基于像素聚類的超聲圖像分割

黃志標(biāo)，姚 宇

(1.中國科學(xué)院 成都計算機(jī)應(yīng)用研究所，成都 610041; 2.中國科學(xué)院大學(xué) 計算機(jī)與控制學(xué)院，北京 100049)

(*通信作者電子郵箱huangzb007@gmail.com)

基于像素聚類的超聲圖像分割

黃志標(biāo)1,2*，姚 宇1

(1.中國科學(xué)院 成都計算機(jī)應(yīng)用研究所，成都 610041; 2.中國科學(xué)院大學(xué) 計算機(jī)與控制學(xué)院，北京 100049)

(*通信作者電子郵箱huangzb007@gmail.com)

B型心臟超聲圖像分割是計算心功能參數(shù)前重要的一步。針對超聲圖像的低分辨率影響分割精度及基于模型的分割算法需要大樣本訓(xùn)練集的問題，結(jié)合B型心臟超聲圖像的先驗(yàn)知識，提出了一種基于像素聚類進(jìn)行圖像分割的算法。首先，通過各向異性擴(kuò)散處理圖像；然后，使用一維K-均值對像素進(jìn)行聚類；最后，根據(jù)聚類結(jié)果和先驗(yàn)知識將像素值修改為最佳類中心像素值。理論分析表明該算法可以使圖像的峰值信噪比(PSNR)達(dá)到最大值。實(shí)驗(yàn)結(jié)果表明：所提算法比大津算法等更準(zhǔn)確，PSNR較大津算法提高11.5%；即使在單張圖像上也可以進(jìn)行分割，且適應(yīng)于分割任意形狀的超聲圖像，有利于更準(zhǔn)確地計算各種心功能參數(shù)。

圖像分割；超聲圖像；K-均值；各向異性擴(kuò)散；峰值信噪比

0 引言

B型心臟超聲圖像分割是指根據(jù)像素和先驗(yàn)知識將圖像分割成不同區(qū)域并得到壁、腔、瓣、流四種結(jié)構(gòu)的過程[1]。由于超聲圖像具有高噪聲、多偽影、成像缺陷以及邊界模糊等特點(diǎn)，在自然圖像分割中效果較好的分割算法無法直接用于心臟超聲圖像。目前，超聲圖像的主流分割方法有基于模型的方法、基于閾值的方法、基于圖論的方法以及基于聚類的方法等。

其中，基于模型的方法如基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的模型[2]和蛇形模型[3],雖然效果較好，但是需要大量樣本進(jìn)行訓(xùn)練；另外，基于CNN的方法目前難以融合人們已經(jīng)構(gòu)建出來的先驗(yàn)知識，而蛇形模型針對不同的目標(biāo)區(qū)域需要訓(xùn)練不同的模型。基于閾值的方法如大津算法，閾值的計算時間較長，難以滿足實(shí)時要求。近年來，相關(guān)研究者在此基礎(chǔ)上作了大量改進(jìn)，然而由于超聲圖像具有高噪聲、多偽影、成像缺陷以及邊界模糊等特征[4]，基于閾值的方法的分割效果仍然無法滿足實(shí)際需求?；趫D論的方法如圖割法等需要人為指定前景和背景的種子點(diǎn)；改進(jìn)的分割方法如GrowCut算法[5]可以根據(jù)圖像灰度直方圖自動生成初始種子模板，但仍需用戶的二次交互，在對大量圖像進(jìn)行分割時工作量較大?；诰垲惙椒ㄊ菍D像像素進(jìn)行聚類，在圖像分割上獲得了廣泛應(yīng)用。如文獻(xiàn)[6]提出了改進(jìn)的K均值聚類的圖像分割方法，但這種方法僅適用于彩色圖像；文獻(xiàn)[7]實(shí)現(xiàn)了K-means算法用于分割灰度圖像，當(dāng)聚類的數(shù)目比較少時得到的效果比較好，但聚類中心數(shù)較多時效果會不如歸一化分割；文獻(xiàn)[8]將自適應(yīng)K-means用于X-ray圖像中分割乳腺，取得了滿意的結(jié)果，并將算法集成到了計算輔助決策系統(tǒng)。但由于超聲圖像的分辨率較X-ray圖像的分辨率要低，因此超聲圖像分割難度更大，且分割算法常需要與去噪、邊緣增強(qiáng)等技術(shù)結(jié)合。此外，圖像處理技術(shù)中的各向異性擴(kuò)散也可用于提高圖像分割精度。如文獻(xiàn)[9]提出了基于各向異性擴(kuò)散的活動輪廓模型并用于分割心臟核磁共振圖像，實(shí)驗(yàn)表明可克服噪聲和偽影的干擾；文獻(xiàn)[10]針對心臟核磁共振圖像，使用各向異性濾波對圖像作預(yù)處理，使用模糊C-均值聚類提高了分割灰度重疊、目標(biāo)不連續(xù)和邊界模糊時的分割效果。但在超聲圖像上結(jié)合各向異性擴(kuò)散和K-means聚類進(jìn)行圖像分割的方法仍有待進(jìn)一步研究。

