基于多尺度快速非局部平均滤波的超声图像去斑算法

doi:10.11772/j.issn.1001-9081.2021040620

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (6): 1950-1956.DOI: 10.11772/j.issn.1001-9081.2021040620

• 多媒体计算与计算机仿真 • 上一篇

基于多尺度快速非局部平均滤波的超声图像去斑算法

雷露露¹^,², 周颖玥¹^,²(), 李驰¹^,², 王欣宇¹^,², 赵家琦¹^,²

^1.西南科技大学信息工程学院，四川绵阳 621010
^2.特殊环境机器人技术四川省重点实验室（西南科技大学），四川绵阳 621010

收稿日期:2021-04-20 修回日期:2021-07-01 接受日期:2021-07-20 发布日期:2022-06-22 出版日期:2022-06-10
通讯作者: 周颖玥
作者简介:雷露露（1997—），女，四川广安人，硕士研究生，主要研究方向：图像恢复
李驰（1998—），男，四川成都人，硕士研究生，主要研究方向：数字图像处理
王欣宇（1997—），男，四川德阳人，硕士研究生，主要研究方向：人工智能
赵家琦（1998—），男，四川成都人，硕士研究生，主要研究方向：人工智能。
基金资助:
国家自然科学基金资助项目(61401379);四川省科技厅重点研发项目(2021YFG0383);西南科技大学龙山学术人才科研支持计划项目(17LZX648)

Speckle removal algorithm for ultrasonic image based on multi-scale fast non-local means filtering

Lulu LEI¹^,², Yingyue ZHOU¹^,²(), Chi LI¹^,², Xinyu WANG¹^,², Jiaqi ZHAO¹^,²

^1.School of Information Engineering，Southwest University of Science and Technology，Mianyang Sichuan 621010，China
^2.Sichuan Provincial Key Laboratory of Robot Technology Used for Special Environment （Southwest University of Science and Technology），Mianyang Sichuan 621010，China

Received:2021-04-20 Revised:2021-07-01 Accepted:2021-07-20 Online:2022-06-22 Published:2022-06-10
Contact: Yingyue ZHOU
About author:LEI Lulu，born in 1997，M. S. candidate. Her research interests include image restoration.
LI Chi，born in 1998，M. S. candidate. His research interests include digital image processing.
WANG Xinyu，born in 1997，M. S. candidate. His research interests include artificial intelligence.
ZHAO Jiaqi，born in 1998，M. S. candidate. His research interests include artificial intelligence.
Supported by:
National Natural Science Foundation of China(61401379);Key Research and Development Project of Science and Technology Department of Sichuan Province(2021YFG0383);LongShan Academic Talent Research Support Program of Southwest University of Science and Technology(17LZX648)

摘要/Abstract

摘要：

超声成像因其便捷、廉价、无辐射等优点被广泛应用于临床诊断中，然而图像中的斑点噪声可能对临床诊断或后续图像分析产生不利影响。作为一种典型的去噪技术，在利用非局部平均滤波（NLMF）对超声图像进行去斑时，会存在时耗高、滤波参数不易设置等不足，因此，提出一种多尺度快速非局部平均滤波（MF-NLMF）算法用来去除超声图像的斑点噪声。首先提出快速非局部平均滤波（F-NLMF）算法，利用互相关滤波技术减少运算时耗；接着设置多种窗口参数获得多幅去斑结果，而模型参数值可根据窗口尺寸自适应调节；最后将多幅去斑结果进行融合得到最终的去斑图像。实验结果表明：在相同实验条件下，与传统NLMF算法相比，F-NLMF算法的运算时间至少减少了96.04%；而MF-NLMF算法与迭代贝叶斯非局部均值滤波（IBNLMF）等算法相比，去斑图像的峰值信噪比（PSNR）值、特征相似度测度（FSIM）值、对比度噪声比（CNR）和信噪比（SNR）分别提高了0.73 dB、0.011、0.000 5、0.001 6以上。

关键词: 斑点噪声, 非局部平均滤波, 多尺度, 自适应, 快速滤波

Abstract:

