Speckles are introduced in the ultrasound data due to constructive and destructive interference of the probing signals that are used for capturing the characteristics of the tissue being imaged. There are a plethora of models discussed in the literature to improve the contrast and resolution of the ultrasound images by despeckling them. There is a class of models that assumes that the noise is multiplicative in its original form, and transforming the model to a log domain makes it an additive one. Nevertheless, such a transformation duly oversimplifies the scenario and does not capture the inherent properties of the data-correlated nature of speckles. Therefore, it results in poor reconstruction. This problem is addressed to a considerable extent in the subsequent works by adopting various models to address the data-correlated nature of the noise and its distributions. This work introduces a weberized non-local total bounded variational model based on the noise distribution built on the Retinex theory. This perceptually inspired model apparently restores and improves the contrast of the images without compromising much on the details inherently present in the data. The numerical implementation of the model is carried out using the Bregman formulation to improve the convergence rate and reduce the parameter sensitivity. The experimental results are highlighted and compared to demonstrate the efficiency of the model.

由于用于捕获被成像组织的特征的探测信号的相长和相消干涉，在超声数据中引入了斑点。文献中讨论了过多的模型，通过去斑来提高超声图像的对比度和分辨率。有一类模型假设噪声在其原始形式中是乘法的，将模型转换为对数域使其成为加法模型。然而，这种转换适当地过度简化了场景，并且没有捕捉到斑点的数据相关性质的固有属性。因此，它导致不良的重建。通过采用各种模型来解决噪声及其分布的数据相关性质，该问题在随后的工作中得到了相当大的解决。这项工作引入了基于 Retinex 理论构建的噪声分布的 weberized 非局部总有界变分模型。这种受感性启发的模型显然可以恢复和改善图像的对比度，而不会对数据中固有的细节造成太大影响。模型的数值实现采用 Bregman 公式进行，以提高收敛速度，降低参数敏感性。突出显示实验结果并进行比较，以证明模型的效率。这项工作引入了基于 Retinex 理论构建的噪声分布的 weberized 非局部总有界变分模型。这种受感性启发的模型显然可以恢复和改善图像的对比度，而不会对数据中固有的细节造成太大影响。模型的数值实现采用 Bregman 公式进行，以提高收敛速度，降低参数敏感性。突出显示实验结果并进行比较，以证明模型的效率。这项工作引入了基于 Retinex 理论构建的噪声分布的 weberized 非局部总有界变分模型。这种受感性启发的模型显然可以恢复和改善图像的对比度，而不会对数据中固有的细节造成太大影响。模型的数值实现采用 Bregman 公式进行，以提高收敛速度，降低参数敏感性。突出显示实验结果并进行比较，以证明模型的效率。模型的数值实现采用 Bregman 公式进行，以提高收敛速度，降低参数敏感性。突出显示实验结果并进行比较，以证明模型的效率。模型的数值实现采用 Bregman 公式进行，以提高收敛速度，降低参数敏感性。突出显示实验结果并进行比较，以证明模型的效率。