基于改進(jìn)支持向量機算法的超聲圖像分割技術(shù)*

王萌

（陜西能源職業(yè)技術(shù)學(xué)院，陜西 咸陽712000）

1 引 言

在對大規(guī)模超聲圖像的檢測識別過程中，需要根據(jù)超聲圖像的規(guī)則性特征點檢測和圖像分割處理，利用超聲波束掃描三維超聲圖，將超聲波反射到超聲波輸出端口實現(xiàn)病理特征識別，能提高對超聲區(qū)域的準(zhǔn)確定位識別能力。對超聲圖像的特征檢測和識別，建立在對圖像的區(qū)域分割和特征提取上，提取超聲圖像的差異性像素特征量，根據(jù)特征提取結(jié)果實現(xiàn)對超聲圖像的紋理特征分析，對超聲區(qū)域的準(zhǔn)確診斷。相關(guān)的圖像識別和檢測方法研究受到重視[1]。

在傳統(tǒng)方法中，對超聲圖像分割采用多層螺旋CT分割方法，結(jié)合 LVEDV、LVESV、LVSV、LVEF和LVMM等算法，實現(xiàn)超聲圖像分割。對超聲圖像三維測量系統(tǒng)的設(shè)計，采用低分辨成像技術(shù)實現(xiàn)[2]，結(jié)合超聲圖像的信息融合和稀疏化特征提取，利用幀掃描技術(shù)提取超聲圖像三維視覺特征[3]。王琳璐[4]提出一種基于擴散圖像融合技術(shù)的超聲圖像三維分割方法，結(jié)合對超聲圖像目標(biāo)特征點的三維區(qū)域檢測和圖像重建，實現(xiàn)超聲圖像三維重構(gòu)和分割，但上述方法的計算開銷較大，圖像分割的實時性較差。黃潤生等[5]提出一種基于分布式傳感器識別和模糊PID控制的超聲圖像分割技術(shù)，結(jié)合超聲紋理異常特征檢測方法提取超聲圖像異常特征點與輪廓信息，對區(qū)域分割二維超聲圖像的表面紋理特征進(jìn)行多模態(tài)配準(zhǔn)，但該方法對大規(guī)模超聲圖像的分割準(zhǔn)確性不高。

針對上述問題，本研究提出一種基于改進(jìn)SVM算法的超聲圖像分割技術(shù)，并進(jìn)行仿真實驗分析，得出有效性結(jié)論。

2 超聲圖像的分區(qū)域特征匹配和分塊融合

2.1 分區(qū)域特征匹配

為了實現(xiàn)對超聲圖像的特定區(qū)域分割，首先構(gòu)建超聲圖像的特征匹配模型，采用分區(qū)域特征匹配方法，進(jìn)行二維超聲圖像的匹配分塊檢測[6]。超聲圖像的分區(qū)域特征匹配過程見圖1。

圖1 超聲圖像的分區(qū)域特征匹配模型Fig 1 Subregional feature matching model for ultrasound images

采用4×4子塊分割模型進(jìn)行超聲圖像的匹配，并采用分段約束控制方法進(jìn)行超聲圖像的特征目標(biāo)匹配。根據(jù)超聲圖像的采集環(huán)境的差異性，得到超聲圖像像素匹配的紋理渲染輸出為：

其中，Δu為超聲圖像區(qū)域分割中的特征分量Δx在梯度方向的像素強度，σ為在超聲圖像中的旋轉(zhuǎn)算子[7]。

為了降低超聲圖像區(qū)域分割的表面誤差，超聲圖像的紋理像素重構(gòu)輸出為：

其中：

提取超聲圖像W 的R、G、B分量，相應(yīng)得到超聲圖像的三維模板匹配值A(chǔ)R、AG、AB和WR、WG、WB，在分割模板m×n區(qū)域內(nèi)，候選區(qū)域內(nèi)像素總數(shù)為15×15維[8]，采用分區(qū)域特征匹配方法完成二維超聲圖像的特征塊匹配。

2.2 分塊特征融合處理

特征匹配后，采用超聲圖像紋理分形方法實現(xiàn)分塊區(qū)域融合。方法如下：

超聲圖像在低維空間中的相似度特征為s（X，Y），圖像檢測輸出的灰度直方圖信息為：

其中，assoc（A，V）是超聲圖像的像素點子集A中的像素固定幅值，assoc（B，V）為超聲圖像的三維邊緣輪廓統(tǒng)計特征量。假設(shè)超聲圖像的灰度像素集為（i，j），以此為像素中心，采用銳化模板分割方法得到超聲圖像的特征分解模型為：

將超聲圖像的直方圖與參考直方圖通過模板中心像素匹配方法進(jìn)行特征分離處理，在4×4子塊的局部區(qū)域內(nèi)建立超聲圖像邊緣像素分布模型[9-11]，描述如下：

采用濾波方法得到超聲圖像的濾波輸出模型為：

在模板m×n[12]區(qū)域內(nèi)對超聲圖像進(jìn)行像素值區(qū)域模板融合處理，采用自適應(yīng)融合處理方法，融合后的輸出為：

其中，t0表示超聲圖像的結(jié)構(gòu)相似度，在超聲成像的4×4子區(qū)域內(nèi)，通過超聲圖像網(wǎng)格分割方法進(jìn)行超聲圖像視覺的自適應(yīng)像素融合。

3 超聲圖像分割技術(shù)優(yōu)化實現(xiàn)

