III. EXPRIMENTAL RESULTS AND DISCUS

III. EXPRIMENTAL RESULTS AND DISCUSSION
In this section we performed several experiments to test the
performance of the proposed method using various test images
and noisy medical ultrasound images.
To quantify the performance of a speckle noise reduction
filtering algorithms in terms of efficiency and enhancing the
significant image information, we used several quality evaluation
metrics such as average difference(AD), mean square
error(MSE), peak signal to noise ratio(PSNR), maximum
difference(MD), normalized cross-correlation (NK), and structural
content(SC) [24]. All the metrics are self and separate
explanation for each and every metrics is not included in this
discussion due to page limitation.
The proposed method is tested on the Lena and geometric
images corrupted by a speckle noise, with a variance equal
to 0.01 (Figure III.1b and III.2b). In order to demonstrate
its effectiveness, we compare our algorithm to the anisotropic
diffusion algorithm. The evaluation measurements were done
for each despeckled image. Figure III.1 and III.2 shows representative
filtered results of synthetic images. The proposed
algorithm is further tested on real clinical ultrasound images
as shown in figure III.3 and III.4. Furthermore, the correspondence
to various quality evaluation metrics are calculated
for the filtered images and shown in data Table I and II.
From Figure III.1 and III.2, we can observe that the speckle
noise has been greatly alleviated with the proposed method,
which produces an obvious combination of speckle reduction,
smoothing, and features enhancing. Therefore, comparative
results are shown in figure III.3 and III.4 clearly indicate that
our algorithm presents a superior edge preserving behavior
with an improvement of contrast enhancement, and its filtering
results are the best visual appearance as compared to the
anisotropic diffusion. The results of this study showed that
the anisotropic diffusion filter was not able to enhance image
quality and produced blurred edges in the filtered image (see
figure III.3 and III.4 ). Referring to Table I and II, the PSNR
of the proposed filter are larger than the anisotropic filter in all
experiments, and their metrics of MSE, NK, AD, SC and MD
are smaller. Although the interval scale between all metrics
of the filters is not large, it is worthwhile to note that the
mathematical expressions of MSE, PSNR, AD, NK, SC and
MD are rather significant.
The obtained results confirm that the proposed method gives
a very good performance : (i) in terms of smoothing and at
the same time edge preservation without any blurring or distortions
near the edges(ii) in terms of contrast enhancement (iii)
Quantitatively it gives best image quality evaluation results
compared to anisotropic diffusion filter, which confirms that
our method seems to be more suitable for speckle reduction
in ultrasound images and can achieve better performance than
anisotropic diffusion algorithm.
(a) Original image (b) Noised image
(c) Anisotropic diffusion (d) Proposed method
Figure III.1: Experimental results on Lena image
Metrics MSE PSNR NK AD SC MD
Proposed filter 0.0025 74.1964 0.9870 -2.7807e-016 1.0173 0.3980
Anisotrope filter 0.0032 73.0811 0.9632 0.0064 1.0580 0.4762
Table I: Image quality evaluation metrics of Lena image

نتایج (فارسی) 1:

سوم تجربي نتایج و بحثدر این بخش ما در انجام آزمایش های مختلف برای تستعملکرد روش پیشنهادی با استفاده از تصاویر تست مختلفو تصاویر سونوگرافی پزشکی پر سر و صدا.به راندمان لکه کاهش سر و صدافیلتر کردن الگوریتم از نظر بهره وری و بالا بردناطلاعات تصویر قابل توجهی به ما استفاده می شود چندین کیفیت ارزیابیمعیارهای مانند difference(AD) متوسط ميانگين مربعاتerror(MSE)، پهناي قله ratio(PSNR)، سر و صدا حداکثرdifference(MD) همبستگی نرمال (NK) و سازهcontent(SC) [24]. تمام معیارهای خود و جداتوضیح برای هر متریک در این وجود داردبحث با توجه به محدودیت صفحه است.روش تست شده است در لنا و هندسیتصاویر خراب شده با نویز لکه با برابر واريانسبه 0.01 (شکل III.1b و III.2b). به منظور نشان دادناثر آن به ما مقایسه الگوریتم ما به ناهمسانگردالگوریتم انتشار. اندازه ارزیابیبرای هر تصویر despeckled. شکل III.1 و III.2 نماینده دهدفیلتر نتایج تصاویر مصنوعی. پیشنهادیالگوریتم است که بیشتر در عکس سونوگرافی واقعی بالینی آزمایشهمانطور که در شکل نشان داده شده III.3 و III.4. علاوه بر این، مکاتباتمتریک برای ارزیابی کیفیت مختلف محاسبه می شودبرای فیلتر تصاویر و داده های نشان داده شده در جدول اول و دوم.از شکل III.1 و III.2 که مشاهده می کنیم می توانید لکهnoise has been greatly alleviated with the proposed method,which produces an obvious combination of speckle reduction,smoothing, and features enhancing. Therefore, comparativeresults are shown in figure III.3 and III.4 clearly indicate thatour algorithm presents a superior edge preserving behaviorwith an improvement of contrast enhancement, and its filteringresults are the best visual appearance as compared to theanisotropic diffusion. The results of this study showed thatthe anisotropic diffusion filter was not able to enhance imagequality and produced blurred edges in the filtered image (seefigure III.3 and III.4 ). Referring to Table I and II, the PSNRof the proposed filter are larger than the anisotropic filter in allexperiments, and their metrics of MSE, NK, AD, SC and MDare smaller. Although the interval scale between all metricsof the filters is not large, it is worthwhile to note that themathematical expressions of MSE, PSNR, AD, NK, SC andMD are rather significant.The obtained results confirm that the proposed method givesa very good performance : (i) in terms of smoothing and atthe same time edge preservation without any blurring or distortionsnear the edges(ii) in terms of contrast enhancement (iii)Quantitatively it gives best image quality evaluation resultscompared to anisotropic diffusion filter, which confirms thatour method seems to be more suitable for speckle reductionin ultrasound images and can achieve better performance thananisotropic diffusion algorithm.(a) Original image (b) Noised image(c) Anisotropic diffusion (d) Proposed methodFigure III.1: Experimental results on Lena imageMetrics MSE PSNR NK AD SC MDProposed filter 0.0025 74.1964 0.9870 -2.7807e-016 1.0173 0.3980Anisotrope filter 0.0032 73.0811 0.9632 0.0064 1.0580 0.4762Table I: Image quality evaluation metrics of Lena image

