基于小波變換的異常特征超聲圖像定位技術(shù)*

王錦紅，陳文

（1.四川省綿陽市中心醫(yī)院，四川 綿陽621000；2.西南醫(yī)科大學(xué)，四川 瀘州646000）

1 引 言

計算機圖像處理技術(shù)的快速發(fā)展使圖像的應(yīng)用范圍越來越廣泛，通過圖像處理技術(shù)進行醫(yī)學(xué)圖形分析[1]，提高醫(yī)學(xué)病理診斷能力，超聲成像是醫(yī)學(xué)病理診斷的重要工具，通過對超聲圖像的特征檢測和定位識別，提取超聲圖像的異常特征點，根據(jù)異常特征點的信息提取結(jié)果進行病理分析，提高診斷效能，研究超聲圖像的異常特征點定位檢測技術(shù)，在提高超聲檢測能力方面具有重要意義。

對超聲圖像的異常特征點檢測是建立在對超聲圖像的特征提取、圖像增強、圖像分割和邊緣特征提取基礎(chǔ)上，結(jié)合對超聲圖像的自適應(yīng)邊緣輪廓特征分解，提高對超聲圖像的判斷和檢測能力[2]，文獻[3]中提出一種基于Splines小波特征分解的超聲圖像異常特征點提取方法，采用Snake算法對超聲圖像進行邊緣輪廓特征分解，根據(jù)特征分解結(jié)果進行自適應(yīng)信息融合增強處理，提高超聲圖像的檢測能力，但該方法的計算復(fù)雜度較高，實時性較差。文獻[4]中提出一種基于關(guān)聯(lián)性特征排序的超聲圖像異常定位基礎(chǔ)，實現(xiàn)超聲圖像邊緣檢測批處理，但該方法的定位準(zhǔn)確性不高。針對上述問題，本研究提出一種基于小波變換的異常特征超聲圖像定位技術(shù)。首先對采集超聲圖像采用邊界特征融合方法進行邊緣輪廓檢測，在鄰域內(nèi)采用顏色梯度分解方法進行超聲圖像區(qū)域融合濾波處理，結(jié)合小波變換方法進行超聲圖像的特征分解和尺度模板匹配，然后對超聲圖像進行顏色特征分解值，實現(xiàn)圖像的鄰域均衡控制和自適應(yīng)特征參量估計，根據(jù)超聲圖像的紋理和顏色特征提取結(jié)果進行圖像的異常特征點定位檢測和識別。最后進行仿真實驗分析，得出有效性結(jié)論。

2 超聲圖像采集與邊緣輪廓檢測

2.1 超聲圖像算法邏輯結(jié)構(gòu)設(shè)計

為實現(xiàn)對超聲圖像的異常特征點定位，需要進行超聲圖像的三維重構(gòu)處理，超聲圖像的成像區(qū)域的模板像素集為M×M，設(shè)置為3×3模型，采用行動態(tài)特征點檢測防范對超聲圖像的邊緣特征點P（x0，y0）進行區(qū)域掃描，得到套索模型中超聲圖像的邊界特征點Q（xi，yi），通過兩點之間的特征差異性進行形態(tài)分割和異常比較[5]，用Harris角點檢測方法提取超聲圖像的輪廓特征點，結(jié)合區(qū)域化增強技術(shù)，得到超聲圖像的灰度特征最大值為：

式中，Q為邊界特征點Q（xi，yi），P為邊緣特征點P（x0，y0）。采用點到線模型的LBG向量量化方法進行圖像的最大灰度值標(biāo)記，在輪廓點中對超聲醫(yī)學(xué)圖像進行邊緣像素融合處理[6]，提取超聲圖像的活動輪廓模型，結(jié)合超聲圖像的活動輪廓的區(qū)域超像素特征量進行模板匹配，結(jié)合網(wǎng)格模板匹配防范得到超聲圖像增強信號形式為：

式中，T表示模板匹配的時間參數(shù)，K為圖像增強系數(shù)，rect（t）=1，|t|≤1/2，t0相同。設(shè) ｛w1，w2，...，wdi｝表示超聲圖像提取的向量加權(quán)，假設(shè)超聲圖像的位置信息關(guān)聯(lián)分布長度為L=xmax-xmin，寬度為W=ymax-ymin，高H=zmax-zmin，采用活動套索模型進行超聲圖像的區(qū)域定位和成像處理。綜上分析，得到超聲圖像的異常特征定位算法設(shè)計流程，見圖1。

