gaussienne de suppression de bruit Dans un treatment Préalable SUIVIE déchatoiement) is Donnée par l’équation. (35).

X i j = f i j n i j + g i j

where Xij Représente le pixel bruyant Dans l’image X, fij Représente le sans pixel bruit, nij et gij representer le bruit de chatoiement multiplicatif et bruit gaussien additif, respectively. i, j Représente la position de l’image sur spatiale Les indices. Nous utilisons des techniques de transformation de filtrage domaine [36, 54, 47] versez le temps with filtre supprimant les impuretés gaussien Dans l’étape de treatment Préalable Pour l’élimination du bruit gaussien.

Dans la Deuxième variante, le déchatoiement des images ultrasonores Médicaux is éffectuée Soit en Utilisant la transformée en ondelettes, pyramide laplacienne transformateur ous contourlet transformateur et, ensuite, Elle Est par de SUIVIE l’étape Dans Laquelle filtre gaussien SUPPRIME le bruit gaussien de l’image despeckled post-treatment. Cependant, la solution la seconde suppose that the modèle de bruit Donné par l’équation (36).

X i j = f i j + g i j n i j

La seconde variante is étudiée verser l’improvement de la qualité de l’image due à la suppression Du bruit image de juin Dans ultrasonique.

L’expérimentation is éffectuée en Utilisant Différentes tailles du noyau et de σ facts Différentes. Grandes facts de σ produisent pic non plus de grande influence le plus de Grand flou. la taille du grain AUGMENTE with l’Augmentation de σ verser MAINTENIR la nature gaussienne du filtre. coefficients du noyau gaussien dépendante de la Valeur de σ. La Figure 17. montre Différents noyaux de convolution Qui se rapprochent D’une gaussienne with σ. Gaussiennes are localement sensibles et PEUVENT Être ainsi spatialement localisées en diminuant le Paramètre σ. On observe Que la taille du noyau 3 × 3 with des resultats a = 0,5 Rendements Meilleurs Qué les Autres grains. Sur CONSTATE Que gros grains de taille 5 × 5 ou 7 × 7 produisent non Meilleur effet de débruitage Mais rendent l’image en plus floue. AINSI, la taille specified empiriquement du noyau 3 × 3 et σ = 0,5 are UTILISE la DANS Deux METHODES alternatives (filtre gaussien en pré ous après treatment) .Les Deux methods alternatives are Termes de personnes évaluées en paramêtres d’évaluation du filtre, à savoir, PSNR, SNR, MSE, la variance et CC. Les Comparaisons de la performances des alternatives with Les Deux methods de nettoyage décrits Dans [36, 54. 47] are Donnés in the tableau 6. Dans le tableau 6, sur observer that the filtre gaussien Dans l’étape de treatment Préalable se revele Être en plus Efficace Que Celui déchatoiement sur la base de de pyramide laplacienne transformée et transformée contourlet. Cependant, le filtre gaussien à l’étape de post-treatment se revele Être en plus Efficace Dans déchatoiement basons sur la transformée en ondelettes. AINSI, le filtre gaussien Amélioré les performances des methods de nettoyage, Parce Que le bruit gaussien is characterised l’addition à each pixel de l’image Une valeur à partir d’Une répartition gaussienne de moyenne nulle. Le zéro signifié la propriété de la distribution de Përmet non tel bruit à eliminer par des facts de pixels en moyenne locale [55]. En outré, sur observer req, le filtre gaussien à l’étape de treatment pré SUIVIE par contourlet transformateur la méthode Fondée sur déchatoiement Rendements improvement, plus visuelle Que les Autres methods de débruitage, Qui est illustrée Dans la Figure 18. Les techniques de débruitage et d’improvement visuelle développés Dans this study plomb à l’improvement de la précision et la reliability des methods automatiques versez les Systèmes d’imagerie à ultrasons Médicaux.

La figure 17.

3 × 3 du noyau (a) σ = 0,5, (b) σ = 1.

Comparaison des performances des methods de débruitage basées sur le filtrage gaussien methods de nettoyage.

5.2. modèle de régression linéaire

Nous Présentons juin approche de régression linéaire sur la image clinique de de base échographique déchatoiement in the domaine spatial. Nous proposons non modèle de régression linéaire verser gaussien représentation de bruit du bruit de chatoiement verser les images échographiques médicales. This approach present non filtre adaptatif, Bien en préservant les contours Et Les structures Dans l’image. Les paramêtres du modèle à are estimés non itératif Travers schéma Efficace.

