基于改進支持向量機算法的超聲圖像分割技術*

王萌

（陜西能源職業(yè)技術學院，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病理特征識別，能提高對超聲區(qū)域的準確定位識別能力。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，根據特征提取結果實現對超聲圖像的紋理特征分析，對超聲區(qū)域的準確診斷。相關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，結合 LVEDV、LVESV、LVSV、LVEF和LVMM等算法，實現超聲圖像分割。對超聲圖像三維測量系統(tǒng)的設計，采用低分辨成像技術實現[2]，結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的超聲圖像三維分割方法，結合對超聲圖像目標特征點的三維區(qū)域檢測和圖像重建，實現超聲圖像三維重構和分割，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，結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行多模態(tài)配準，但該方法對大規(guī)模超聲圖像的分割準確性不高。

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

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

為了實現對超聲圖像的特定區(qū)域分割，首先構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子塊分割模型進行超聲圖像的匹配，并采用分段約束控制方法進行超聲圖像的特征目標匹配。根據超聲圖像的采集環(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輸出為：

其中：

提取超聲圖像W 的R、G、B分量，相應得到超聲圖像的三維模板匹配值AR、AG、AB和WR、WG、WB，在分割模板m×n區(qū)域內，候選區(qū)域內像素總數為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行特征分離處理，在4×4子塊的局部區(qū)域內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)域內對超聲圖像進行像素值區(qū)域模板融合處理，采用自適應融合處理方法，融合后的輸出為：

其中，t0表示超聲圖像的結構相似度，在超聲成像的4×4子區(qū)域內，通過超聲圖像網格分割方法進行超聲圖像視覺的自適應像素融合。

3 超聲圖像分割技術優(yōu)化實現

3.1 匹配與融合的約束變量設置

在完成匹配與融合的基礎上，需要根據結果設定相應的約束變量，以完成后期的圖像分割技術優(yōu)化設計，匹配與融合都是根據超聲紋理的規(guī)則性特征分量進行病理特征提取[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。根據上述分析，構建超聲圖像的相關性檢測模板匹配評價函數f（gi）為：

計算各像素點與聚類中心間的聚類，構建灰度直方圖[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學習算法進行優(yōu)化，對超聲圖像視覺S'在紋理信息融合區(qū)域（x'，y'）處進行約束，根據3.1節(jié)的約束結果確定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習算法進行自適應分類，實現對超聲圖像的快速分割和特征識別。

4 仿真實驗與結果分析

為了測試本研究方法在實現超聲圖像區(qū)域分割中的應用性能，進行仿真實驗，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，超聲圖像病理結構的稀疏采樣點個數為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構相似度，記為FWSSIM：

以此為評價指標，分析圖像分割的準確性，設定超聲圖像的分割面板系數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，根據上述仿真環(huán)境和參數設定，進行超聲圖像分割仿真，得到超聲圖像的預取結果，見圖2。

圖2 超聲圖像預取結果Fig 2 Ultrasound image prefetching results

以圖2為輸入，采用圖像區(qū)域分割技術進行超聲圖像檢測識別，采用SVM方法進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果，見圖3。

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

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

由圖4可知，本研究方法能有效實現對超聲圖像分割，分割的準確性較高，對特征點的匹配性較好，測試不同方法進行圖像分割的結構相似度和精度，得到對比結果，見表1。分析表1可知，本研究方法進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 超聲圖像分割結果Fig 4 Results of ultrasound image segmentation

5 結語

在對大規(guī)模超聲圖像檢測識別過程中，需要根據超聲圖像規(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，根據特征提取結果實現對超聲圖像紋理特征分析和準確診斷，本研究提出一種基于改進SVM的超聲圖像分割技術。采用圖像區(qū)域分割技術進行超聲圖像檢測識別，采用分區(qū)域特征匹配方法進行二維超聲圖像的分塊融合性檢測和特征塊匹配，根據超聲紋理的規(guī)則性特征分量進行病理特征提取，降低超聲圖像區(qū)域分割的表面誤差，實現超聲圖像區(qū)域的快速準確分割。對提取的超聲圖像病理特征量采用SVM學習算法進行自適應分類，實現對超聲圖像的快速分割和特征識別。研究得知，本研究方法進行超聲圖像分割的精度較高，結構相似度信息較強。