3.1 匹配與融合的約束變量設(shè)置

在完成匹配與融合的基礎(chǔ)上，需要根據(jù)結(jié)果設(shè)定相應(yīng)的約束變量，以完成后期的圖像分割技術(shù)優(yōu)化設(shè)計，匹配與融合都是根據(jù)超聲紋理的規(guī)則性特征分量進(jìn)行病理特征提取[13]，降低超聲圖像區(qū)域分割的表面誤差，超聲紋理信息融合評價結(jié)果為：

其中 〈f，dγ0〉為超聲圖像的像素特征點在dγ0方向上的濾波輸出。根據(jù)上述分析，構(gòu)建超聲圖像的相關(guān)性檢測模板匹配評價函數(shù)f（gi）為：

計算各像素點與聚類中心間的聚類，構(gòu)建灰度直方圖[14]，得到超聲圖像視覺圖形的灰度像素值輸出滿足：

其中k=1，…，M；i，j∈ {1，N}，i＜j。通過計算得到超聲圖像采集沿梯度方向的位移矢量，采用超聲分布邊緣像素點匹配方法，得到紋理渲染兩個矢量，超聲圖像的約束參數(shù)βi選擇如下：

3.2 SVM分割優(yōu)化輸出

對提取的超聲圖像病理特征量采用SVM學(xué)習(xí)算法進(jìn)行優(yōu)化，對超聲圖像視覺S'在紋理信息融合區(qū)域（x'，y'）處進(jìn)行約束，根據(jù)3.1節(jié)的約束結(jié)果確定SVM分割閾值為：

其中，（x）為超聲圖像的空間區(qū)域像素，βc為超聲圖像的統(tǒng)計特征值，Ic（y）為超聲圖像的透射強度，設(shè)J（x）t（x）為圖像的邊緣像素集，得到 SVM分類優(yōu)化輸出為：

綜上分析，對提取的超聲圖像病理特征量采用支持向量機學(xué)習(xí)算法進(jìn)行自適應(yīng)分類，實現(xiàn)對超聲圖像的快速分割和特征識別。

4 仿真實驗與結(jié)果分析

為了測試本研究方法在實現(xiàn)超聲圖像區(qū)域分割中的應(yīng)用性能，進(jìn)行仿真實驗，實驗的仿真工具為C++，超聲圖像的匹配模板為40×40的均勻分布模板，超聲圖像病理結(jié)構(gòu)的稀疏采樣點個數(shù)為300個，超聲圖像的模板特征分辨率為500×500，計算超聲圖像整體的分割結(jié)構(gòu)相似度，記為FWSSIM：

以此為評價指標(biāo)，分析圖像分割的準(zhǔn)確性，設(shè)定超聲圖像的分割面板系數(shù)ωH1=1.00，ωH2=3.75，ωH2=7.20，ωH4=3.48，ωH5=3.21，圖像分割的搜索步長N=120，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行超聲圖像分割仿真，得到超聲圖像的預(yù)取結(jié)果，見圖2。

圖2 超聲圖像預(yù)取結(jié)果Fig 2 Ultrasound image prefetching results

以圖2為輸入，采用圖像區(qū)域分割技術(shù)進(jìn)行超聲圖像檢測識別，采用SVM方法進(jìn)行二維超聲圖像的分塊融合性檢測和特征塊匹配，得到邊緣輪廓檢測結(jié)果，見圖3。

圖3 超聲圖像邊緣輪廓檢測結(jié)果Fig 3 Edge contour detection results of ultrasound images

采用本研究改進(jìn)的SVM算法提取圖像的邊緣點和病理特征量，并進(jìn)行特征點分類，得到第3、6、9幀超聲圖像的分割結(jié)果，見圖4。

由圖4可知，本研究方法能有效實現(xiàn)對超聲圖像分割，分割的準(zhǔn)確性較高，對特征點的匹配性較好，測試不同方法進(jìn)行圖像分割的結(jié)構(gòu)相似度和精度，得到對比結(jié)果，見表1。分析表1可知，本研究方法進(jìn)行超聲圖像分割的相似度較高，分割效果較好，時間開銷較短。

表1 性能對比Table 1 Performance comparison

圖4 超聲圖像分割結(jié)果Fig 4 Results of ultrasound image segmentation

5 結(jié)語

在對大規(guī)模超聲圖像檢測識別過程中，需要根據(jù)超聲圖像規(guī)則性特征點檢測和圖像分割處理，提取超聲圖像的差異性像素特征量，根據(jù)特征提取結(jié)果實現(xiàn)對超聲圖像紋理特征分析和準(zhǔn)確診斷，本研究提出一種基于改進(jìn)SVM的超聲圖像分割技術(shù)。采用圖像區(qū)域分割技術(shù)進(jìn)行超聲圖像檢測識別，采用分區(qū)域特征匹配方法進(jìn)行二維超聲圖像的分塊融合性檢測和特征塊匹配，根據(jù)超聲紋理的規(guī)則性特征分量進(jìn)行病理特征提取，降低超聲圖像區(qū)域分割的表面誤差，實現(xiàn)超聲圖像區(qū)域的快速準(zhǔn)確分割。對提取的超聲圖像病理特征量采用SVM學(xué)習(xí)算法進(jìn)行自適應(yīng)分類，實現(xiàn)對超聲圖像的快速分割和特征識別。研究得知，本研究方法進(jìn)行超聲圖像分割的精度較高，結(jié)構(gòu)相似度信息較強。