La figure 18.

a) l’image échographique d’origine, (b) l’image débruitée en Utilisant non filtre gaussien, (c) l’image débruitée en Utilisant 1 er alternatif Avec méthode WT (d) d’images Débruité 1 er Utilisant alternatif méthode with LP. (E) l’image débruitée en Utilisant 1 er alternatif method with CT. (F) l’image débruitée en Utilisant 2 e solution de rechange à la méthode WT. l’image (g) Débruité 2 e solution Utilisant de rechange à la méthode LP. l’image solution (h) Débruité 2 e Utilisant de rechange à la méthode de CT.

Dans [56], les auteurs Ont mis au point des weight adaptatifs algorithme de lissage, Qui est juin procédure itérative Dans la taille d’Laquelle non au quartier is adaptatif lissé de la surface. Dans [57], l’estimation des surfaces de saut par le lissage du noyau piecewise linéaire locale is CANDIDAT. Dans [58. 59], algorithme non de diffusion anisotrope was Proposé pour l’élimination gaussienne du bruit. Dans [60], filtre non bilatéral versez supprimer le bruit gaussien is Développé. Dans [61], non filtre de régression linéaire basée fenêtre echo cardiographique débruitage d’images is propose. Les principaux tirage dos des algorithmes ci-dessus are Qu’ils Ont Besoin de plus de un temps de calcul et d’ONU circuit complexe Pour Les Mettre en œuvre.

l’image Nous considérons en juin MEDICALE échographique X et l’image despeckled Correspondante Y available in Utilisant le contourlet transforment with the Cycle de filage [46]. L’image de Z = X soustrait-Y is l’image d’erreur Contenant le bruit de chatoiement. Nous trouvons la moyenne m et σ l’écart type de de Z, de Simuler Puis le bruit gaussien G with facts bureaux de m et σ. La suppression de CE gaussien bruit G de l’image despeckled Y donne la nouvelle image de despeckled Y ^. dire Y ^ = Y-G, Qui est en outré de soustrait l’image originale X verser la nouvelle get image d’erreur Z Contenant le bruit de chatoiement résiduel. This is procédure répétée Jusqu’a Ce que le pourcentage, des pixels noirs Dans l’image d’erreur Z reached 99,9. Nous déterminons la Valeur Maximale de PSNR et les facts de moyenne m et l’écart de type σ en Utilisant les Correspondants images itérés despeckled Y ^. This is procédure appliquée versez Toutes Les images de l’échographie médicale Xje. i = 1. 63, l’ensemble de Données, Ce Qui donne les Deux ensembles de des points de Données (PSNRje, mje ) Et (PSNRjeje ), I = 1. n1 Corrélation linéaire des expositions. En Utilisant la méthode des moindres carrés des Erreurs, Nous obtenons les lignes de Meilleur ajustement versez CES Données, à savoir:

Si les facts de l’ESS et RMSE are, plus proches de zéro, ILS indiquent non Meilleur ajustement. Le modèle général versez l’estimation de bruit gaussien et l’enlèvement d’images déchatoiement à ultrasons, is INDIQUE in the Figure 19.

La figure 19.

Le modèle général versez la représentation gaussienne du bruit de chatoiement.

Les Ethic impliquées in the Processus de débruitage, illustré à la figure 19 are indiqués Dans l’algorithme 2.

Algorithme 2. Suppression des imperfections sur le modèle basée de régression linéaire Pour l’estimation de bruit gaussien.

Entrée: images médicales à ultrasons.

Le modèle de régression linéaire des paramêtres a, b, c et d de la représentation gaussienne du chatoiement are calculées verser l’ensemble de Données de 63 images échographiques et la régression linéaire des équations du modèle are, where a = (Eq (37) et (38)) -. 6.129e-007, b = 2.742e-005, c = -0,0002192, d = 0,01004, with les Mesures de «Meilleur ajustement» are SSE = 4.682e-009, RMSE = 8.833e-006 for the moyenne par rapport PSNR et SSE = 0,0006471, RMSE = 0,003284 verser l’écart type par rapport PSNR. Les chiffres (2 0 ET 21) montrent les lignes de Meilleur ajustement verser moyenne par rapport PSNR et l’écart type de par rapport PSNR, respectively, Qui sont UTILISE Pour l’estimation de bruit gaussien et l’enlèvement.