B型心臟超聲圖像不同的像素區(qū)域?qū)?yīng)B型心臟的壁、腔、瓣結(jié)構(gòu)，像素灰度值相對大的區(qū)域?qū)?yīng)壁或瓣結(jié)構(gòu)，灰度值相對低的區(qū)域?qū)?yīng)腔結(jié)構(gòu)，且區(qū)域內(nèi)部具有相對穩(wěn)定的屬性，像素?zé)o復(fù)雜的顏色變化。本文基于超聲圖像的這些先驗(yàn)知識，借鑒在其他圖像上取得了較好分割效果的聚類思想，同時以峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)作為圖像質(zhì)量評價標(biāo)準(zhǔn)，結(jié)合各向異性擴(kuò)散[11]和一維K-means算法[12]，提出了一種新的B型心臟超聲圖像分割算法，稱為k-gray算法。該算法不需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，即使對單張圖像也可以進(jìn)行分割。k-gray算法主要分為兩個階段：首先采用各向異性擴(kuò)散作去噪、平滑區(qū)域內(nèi)部像素、增強(qiáng)邊緣等預(yù)處理；然后使用K-means聚類，將圖像按照區(qū)域或像素值分成幾個互不重疊的區(qū)域。同時本文在數(shù)學(xué)上證明了一維K-means可使得圖像的PSNR值達(dá)到最大值，并且在真實(shí)心臟超聲圖像上與大津算法等進(jìn)行了對比實(shí)驗(yàn)，結(jié)果顯示k-gray取得了更高的PSNR值和更好的視覺分割效果。

1 基本原理

1.1 各向異性擴(kuò)散

對于一幅B型心臟超聲圖像，由于超聲圖像采集設(shè)備的采樣點(diǎn)有限且采樣必須滿足Shannon-Nyquist采樣定理，B型心臟超聲圖像存在模糊現(xiàn)象；而且由于成像設(shè)備本身的熱效應(yīng)等因素，B型心臟超聲圖像還存在大量的噪聲[13]。同時觀察B型心臟超聲圖像，還可以發(fā)現(xiàn)圖像會有明暗相間的現(xiàn)象。如圖1(a)是原始B型心臟超聲圖像的A4C切面，采用Canny算子進(jìn)行邊緣檢測的結(jié)果如圖1(b)所示。在分割前需要進(jìn)行預(yù)處理去除噪聲、平滑區(qū)域內(nèi)部像素。各向異性擴(kuò)散又叫Perona-Malik擴(kuò)散，該方法在去除圖像噪聲的同時能保持圖像的重要內(nèi)容和一些細(xì)節(jié)信息；實(shí)驗(yàn)也證明各向異性擴(kuò)散方法可以有效地去除噪聲，同時增強(qiáng)邊緣。