圖1 超聲圖像的異常特征定位算法設(shè)計Fig 1 Design of abnormal feature localization algorithm for ultrasonic medical image

2.2 圖像邊緣輪廓檢測

對采集的超聲圖像采用邊界特征融合方法進行邊緣輪廓檢測[7]，在鄰域內(nèi)采用顏色梯度分解方法進行超聲圖像區(qū)域融合濾波處理，得到超聲圖像區(qū)域融合Snake函數(shù)表示為：

式中，Eint（vi）表示超聲圖像內(nèi)部區(qū)域像素融合值，Eext（vi）表示外部區(qū)域像素融合值。將圖像的前一幀作為參考幀，采用三維空間重構(gòu)方法，得到超聲圖像異常特征點定位的拓?fù)浣Y(jié)構(gòu)用以下4個向量量化函數(shù)x1，x2，x3和x4表示：

其中，m為鄰域內(nèi)的超聲圖像邊緣分割尺度，超聲圖像的關(guān)聯(lián)尺度信息表示為：

其中，sin（theta）、cos（theta）分別為正弦、余弦尺度參數(shù)。采用規(guī)則性像素特征分解技術(shù)，通過模板匹配結(jié)果進行超聲圖像的自適應(yīng)像素融合[8]，為邊緣像素點采樣的統(tǒng)計特征量為：

其中，xi和yj分別為超聲圖像的像素分配點(i，j)處的像素信息分量；分別表示超聲圖像融合的狀態(tài)均值和協(xié)方差；，表示超聲圖像的各像素顏色梯度，采用相關(guān)性的特征匹配技術(shù)，對超聲圖像S'在區(qū)域像素分塊融合空間內(nèi)進行信息融合處理，得到超聲圖像的灰度像素值輸出滿足，此時，圖像的二值化檢測灰度直方圖信息βi表示為：

式中，xi和xj分別為超聲圖像的像素分配點(i，j)處的紋理信息分量，dist(xi，xj) 表示超聲圖像標(biāo)記特征點xi和xj之間的歐式距離；參數(shù)σ表示超聲圖像的分塊區(qū)域匹配閾值，根據(jù)噪點分布的密度，采用像素重組和多維尺度分解方法進行圖像的三維重構(gòu)，采用超聲圖像分布邊緣像素點匹配方法，得到超聲圖像在像素間內(nèi)的紋理分割區(qū)域表示為：

Vc（Y，βi）是紋理分割區(qū)的像素點信息，θ為紋理分割的灰度直方圖信息。在4×4子塊內(nèi)重構(gòu)超聲圖像的關(guān)鍵特征點，采用區(qū)域分割方法，得到超聲圖像的異常特征點分布矩陣為：

對上式進行歸一化處理，計算圖像中各像素點的灰度值，得到超聲圖像分割的鄰域像素值為：

其中Eimage表示梯度信息，Econ表示反向梯度信息；γ（i）、δ（i）分別是梯度信息和反向梯度信息的動態(tài)調(diào)節(jié)像素值。結(jié)合小波變換方法進行超聲圖像的特征分解和尺度模板匹配，提取超聲圖像的奇異特征點[9]。

3 超聲圖像的異常特征點定位處理

3.1 圖像信息融合

進行超聲圖像降噪處理，得到圖像的空間區(qū)域像素特征分量[10]，構(gòu)建超聲圖像的相關(guān)性檢測模板匹配函數(shù)f（gi）為：

其中，ρj表示區(qū)域像素特征分量，c1是降噪系數(shù)，為圖像模板匹配信息分量，為圖像模板狀態(tài)均值，ε為圖像模板匹配參數(shù)。由此獲得超聲圖像三維動態(tài)區(qū)域分割的背景差分量，采用顏色分塊區(qū)域融合和分割檢測方法進行超聲圖像的邊緣輪廓檢測，在超聲圖像的三維特征分布區(qū)域中判斷圖像均勻程度，對分割輪廓曲線采用RGB分解進行局部尋優(yōu)控制[11]，得到超聲圖像的局部降噪輸出的RGB分量分別為：