La figure 20.

La régression linéaire de la moyenne sur PSNR

Figure 21.

La régression linéaire de l’écart de type sur PSNR

La comparaison des resultats de la méthode proposed by the method de transformation contourlet (avec filage de cycles) is Donnée in the tableau 7. CONSTATE Que l’improvement de la qualité de l’image par la méthode de obtenue déchatoiement basée sur modèle non de régression linéaire is better Que Celle obtenue par le contourlet procédé de transformation en Termes de PSNR et le temps de calcul Nécessaire versez le débruitage.

Computational Temps
(Sec En.)

Tableau 7.

Comparaison des performances de déchatoiement basée sur contourlet transformateur et méthode proposed basée sur le modèle de régression linéaire.

La Figure 22. montre l’image de juin d’échographie médicale échantillon, image fils despeckled Utilisant contourlet transformateur Avec la filature de cycles et l’image débruitée en Utilisant le modèle de régression linéaire, respectively. La qualité visuelle de l’improvement de l’image may also Être OBSERVEE à partir de l’image de l’échantillon et son image de débruitée. Les structures anatomiques are, plus visibles sur la Clairement figure 22. (C) à Celle de la figure 22. (B). La boîte Indique la Région de l’Image Dans (b) et (c) montrant les methods en raison d’improvement visuelle de premier plan de déchatoiement.

La figure 22.

a) Image originale de l’échographie (b) l’image en Utilisant la Despeckled contourlet transformée with the Cycle de filage (l’image c) Débruité le modèle Utilisant Proposé par régression linéaire. La boîte Indique la Région d’images Dans (b) et (c) montrant l’improvement visuelle de plan de premier plan en raison de la déchatoiement.

Figure 23.

a) Une sous-image d’image d’ultrasons d’origine (b) de sous-images de les supprimant en impuretés Utilisant non filtre de Wiener (c) sous l’image de de les impuretés en supprimant la méthode WT Utilisant (d ) sous l’image de de les supprimant l’image impuretés SELON CT (e) sous l’utilisation de les supprimant à l’aide impuretés de base de la de filage de méthode du cycle CT d’images (f) sous de l’aide du modèle de les impuretés supprimant régression linéaire proposed.

La figure 23 montre l’improvement visuelle due à Diverses methods de nettoyage for the comparaison. (A) montre l’image secondaire de l’image originale, La Figure 23 (b) – (f) Indique la sous-images montrant l’improvement visuelle due à Différentes methods de nettoyage à savoir, filtre de Wiener with (3X3) , méthode en ondelettes transformée, méthode contourlet transformée, filage du cycle de contourlet méthode et le modèle Fondée de régression linéaire de transformateur Proposé. L’improvement is OBSERVEE visuelle Importante à l’aide du modèle Proposé par régression linéaire.

La méthode proposed Evalue la teneur en bruit gaussien Dans l’image médicale à ultrasons d’entrée pour l’image débruitage Efficace. Par Conséquent, il is Facilement Prête for the Construction d’un logiciel de Système embarqué versez Les Équipements d’imagerie par ultrasons AFIN D’AFFICHER les images de haute qualité, Ce Qui aide l’expert médical Dans le diagnostic Avec Une grande précision, plus .

6. Conclusion

Dans this chapitre, juin méthode de déchatoiement, basée sur juin 2D non directionnelle séparables transformée Connu Comme contourlet de transformation is presented. Conventionnelle 2D en ondelettes transformée is séparable et ne may Fait pas representer Faiblement structures séparables non de l’image, Telles Que les Courbes directionnelles. Sur CONSTATE Que pyramidale directionnelle de fonction banque de filtres de contourlet transformateur en fait non bon setting for la représentation des Courbes et des bords de l’image. Mais, la contourlet transformée, l’juin des transformations Dernieres d’Images Géométriques, n’à pas la fonction de la Translation invariance due à l’échantillonnage sous Dans sa structure de de banque de filtres. Dans la filature de cycle CT is Améliorée en moyenne de l’estimation de Toutes Les traductions de l’image dégradée. L’effet de Gibbs is considérablement par le Réduite contourlet transformateur with la filature de cycle Parce Que la moyenne des estimations various de L’image Réduit les oscillations. Dans la littérature, les auteurs [33, 41, 45, 54, 55, 61] Ont examiner les images échographiques (naturel / synthétique) avec added artificiellement la teneur en bruit de chatoiement et have Proposé des methods répandrai CES images supprimant les impuretés. Toutefois, in the present study, Nous AVONS EXAMINER les images échographiques capturées Par l’appareil à ultrasons Qui contiennent du bruit de chatoiement et inhérente des methods have Proposé verser eliminer le bruit de chatoiement, plus EFFICACEMENT.

