超声图像斑点噪声处理算法
斑点噪声（Speckle Noise）是超声图像中常见的干扰因素，由相干波的随机干涉产生。以下为几种常用的斑点噪声处理算法：
空间域滤波算法
均值滤波
简单易实现，通过邻域像素的平均值替代中心像素值，但容易导致边缘模糊。公式为：
Iout(x,y)=1N∑(i,j)∈SIin(i,j)I_{out}(x,y) = \frac{1}{N} \sum_{(i,j)\in S} I_{in}(i,j)Iout(x,y)=N1∑(i,j)∈SIin(i,j)
其中SSS为邻域窗口，NNN为像素数量。
中值滤波
基于排序统计理论，有效保留边缘信息。对邻域像素排序后取中值：
Iout(x,y)=median{Iin(i,j)},(i,j)∈SI_{out}(x,y) = \text{median}\{I_{in}(i,j)\}, (i,j)\in SIout(x,y)=median{Iin(i,j)},(i,j)∈S
Lee滤波
结合局部统计特性，适用于均匀区域和边缘区域的自适应滤波：
Iout=Iˉ+k(Iin−Iˉ)I_{out} = \bar{I} + k(I_{in} - \bar{I})Iout=Iˉ+k(Iin−Iˉ)
其中kkk为自适应权重，Iˉ\bar{I}Iˉ为局部均值。
变换域滤波算法
小波阈值去噪
通过小波变换分离噪声与信号，常用阈值函数包括硬阈值和软阈值：
硬阈值：Thard(x)=x⋅(∣x∣>λ)T_{hard}(x) = x \cdot (|x| > \lambda)Thard(x)=x⋅(∣x∣>λ)
软阈值：Tsoft(x)=sign(x)(∣x∣−λ)+T_{soft}(x) = \text{sign}(x)(|x| - \lambda)_+Tsoft(x)=sign(x)(∣x∣−λ)+
非局部均值滤波（NLM）
利用图像中相似结构的冗余性进行加权平均：
Iout(x)=∑y∈Ωw(x,y)Iin(y)I_{out}(x) = \sum_{y\in \Omega} w(x,y)I_{in}(y)Iout(x)=∑y∈Ωw(x,y)Iin(y)
权重w(x,y)w(x,y)w(x,y)取决于像素块相似度。
基于偏微分方程的算法
各向异性扩散（Perona-Malik模型）
通过扩散系数控制平滑强度，保留边缘：
∂I∂t=div(c(∣∇I∣)∇I)\frac{\partial I}{\partial t} = \text{div}(c(|\nabla I|)\nabla I)∂t∂I=div(c(∣∇I∣)∇I)
扩散系数ccc通常选择为：
c(∣∇I∣)=11+(∣∇I∣/K)2c(|\nabla I|) = \frac{1}{1 + (|\nabla I|/K)^2}c(∣∇I∣)=1+(∣∇I∣/K)21
深度学习方法
卷积神经网络（CNN）
采用端到端训练方式，如DnCNN、UNet等结构，直接从噪声图像学习去噪映射。典型损失函数为：
L=∥f(Inoisy)−Iclean∥22\mathcal{L} = \|f(I_{noisy}) - I_{clean}\|_2^2L=∥f(Inoisy)−Iclean∥22
算法选择建议
- 实时性要求高：选择空间域滤波（如中值滤波或Lee滤波）。
- 图像细节保留：优先考虑小波变换或NLM算法。
- 计算资源充足：可尝试基于深度学习的去噪方法。
实际应用中常需结合多种算法，或根据超声设备特性调整参数。