Ultrasound imaging is widely used in clinical diagnosis because of its advantages of convenience， low cost and non-radiation， however， speckle noise in the image may adversely affect clinical diagnosis or subsequent image analysis.As a typical denoising technology， when using Non-Local Means Filter（NLMF）for speckle removal of ultrasonic image，there will be shortcomings such as high time consumption and difficulty in setting filtering parameters. Therefore， a Multi-scale Fast Non-Local Means Filter （MF-NLMF） algorithm was proposed to remove speckle noise of ultrasonic image. A Fast NLMF （F-NLMF） algorithm was first give out to reduce the computing time by using the mutual correlation filtering technique. Then multiple window parameters were set to obtain multiple speckle removal results， and the model parameters were able to be adjusted adaptively according to the window size. The final speckle removal image was obtained by fusing the multiple speckle removal results. Experimental results show that under the same experimental conditions， the F-NLMF algorithm reduces the computing time by at least 96.04% compared with the traditional NLMF algorithm. Compared with other six algorithms such as Iterative Bayesian Non-Local Mean Filtering （IBNLMF）， the proposed MF-NLMF has the speckle removal image with the Peak Signal-to-Noise Ratio （PSNR） value improved by more than 0.73 dB， the Feature SIMilarity index （FSIM） value increased by more than 0.011， the Contrast-to-Noise Ratio （CNR） and Signal-to-Noise Ratio （SNR） values raised by more than 0.000 5 and 0.001 6 respectively.

Key words: speckle noise, Non-Local Means Filter (NLMF), multi-scale, adaptive, fast filter

中图分类号:

TP391.41

雷露露, 周颖玥, 李驰, 王欣宇, 赵家琦. 基于多尺度快速非局部平均滤波的超声图像去斑算法[J]. 计算机应用, 2022, 42(6): 1950-1956.

Lulu LEI, Yingyue ZHOU, Chi LI, Xinyu WANG, Jiaqi ZHAO. Speckle removal algorithm for ultrasonic image based on multi-scale fast non-local means filtering[J]. Journal of Computer Applications, 2022, 42(6): 1950-1956.

图/表 9

图1 模拟斑点噪声图像及其不同位置不同尺寸的图像块示意图

Fig. 1 Simulated speckle noise image and its image block schematic diagrams with different positions and sizes

表1 不同图像块尺寸下的相似距离d值

Tab. 1 Similarity distance d values for different image block sizes

噪声强度 $σ$	局部图像1			局部图像2
噪声强度 $σ$	$5 × 5$	$7 × 7$	$9 × 9$	$5 × 5$	$7 × 7$	$9 × 9$
5	19.98	37.07	61.17	12.68	29.55	76.07
15	111.80	208.40	397.20	96.87	245.50	447.30
25	337.00	829.40	1 430.00	283.30	520.80	953.90

表1 不同图像块尺寸下的相似距离d值

Tab. 1 Similarity distance d values for different image block sizes

噪声强度 $σ$	局部图像1			局部图像2
噪声强度 $σ$	$5 × 5$	$7 × 7$	$9 × 9$	$5 × 5$	$7 × 7$	$9 × 9$
5	19.98	37.07	61.17	12.68	29.55	76.07
15	111.80	208.40	397.20	96.87	245.50	447.30
25	337.00	829.40	1 430.00	283.30	520.80	953.90

图2 测试图像示例

Fig. 2 Test image examples

表2 不同算法对带斑点噪声的“头部”幻影图像的去斑速度比较

Tab. 2 Comparison of despeckling speed of different algorithms to “head” phantom image with speckle noise

匹配区域 $p × p$	搜索区域 $q × q$	算法的运行时间/s			NLMF与F-NLMF运行时间比	IBNLMF与F-NLMF运行时间比
匹配区域 $p × p$	搜索区域 $q × q$	NLMF	IBNLMF	F-NLMF	NLMF与F-NLMF运行时间比	IBNLMF与F-NLMF运行时间比
5×5	13×13	45.19	3.12	1.79	25.25	1.74
5×5	73×73	1 202.39	37.61	7.75	155.15	4.85
7×7	13×13	48.81	3.34	1.85	26.38	1.80
7×7	73×73	1 841.00	38.70	8.53	214.82	4.52
9×9	13×13	65.00	3.60	1.98	32.82	1.82
9×9	73×73	2 040.80	39.96	9.08	226.67	4.40

