基于冗余小波域逻辑密度的医学图像散斑噪声抑制

摘要： 在数字世界中，人工智能工具和机器学习算法被广泛应用于医学图像分析以识别疾病并做出诊断，例如进行识别和分类。散斑噪声会影响所有医学成像系统。因此，减少破坏性的散斑噪声非常重要，因为它会降低医学图像的质量，并使识别和分类等任务变得困难。大多数现有的去噪算法都是为加性高斯白噪声（AWGN）开发的。然而，AWGN并非散斑噪声。因此，本研究提出了一种基于贝叶斯估计和小波分析框架的新型散斑噪声去除算法。这项研究聚焦于采用基于小波的贝叶斯方法进行降噪，因为该方法在降噪方面具有良好的效率且处理耗时短。对数变换图像的子带分解最适合用重尾密度族（如逻辑分布）来描述。随后，本研究提出了最大后验（MAP）估计器，假设无噪声对数变换数据的每个父子小波系数为逻辑随机向量，并假设散斑噪声为对数正态密度。此外，我们的方法中应用了冗余小波变换，即循环平移方法。在我们的实验中，所提出的方法给出了有前景的去噪结果。