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

1 引 言

計(jì)算機(jī)圖像處理技術(shù)的快速發(fā)展使圖像的應(yīng)用范圍越來(lái)越廣泛，通過(guò)圖像處理技術(shù)進(jìn)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(guò)對(duì)超聲圖像的特征檢測(cè)和定位識(shí)別，提取超聲圖像的異常特征點(diǎn)，根據(jù)異常特征點(diǎn)的信息提取結(jié)果進(jìn)行病理分析，提高診斷效能，研究超聲圖像的異常特征點(diǎn)定位檢測(cè)技術(shù)，在提高超聲檢測(cè)能力方面具有重要意義。

對(duì)超聲圖像的異常特征點(diǎn)檢測(cè)是建立在對(duì)超聲圖像的特征提取、圖像增強(qiáng)、圖像分割和邊緣特征提取基礎(chǔ)上，結(jié)合對(duì)超聲圖像的自適應(yīng)邊緣輪廓特征分解，提高對(duì)超聲圖像的判斷和檢測(cè)能力[2]，文獻(xiàn)[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(diǎn)提取方法，采用Snake算法對(duì)超聲圖像進(jìn)行邊緣輪廓特征分解，根據(jù)特征分解結(jié)果進(jìn)行自適應(yīng)信息融合增強(qiáng)處理，提高超聲圖像的檢測(cè)能力，但該方法的計(jì)算復(fù)雜度較高，實(shí)時(shí)性較差。文獻(xiàn)[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(shí)現(xiàn)超聲圖像邊緣檢測(cè)批處理，但該方法的定位準(zhǔn)確性不高。針對(duì)上述問(wèn)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(duì)采集超聲圖像采用邊界特征融合方法進(jìn)行邊緣輪廓檢測(cè)，在鄰域內(nèi)采用顏色梯度分解方法進(jìn)行超聲圖像區(qū)域融合濾波處理，結(jié)合小波變換方法進(jìn)行超聲圖像的特征分解和尺度模板匹配，然后對(duì)超聲圖像進(jìn)行顏色特征分解值，實(shí)現(xiàn)圖像的鄰域均衡控制和自適應(yīng)特征參量估計(jì)，根據(jù)超聲圖像的紋理和顏色特征提取結(jié)果進(jìn)行圖像的異常特征點(diǎn)定位檢測(cè)和識(shí)別。最后進(jìn)行仿真實(shí)驗(yàn)分析，得出有效性結(jié)論。

2 超聲圖像采集與邊緣輪廓檢測(cè)

2.1 超聲圖像算法邏輯結(jié)構(gòu)設(shè)計(jì)

為實(shí)現(xiàn)對(duì)超聲圖像的異常特征點(diǎn)定位，需要進(jìn)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(dòng)態(tài)特征點(diǎn)檢測(cè)防范對(duì)超聲圖像的邊緣特征點(diǎn)P（x0，y0）進(jìn)行區(qū)域掃描，得到套索模型中超聲圖像的邊界特征點(diǎn)Q（xi，yi），通過(guò)兩點(diǎn)之間的特征差異性進(jìn)行形態(tài)分割和異常比較[5]，用Harris角點(diǎn)檢測(cè)方法提取超聲圖像的輪廓特征點(diǎn)，結(jié)合區(qū)域化增強(qiáng)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(diǎn)Q（xi，yi），P為邊緣特征點(diǎn)P（x0，y0）。采用點(diǎn)到線模型的LBG向量量化方法進(jìn)行圖像的最大灰度值標(biāo)記，在輪廓點(diǎn)中對(duì)超聲醫(yī)學(xué)圖像進(jìn)行邊緣像素融合處理[6]，提取超聲圖像的活動(dòng)輪廓模型，結(jié)合超聲圖像的活動(dòng)輪廓的區(qū)域超像素特征量進(jìn)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(qiáng)信號(hào)形式為：

式中，T表示模板匹配的時(shí)間參數(shù)，K為圖像增強(qiáng)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(zhǎng)度為L(zhǎng)=xmax-xmin，寬度為W=ymax-ymin，高H=zmax-zmin，采用活動(dòng)套索模型進(jìn)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(jì)流程，見(jiàn)圖1。

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

2.2 圖像邊緣輪廓檢測(cè)