圖1 B型心臟超聲圖像邊緣檢測

原始圖像可以用方程表示為：

I=I0(x,y)

(1)

在定義時間參數(shù)t和擴(kuò)散系數(shù)r(x,y,t)的情況下，圖像的擴(kuò)散方程為：

It=div(r(x,y,t)·ΔI)=r(x,y,t)·I+▽r·▽I

(2)

初值條件為：

I(x,y,t=0)=I0(x,y)

(3)

其中：It為二維函數(shù)簇I(x,y,t)對參數(shù)t的偏導(dǎo)數(shù)；▽為梯度算子；Δ為拉普拉斯算子。

當(dāng)擴(kuò)散系數(shù)r(x,y,t)為常數(shù)時，擴(kuò)散方程為各向同性擴(kuò)散；當(dāng)擴(kuò)散系數(shù)r(x,y,t)變化時，擴(kuò)散方程為各向異性擴(kuò)散。在圖像處理中，設(shè)擴(kuò)散系數(shù)為圖像亮度梯度的函數(shù)，即：

I(x,y,t)=g(▽I(x,y,t))

(4)

取:

g(▽I)=C/[1+(▽I/H)1+α]

(5)

(6)

其中：α、C和H是常數(shù)，且C∈[0,1]，H表示梯度閾值，決定了像素是屬于噪聲還是真正的邊緣[14]。擴(kuò)散系數(shù)的取值范圍為：r(x,y,t)∈[0,1]。圖像的梯度Ix和Iy的計算方法可以采用Sobel算子與圖像卷積的方式。

1.2 一維K-means像素聚類

假設(shè)超聲圖像已轉(zhuǎn)換為灰度圖，且像素值的取值區(qū)間為[0,255]。首先，將圖像的二維坐標(biāo)空間上的像素值拉成一維數(shù)組，對所有像素值按照從0到255非降排序；然后，采用自適應(yīng)的一維K-means算法對像素值進(jìn)行聚類，指定聚類的最少中心數(shù)和最多中心數(shù)，根據(jù)貝葉斯信息量決定最佳聚類中心數(shù)，并在給定聚類中心數(shù)后采用動態(tài)規(guī)劃策略計算出最佳聚類中心；最后輸出類中心，并將圖像上的每個像素值賦值為其類中心像素值大小，到此整個圖像像素聚類步驟完成。對一個一維數(shù)組進(jìn)行K-means聚類的過程使用動態(tài)規(guī)劃的方法來求解。

假設(shè)n個已按非降序排序的元素x1,x2,…,xn聚類為k個類時取得最小類內(nèi)平方和，其類中心為μ1,μ2,…,μk,最小類內(nèi)距離平方和記為D(n,k)，則有：

μ1<μ2<…<μk

(7)

(8)

若屬于第k類的元素的最小下標(biāo)為m，則前m-1個元素的最小類內(nèi)平方和必在聚類中心數(shù)為k-1時取得，且為D(m-1,k-1)，否則與聚類為k時取得最小類內(nèi)平方和相矛盾。于是，一維的K-means聚類問題可以使用動態(tài)規(guī)劃方法來求解。動態(tài)規(guī)劃方程為：

(9)

其中：

(10)

2 k-gray分割算法

2.1 k-gray算法原理

B型心臟超聲圖像的像素與自然圖像相比具有一些不同的特點(diǎn)：1)超聲圖像的像素通道數(shù)雖然是三通道，但是通道之間的信息關(guān)聯(lián)度非常大，將三通道的超聲圖像轉(zhuǎn)為灰度圖像基本丟失的信息很少。2)心臟超聲圖像的像素值具有一定的含義，像素值大的區(qū)域一般為器官組織區(qū)，呈現(xiàn)為圖像上的亮區(qū)；而像素值小的區(qū)域多為心臟的腔室或血管通道內(nèi)，表現(xiàn)為圖像上的暗區(qū)；且同一區(qū)域內(nèi)像素值相差不大，區(qū)域間像素值相差明顯。3)超聲圖像分割對于區(qū)域內(nèi)部的細(xì)節(jié)要求不高，但是對于邊界信息要求較高。

