买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都信息工程大学;四川省医学科学院·四川省人民医院

摘要：本发明公开了一种基于无监督学习模型的超声图像去噪方法，属于图像处理技术领域，包括：S1、采集含噪超声图像，对其进行去噪处理，并分别构造含噪超声图像及去噪超声图像的子图像；S2、基于含噪超声图像的子图像及去噪超声图像的子图像，构建损失函数；S3、基于损失函数，确定训练超声图像去噪网络的目标函数，并对其训练；S4、利用训练好的超声图像去噪网络对待去噪超声图像处理，获得去噪超声图像。本发明方法降低了模型对数据样本的依赖并充分发挥深度学习的推理能力，不需要构造Noisy‑Clean图像对，保留了更加细微的特征，在抑制图像斑点噪声的同时增强对比度，取得了更好的去噪效果，对比度更强，细节结构更加明显。

主权项：1.一种基于无监督学习模型的超声图像去噪方法，其特征在于，包括以下步骤：S1、采集含噪超声图像，对其进行去噪处理，并分别构造含噪超声图像及去噪超声图像的子图像；S2、基于含噪超声图像的子图像及去噪超声图像的子图像，构建损失函数；其中，所述损失函数包括邻域图像之间的相似性损失函数、重建损失函数以及子图像之间的正则损失函数；S3、基于损失函数，确定训练超声图像去噪网络的目标函数，并对其训练；S4、利用训练好的超声图像去噪网络对待去噪超声图像处理，获得去噪超声图像；所述步骤S2中，邻域图像之间的相似性损失函数为表征图像之间在亮度相似性、对比度相似性以及结构相似性的函数；所述亮度相似性的表达式为： 式中，为小常数，，和分别为图像x和图像y直方图中像素最多的亮度值，且，为像素点i的像素值，为像素点的个数；其中，为第一超参数，L为图像y中的像素值的动态范围，图像x为含噪超声图像的子图像g1y或g3y，图像y为含噪超声图像的子图像g2y和g4y；对比度相似性的表达式为： 式中，为小常数，和分别为图像x和图像y像素值的标准差，，为第二超参数；结构相似性的表达式为： 式中，为小常数，为图像x和图像y像素值的协方差；其中，；所述邻域图像之间的相似性损失函数为： 式中，SSIM.为测量两幅图像感知距离的度量；所述步骤S2中，重建损失函数为： 式中，为对含噪超声图像的子图像进行去噪后的图像，为对含噪超声图像的子图像进行去噪后的图像；所述步骤S2中，子图像之间的正则损失函数为： 式中，、、和为去噪超声图像对应的4个子图像，和为含噪超声图像对应的两个子图像；所述步骤S3中，目标函数为： 式中，和为超声图像去噪网络的超参数。

全文数据：

权利要求：

百度查询： 成都信息工程大学 四川省医学科学院·四川省人民医院 一种基于无监督学习模型的超声图像去噪方法