When les caracteristiques de bruit des images nes connues are PAS, il is Proposé par débruiter non modèle de régression linéaire, CE Qui est économique par rapport aux Autres methods. Avons Nous proposons non modèle de régression linéaire roman Pour l’estimation de bruit gaussien ET D’ENLEVEMENT les supprimant impuretés images échographiques médicales. Les resultats démontrent expérimentaux fils en Efficacité Termes de réduction de la granularité et le temps de calcul Nécessaire versez le débruitage. En outré, le modèle de régression proposed is simple, peu couteux et générique informatiquement. Par Conséquent, il is Facilement Prête for the Construction d’un logiciel de Système embarqué versez Les équipements d’imagerie par ultrasons AFIN D’AFFICHER les images de Haute Qualité, Qui aident les experts Médicaux versez rapide analyse d’image précise et diagnostic. En outré, le modèle de régression proposed is simple, peu couteux et générique informatiquement.

7. Remerciements

Les auteurs reconnaissants aux examinateurs Sont verser their Commentaires Utiles Qui have Amélioré la qualité du papier. En OUTRE, les Auteurs reconnaissants de Dr Ramesh Au Sont Mankare, radiologue, Scanning Centre Sangameshwar, Bijapur, Karnataka, en Inde, versez provide les images échographiques du rein, du foie Et aussi verser des discussions Utiles.

Les références

1 – Suetens Paul, Fondements de l’imagerie médicale, (1ère édition), l’université de Cambridge, U.K. 2002.p145-182.

2 – Hedrick W.R. et Hykes D.L. Image et le Traitement du signal de en imagerie par ultrasons de diagnostic, Journal of Échographie 1989; 5 (5): 231-239.

3 – Godman J.W. CERTAINES PROPRIETES Fondamentales de chatoiement, Jl. OPTER. Soc. Un m. 1976; 66 (11): 1145-1149.

4 – Burckhardt C.B. chatoiement en échographie en mode B Scans, IEEE Trans. Sonics Ultrasonics 1978; 25: 1-6.

5 – Yongjian Y. et Acton S.T. Chatoiement réduisant la diffusion anisotrope, IEEE Trans. Traitement d’image. Novembre 2002; 11 (11): de 1260 à 1270.

6 – Prager R.W. Gee A.H. Treece G.M. et la détection Berman L. chatoiement Dans les images ultrasonores en Utilisant des statistiques de premier ordre, GUED / F-INFENG / TR 415, Université de Cambridge, Département de génie, Juillet 2002: 1-17.

7 – Zong X. Laine A. F. et Geiser E. A. chatoiement réduction et augmentation du contraste des échocardiogrammes via non treatment non linéaire multiscale, IEEE Trans.on médicale. Imaging. 1998; 17: 532-540.

8 – Netravati A.N. et Haskell B.G. Photos Numériques: (. 2e éd) Représentation, compression ET des Normes, 2000, New York Plenum.

9 – Loizou C.P. Pattichis, Pantziaris M., Tyllis T., et Nicolaides évaluation A. Qualité de Ultasound Imaging Dans l’artère carotide basons sur la normalisation et de réduction du chatoiement filtrage, Fédération internationale du génie médical et biologique, 2006; 414-426.

10 – Lee J.S. Chatoiement Analyse et Lissage de radar à ouverture synthétique Images, Comp. Graphics Image Processing 1981; 17: 24-32.

11 – Insana M. Hall T.J, Glendon. G.C. et Posental S.J. Les Progrès Dans l’imagerie ultrasonore quantitative, SPIE Vol. 1090 Formation d’images 1989 Medical Imaging III,; 09.02.

12 – Lee J.S. du filtrage raffiné bruit de l’image en Utilisant les statistiques Paramètres régionaux Infographie et traitement d’images, 1981; 15: 380-389.

13 – Kuan D.T. Sawchuk A. A. Strand T. C. et P. Chavel Adaptive restauration des images with chatoiement IEEE Trans. ASSP, 1987; 35 (3): 373-383.

