《表1 模拟斑点肝脏超声图像1不同方法PSNR结果(dB)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种基于深度学习的自适应医学超声图像去斑方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文进行了大量样本图像实验，分别训练了含噪声标准差为0.5～0.9的训练模型。图4和图5分别是两张含标准差为0.7的模拟斑点肝脏超声图像去斑效果图。图4（a）和图5（a）为含有较少斑点噪声的肝脏超声原始图像，图4（b）和图5（b）为模拟加斑点噪声后的超声图像，图4（c）—图4（i）、图5（c）—图5（i）分别为BI-DTCWT，NPSM，NL＿means，BM3D，Local＿entropy＿qsp，DnCNN及本文方法的去斑视觉效果。由此可知，本文方法取得了较好的主观去斑效果，且保持了更多的原始图像细节，与原图像更接近。图4（c）—图4（e）、图4（g）以及图5（c）—图5（e）、图5（g）中图像仍含有明显的斑点噪声。图4（f）、图4（h）和图5（f）、图5（h）虽然取得了较好的效果，但较本文方法，细节损失较多。为了客观评价不同方法的抑噪的性能，表1—表4分别给出模拟斑点噪声标准差为0.5～0.9的肝脏图像1和2不同方法的峰值信噪比PSNR、边缘保持度β的客观评价指标值。如表1—表4所示，本文方法可获得较大的峰值信噪比、边缘保持度，相较于其他方法，PSNR指标值提高了0.5～6d B，β的指标值提高了0.1～0.4 d B。其客观评价结果与主观视觉效果基本一致，本文方法抑斑效果较好。