表2 不同算法对带斑点噪声的“头部”幻影图像的去斑速度比较

Tab. 2 Comparison of despeckling speed of different algorithms to “head” phantom image with speckle noise

匹配区域 $p × p$	搜索区域 $q × q$	算法的运行时间/s			NLMF与F-NLMF运行时间比	IBNLMF与F-NLMF运行时间比
匹配区域 $p × p$	搜索区域 $q × q$	NLMF	IBNLMF	F-NLMF	NLMF与F-NLMF运行时间比	IBNLMF与F-NLMF运行时间比
5×5	13×13	45.19	3.12	1.79	25.25	1.74
5×5	73×73	1 202.39	37.61	7.75	155.15	4.85
7×7	13×13	48.81	3.34	1.85	26.38	1.80
7×7	73×73	1 841.00	38.70	8.53	214.82	4.52
9×9	13×13	65.00	3.60	1.98	32.82	1.82
9×9	73×73	2 040.80	39.96	9.08	226.67	4.40

表3 不同算法对带斑点噪声的“头部”幻影图像进行去斑的结果

Tab.3 Despeckling results obtained by different algorithms to “head” phantom image with speckle noise

算法	$σ = 5$		$σ = 10$		$σ = 15$		$σ = 20$		$σ = 25$
算法	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM
斑点图像	33.55	0.813 3	27.45	0.721 3	23.72	0.660 0	21.50	0.625 5	19.94	0.604 2
SARD	31.53	0.974 3	29.93	0.941 7	27.07	0.814 2	24.69	0.739 1	22.85	0.689 4
SRBF	25.45	0.863 1	24.72	0.838 7	23.31	0.812 3	23.01	0.799 0	22.31	0.790 9
TBNLMF	38.88	0.957 4	32.66	0.894 6	28.66	0.855 5	25.40	0.827 1	22.07	0.796 7
OBNLMF	38.74	0.945 8	32.42	0.872 7	28.33	0.801 9	25.41	0.737 8	23.14	0.701 2
WRNLMF	39.89	0.967 3	33.66	0.918 6	30.18	0.885 5	28.13	0.851 7	25.82	0.830 5
IBNLMF	40.39	0.974 9	34.16	0.942 4	30.42	0.920 6	28.14	0.859 4	25.64	0.851 8
MF-NLMF	41.20	0.985 9	35.70	0.968 2	31.86	0.944 0	29.27	0.940 3	26.55	0.930 8

表3 不同算法对带斑点噪声的“头部”幻影图像进行去斑的结果

Tab.3 Despeckling results obtained by different algorithms to “head” phantom image with speckle noise

算法	$σ = 5$		$σ = 10$		$σ = 15$		$σ = 20$		$σ = 25$
算法	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM
斑点图像	33.55	0.813 3	27.45	0.721 3	23.72	0.660 0	21.50	0.625 5	19.94	0.604 2
SARD	31.53	0.974 3	29.93	0.941 7	27.07	0.814 2	24.69	0.739 1	22.85	0.689 4
SRBF	25.45	0.863 1	24.72	0.838 7	23.31	0.812 3	23.01	0.799 0	22.31	0.790 9
TBNLMF	38.88	0.957 4	32.66	0.894 6	28.66	0.855 5	25.40	0.827 1	22.07	0.796 7
OBNLMF	38.74	0.945 8	32.42	0.872 7	28.33	0.801 9	25.41	0.737 8	23.14	0.701 2
WRNLMF	39.89	0.967 3	33.66	0.918 6	30.18	0.885 5	28.13	0.851 7	25.82	0.830 5
IBNLMF	40.39	0.974 9	34.16	0.942 4	30.42	0.920 6	28.14	0.859 4	25.64	0.851 8
MF-NLMF	41.20	0.985 9	35.70	0.968 2	31.86	0.944 0	29.27	0.940 3	26.55	0.930 8

图3 σ=10时各算法对含斑噪声“头部”幻影图像的去斑结果

Fig. 3 Despeckling results of different despeckling algorithms to “head” phantom image with speckle noise when σ=10