14 – Wiener Norbert Extrapolation, et Lissage des Interpolation stationnaires Time Series, New York: Wiely, 1949.

15 – Jain A. K. 1989, Traitement de l’image numérique Fondamentale de. NJ: Prentice-Hall,

16 – Singh Y.K. Parui S.K. ISITRA: Une Façon généralisée de la décomposition du signal de et de reconstruction Digital Signal Processing, Elsevier, 2006, 16 (1): 3-23.

17 – Kalaivani Narayanan S. et Wahidabanu R.S.D. A View of déchatoiement en imagerie par ultrasons. Int’l. Jl. de Traitement du signal treatment et motif de reconnaissance d’images, 2009; 2 (3): 85-98.

18 – Kaur Jappreet, Kaur Jasdeep, Kaur Manpreet, ENQUETE-sur les techniques déchatoiement versent les images médicales à ultrasons, Int’l. Jl. Comp.Tech. Appl. 2011 Juillet-août; 2 (4): de 1003 à 1007.

19 – Achim A. et Bezerianos A, Novel bayésienne Multiscale Méthode de Déchatoiement Dans les images médicales à ultrasons, IEEE Trans. sur l’imagerie médicale, 2001; 20 (8): 772-783.

20 – Nikhil gupta et Swamy M.N. Suppression des imperfections des images médicales à ultrasons A l’aide des Données et Adaptive Rate Lossy compression. IEEE Trans. Imagerie médicale, 2005; 24 (6): 682-695.

21 – Ruikar E.T. et Doye D.D. Wavelet basons Denoising de Technique d’image. Int’l. Jl. Advanced Computer Sciences et Applications, Mars 2011; 2 (3): 49-53.

22 – Mallat S. Une théorie de la décomposition du signal de multirésolution: La représentation en ondelettes IEEE Trans. Motif Anal. Intell Machine. Juillet 1989; 11: 674-693.

23 – Gonzalez Rafael C. Woods Richard E. Traitement numérique de l’image, 2 e édition, Prentice Hall, Upper Saddle River, NJ, 2002; 350-402

24 – Cohen A. Daubechies I. et J. C. Feauveau biorthogonales bases d’ondelettes à support compact. Comm. Pure Appl. Les mathématiques. 1992; 45: 485-500.

25 – Visite Mallat S. Wavelet de treatment du signal de 3 e édition, Academic press, 2009; 535-606.

26 – Donoho D.L. Johnstone I.M. De débruitage seuillage de doux par. IEEE Trans. sur la théorie de l’information, 1995; 41 (3): 613-27.

27 – Hiremath P.S. Akkasaligar Prema T. et Badiger Sharan, évaluation de la performances de Wavelet Based Thresholding verser Despeckling médicale Ultrasons Images, Actes de la Conf Int’l. sur la Cognition et de reconnaissance (ICCR-08), 10 e -12 e Avril 2008, Mysore, Karnataka, Inde: 574-579.

28 – Donoho, D.L. Johnstone I.M. Adaptation par Spatial Idéal Wavelet rétrécissement, Biometrika, 1994, 81: 425-455.

29 – Chang S. G. Bin Yu et Martin Vetterli, Adaptive Wavelet Thresholding verser débruitage d’images et de compression, IEEE Trans. Traitement d’images, 2000, 9 (9): 1532-1546.

30 – Minh N. Do, Encadrement Pyramides, IEEE Trans. sur le Traitement du signal de 2003 septembre, 51 (9): 2329-2342.

31 – Vladimir P.M. Ilya Shmulevich, Karen Egiazarian, Jaakko Astola, bloc Médian pyramidales Transform: Analyse et Denoising Applications IEEE Trans.on Signal Processing, 2001 Feb;. 49 (2): 364-372.

32 – Bruno Aiazzi, Luciano alparone et Stefano Baronti, multirésolution locale – filtrage statistique du chatoiement basée sur juin pyramide laplacienne rapport, IEEE Trans. sur géosciences et la télédétection 1998 septembre. 36 (5): 1466-1476.

33 – Saad Ali, L’AMELIORATION Visuelle des images ultrasonores Numériques: Wavelet Versus contraste Gauss-Laplace Pyramid, Int’l. Jl. de radiologie assistée par ordinateur et de chirurgie 2007 août; 2 (2), 63-70: 117-125.

