小波变换与傅里叶域滤波在医学图像去噪中的比较研究

更清晰的扫描为何重要

现代医学扫描如CT和MRI包含着关系生命的细节：微小病灶、微弱纹理和细微的组织界面。不幸的是，每次扫描也都会被随机的“雪花”和斑点——噪声——所污染，这些噪声可能掩盖重要线索，迫使医生使用更高的辐射剂量或更长的扫描时间。本文提出了一个看似简单但临床影响巨大的问题：在两类流行的数学去噪工具中，当噪声以不同方式出现时，哪一种实际上能产生更清晰、更可靠的图像？

看图的两种方法

作者聚焦于两种经典策略，都是在清理图像前先将其以另一种形式表示。第一种使用小波，将图像分解为粗糙的背景结构以及逐级更细的细节。在这种表示下，大多数随机噪声变成许多微小的系数，而真实的边缘和纹理则以较少的较大系数出现。去噪即按各种阈值规则缩小或丢弃小系数，然后重建图像。第二种策略使用傅里叶变换的姊妹变换——离散余弦变换（DCT），但不是对整幅图像一次性变换，而是对许多小的、重叠的正方形块分别处理。在每个块内，变换将平滑结构（低频）与细微变化（高频）分离，从而允许算法抑制主要承载噪声的高频分量。

公平测试流行方法

为公平比较这些方法，研究人员构建了以一幅512 × 512的CT图像为中心的大型测试平台。他们加入了四类模拟噪声以模拟真实医学问题：高斯噪声和均匀噪声（颗粒状波动）、泊松噪声（典型于低剂量X射线成像中光子计数较少的情况）以及“盐和胡椒”噪声（模拟脉冲错误的明暗斑点）。在小波方法中，他们尝试了八个不同的族——从最简单的Haar小波到更复杂的双正交样条——并结合了十二种系数收缩方法以及四种确定收缩强度的方式。对于基于余弦的方法，他们处理了重叠的16 × 16块，对每个块进行变换、将小的高频分量置零，然后将重叠块平均融合回整幅图像。

谁更能清理，差距有多大？

性能以标准图像质量评分来评判，这些评分将清理后的图像与原始无噪声图像进行比较。在小波阵营中，双正交样条和Daubechies小波表现突出，尤其是与自适应阈值规则（如SURE和Smooth Garrote）配对时，这些规则可根据观测数据自行调节。这些组合持续优于像Haar这样更简单的小波和Meyer、Shannon等更为特殊的小波。即便如此，最佳小波方案在每种噪声场景下均被基于块的余弦方法超过。例如，对于高斯噪声，顶尖小波配置达到的峰值信噪比（PSNR）约为31 dB，而基于块的余弦方法约为36 dB。对均匀噪声、泊松噪声和盐和胡椒噪声也出现了类似的4–6 dB的差距，意味着图像显著更清晰、残留伪影更少。

为何小块策略占优

令人意外的并不是余弦变换本身能起作用——它们是图像压缩的支柱——而是相对简单的基于块的余弦滤波能胜过精心调校的小波，小波通常因其多尺度视角被高度赞誉。作者认为关键不在于数学变换本身，而在于其使用方式。他们的小波技术对整个图像应用单一的全局决策规则，因此微弱但真实的结构可能被误判为噪声并被抹去。相比之下，基于块的余弦方法适应局部邻域：每个重叠补丁被单独分析、清理，然后与邻域平滑融合。这种局部视角有助于在削减颗粒噪声的同时保留细微的解剖细节，且重叠处理避免了通常困扰块方法的块状伪影。

这对未来扫描意味着什么

对临床医生和成像工程师而言，核心结论是方法设计——尤其是局部与全局处理的差异——可能比简单地在“小波”与“傅里叶”之间做选择更重要。在这项受控研究中，局部化的基于余弦的滤波在多种现实噪声类型下，比多种小波方案提供了更干净的CT图像，且计算时间仅有适度增加。这表明寻求实用的、非深度学习去噪器的医院和设备制造商，可能倾向于基于块的频域方法或借鉴其局部性的混合方案。归根结底，此类算法选择的回报易于理解：用更低的剂量或更短的扫描时间获得更清晰的图像，并提高微弱病征不被噪声掩盖的概率。

引用: Saif, M.A., Mughalles, B.M. & Loqman, I.G.H. Comparative study of wavelet transform and Fourier domain filtering for medical image denoising. Sci Rep 16, 10145 (2026). https://doi.org/10.1038/s41598-026-40594-4

关键词: 医学图像去噪, CT成像, 小波变换, 离散余弦变换, 图像降噪