چکیده:
تصاویر پزشکی اهمیت ویژه ای در تشخیص پزشکی دارند. در این مقاله یک روش ترکیبی هوشمند مبتنی بر یک سیستم فازی- عصبی برای حذف نویز از این گونه تصاویر ارائه می شود. چندین روش عمومی و مفید برای حذف نویز از تصاویر وجود دارند؛ به عنوان نمونه می توان از فیلتر میانگین ، فیلتر میانه ، فیلتر میانه وزن دار و فیلتر میانه تطبیقی نام برد . همچنین تصویر نویزدار به صورت یک سیگنال آماری در نظر گرفته می شود و با استفاده از گشتاورهای کسری نویز کاهش می یابد. روش گشتاورهای کسری، از یک طرف دارای سرعتی شبیه روش گشتاور است، و از طرف دیگر محدودیت های موجود در روش گشتاور که گاهی منجر به نتایج با دقت ضعیف می شود را برطرف می نماید. در رابطه با حذف نویز از تصاویر پزشکی به علت ویژگی خاص آنها نیاز به قابلیت های بیشتری برای حذف نویز است . با توجه به توانایی سیستم های فازی - عصبی در کد کردن دانش بشری و همچنین، به کارگیری دانش غیر قطعی، این پروژه سعی در بهره گیری از این قابلیت ها برای رفع هر چه بیشتر نویز تصاویر دارد. راهبرد به کار گرفته شده در این مقاله مبتنی بر به کار گرفتن چهار روش حذف نویز عمومی بالا به طور موازی روی تصویر داده شده و استفاده از سیستم فازی- عصبی است. اطلاعات به دست آمده از گشتاورهای کسری سیگنال دریافتی، معیاری برای تخمین پارامترهای نویز و سطوح خاکستری تصویر اصلی است. سیستم فازی- عصبی که به وسیله پیکسل های نویزی آموزش داده شده است بهترین مقدار جایگزین برای پیکسل نویزی در تصویر بهبود داده شده را با توجه به چهار مقدار تولید شده برای همان پیکسل توسط فیلترهای حذف نویز تعیین می کند. روش پیاده سازی و بر روی تصاویر با چگالی نویز بالا اجرا شد. نتایج شبیه سازی ها نشان می دهند که روش ارائه شده، از بیشتر روش های مطرح حذف نویز ، چه از لحاظ تخمین در نسبت سیگنال به نویزهای پایین و چه از لحاظ کیفیت تصویر کارایی بالاتری دارد و در بازیابی ظرایف و جزئیات تصویر از مطرح ترین روش های موجود حذف نویز قوی تر است و سیستم را از حالت بلادرنگ خارج نمی کند.
خلاصه ماشینی:
راهبرد به کار گرفته شده در این مقاله مبتنی بر به کار گرفتن چهار روش حذف نویز عمومی بالا به طور موازی روی تصویر داده شده و استفاده از سیستم فازی- عصبی است.
به علت عدم قطعیت پیکسل های یک تصویر آلوده به نویز هیچ کدام از روش های یاد شده کارایی Weighted Median Filter2 Center-Weighted Median قابل قبولی در حذف نویز تصاویر پزشکی ندارند و ممکن است برخی از پیکسل های نویزی را بدون فیلتر کردن رها کنند و با فیلتر کردن برخی پیکسل های سالم موجب تحریف تصویر خروجی شوند (6(.
در این روش برخلاف سایر روش های حذف نویز، برای نویز نیز رفتار آماری در نظر می گیرند، و نویز به عنوان یک سیگنال اصلی که با سیگنال تصویر جمع شده است دیده می شود.
روش کلی در اینجا این است که مدل رفتار آماری سیگنال اصلی تصویر به همراه نویز را در نظر گرفته و به صورت تحلیلی گشتاورهای سیگنال دریافتی را محاسبه می کنیم که نتیجه حاصل حاوی پارامترهای مجهول است.
نتایج عددی حاصل از مقدار میانگین مربع خطا هر کدام از روش ها برای تصویر آنژیوگرافی دست با چگالی نویز 10 درصد در شکل (4) نمایش داده شده است.
MSMF (Multi-State Median Filter) JBF (Jarque-Berra test based Filter) MSE (Mean Square Error) PSNR (Peak Signal to Noise Ratio) شکل 4- معیار خطا برای فیلترهای حذف نویز همان گونه که مشاهده می شود خطای روش پیشنهادی نسبت به روش های پیشین کمتر است.
Guo Q, Dong F, Sun S, Lei B, Gao BZ.