图4 不同去斑算法对Field Ⅱ仿真“囊肿”超声图像的去效果

Fig. 4 Speckle removal results of different despeckling algorithms for Field Ⅱ simulated “cyst” ultrasound image

表4 不同算法对Field Ⅱ仿真“囊肿”超声图像的去斑定量结果 ( dB)

Tab. 4 Despeckling quantitative results of different despeckling algorithms for Field Ⅱ simulated “cyst” ultrasound image unit： dB

算法	第一个区域		第二个区域		第三个区域
算法	CNR	SNR	CNR	SNR	CNR	SNR
噪声图像	0.046 8	0.112 4	0.019 0	0.059 3	0.012 0	0.156 3
SARD	0.112 8	0.275 6	0.026 7	0.082 4	0.047 6	0.590 1
SRBF	0.093 3	0.238 1	0.023 9	0.074 1	0.022 6	0.313 4
TBNLMF	0.186 6	0.512 8	0.028 7	0.084 8	0.078 2	0.942 0
OBNLMF	0.079 4	0.200 4	0.026 0	0.080 8	0.057 4	0.658 5
WRNLMF	0.384 1	1.080 8	0.033 5	0.097 8	0.164 2	2.275 3
IBNLM	0.396 2	1.344 6	0.038 6	0.117 1	0.222 6	3.775 9
MF-NLMF	0.420 2	1.472 1	0.039 1	0.118 7	0.240 7	3.784 0

图5 MF-NLMF算法对3幅真实超声图像的去斑效果

Fig. 5 Speckle removal results of MF-NLMF algorithm for three real ultrasound images

