350 руб
Журнал «Динамика сложных систем - XXI век» №3 за 2016 г.
Статья в номере:
Исследование алгоритмов подавления шума при разных искусственных шумах на МРТ-изображениях
Ключевые слова: МРТ-изображения алгоритмы шумоподавления опухоль головного мозга пиковое отношение сигнала к шуму (PSNR)
Авторы:
А.Р.А. Абдулракеб - аспирант, Владимирский государственный университет им. А.Г. и Н.Г. Столетовых. E-mail: atef_alsanawy@hotmail.com Л.Т. Сушкова - д.т.н., зав. кафедрой, Владимирский государственный университет им. А.Г. и Н.Г. Столетовых. E-mail: ludm@vlsu.ru М.М. Абунасиф - врач-консультант диагностической радиологии, медицинский городок имени Короля Сауда, Министерство здравоохранения, Эр-Рияд, Королество Саудовской Аравии. E-mail: mabounassif@ksmc.med.sa П.Ж. Парамисуари - кандидат наук, Био-Статистик, медицинский городок имени Короля Сауда, Министерство здравоохранения, Эр-Рияд, Королество Саудовской Аравии. E-mail: parameaswari@ksmc.med.sa М.А. Мутеб - кандидат наук, директор исследовательского центра, медицинский городок имени Короля Сауда, Министерство здравоохранения, Эр-Рияд, Королество Саудовской Аравии. E-mail: parameaswari@ksmc.med.sa
Аннотация:
Статья посвящена исследованию алгоритмов подавления шума при разных искусственных шумах на МРТ изображениях головного мозга, что актуально для выбора более эффективного фильтра на этапе предварительной обработки. Исследование проводилось на двух базах данных МРТ изображений головного мозга пациентов специализированных клинических учреждений, полученных в г. Владимир (Россия) и в г. Эр-Рияд (Саудовская Аравия). К исходным изображениям были добавлены наиболее часто встречающиеся шумы с нулевым средним и разными значениями дисперсии, в том числе гауссовский шум с дисперсий 0,01, мультипликативный шум с дисперсий 0,04, соль и перец с дисперсий 0,05. Для удаления шума были рассмотрены широко используемые фильтры, а именно усредняющий, гауссовский, фильтр Винера, медианный и вейвлет Хаара. В качестве критерия сравнения алгоритмов подавления шума использовалось пиковое отношение сигнала к шуму (PSNR). Результаты показали, что на исходных изображениях (без добавления искусственных шумов) для фильтра Гаусса со стандартным отклонением 0,5 максимальное среднее значения PSNR оказалось максимальным по сравнению с остальными фильтрами. На изображениях, зашумленных гауссовским шумом и шумом «соль и перец», медианный фильтр по сравнению с другими фильтрами обеспечивает максимальное уменьшение шумов и имеет максимальное среднее значение PSNR. На изображениях, зашумленных мультипликативным шумом, наиболее эффективным оказался усредняющий фильтр.
Страницы: 36-44
Список источников

 

  1. Anisha S.R., Venugopala Krishnan J. Comparison of various filters for noise removal in MRI brain image.2015 International Conference on Futuristic Trends in Computing and Communication. 2015. P. 68−73.
  2. Oulhaj H., Amine A., Aziza M., Aboutajdine D. Noise reduction in medical imaging - comparison of noise removal algorithms. International Conference on Mathematics and Computer Science. 2012. P. 344−349.
  3. Ramesh Jain, Rangachar Kasturi, Brian G. Schunck. Machine vision. McGraw-Hill. Inc. 1995. 572 p.
  4. Balafar M.A., Review Of Noise Reducing Algorithms For Brain MRI Images. International Journal on Technical and Physical Problems of Engineering. 2012. Issue 13. V. 4. № 4. P. 54−59.
  5. A. Anilet Bala, Chiranjeeb Hati, CH Punith. Image Denoising Method Using curvelet Transform and Wiener Filter. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering. V. 3. Issue 1.January 2014. P. 6943−6950.
  6. Maryam Amirmazlaghani, Hamidreza Amindavar. A Novelwavelet Domain Statistical Approach for Denoising SAR Images ICIP. 2009.
  7. Bhumika Gupta, Mr. Shailendra Singh Negi. Image Denoising with Linear and Non-Linear Filters: A REVIEW // IJCSI International Journal of Computer Science Issues. V. 10. Issue 6. № 2. November 2013. P. 1694−0814.
  8. Pushpavalli R., Sivarajde G., Image Denoising Using A New Hybrid NeuroFuzzy Filtering Technique // International journal of scientific & technology research V. 2. issue 5. may 2013.
  9. Yong-Hwan Lee, Sang-Burm Rhee. Wavelet-based Image Denoising with Optimal Filter // International Journal of Information Processing Systems V. 1. № 1. 2005.
  10. Siti Noraini Sulaiman, Siti Mastura Che Ishak, Iza Sazanita Isa, Norhazimi Hamzah. Denoising of Noisy MRI Brain Imageby Using Switching-based Clustering Algorithm. Energy, Environment, Biology and Biomedicine. 2014. P. 33−39.
  11. Rafael C. Gonzalez, Richard E. Woods, Steven L. Eddins. Digital image processing using MATLAB. second edition. Gatesmark. LLC. 2009. P. 845.
  12. http://www.mathworks.com/help/images/ref/fspecial.html (date of access 01.03.2016).
  13. Kanwaljot Singh Sidhu, Baljeet Singh Khaira, Ishpreet Singh Virk. Medical Image Denoising In The Wavelet Domain Using Haar And DB3 Filtering. International Refereed Journal of Engineering and Science. 2012. V. 1. Issue 1. P. 001−008.
  14. Priya C. Nair, Suganthi G. Comparative Analysis of Various Denoising Techniques for MRI Images. International Journal of Science and Research. 2013. Issue 8. V. 4. P. 1437−1440.
  15. Ruchika Chandel, Gaurav Gupta. Image Filtering Algorithms and Techniques: A Review // International Journal of Advanced Research in Computer Science and Software Engineering. 2013. Issue 10. V. 3. P. 198−202.
  16. Ramesh Jain, Rangachar Kasturi, Brian G. Schunck. Machine vision. (McGraw-Hill. Inc. 1995).
  17. Ajay Kumar Nain, Surbhi Singhania, Shailender Gupta, Bharat Bhushan. A Comparative Study of Mixed Noise Removal Techniques. International Journal of Signal Processing, Image Processing and Pattern Recognition. V. 7. № 1. (2014). P. 405−414.
  18. www.spss.com date of access (01.03.2016).
  19. Tanimoto T. (17 Nov 1958). An Elementary Mathematical theory of Classification and Prediction // Internal IBM. Technical Report. 1957.