34 – Zhang F., Koh L.M. Yoo Y.M. et Kim Y., 2007, diffusion non linéaire Dans le domaine de la pyramide laplacienne versez la réduction de la granularité à ultrasons, IEEE Trans. sur l’imagerie médicale, 26 (2): 200-211.

35 – E. H. Adelson La pyramide de Comme un code non d’images compact, IEEE Trans Burt J. P. et. sur Commun, 1983; 31 (4): 532-540.

36 – Hiremath P.S. Akkasaligar Prema T. Badiger Sharan, Visual Enhancement des images à ultrasons numérique Utilisant Multiscale Wavelet Domain, Int’l. Jl. de reconnaissance des formes et l’analyse d’images, 2010; 20 (3): 303-315

37 – Do Minh N. Vetterli Martin, PYRAMIDES Framming, IEEE Trans. sur le Traitement du signal de. 2003; 2329-2342

38 – Huang Mao Yu, Huang Min yueh et Wang Ming-Shi, 15 au 17 décembre 2004, Taipei, Taiwan. réduction de l’image chatoiement ultrasonore basons sur contourlet transformée, Int’l. Symposium informatique: 178-182.

39 – Hiremath P.S. Akkasaligar Prema T. Badiger Sharan, Images Despeckling médicale Ultrasons Utilisation du Contourlet Transform, Dans: Actes de la 4 e AMS Indian Int’l Conf. sur l’intelligence artificielle (IICAI-09), 16 au 18 décembre 2009, Tumkur, Karnataka, Inde ,: 1814-1827.

40 – Hiremath P.S. Tegnoor Jyothi R. Détection automatique des follicules en images ultrasonores d’ovaires à l’aide de la méthode sur Fondée bord, IJCA Numéro spécial sur les tendances Récentes in the treatment et motif de reconnaissance d’images, 2010; 120-125.

41 – Chanson Xiao-yang, Chen Ya-zhu, Zhang Su, et Yang Wei, la réduction de chatoiement basons sur Contourlet Transformer en Utilisant l’échelle Adaptive Threshold l’image médicale Ultrasons, Jl pour. Shanghai Jiaotong Univ. (Sci), 2008; 13 (5): 553-558.

42 – Phoong S. M. Kim C. W. Vaidyanathan P. P. et R. Ansari Une nouvelle classe de deux Canaux de bancs et filtres biorthogonales les bases d’ondelettes, IEEE trans. Traitement du signal 1995 mars; 43 (3): 649-665.

43 – Coifman R.R. et Donoho D.L. Traduction débruitage invariant, en ondelettes et statistiques, notes de cours Springer Dans les statistiques, 103, Newyork, springer-Verlang, 1994; 125-150.

44 – Eslami Ramin et Radha Hayder, transformateur le contourlet versez débruitage d’images en Utilisant le filage de cycles, Actes de la Conférence d’Asilomar sur Signaux, Systèmes et ORDINATEURS, 2003; p1982-1986.

45 – Qu Xiaobo, Jingwen Yan, La Frequence base forte du cycle de filage de transformation localisé contourlet verser débruitage d’images, Actes de 2008 3e Int’l. Conférence sur le Système Intelligent et ingénierie des connaissances heuristiques. 2008; p1247-1251.

46 – Hiremath P.S., Akkasaligar Prema T.and Badiger Sharan, Le Cycle Spinning Based Contourlet Transform versez Despeckling l’image d’échographie médicale, Proc. Int, l Conf. Sur Les tendances de la Technologie et Applications, U.A.E. 11 ème -13 ème déc 2010, 72-76.

47 – Hiremath P.S. Akkasaligar Prema T. et Badiger Sharan, chatoiement Réduire Contourlet Transformer for Medical Ultrasound Images World Academy of Science, Engineering and Technology-Special émission Journal, 2011; 80: 1217-1224.

48 – Goshtasby Ardershir, Sur le bord de focalisation Int’l. Jl. de l’Image et Vision Computing, 1994; 12 (4): 247-256.

49 – Fisher R. Perkins S. Walker A. Wolfart E., 2003, Gauss Lissage d’image Hypermédia treatment de référence (HIPR2), disponible à partir de: URL: http: / homepages. inf. ed.ac.uk / RBF / HIPR2 / gsmooth.html.

50 – Transformateur Bracewell R. La Fourier et ses applications, McGraw Hill: 1965; 160-163.

