败后， 恢复融合前的状态；
[0044] (3-4-3)将L中第index个节点Vindex加入到融合区域R，R = R+v index，更新L，并 且对L中的节点按照Node_diff (V1)由小到大排序；计算能量函数Energy的值；
[0045] (3-4-4)如果 Energy < Energy'，设置 index = 1，转到（3-4-2);否则，融合失 败，对融合后的状态进行还原，即令R = V，L = L' ,Energy = Energy'，设置index = index+1 ;如果index小于等于L中节点个数K，则转到（3-4-3)，如果index大于L中节点 个数K，R即为分割结果。
[0046] 步骤（2-1)所述超像素 V的特征向量yv= {T_a, T_d, T_h}，计算公式如下，
[0047] 超像素 V的平均亮度T_a :
[0051] 其中，η为超像素 V中所包含的像素点总数，St表示超像素 V中第t(t e (〇，n]) 个像素点的亮度；
[0052] 亮度分布T_h为一个20维的向量，具体提取过程为：通过将图像的最小亮度到最 大亮度之间的范围均匀划分20个亮度区间，统计每个超像素在这20个亮度区间的直方图 作为亮度分布T_h。
[0053] 步骤（2-3)所述利用步骤（2-2)中得到的背景字典进行稀疏重建，得到显著图，具 体为：
[0054] (2-3-1)按照稀疏分解公式，计算每个超像素 V在背景字典下的稀疏系数Xv，如下 式所示：
[0056]图像上每个超像素 V在背景字典D的稀疏重建残差表示为：
[0058] 其中，λ参数用来分配误差项 和稀疏项Il Xv Il满权重，λ的值越 大，稀疏项Il Xv Il i的约束越大，误差项 贡献越小；反之，稀疏项Il Xv Il :的约 束越小，误差项
贡献越大；
[0059] (2-3-2)将计算得到的残差ε v作为超像素 V的显著度，得到显著图。
[0060] 步骤（1)所述对原始超声图像进行预处理，具体为：
[0061] 首先对图像进行去噪处理，然后对去噪处理后的图像进行过分割，生成超像素。
[0062] 所述去噪处理，具体为：
[0063] 采用斑点降噪各向异性扩算法对图像进行去噪处理。
[0064] 所述对去噪处理后的图像进行过分割，具体为：
[0065] 利用简单的线性迭代聚类算法对图像进行分割。
[0066] 与现有技术相比，本发明具有以下优点和有益效果：
[0067] (1)本发明的一种基于能量约束的区域增长超声图像自动分割方法，分割处理过 程完全自动化，无需人工参与，克服了现有分割方法需要提供初始轮廓或初始种子点的不 足。
[0068] (2)本发明通过利用占位性病变区域内部结构的一致性及占位性病变区域与背景 的差异性，采用一个有效的能量函数从内部和外部同时约束区域增长，可以得到精确的分 割结果。
[0069] (3)本发明利用超像素代替单个像素点作为计算单元，极大地减少了运算量，同时 很好地保留图像边缘信息和局部的结构信息，使得分割过程更加快速、有效。
[0070] (4)本发明实现了种子点自动选择，通过利用稀疏重建的方法，得到显著图，并选 择最大连续的感兴趣的重心超像素作为初始种子点。现有基于区域增长的分割方法，往往 通过设置阈值得到初始种子点，导致种子点定位不够准确，本发明所提出的方法能够准确 地定位初始种子点，使其落在感兴趣区域内保证后续区域增长过程正确。
[0071] (5)本发明在构造背景字典时结合超声图像成像特点，为排除伪影、噪声等影响， 利用图像边缘四周超像素建立背景字典时，将其中亮度最大10%和亮度最小的10%去掉， 使得构造的背景字典相关性更大，重建效果更好，显著区域更加突出。
【附图说明】
[0072] 图1为本发明的实施例的基于能量约束的区域增长超声图像自动分割方法的流 程图。
[0073] 图2为本发明的实施例的区域划分示意图。
[0074] 图3(a)为本发明的实施例的肝脏血管瘤超声图像的待分割图像。
[0075] 图3(b)为本发明的实施例的肝脏血管瘤超声图像的去噪后图像。
[0076] 图3(c)为本发明的实施例的肝脏血管瘤超声图像过分割后的结果图。
[0077] 图3(d)为本发明的实施例的肝脏血管瘤超声图像的显著图。
[0078] 图3(e)为本发明的实施例的肝脏血管瘤超声图像的种子点选择结果图。
[0079] 图3(f)为本发明的实施例的肝脏血管瘤超声图像的分割结果图。
[0080] 图3(g)为本发明的实施例的肝脏血管瘤超声图像的医生手工分割图。
[0081] 图4(a)为本发明的实施例的肝脏囊肿超声图像的待分割图像。
[0082] 图4(b)为本发明的实施例的肝脏囊肿超声图像的去噪后图像。
[0083] 图4(c)为本发明的实施例的肝脏囊肿超声图像过分割后的结果图。
[0084] 图4(d)为本发明的实施例的肝脏囊肿超声图像的显著图。
[0085] 图4(e)为本发明的实施例的肝脏囊肿超声图像的种子点选择结果图。
[0086] 图4(f)为本发明的实施例的肝脏囊肿超声图像的分割结果图。
[0087] 图4(g)为本发明的实施例的肝脏囊肿超声图像的医生手工分割图。
【具体实施方式】
[0088] 下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
[0089] 实施例
[0090] 如图1所示，本实施例的基于能量约束的区域增长超声图像自动分割方法，包括 以下步骤：
[0091] (1)对原始超声图像（如图3(a)，图4(a)，其中3 (a)为肝脏血管瘤超声图像，图 4(a)肝脏囊肿超声图像）进行预处理，生成超像素；所述预处理为：首先对图像进行去噪处 理，然后对去噪处理后的图像进行过分割，生成超像素；
[0092] 由于超声图像含有大量斑点噪声、伪影等会对超声图像分割造成较大干扰，因此 需要在分割处理前对原图像进行去噪处理。本实施例选择斑点降噪各向异性扩散（Speckle Reducing Anisotropic Diffusion, SRAD)算法[Yu Y, Acton S T. Speckle reducing anisotropic diffusion]进行去噪。图3(b)、图4(b)为图3(a),图4(a)去噪处理后的效 果图。
[0093] 去噪处理完成后对超声图像进行过分割，生成超像素，本实施例采用简单的线 性迭代聚类算法（Simple Liner Iterative Clustering，SLIC)算法[Achanta R, Shaji A, Smith K, et al. "SLIC superpixels compared to state-of-the-art superpixel methods, "Pattern Analysis and Machine Intelligence,IEEE Transactions on, 34(11) :2274-2282, 2012]将图像分割成一个个大小相似并且边缘贴近图像边缘的超像 素。以超像素为基本操作单元，不仅能极大地减少运算量，而且能很好地保留图像边缘信息 和局部的结构信息，甚至能增加算法对噪声的鲁棒性。本实施例将超声图像分割为200个 超像素（可以根据实际图像需要选取超像素数目），如图3(c)、图4(c)分别为图3(a)，图 4(a)分割后的超声图像。
[0094] (2)对预处理后的超声图像进行种子点自动选取，具体为：
[0095] (2-1)提取超像素特征；用一个22维的特征向量yv表示超像素 v，V e V(V为图 像的超像素集合），77={1'_&，1'_(1，1'_11}，其中，1'_ &为超像素的平均亮度、1'_(1为超像素的 亮度方差、T_h为超像素的亮