基于改进的邻域平均滤波方法的X射线图像去噪

为了获得更清晰的X射线图像，在去噪的同时尽可能保护边界完整，针对传统的均值滤波去噪时造成边缘模糊的问题，提出了一种改进的邻域平均滤波去噪方法。对图像中的未知噪声进行检测分析，确定噪声类型和参数；使用改进的邻域平均滤波方法对图像去噪，对滤波模板邻域内像素与中心像素做差值，针对不同类型噪声，选择不同数量的邻域内对应差值较小的几个像素取平均值替代中心像素，避免不同区域像素被混叠处理造成边界模糊；计算去噪后X射线图像的均方误差和峰值信噪比，对去噪效果进行客观评价，并将提出的去噪方法与常见的滤波方法进行比较。实验结果表明，改进的邻域平均滤波去噪方法相比常见的滤波方法在去噪的同时能够更好地保护边界。

在X 射线成像过程中，从图像获取到图像信号传输再到接收，都不可避免地引入一定程度噪声。X射线成像系统的噪声来源广泛：电流变化产生的电子噪声， 探测器接收X 射线光子引起的量子起伏噪声， 粒子做随机运动产生的散粒噪声，导体和半导体器件固有的热噪声，这些噪声均服从高斯分布[1]；图像采集设备故障以及模拟信号转化为数字信号过程中出现错误形成的椒盐噪声等[2]。X 射线输出图像的噪声多为高斯噪声和椒盐噪声混合而成，单一传统的去噪方法往往是采用平均或线性方法，而且容易造成图像信息缺失，去噪效果不明显[3]。

王小兵等先用中值滤波去除脉冲噪声，再对小波分解后的高频图像进行形态学滤波，重新设定阈值判别函数进行重构[4]；杨希等提出一种改进的自适应中值与非局部均值结合的滤波方法分别去除脉冲噪声和高斯噪声[5]；张旭涛等利用小波变换将图像分解为高频和低频分量，对图像中的高频分量进行维纳滤波处理，对低频分量进行非局部均值滤波处理，并进行重构[6]；袁健等利用图像自相似性对椒盐噪声进行滤除，再结合非局部均值滤波算法处理图像的高斯噪声[7]；高东生等首先通过噪声辨识与滤波窗口自适应扩展，计算窗口归一化系数和一次加权联合滤波中间输出，然后利用多层级窗口中间输出值进行二次加权优化滤波[8]；为了在消除噪声的同时保护图像中的目标边界，本文对获取的X 射线图像中的噪声进行检测，明确噪声类型并估计噪声相关参数；依据噪声检测结果，基于边界保护的思想，对传统空间滤波方法进行改进，提出一种改进的邻域平均滤波。实验结果证明所提方法相比传统滤波方法，在去噪同时保护边界更有优势。

2. 噪声检测 高斯噪声是概率密度函数满足正态分布的随机噪声。其概率密度函数表示为： ( )()2221e2πzp zµσσ−−= (1)