51 – Badulescu P. et R. Zaciu Suppression des mixtes à l’aide bruit verser filtre statistique et ondelettes filtre domaine wiener. Semiconductor conférence, Circuits Et procedings Systems’99, 1999; 1: 301-304.

52 – Saraswati J. S. et Mary brinda, débruitage du bruit mixte Dans ultrasonores images Int’l. Jl. de l’informatique des Questions scientifiques, Juillet 2011; 8 (4): 517-523.

53 – Hiremath P.S. Akkasaligar Prema T. et Badiger Sharan, suppression Du Bruit gaussien en Despeckling Ultrasound Images, The Int’l. Jl. of Computer Science and Applications (2278-1080), Juillet 2012; 1 (5): 25-35.

54 – Hiremath P.S. Akkasaligar Prema T. et Badiger Sharan, Comparaison de la performance de la transformée en ondelettes et Contourlet Transformer les methods basées verser Despeckling médicale Ultrasons Images Int’l. Jl. des applications informatiques (0975 – 8887), 2011; 26 (9): 34-41.

55 – Bamber J.C. et Daft C. filtrage adaptatif Pour la réduction du chatoiement Dans Ultrason Pulse AGES Echoim. Ultrasons 1986: 41-44.

56 – J. Polzehl et Spokoiny V.G. weight adaptatives de Lissage Avec Des applications choix à la restauration d’images Journal de la Société royale de statistique B-62: 2000; 335-354.

57 – Qiu P. La procédure piecewisely linéaire du noyau de lissage locale versez surfaces saut de régression d’ajustement technométrie 2004; 46: 87-98.

58 – Perona P. et J. Malik échelle de -Espace et détection de bord en Utilisant la diffusion anisotrope, IEEE Trans. Motif Anal. Intell Machine. 1990; 12: 629-639.

59 – Black M.J. Sapiro Guillermo, Marimont David, et David Heeger, robuste Diffusion anisotrope, IEEE Trans. sur le Traitement de l’image, 1998; 7 (3): 421- 432.

60 – Black M.J. Fleet D. et Y. Yacoob Estimation ROBUSTE des Changements Dans l’image Apparence, Vision et image Comprendre, 2000; 78: 8-31.

61 – Rajalaxmi S. Arun Kumar V. et P. Baskar Fenêtre Based Régression linéaire Filtre versez échocardiographique débruitage d’images, Int’.l Jl. des Systèmes Algorithmes et applications, 2 mai (ICRAET12), 2012, 180-183.

62 – Hiremath P.S. Akkasaligar Prema T. Badiger Sharan, régression linéaire Modèle gaussien verser Estimation du bruit et suppression d’Images médicales à ultrasons, Int’l. Jl. des applications informatiques (0975 – 8887), Juillet 2012, 50 (3), 11-15.

RELATED POSTS

  • Sous la pression Dans Une fin médicale …

    Vous êtes ici: Accueil Peuples Histoires Histoires avortement non avortement médical fin à 16 semaines J’ai Essayé de faire la bonne choisi versez tout le monde, Mais l’avortement wasn # 39; t…

  • Rechercher dans le Texas Native Plant …

    Plante Recherche base de notre Rechercher de Données de Plantés Texas SmartScape. Je ne pas de ISC CE CES Que signifient les paramêtres? encore Apprendre plus. You can also consulter l’index…

  • Questions ET REPONSES arsenic dans …

    Les Questions Réponses: arsenic in the riz et de riz Arsenic Dans Les aliments Qu’est-ce que l’arsenic? L’arsenic is a Élément de la Terre s croûte, et Est présent Dans l’eau, l’air et le sol….

  • glandes sudoripares hyperactif Dans les aisselles …

    sympathectomy sympathectomie Définition Sympathectomie is a intervention chirurgicale Qui Détruit les nerfs Dans le Système nerveux sympathique. La procédure en est fait verser increase le flux…

  • Peau Rejuvenation Devices dans le …

    Peau Rejuvenation Devices in the Medical Spa Obtenez le Skinny! Céci is juste une partie de l’article. Voulez-vous l’histoire complète, plus Une foule d’Autres articles de pointe versez…

  • Araignée treatment Vein, sclérothérapie, les veines Dans les jambes.

    Veines araignées Alors Que les veines de la nature Sont généralement cosmétique, ILS PEUVENT faire beaucoup de dommages à l’image de soi D’une personne. ILS PEUVENT Être tout à fait…

Laisser un commentaire