度分布；T_a为一维向量，T_d为一维向量，T_h为20维向量；
[0096] 所述超像素 V的特征向量yv= {T_a, T_d, T_h}，计算公式如下，
[0097] 超像素 V的平均亮度T_a :
[0101] 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；
[0102] 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 ;
[0103] (2-2)构造背景字典：
[0104] 在超声图像中，占位性病变区域与周围背景区域，在灰度、纹理等特征上往往有较 为明显的差异。这种与背景不一致的像素聚集区域，在图像处理中被视作感兴趣区域。而感 兴趣区域往往位于图像中心位置，因此选择图像边缘四周的超像素作为背景候选超像素。 考虑到噪声或伪影的影响以及占位性病变区域可能位于图像四周等情况，本实施例选择图 像边缘四周的超像素作为背景候选超像素，并将背景候选超像素中亮度最大的10%和最小 的10%超像素去掉，余下的背景候选超像素作为背景超像素，以背景超像素的特征y b作为 列向量组合成背景字典矩阵D，即D = [ybl，yb2，…，ybm]，m为背景超像素个数；
[0105] (2-3)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：
[0106] (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：
[0108]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：
[0110] 其中，λ参数用来分配误差项
?和稀疏项Il XvII亦权重，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，误差項
贡献越大；
[0111] (2-3-2)将计算得到的残差εν作为超像素 V的显著度，得到显著图；图3(d)、图 4(d)分别为图3(a)，图4(a)的显著图。
[0112] (2-4)选择种子点：
[0113] 由于超声图像中噪声、伪影等与背景区域也具有差异，因此显著度也较大。但它们 往往是一些不连续的较小区域，而占位性病变区域是一块较大的连续区域。
[0114] 本实施例利用大津法（OTSU) [Ν. Otsu, Athreshold selection method from gray-level histograms]对步骤（2-3)中得到的显著图进行二值化，将最大的连续区域作 为感兴趣区域，该感兴趣区域的重心超像素则为种子点；图3 (e)、图4 (e)分别为图3 (a)，图 4(a)的种子点选择结果图。
[0115] (3)利用步骤⑵中得到的种子点作为区域增长的起点，在能量函数下进行约束 增长，达到约束条件则停止增长得到最终分割结果。理想融合区域是内部差异比较小，并且 边缘明显的区域。本实施例的分割算法，以种子点作为区域增长的起始点，通过最小化能量 函数不断地融合邻近区域中差异度最小的超像素。
[0116] 分割步骤具体为：
[0117] (3-1)以整幅图像中的每个超像素作为节点将图像表示为无向图G= (V;E)，V表 示节点集合，即超像素集合，E表示边集合，若两个超像素相邻则边存在，否则不存在边，每 条边E)都有一个非负权值w( Vi，Vp来表示超像素间的联系，如下式所示：
[0118]
[0119] w(Vi, Vj)表示边权值，Vp Vj分别为图像中的任意超像素点，I (V D、I (Vj)分别表示 超像素 Vi、'的平均亮度，i，j e [0, N)，N表示图像中所包含超像素的总数；
[0120] 将图像的超像素分为3部分，融合区域R的超像素与融合区域相连的邻近区域 L的超像素 V1以及背景区域B的超像素 ν b，如图2所示，正方形标注的节点为超像素为 三角形标注的节点为超像素 V1，圆形标注的节点为超像素 vb;
[0121] (3-2)点差异度、内部差异度与边缘对比度的定义
[0122] (3-2-1)点差异度Node_diff (V1):表示邻近区域L中的节点V1与融合区域R的 差异度，计算公式如下，
[0124] 其中，为连接超像素 ν p V』勺边，w(e 为边权值；
[0125] (3-2-2)内部差异度Int_dif :表示融合区域R内所有节点的差异程度，计算公式 如下，
[0127] MST (R ;E)代表融合区域R的最小生成树，e表不属于最小生成树的一条边，w(e) 为边e的权值。
[0128] 最小生成树在许多基于图的分割算法中得到广泛应用，其中有效率的基于图论 的分割算法（Effective Graph-based，EGB) [Κ· B. Jayanthi, R. S. D. W. Banu, "Carotid artery boundary extraction using segmentation techniques: a comparative study, " Proceedings of ITNG, LasVegas, NV, USA, pp. 1290 - 1295, 2009]采用了融合区域 的最小生成树的最大边表示融合区域的内部差异，取得了较好的分割效果。
[0129] (3-2-3)边缘对比度Edge_dif :表示邻近区域L中的所有节点与融合区域R的差 异度的平均值，
[0131] 其中，k表示邻近区域L中节点的个数，V1表示邻近区域L中的任意节点；
[0132] (3-3)能量函数的定义
[0133] 能量函数包括规范曲线形状为目的的"内部能量" Eint，及规范曲线与目标物体轮 廓线接近程度的"外部能量'Ixt。在运算过程中，最小化内部能量可令曲线持续向内部紧缩 并保持平滑，使得内部差异小；而最小化外部能量则可令曲线持续贴近目标物体轮廓线而 到达一致为止。
[0134] 所述能量函数定义如下：
[0135] Energy = Eint+Eext
[0136] 其中，Eint为内部能量，具体计算公式为：
[0138] 其中，C是融合区域的节点个数，pal是正常数；内部能量的主要作用是迫使融合 区域不断向外增长。最小化能量函数，就是使驱动项变小，当融合的超像素个数即C比较小 时，驱动项很大，迫使融合区域不断向外扩展即C变大，融合邻近的节点。但是当扩张到一 定程度时，驱动项将随C的增大，并缓慢变小，这时能量函数主要取决于外部能量E rait。至于 参数pal的设置，要根据实际情况而确定，pal越大，得到的融合区域越大。
[0139] Eext为外部能量，具体计算公式为：
[0140] Eext= Int_dif_pa2*Edge_dif
[0141] 其中，pa2是正常数；本实施例设置为7。外部能量的主要作用是约束区域增长，迫 使算法收敛到肿瘤边缘位置。外部能量变小，就是要Edge_dif变大，Int_dif变小，保证融 合区域内部差异度小、边缘明显度大。
[0142] (3-4)区域增长过程
[0143] 区域增长过程是不断地将邻近区域L中差异度Node_diff (V1)较小的超像素加入 到融合区域中，当能量函数的值到达极小值时，融合区域停止生长，具体步骤如下：
[0144] (3-4-1)初始化：以种子点超像素 Vs作为当前融合区域R，与种子点邻近的所有超 像素为邻近区域L，对L中的节点按照差异度Node_diff (V1)由小到大排序，并计算能量函 数Energy的值，设置游标index = 1，内部差异度Int_dif = 0 ;
[0145] (3-4-2)用R'、L'、Energy'对上面的R、L、Energy进行备份，以便融合失败后， 恢复融合前的状态；
[0146] (3-4-3)将L中第index个节点Vindex加