نتایج (فارسی) 2:

III. نتایج تجربی و بحث
در این بخش ما چندین آزمایش انجام شده برای تست
عملکرد این روش با استفاده از تصاویر آزمون های مختلف
و تصاویر سونوگرافی پزشکی پر سر و صدا.
برای تعیین کمیت عملکرد یک کاهش سر و صدا لکه
فیلتر الگوریتم از نظر بهره وری و بالا بردن
اطلاعات تصویر قابل توجهی ، ما چند ارزیابی کیفیت استفاده
معیارهای مانند تفاوت متوسط ​​(AD)، متوسط ​​مربع
خطا (MSE)، سیگنال قله به نسبت سر و صدا (PSNR)، حداکثر
تفاوت (MD)، نرمال همبستگی متقابل (NK) و ساختاری
محتوا (SC ) [24]. تمام معیارهای هستند خود و جداگانه
توضیح برای هر و هر معیارهای در این موارد
بحث با توجه به محدودیت صفحه.
روش ارائه شده بر روی لنا و هندسی آزمایش
تصاویر خراب با سر و صدا نقطه، با واریانس برابر
به 0.01 (شکل III .1b و III.2b). به منظور نشان دادن
اثر خود را، ما الگوریتم ما به ناهمسانگرد مقایسه
الگوریتم انتشار. اندازه گیری ارزیابی انجام شد
برای هر تصویر despeckled. شکل III.1 و III.2 نماینده نشان می دهد
نتایج فیلتر از تصاویر مصنوعی. پیشنهاد
الگوریتم بیشتر در تصاویر سونوگرافی بالینی واقعی مورد آزمایش قرار
همانطور که در شکل نشان داده شده است III.3 و III.4. علاوه بر این، مکاتبات
به معیارهای ارزیابی کیفیت های مختلف محاسبه شده
برای تصاویر فیلتر شده و نشان داده شده در داده های جدول اول و دوم.
از شکل III.1 و III.2، ما می توانیم مشاهده که نقطه
سر و صدا است تا حد زیادی با روش ارائه شده را کاهش داد،
که به تولید یک ترکیب آشکار از کاهش نقطه،
صاف کردن، و از ویژگی های افزایش. بنابراین، مقایسه
نتایج در شکل نشان داده شده است و III.3 III.4 به وضوح نشان می دهد که
الگوریتم ما ارائه یک لبه برتر رفتار حفظ
با بهبود کنتراست و فیلتر آن
نتایج به دست آمده بهترین ظاهر بصری نسبت به
انتشار ناهمسانگرد. نتایج حاصل از این مطالعه نشان داد که
فیلتر ناهمسانگرد انتشار قادر به منظور ارتقاء تصویر نمی
کیفیت و لبه های تار در تصویر فیلتر (نگاه کنید به تولید
شکل III.3 و III.4). با مراجعه به جدول اول و دوم، PSNR
از فیلتر پیشنهاد بزرگتر از فیلتر ناهمسانگرد در همه
آزمایش ها، و معیارهای خود را از MSE، NK، AD، SC و MD
کوچکتر هستند. اگر چه مقیاس فاصله بین تمام معیارهای
از فیلتر بزرگ نیست، آن ارزشمند است توجه داشته باشید که
عبارات ریاضی از MSE، PSNR، AD، NK، SC و
MD هستند و نه قابل توجه است.
نتایج به دست آمده تایید می کنند که روش ارائه می دهد
بسیار عملکرد خوب: (من) از نظر صاف و در
همان حفظ لبه هم بدون هیچ گونه تاری یا تحریف
در نزدیکی لبه (II) از نظر کنتراست (III)
کمی آن نتایج ارزیابی بهترین کیفیت تصویر می دهد
در مقایسه با فیلتر انتشار ناهمسانگرد، که تایید می کند که
روش ما به نظر می رسد مناسب تر برای کاهش لکه
در تصاویر سونوگرافی و می تواند عملکرد بهتر از رسیدن به
الگوریتم انتشار ناهمسانگرد.
(الف) تصویر اصلی (ب) تصویر Noised
(ج) ناهمسانگرد انتشار (د) روش پیشنهادی
شکل III.1 : نتایج آزمایش بر روی تصویر لنا
متریک MSE PSNR NK AD SC MD
پیشنهادی فیلتر 0.0025 0.9870 74.1964 -2.7807e-016 1.0173 0.3980
فیلتر Anisotrope 0،0032 73،0811 0،9632 0،0064 1،0580 0،4762
جدول: کیفیت تصویر معیارهای ارزیابی لنا تصویر