本文在各向異性預(yù)處理后使用一維K-means算法對超聲圖像的像素值進(jìn)行聚類，從而將圖像化為由幾個像素中心值確定的灰階圖像，它具有幾個明顯的作用：1)簡化了圖像上大部分細(xì)節(jié)，使得圖像區(qū)域性更強(qiáng)；2)將像素值分成幾個灰階后，方便后續(xù)處理，如對比度增強(qiáng)；3)將圖像化為幾個灰階圖像后，可以從圖像上看出B型超聲圖像的各個區(qū)域的亮度層次信息。由于經(jīng)過一維K-means像素聚類后，圖像的像素僅有k個灰度值，因此把此超聲圖像分割算法稱為k-gray算法，算法流程描述如圖2所示。

圖2 k-gray算法流程描述

圖2所示流程描述的k-gray算法主要包含兩個步驟：第1步是各向異性擴(kuò)散處理，直到滿足條件時結(jié)束；第2步是一維K-means像素聚類，將像素聚成k個類，然后根據(jù)類別修改圖像像素。此兩個步驟中，一維K-means主要是對輸入的向量進(jìn)行聚類，得到k個類中心，k-gray的后續(xù)階段將根據(jù)一維K-means的結(jié)果重新修改圖像像素值。一維K-means算法起到兩個作用：在各向異性擴(kuò)散的基礎(chǔ)上固定聚類數(shù)k時使得信噪比最大；一維K-means算法相當(dāng)于對像素作一個量化，平滑圖像區(qū)域內(nèi)部的細(xì)節(jié)信息。

最佳聚類中心數(shù)k的確定方法采用的是貝葉斯信息準(zhǔn)則(Baysian Information Criterion, BIC)度量，它是基于貝葉斯后驗(yàn)概率最大化的一種模型選擇標(biāo)準(zhǔn)，它選擇使得BIC具有最大值的k作為聚類中心數(shù)。

BIC=2 ln(L)-kln(n)

(11)

其中：L表示圖像像素拉成一維向量后的似然概率函數(shù)；k表示聚類的中心數(shù)；n表示像素點(diǎn)個數(shù)。

B型心臟超聲圖像可以看成是帶有加性噪聲退化了的圖像，在根據(jù)先驗(yàn)知識對圖像進(jìn)行復(fù)原過程中，圖像與其原始未退化圖像之間的差異性越來越小，同時迭代處理前后兩幅圖像之間差異性也在減小，否則算法將不收斂，從而可以采用處理前后兩幅圖像之間差異性的指標(biāo)來衡量圖像質(zhì)量變化，比如可以采用均方誤差(MeanSquareError，MSE);進(jìn)一步考慮整幅圖像像素值大小，可以采用峰值信噪比(PSNR)來計算同一圖像在處理前后的質(zhì)量變化;且考慮到峰值信噪比較均方誤差準(zhǔn)確，較其他圖像客觀質(zhì)量評價指標(biāo)如結(jié)構(gòu)相似性(StructuralSIMilarity，SSIM)等簡單、快速，因此本文使用峰值信噪比作為圖像客觀質(zhì)量評價標(biāo)準(zhǔn)。均方誤差和峰值信噪比的計算方法如下：

(12)

PSNR=10·lg(MAXI2/MSE)

(13)

其中：Ii, j表示原始圖像在像素位置為(i,j)處的像素值，Gi, j表示迭代一次后圖像在像素位置為(i,j)處的像素值；MAXI表示圖像I的像素最大值；I、G都是灰度圖像。

