医学超声图像中会不可避免地产生斑点噪声。为有效去除医学超声图像中的噪声，本研究团队提出了一种基于双注意力机制的医学超声图像降噪模型。首先，针对医学超声图像数量有限的问题，对伯克利分割数据集中的400张图像进行旋转和缩放，获得23700张自然图像，再通过斑点噪声模型对其添加斑点噪声来模拟超声图像；接着，在构建降噪模型过程中，针对传统卷积神经网络在特征提取时存在的一些不足，分别引入位置注意力机制、通道注意力机制和全卷积网络对现有模型进行改进，构建更优的超声图像降噪模型；最后，在模型训练过程中，为防止梯度消失引入了批量归一化操作。实验结果表明：从视觉观察效果和客观评价指标来看，所提模型对11张模拟超声图像和2张真实超声图像（物理体膜超声图像和肝脏超声图像）的去噪效果均优于对比模型。所提模型是一种有效的医学超声图像降噪模型，不仅有效降低了斑点噪声，还较好地保留了图像的细节信息。

医学超声图像是医生诊断人体组织病变的重要依据, 而医学超声图像中固有的散斑噪声易造成纹理信息的破坏, 影响医生对组织器官的判断, 因此, 医学超声图像的去噪处理倍受关注。针对目前医学超声图像去噪算法无法保持图像纹理这一局限性, 本文提出分数阶微分加权的引导滤波算法。算法首先通过对数变换, 将难以去除的散斑噪声转换为加性噪声; 再结合分数阶微分算法, 根据像素与边缘纹理的相关性设计纹理因子, 并使用该纹理因子改进引导滤波方法; 最后, 通过改进的引导滤波器生成医学超声图像的处理结果。本文对猪胃和猪气管超声图像进行了算法实验, 实验结果表明, 本文算法相较于经典引导滤波算法, 其结构一致性因子提升20.1%, 无参考图像锐化因子提升3.3%, 能够在去除散斑噪声的同时有效保留图像边缘纹理结构, 对于医学超声图像具有良好的适用性。

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用, 并直接影响到后续的分析、处理工作。针对医学超声图像对比度低和噪声强的特点, 提出了一种将超像素和模糊聚类技术相结合的图像分割方法。该方法利用简单线性迭代聚类算法产生多个超像素子区域, 通过比较各个子区域间特征向量的相似性, 利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并, 实现超声图像目标区域的有效分割。和传统的基于单像素的FCM聚类算法相比, 该方法具有较强的鲁棒性, 有效提高了目标区域的分割精度和分割效率, 取得了较好的分割效果。

针对医学超声图像上的斑点噪声,本文提出一种基于自适应形态滤波的降噪方法。首先构造一组检测图像中不同像素值突变的结构因子;再对每个结构因子构造相应的形态滤波结构元;最后对每个像素点邻域进行结构检测,找到该点处最可能存在的突变结构,以相应的结构元完成该点的形态滤波。对不同信噪比的仿真图像和实际图像分别采用本文方法和各向异性扩散滤波、不同尺度传统形态滤波进行了比较实验,结果表明:采用本方法可将超声图像的信噪比、对比度噪声比和图像优度分别平均提高15%、37%和69%,优于其它方法。

为提高图像拼接的成功率,提出了一种基于自适应模拟退火和多分辨率搜索策略的图像自动拼接新方法.该新算法先自适应地选取配准区域,再以互信息为相似度评价标准,结合自适应模拟退火和多分辨率搜索策略的思想分别进行图像平移和旋转参数的全局优化和局部搜索,最后实现图像的拼接.通过对含噪声数字图像和医学超声图像进行的24次模拟拼接实验表明,该新算法较传统的多分辨率直接搜索法有精度高、速度快和抗噪声能力强的优点.由于结合了模拟退火算法的高精度和多分辨率搜索法的高效率,改进后的图像拼接算法将拼接成功率提高了12.5%,并将运算时间控制在可接受的范围内.