-
公开(公告)号：CN112561820A
公开(公告)日：2021-03-26
申请号：CN202011496815.5
申请日：2020-12-17
Applicant: 三峡大学
IPC: G06T5/00
Abstract: 一种适用于超声图像去噪的自适应加权混合总变分方法,包括通过超声图像成像模型和已知的乘性高斯噪声分布，采用最大后验概率估计理论推导出适用于超声图像去噪的通用最小化凸能量泛函；将通用凸能量泛函的正则化项采用一阶总变分、二阶总变分和自适应加权函数融合形成自适应加权混合总变分项，从而得到本发明方法的凸能量泛函。将凸能量泛函采用Split‑Bregman算法进行最小化求解，迭代过程中交替实现超声图像的去噪和自适应加权函数的优化，最终得到的去噪超声图像在有效降低散斑噪声的同时能更好地保留超声图像细节和边缘信息，从而有效提高超声图像的视觉判读性。
-
Patent Agency Ranking
公开(公告)号：CN111815527A
公开(公告)日：2020-10-23
申请号：CN202010550145.4
申请日：2020-06-16
Applicant: 三峡大学
IPC: G06T5/00
Abstract: 基于Weibull分布的混合高阶变分超声图像去噪方法，对超声图像进行噪声分布拟合，采用Weibull概率密度函数，对选定的图像局部均匀区域进行灰度直方图拟合，并对拟合分布参数采用最大似然法进行估计；根据拟合的噪声分布，推导对数真实无噪图像的似然函数，将似然函数进行负的对数变换，从而得到最小化能量函数的数据保真项；将对数真实无噪图像一阶正则化表达式和二阶正则化表达式进行加权融合，构建最小化能量函数的混合高阶正则化项；将数据保真项和混合高阶正则化项形成最小化能量函数模型，采用Split-Bregman迭代方法进行快速求解，迭代收敛后，利用指数变换得到去噪超声图像。本发明方法能有效降低散斑噪声的同时更好地保留图像的细节和边缘信息，从而增强超声图像的视觉判读性。
-
公开(公告)号：CN114359151B
公开(公告)日：2024-08-06
申请号：CN202111481981.2
申请日：2021-12-06
Applicant: 三峡大学
Abstract: 组合SegNet网络和局部Nakagami分布拟合模型的超声图像分割方法，包括：(1)利用超声图像集和分割真值集对SegNet网络进行训练，预训练的SegNet网络进行超声图像的粗分割；(2)将SegNet网络的粗分割结果转化为初始化水平集函数，利用局部Nakagami分布拟合模型实现精分割，既能克服SegNet网络分割超声图像所出现的边缘定位精度不足问题，也能克服水平集分割方法的初始化敏感问题，从而实现高精度且高效率的超声图像自动分割。
-
公开(公告)号：CN111815527B
公开(公告)日：2023-10-27
申请号：CN202010550145.4
申请日：2020-06-16
Applicant: 三峡大学
IPC: G06T5/00
Abstract: 基于Weibull分布的混合高阶变分超声图像去噪方法，对超声图像进行噪声分布拟合，采用Weibull概率密度函数，对选定的图像局部均匀区域进行灰度直方图拟合，并对拟合分布参数采用最大似然法进行估计；根据拟合的噪声分布，推导对数真实无噪图像的似然函数，将似然函数进行负的对数变换，从而得到最小化能量函数的数据保真项；将对数真实无噪图像一阶正则化表达式和二阶正则化表达式进行加权融合，构建最小化能量函数的混合高阶正则化项；将数据保真项和混合高阶正则化项形成最小化能量函数模型，采用Split‑Bregman迭代方法进行快速求解，迭代收敛后，利用指数变换得到去噪超声图像。本发明方法能有效降低散斑噪声的同时更好地保留图像的细节和边缘信息，从而增强超声图像的视觉判读性。
-
公开(公告)号：CN112561820B
公开(公告)日：2023-10-27
申请号：CN202011496815.5
申请日：2020-12-17
Applicant: 三峡大学
IPC: G06T5/00
Abstract: 一种适用于超声图像去噪的自适应加权混合总变分方法,包括通过超声图像成像模型和已知的乘性高斯噪声分布，采用最大后验概率估计理论推导出适用于超声图像去噪的通用最小化凸能量泛函；将通用凸能量泛函的正则化项采用一阶总变分、二阶总变分和自适应加权函数融合形成自适应加权混合总变分项，从而得到本发明方法的凸能量泛函。将凸能量泛函采用Split‑Bregman算法进行最小化求解，迭代过程中交替实现超声图像的去噪和自适应加权函数的优化，最终得到的去噪超声图像在有效降低散斑噪声的同时能更好地保留超声图像细节和边缘信息，从而有效提高超声图像的视觉判读性。
-
公开(公告)号：CN114359151A
公开(公告)日：2022-04-15
申请号：CN202111481981.2
申请日：2021-12-06
Applicant: 三峡大学
Abstract: 组合SegNet网络和局部Nakagami分布拟合模型的超声图像分割方法，包括：(1)利用超声图像集和分割真值集对SegNet网络进行训练，预训练的SegNet网络进行超声图像的粗分割；(2)将SegNet网络的粗分割结果转化为初始化水平集函数，利用局部Nakagami分布拟合模型实现精分割，既能克服SegNet网络分割超声图像所出现的边缘定位精度不足问题，也能克服水平集分割方法的初始化敏感问题，从而实现高精度且高效率的超声图像自动分割。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