可以證明，一維K-means算法得到的結(jié)果就是使得峰值信噪比值最大的結(jié)果。

證明 各向異性處理得到的圖像經(jīng)過一維K-means聚類后，中心像素數(shù)變?yōu)閗個像素，每個像素被修改為離它最近的類中心像素值，k的確定是依據(jù)模型選擇標(biāo)準(zhǔn)之一的BIC。同時根據(jù)先驗(yàn)知識，將所有像素值小于10的像素置0，像素值大于240的像素值置為255，于是有：MAXI=255。

通過將二維圖形化為一維向量后，有：

x=(I0,0,I0,1,…,I0,n-1,I1,0,I1,1,…,I1,n-1,…,Im-1,0,Im-1,1,…,Im-1,n-1)

(14)

y=(G0,0,G0,1,…,G0,n-1,G1,0,G1,1,…,G1,n-1,…,Gm-1,0,Gm-1,1,…,Gm-1,n-1)

(15)

y具有k個不同值的分量，記為μ1,μ2,…,μk。于是：

2.2 實(shí)現(xiàn)細(xì)節(jié)

在對圖像實(shí)現(xiàn)各向異性擴(kuò)散預(yù)處理時，采取迭代計算的方式得到處理后的圖像，各向異性擴(kuò)散的迭代方程為：

(18)

其中：系數(shù)1/4表示求4個方向的平均值；λ表示擴(kuò)散速率；函數(shù)g1(▽I)和g2(▽I)表達(dá)式形式一樣，差別在于常數(shù)H不同，分別對應(yīng)垂直方向和水平方向上的擴(kuò)散函數(shù)。B型心臟超聲圖像的成像區(qū)域?yàn)樯刃螀^(qū)域，坐標(biāo)系為笛卡爾坐標(biāo)系，如果以扇形中心點(diǎn)為原點(diǎn)，化為極坐標(biāo)并旋轉(zhuǎn)90°后，可以看到像素在水平方向上的帶狀分布，如圖3(a)所示，此時圖像在紋理特征上與地震圖像有明顯相似之處，地震圖像的紋理結(jié)構(gòu)如圖3(b)[14]所示。

圖3 紋理對比

因此，根據(jù)B型心臟超聲圖像在水平和垂直方向上的圖像亮度梯度不同，上述的垂直和水平方向上的擴(kuò)散函數(shù)分別采用g1(▽I)和g2(▽I)表示。

式(5)中的參數(shù)H的確定方法有兩種：1)使用文獻(xiàn)[15]中的knee算法計算每個方向上的圖像梯度差的絕對值，然后取90%；2)使用下文中將提到的一維K-means算法得到圖像的灰度中心，計算相鄰兩個灰度中心差的絕對值和，然后取平均值。

λ通常取值為1。迭代次數(shù)t會嚴(yán)重影響各向異性擴(kuò)散的效果，迭代次數(shù)過少會使圖像的噪聲沒有被平滑，迭代次數(shù)過多又會使圖像的邊緣被平滑，因此本文算法每隔10次迭代計算一次峰值信噪比，在峰值信噪比取最大值時終止各向異性擴(kuò)散的迭代。

在采用一維K-means算法對超聲圖像進(jìn)行像素聚類時，有兩個實(shí)現(xiàn)的細(xì)節(jié)：1)將圖像目標(biāo)區(qū)域按比例縮放到一定大小，保證不丟失準(zhǔn)確率的同時像素數(shù)不至于過大，比如大小為60×80，減少K-means聚類時間。2)根據(jù)先驗(yàn)知識，經(jīng)過各向異性擴(kuò)散后，對于像素聚類中心值小于threshold的像素值，可以認(rèn)為是心臟的腔結(jié)構(gòu)，直接將其像素置為0；對于像素聚類中心值大于255-threshold的像素值，可以認(rèn)為是心臟的壁或瓣結(jié)構(gòu)，直接將其像素置為255。閾值threshold因成像設(shè)備不同而異，需事先統(tǒng)計得出。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)算法通過C++實(shí)現(xiàn)，采用OpenCV進(jìn)行圖像的存取。輸入一張B型心臟超聲圖像簡圖，添加噪聲和一些像素上的干擾，然后使用迭代算法進(jìn)行分割，得到的效果如圖4所示。通過人為添加的噪聲來模擬B型心臟超聲圖像的噪聲，可視化k-gray算法的兩個處理步驟即各向異性擴(kuò)散和一維K-means聚類的結(jié)果，可以發(fā)現(xiàn)k-gray算法可以有效地去除人為添加的噪聲，且對k-gray算法得到的結(jié)果經(jīng)過圖像增強(qiáng)后與原圖的視覺差異較小。

