医学图像处理与一般的图像处理相比,数据量比较大,对细节和实时性要求相对较高,并且对于某些处理后图像的评价需要医生的参与。对于单一图像而言,其中的异常点,要根据已有的经验模型或者数学分布来分析此点是病灶点还是噪声点。另一方面,对于图像之间的运算,比如DSA图像序列的减运算,经常会引入新的错误信息,产生运动伪影。本文就是要解决如何消除这些静态时的噪声和动态时的伪影问题。对于噪声,综合比较各种医学模态的成像结果,超声的斑点噪声(speckle noise)是很普遍并且难以处理的,但由于超声成像的较为理想的动态特性是其他成像没法取代的,所以斑点噪声的去噪还是很有意义的。一般的消除斑点噪声的方法有两种,一种是图像平均,一种是图像滤波。[05]前者的思路简单,但是丢失了很多空间信息,降低了空间分辨率。本文从基于异性扩散方程的算法出发,对于各种针对此算法的改进进行了总结,并提出了自己的改进方案,至于异性扩散方程的离散化而带来的多次模板遍历而产生的计算量大的问题,通过GPU的FBO(Frame Buffer Object)并行处理有了很好的改善。本文的第二部分的主题是消除DSA的运动伪影。对于动态DSA序列(可以扩展到其他的图像序列)的减运算时,因为没有充分的对准,经常会在某些器官的边缘出现运动伪影。通过对于运动估计中的新三步法的改进来计算图像之间的偏移,并且提出了一种绝对偏移和相对偏移相结合的方法,在不同的区间上对于这两种偏移采取不同的权重,更好的消除了运动伪影,在整个算法的实现上,通过参考图像的引入使得比较的次数大大减少,理想情况下图像间比较的次数只是掩膜图像的数目加1,但是为了精度上的考虑,对于造影图像进行了散列表(Hash)的映射,使得比较的次数稍有增加,在某些区间上会多比较一次,因为还要计算目标图像与散列槽(Slot)的第一个对象的相对偏移。此算法还注意了统计数据和图像特征的综合,运动位移算法侧重于统计数据,并没有关心图像中有无明显的特征,对于我们的胸腔的DSA图像,膈是一个很明显的特征,尤其是其高度特征。除了上述的算法设计减少了运算量,我们对于每一幅DSA图像,仅仅是选取了膈为中心的一块子区域,大大减少了需要处理的数据。上述的噪声消除和伪影消除,用于医生的临床,能够更好的帮助医生的诊断,对于病态部位的动态观测和静态特征量化能有更好的指导作用。