對(duì)采集的超聲圖像采用邊界特征融合方法進(jìn)行邊緣輪廓檢測(cè)[7]，在鄰域內(nèi)采用顏色梯度分解方法進(jìn)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(diǎn)定位的拓?fù)浣Y(jié)構(gòu)用以下4個(gè)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(guò)模板匹配結(jié)果進(jìn)行超聲圖像的自適應(yīng)像素融合[8]，為邊緣像素點(diǎn)采樣的統(tǒng)計(jì)特征量為：

其中，xi和yj分別為超聲圖像的像素分配點(diǎn)(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(duì)超聲圖像S'在區(qū)域像素分塊融合空間內(nèi)進(jìn)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(shí)，圖像的二值化檢測(cè)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(diǎn)(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(diǎn)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(diǎn)分布的密度，采用像素重組和多維尺度分解方法進(jìn)行圖像的三維重構(gòu)，采用超聲圖像分布邊緣像素點(diǎn)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(diǎn)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(diǎn)，采用區(qū)域分割方法，得到超聲圖像的異常特征點(diǎn)分布矩陣為：

對(duì)上式進(jìn)行歸一化處理，計(jì)算圖像中各像素點(diǎn)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(dòng)態(tài)調(diào)節(jié)像素值。結(jié)合小波變換方法進(jìn)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(diǎn)[9]。

3 超聲圖像的異常特征點(diǎn)定位處理

3.1 圖像信息融合

進(jìn)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(cè)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(dòng)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(cè)方法進(jìn)行超聲圖像的邊緣輪廓檢測(cè)，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(duì)分割輪廓曲線采用RGB分解進(jìn)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(qiáng)度為：

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

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

?為活動(dòng)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(jìn)行卷積處理，對(duì)圖像的紋理特征集進(jìn)行分塊匹配和相關(guān)性檢測(cè)[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(diǎn)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(diǎn)檢測(cè)輸出

求得在每個(gè)尺度下超聲圖像的邊緣像素點(diǎn)統(tǒng)計(jì)特征值為：

式中，Δx、Δy分別為像素點(diǎn)特征變化量，di表示相鄰像素點(diǎn)統(tǒng)計(jì)特征值；在鄰域內(nèi)采用顏色梯度分解方法進(jìn)行超聲圖像的超像素塊特征匹配[13]，利用圖像的先驗(yàn)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(shí)驗(yàn)分析

為了驗(yàn)證本研究方法在實(shí)現(xiàn)對(duì)超聲圖像的異常特征定位中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)，仿真建立在MATLAB R2009a軟件平臺(tái)，超聲圖像的分塊區(qū)域大小為256×256×224，活動(dòng)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(jìn)行異常特征點(diǎn)定位仿真分析，得到4組待定位檢測(cè)圖像，見(jiàn)圖2。

以圖2的原始檢測(cè)圖像為輸入，采用本研究方法進(jìn)行超聲圖像的異常特征點(diǎn)定位檢測(cè)，得到檢測(cè)輸出見(jiàn)圖3。

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

圖3 超聲圖像的異常檢測(cè)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(shí)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(shì)，采用不同方法進(jìn)行對(duì)比測(cè)試，記錄不同方法的定位精度和運(yùn)行時(shí)間，結(jié)果見(jiàn)表1。分析得知，本研究方法進(jìn)行異常特征超聲圖像定位的精度較高，費(fèi)時(shí)較少。

表1 性能對(duì)比Table 1 Performance comparison

5 結(jié)語(yǔ)

通過(guò)對(duì)超聲圖像的特征檢測(cè)和定位識(shí)別，提取超聲圖像的異常特征點(diǎn)，根據(jù)異常特征點(diǎn)的信息提取結(jié)果進(jìn)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(duì)采集的超聲圖像采用邊界特征融合方法進(jìn)行邊緣輪廓檢測(cè)，在鄰域內(nèi)采用顏色梯度分解方法進(jìn)行超聲圖像區(qū)域融合濾波處理，結(jié)合小波變換方法進(jìn)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(diǎn)，根據(jù)超聲圖像的顏色特征分解值進(jìn)行鄰域均衡控制和自適應(yīng)特征參量估計(jì)，根據(jù)超聲圖像的紋理和顏色特征提取結(jié)果進(jìn)行圖像的異常特征點(diǎn)定位檢測(cè)和識(shí)別。研究得知，本研究方法進(jìn)行異常特征超聲圖像定位的精度較高，費(fèi)時(shí)較少，超聲圖像的異常特征辨識(shí)性能較好。