圖4 B型心臟超聲圖像簡圖的處理效果

輸入一張真實(shí)的B型心臟超聲圖像，使用各向異性擴(kuò)散進(jìn)行預(yù)處理，用K-means算法對像素進(jìn)行聚類，得到的效果如圖5所示。從圖中可以發(fā)現(xiàn)，在真實(shí)B型心臟超聲圖像上，k-gray算法得到的結(jié)果經(jīng)過二值化后，其壁、瓣、腔結(jié)構(gòu)的邊界較原圖1(a)更明顯。

圖5 k-gray算法兩階段及二值化結(jié)果

此外，從數(shù)據(jù)庫中隨機(jī)抽取4張不同背景、不同亮度的真實(shí)B型心臟超聲圖像，分別使用人工分割、大津(Otsu)算法、區(qū)域增長算法、圖割法及k-gray算法得到的效果如圖6所示。圖6中：(a)是人工分割的圖像；(b)是采用OpenCV庫中單閾值的大津算法分割的結(jié)果；(c)是將所有像素值大于100的像素點(diǎn)作為種子點(diǎn)的區(qū)域增長算法分割的結(jié)果；(d)是圖割法分割的結(jié)果；(e)是k-gray算法分割的結(jié)果。大津算法、區(qū)域增長算法和圖割法分割得到的圖像均為二值圖像。

圖6 分割算法效果

從圖6中可以看出，單閾值的大津算法閾值和區(qū)域增長算法既可能出現(xiàn)過分割也可能出現(xiàn)欠分割的情形，適應(yīng)性較差；圖割法受背景影響較大，且分割過程中需人工指定前景和背景；k-gray算法能較好地適應(yīng)不同背景、亮度的圖像，且k-gray算法在二尖瓣及壁結(jié)構(gòu)處出現(xiàn)的像素斷裂區(qū)域很少，而其他三種算法在二尖瓣處出現(xiàn)了像素斷裂及在壁結(jié)構(gòu)處出現(xiàn)較大區(qū)域的像素不連續(xù)現(xiàn)象。

表1是四種分割算法在含20張B型心臟超聲圖像數(shù)據(jù)庫中隨機(jī)抽取4張，計算峰值信噪比的統(tǒng)計平均值的結(jié)果。可以看出k-gray算法得到的PSNR值較大津算法提高11.5%，較區(qū)域增長算法提高11.94%，較圖割算法更穩(wěn)定。

表1 分割算法的PSNR值對比

從圖2的流程中和整個分割過程中可以看到，k-gray算法對輸入的心臟超聲圖像沒有任何額外的要求，分割的區(qū)域可以是任意形狀、大小，參數(shù)的確定也無需事先經(jīng)過大量訓(xùn)練；從圖5～6及表1的結(jié)果對比中可以看到,k-gray算法分割得到的心臟超聲圖像質(zhì)量比單閾值的大津算法、區(qū)域增長算法及圖割法都要好。