参考文献 26

1	郑渊悦，徐铭恩，王玲. 改进权值非局部均值超声图像去噪［J］. 中国图象图形学报， 2017， 22（6）：778-786. 10.11834/jig.160631
	ZHENG Y Y， XU M E， WANG L. Improved weighted non-local means ultrasonic image denoising algorithm［J］. Journal of Image and Graphics， 2017， 22（6）：778-786. 10.11834/jig.160631
2	沈民奋，陈婷婷，张琼，等. 医用超声图像散斑去噪方法综述［J］. 中国医疗器械信息， 2013， 19（3）：17-22. 10.3969/j.issn.1006-6586.2013.03.003
	SHEN M F， CHEN T T， ZHANG Q， et al. The review of speckle denoising in medical ultrasound imaging［J］. China Medical Device Information， 2013， 19（3）： 17-22. 10.3969/j.issn.1006-6586.2013.03.003
3	江勇，张晓玲，师君. 极化SAR改进Lee滤波相干斑抑制研究［J］. 电子科技大学学报， 2009， 38（1）：5-8. 10.3969/j.issn.1001-0548.2009.01.002
	JIANG Y， ZHANG X L， SHI J. Speckle reduction for polarimetric SAR images by improved Lee filter［J］. Journal of University of Electronic Science and Technology of China， 2009， 38（1）： 5-8. 10.3969/j.issn.1001-0548.2009.01.002
4	杨婧玮，李贺，王智超. 改进Frost算子在SAR图像斑点噪声抑制中的应用［J］. 测绘科学技术学报， 2009， 26（4）：280-282， 287. 10.3969/j.issn.1673-6338.2009.04.013
	YANG J W， LI H， WANG Z C. Application of SAR image de-speckling method based on improved Frost filer［J］. Journal of Geomatics Science and Technology， 2009， 26（4）： 280-282， 287. 10.3969/j.issn.1673-6338.2009.04.013
5	AKL A， TABBARA K， YAACOUB C. An enhanced Kuan filter for suboptimal speckle reduction［C］// Proceedings of the 2nd International Conference on Advances in Computational Tools for Engineering Applications. Piscataway： IEEE， 2012： 91-95. 10.1109/ictea.2012.6462911
6	LOUPAS T， McDICKEN W N， ALLAN P L. An adaptive weighted median filter for speckle suppression in medical ultrasonic images［J］. IEEE Transaction on Circuits and Systems， 1989， 36（1）：129-135. 10.1109/31.16577
7	MA X S， SHEN H F， ZHANG L P， et al. Adaptive anisotropic diffusion method for polarimetric SAR speckle filtering［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2015， 8（3）： 1041-1050. 10.1109/jstars.2014.2328332
8	RAMOS-LLORDÉN G， VEGAS-SÁNCHEZ-FERRERO G， MARTÍN-FERNÁNDEZ M， et al. Anisotropic diffusion filter with memory based on speckle statistics for ultrasound images［J］. IEEE Transactions on Image Processing， 2015， 24（1）： 345-358. 10.1109/tip.2014.2371244
9	PERONA P， MALIK J. Scale-space and edge detection using anisotropic diffusion［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1990， 12（7）：629-639. 10.1109/34.56205
10	YU Y J， ACTON S T. Speckle reducing anisotropic diffusion［J］. IEEE Transactions on Image Processing， 2002， 11（11）： 1260-1270. 10.1109/tip.2002.804276
11	付晓薇，杨雪飞，陈芳，等. 一种基于深度学习的自适应医学超声图像去斑方法［J］. 电子与信息学报， 2020， 42（7）：1782-1789. 10.11999/JEIT190580
	FU X W， YANG X F， CHEN F， et al. An adaptive medical ultrasound images despeckling method based on deep learning［J］. Journal of Electronics and Information Technology， 2020， 42（7）：1782-1789. 10.11999/JEIT190580
12	OVIREDDY S， MUTHUSAMY E. Speckle suppressing anisotropic diffusion filter for medical ultrasound image［J］. Ultrasonic Imaging， 2014， 36（2）： 112-132. 10.1177/0161734613512200
13	ZHANG J， LIN G K， WU L L， et al. Speckle filtering of medical ultrasonic images using wavelet and guided filter［J］. Ultrasonics， 2016， 65： 177-193. 10.1016/j.ultras.2015.10.005
14	JIANG J， JIANG L W， SANG N. Non-local sparse models for SAR image despeckling［C］// Proceedings of the 2012 International Conference on Computer Vision in Remote Sensing. Piscataway： IEEE， 2012： 230-236. 10.1109/cvrs.2012.6421266
15	ZHANG Y S， ZHAO Y C， JI K F， et al. SAR image despeckling by iterative non-local low-rank constraint［C］// Proceedings of the 2016 Progress in Electromagnetic Research Symposium. Piscataway： IEEE， 2016： 3564-3568. 10.1109/piers.2016.7735372
16	COUPE P， HELLIER P， KERVRANN C， et al. Nonlocal means-based speckle filtering for ultrasound images［J］. IEEE Transactions Image Processing， 2009， 18（10）： 2221-2229. 10.1109/tip.2009.2024064
17	SUDEEP P V， PALANISAMY P， RAJAN J， et al. Speckle reduction in medical ultrasound images using an unbiased non-local means method［J］. Biomedical Signal Processing and Control， 2016， 28： 1-8. 10.1016/j.bspc.2016.03.001
18	刘春明，张相芬，陈武凡. 基于小波的医学超声图像斑点噪声抑制方法［J］. 中国医学物理学杂志， 2006， 23（5）： 364-367， 394. 10.3969/j.issn.1005-202X.2006.05.013
	LIU C M， ZHANG X F， CHEN W F. Wavelet-based method for speckle reduction in medical ultrasound image［J］. Chinese Journal of Medical Physics， 2006， 23（5）： 364-367， 394. 10.3969/j.issn.1005-202X.2006.05.013
19	方宏道，周颖玥，林茂松. 基于贝叶斯非局部平均滤波的超声图像斑点噪声抑制算法［J］. 计算机应用， 2018， 38（3）：848-853， 872. 10.11772/j.issn.1001-9081.2017071780
	FANG H D， ZHOU Y Y， LIN M S. Speckle suppression algorithm for ultrasound image based on Bayesian nonlocal means filtering［J］. Journal of Computer Applications， 2018， 38（3）：848-853， 872. 10.11772/j.issn.1001-9081.2017071780
20	胡静波. 改进的中值滤波去噪算法分析［J］. 信息技术， 2011， 35（8）：32-33， 36. 10.3969/j.issn.1009-2552.2011.08.010
	HU J B. Analysis of improved median filtering de-noising algorithm［J］. Information Technology， 2011， 35（8）：32-33， 36. 10.3969/j.issn.1009-2552.2011.08.010
21	ZHAN Y， DING M Y， WU L X， et al. Nonlocal means method using weight refining for despeckling of ultrasound images［J］. Signal Processing， 2014， 103： 201-213. 10.1016/j.sigpro.2013.12.019
22	ZHOU Y Y， ZANG H B， XU S， et al. An iterative speckle filtering algorithm for ultrasound images based on Bayesian nonlocal means filter model［J］. Biomedical Signal Processing and Control， 2019， 48： 104-117. 10.1016/j.bspc.2018.09.011
23	邢笑笑，王海龙，李健，等. 渐近非局部平均图像去噪算法［J］. 自动化学报， 2020， 46（9）：1952-1960. 10.16383/j.aas.c190294
	XING X X， WANG H L， LI J， et al. Asymptotically non-local average image denoising algorithm［J］. Acta Automatica Sinica， 2020， 46（9）：1952-1960. 10.16383/j.aas.c190294
24	JENSEN J A. Simulation of advanced ultrasound systems using Field Ⅱ［C］// Proceedings of the 2nd IEEE International Symposium on Biomedical Imaging： Nano to Macro. Piscataway： IEEE， 2004： 636-639.
25	Field Ⅱ simulation program ［EB/OL］. （2012-04-30）［2021-02-19］. . 10.1007/s10773-011-0954-0
26	张中兴，刘慧，郭强，等. 结合非局部低秩先验的图像超分辨重建概率模型［J］. 计算机辅助设计与图形学学报， 2021， 33（1）：142-152. 10.3724/SP.J.1089.2021.18389
	ZHANG Z X， LIU H， GUO Q， et al. Super-resolution reconstruction using probability model combined with nonlocal low-rank prior［J］. Journal of Computer-Aided Design and Computer Graphics， 2021， 33（1）：142-152. 10.3724/SP.J.1089.2021.18389