區(qū)域像素強度為：

采用圖像RGB值匹配方法進行分塊融合處理，根據(jù)融合性檢測結(jié)果進行超聲圖像的特征分離，采用顏色空間模糊聚類方法進行奇異特征點匹配，將超聲圖像的邊緣亮點區(qū)域分解成2維聚類空間分布點集合，表示為：

圖像區(qū)域大小為M×N，M和N對應(yīng)超聲圖像邊緣的長度和寬度。采用邊緣信息融合方法，得到圖像的活動輪廓分布集為：

?為活動輪廓特征分解的尺度系數(shù)，u是低頻系數(shù)，|?u|是超聲圖像的邊緣輪廓調(diào)節(jié)參數(shù)。根據(jù)超聲圖像融合結(jié)果進行卷積處理，對圖像的紋理特征集進行分塊匹配和相關(guān)性檢測[12]，得到圖像的超像素區(qū)域分布函數(shù)定義為：

式中，w3表示超聲圖像的3×3像素塊區(qū)域，xij∈w3表示超聲圖像的像素點平均灰度，Θ 表示GMM中所有未知參數(shù)的集合，結(jié)合模糊相關(guān)性匹配方法，得到超聲圖像的未知參數(shù)集為：

3.2 異常特征點檢測輸出

求得在每個尺度下超聲圖像的邊緣像素點統(tǒng)計特征值為：

式中，Δx、Δy分別為像素點特征變化量，di表示相鄰像素點統(tǒng)計特征值；在鄰域內(nèi)采用顏色梯度分解方法進行超聲圖像的超像素塊特征匹配[13]，利用圖像的先驗信息得到超聲圖像的區(qū)域分割值描述如下：

其中u（x）為邊緣輪廓特征分割的鄰域灰度，g（·）為相關(guān)性隸屬度函數(shù)，滿足g：[0，1]→ [0，1]。提取超聲圖像的主方向特征量[14]，得到超聲圖像超像素灰度特征值：

4 仿真實驗分析

為了驗證本研究方法在實現(xiàn)對超聲圖像的異常特征定位中的應(yīng)用性能，進行仿真實驗，仿真建立在MATLAB R2009a軟件平臺，超聲圖像的分塊區(qū)域大小為256×256×224，活動輪廓特征分解的尺度系數(shù)為0.15，超聲圖像的邊緣輪廓調(diào)節(jié)參數(shù)為1.24，低頻系數(shù)為0.25，根據(jù)上述仿真參數(shù)設(shè)定，選擇4組大小為205×205的圖像進行異常特征點定位仿真分析，得到4組待定位檢測圖像，見圖2。

以圖2的原始檢測圖像為輸入，采用本研究方法進行超聲圖像的異常特征點定位檢測，得到檢測輸出見圖3。

圖2 4組待定位檢測圖像Fig 2 4 Groups of images to be detected

圖3 超聲圖像的異常檢測定位輸出Fig 3 Abnormal detection and location output of ultrasonic image

圖3中白色虛線內(nèi)即為本研究方法定位結(jié)果?；谏鲜龇抡娼Y(jié)果得知，本研究方法可有效實現(xiàn)異常特征超聲圖像定位。為突出本研究方法在異常特征超聲圖像定位方面的優(yōu)勢，采用不同方法進行對比測試，記錄不同方法的定位精度和運行時間，結(jié)果見表1。分析得知，本研究方法進行異常特征超聲圖像定位的精度較高，費時較少。

表1 性能對比Table 1 Performance comparison

5 結(jié)語

通過對超聲圖像的特征檢測和定位識別，提取超聲圖像的異常特征點，根據(jù)異常特征點的信息提取結(jié)果進行病理分析，提高診斷效能，本研究提出一種基于小波變換的異常特征超聲圖像定位技術(shù)。對采集的超聲圖像采用邊界特征融合方法進行邊緣輪廓檢測，在鄰域內(nèi)采用顏色梯度分解方法進行超聲圖像區(qū)域融合濾波處理，結(jié)合小波變換方法進行超聲圖像的特征分解和尺度模板匹配，提取超聲圖像的奇異特征點，根據(jù)超聲圖像的顏色特征分解值進行鄰域均衡控制和自適應(yīng)特征參量估計，根據(jù)超聲圖像的紋理和顏色特征提取結(jié)果進行圖像的異常特征點定位檢測和識別。研究得知，本研究方法進行異常特征超聲圖像定位的精度較高，費時較少，超聲圖像的異常特征辨識性能較好。