4 結(jié)語

B型心臟超聲圖像分割就是要分割出壁、腔、瓣或流結(jié)構(gòu)。在對現(xiàn)有成果研究分析的基礎(chǔ)上，結(jié)合B型心臟超聲圖像先驗(yàn)知識，提出了一種基于像素聚類的B型超聲圖像分割算法。采用峰值信噪比作為圖像質(zhì)量評價指標(biāo)，算法在理論上可以保證峰值信噪比達(dá)到最大值，且在實(shí)際中分割得到的壁、腔、瓣結(jié)構(gòu)較其他無需訓(xùn)練的分割算法更準(zhǔn)確，可用于分割B型心臟超聲圖像中任意目標(biāo)。本文算法對圖像全局區(qū)域像素進(jìn)行聚類，由于B型心臟超聲圖像各個區(qū)域性質(zhì)有差異，如何將圖像分成各個子區(qū)域，在子區(qū)域內(nèi)使用一維K-means進(jìn)行像素聚類有待進(jìn)一步研究；此外，在圖像質(zhì)量評價指標(biāo)中，有待進(jìn)一步研究如何與能區(qū)別對待不同像素點(diǎn)的評價指標(biāo)相結(jié)合。

References)

[1] 中華醫(yī)學(xué)會麻醉學(xué)分會.圍手術(shù)期經(jīng)食管超聲心動圖監(jiān)測操作的專家共識[EB/OL].(2015- 02- 11) [2016- 05- 27].http://www.csaol.cn/a/xuehuigongzuo/linchuangzhinan/2015/0907/2555.html.(Anesthesiology Branch of Chinese Medical Association.The expert consensus on the operation of the perioperative period of esophageal echocardiography [EB/OL].(2015- 02- 11) [2016- 05- 27].http://www.csaol.cn/a/xuehuigongzuo/linchuangzhinan/2015/0907/2555.html.)

[2] CARNEIRO G, NASCIMENTO J C, FREITAS A.The segmentation of the left ventricle of the heart from ultrasound data using deep learning architectures and derivative-based search methods [J].IEEE Transactions on Image Processing, 2012, 21(3): 968-982.

[3] MARSOUSI M, ALIREZAIE J, AHMADIAN A, et al.Segmenting echocardiography images using B-spline snake and active ellipse model [C]// Proceedings of the 2010 IEEE Annual International Conference on Engineering in Medicine and Biology Society.Piscataway, NJ: IEEE, 2010: 3125-3128.

[4] MAZAHERI S, SULAIMAN P S B, WIRZA R, et al.Echocardiography image segmentation: a survey [C]// Proceedings of the 2013 International Conference on Advanced Computer Science Applications and Technologies.Piscataway, NJ: IEEE, 2013: 327-332.

[5] 蘭紅,閔樂泉.多閾值優(yōu)化交互式分割算法及其在醫(yī)學(xué)圖像中的應(yīng)用[J].計算機(jī)應(yīng)用,2013,33(5):1435-1438.(LAN H, MIN L Q.Interactive segmentation algorithm optimized by multi-threshold with application in medical images [J].Journal of Computer Applications, 2013, 33(5): 1435-1438.)

[6] 楊明川,呂學(xué)斌,周群彪.不完全K-means聚類與分類優(yōu)化結(jié)合的圖像分割算法[J].計算機(jī)應(yīng)用,2012,32(1):248-251.(YANG M C, LYU X B, ZHOU Q B.Image segmentation algorithm based on incompleteK-means clustering and category optimization [J].Journal of Computer Applications, 2012, 32(1): 248-251.)

[7] TATIRAJU S, MEHTA A.Image segmentation usingk-means clustering, EM and normalized cuts [EB/OL].[2016- 05- 20].http://www.ics.uci.edu/～dramanan/teaching/ics273a_winter08/projects/avim_report.pdf.

[8] PATEL B C, SINHA G R.An adaptivek-means clustering algorithm for breast image segmentation [J].International Journal of Computer Applications, 2010, 10(4): 35-38.

[9] 祖克舉,周昌雄,張尤賽.基于各向異性擴(kuò)散活動輪廓模型的左心室MRI分割[J].計算機(jī)測量與控制,2007,15(3):339-341.(ZU K J, ZHOU C X, ZHANG Y S.Left ventricle MRI segmentation based on anisotropic diffusion snake model [J].Computer Measurement & Control, 2007, 15(3): 339-341.)