[1]	张仲华, 赵福媛, 郭钧枫, 赵高长. 柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1829-1836.
[2]	张伟康, 刘升, 黄倩, 郭雨鑫. 考虑距离因素与精英进化策略的平衡优化器[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1844-1851.
[3]	章曼, 张正军, 冯俊淇, 严涛. 基于自适应可达距离的密度峰值聚类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1914-1921.
[4]	张莹莹, 任超, 朱策. 基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1941-1949.
[5]	狄筝, 曹一凡, 仇超, 罗韬, 王晓飞. 新型算力网络架构及其应用案例分析[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1656-1661.
[6]	邱永茹, 姚光乐, 冯杰, 崔昊宇. 基于半监督学习的单幅图像去雨算法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1577-1582.
[7]	罗圣钦, 陈金怡, 李洪均. 基于注意力机制的多尺度残差UNet实现乳腺癌灶分割[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 818-824.
[8]	李宗正, 周恺卿, 欧云, 丁雷. 基于基因交换的自适应人工鱼群算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 701-707.
[9]	邓天民, 冒国韬, 周臻浩, 段志坚. 基于密集连接卷积神经网络的道路车辆检测与识别算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 883-889.
[10]	郭红伟, 樊香所, 刘帅, 韦相, 赵伶俐. 基于率失真特性的视频编码优化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 946-952.
[11]	陈薪羽, 刘明哲, 任俊, 汤影. 基于多列卷积神经网络的参数异步更新算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 395-403.
[12]	王品学, 张绍兵, 成苗, 何莲, 秦小山. 基于可变形卷积和自适应空间特征融合的硬币表面缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 638-645.
[13]	张继杰, 杨艳, 刘勇. 利用初始残差和解耦操作的自适应深层图卷积[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 9-15.
[14]	杨贞, 彭小宝, 朱强强, 殷志坚. 基于Deeplab V3 Plus的自适应注意力机制图像分割算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 230-238.
[15]	陈俊, 何庆. 基于余弦相似度的改进蝴蝶优化算法[J]. 计算机应用, 2021, 41(9): 2668-2677.

基于多尺度快速非局部平均滤波的超声图像去斑算法

Speckle removal algorithm for ultrasonic image based on multi-scale fast non-local means filtering

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 26

相关文章 15

编辑推荐

Metrics