[10] 曾文權(quán),何擁軍,崔曉坤.基于各向異性濾波和空間FCM的MRI圖像分割方法[J].計算機(jī)應(yīng)用研究,2014,31(1):316-320.(ZENG W Q, HE Y J, CUI X K.MRI image segmentation method based on anisotropic diffusion and spatial FCM [J].Application Research of Computers, 2014, 31(1):316-320.)

[11] PERONA P, MALIK J.Scale-space and edge detection using anisotropic diffusion [J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(7): 629-639.

[12] WANG H, SONG M.Ckmeans.1d.dp: optimalk-means clustering in one dimension by dynamic programming [J].The R Journal, 2011, 3(2): 29-33.

[13] BUADES A, COLL B, MOREL J M.A review of image denoising algorithms, with a new one [J].Multiscale Modeling & Simulation, 2005, 4(2): 490-530.

[14] TSIOTSIOS C, PETROU M.On the choice of the parameters for anisotropic diffusion in image processing [J].Pattern Recognition, 2013, 46(5): 1369-1381.

[15] PETROU M, PETROU C.Image processing: the fundamentals [M].2nd ed.Hoboken, NJ: John Wiley and Sons, 2010: 549-550.

This work is supported by the Chinese Academy of Sciences “Light of the West China” Program and the Science and Technology Support Program of Sichuan Province (2012SZ0133).

HUANG Zhibiao, born in 1992, M.S.candidate.His research interests include image processing, image retrieval.

YAO Yu, born in 1980, Ph.D., associate research fellow.His research interests include graphics and image processing, pattern recognition.

Ultrasound image segmentation based on pixel clustering

HUANG Zhibiao1,2*, YAO Yu1

(1.ChengduInstituteofComputerApplications,ChineseAcademyofSciences,ChengduSichuan610041,China;2.SchoolofComputerandControlEngineering,UniversityofChineseAcademyofSciences,Beijing100049,China)

B-mode cardiac ultrasound image segmentation is a fundamental step before cardiac functional parameters estimation.Aiming at the problem that the accuracy of segmentation is low because of the low resolution of ultrasound image, and the model based image segmentation algorithms need a large number of training sets, an image segmentation algorithm based on pixel clustering was proposed combined with prior knowledge of B-mode cardiac ultrasound images.Firstly, anisotropic diffusion was used to preprocess the image.Secondly, one-dimensionalK-means was used to cluster the pixels.Finally, every pixel value of the image was assigned to the pixel value of its best cluster center according to cluster results and prior knowledge.The theoretical analysis shows that the proposed algorithm can get the maximum Peak Signal-to-Noise Ratio (PSNR) of ultrasound image; the experimental results show that the proposed algorithm performs better than Otsu algorithm, and its PSNR is increased by 11.5% compared with Otsu algorithm.The proposed algorithm can still work even for a single ultrasound image and can be suitble for ultrasound image segmentation of any shapes, so it is conducive to estimate cardiac functional parameters more accurately.

image segmentation; ultrasound image;K-means; anisotropic diffusion; Peak Signal-to-Noise Ratio (PSNR)

2016- 08- 18;

2016- 09- 12。

中科院西部之光人才培養(yǎng)計劃項(xiàng)目-四川省科技支撐計劃項(xiàng)目(2012SZ0133)。

黃志標(biāo)(1992—)，男，湖南衡陽人，碩士研究生，CCF會員，主要研究方向：圖像處理、圖像檢索； 姚宇(1980—)，男，四川宜賓人，副研究員，博士，主要研究方向：圖形圖像處理、模式識別。

1001- 9081(2017)02- 0569- 05

10.11772/j.issn.1001- 9081.2017.02.0569

TP301.6; TP391.413

A