专利名称：基于四叉树分解的超声图像最优同质区域自动选取方法
技术领域：
本发明属于图像处理技术领域，具体涉及基于四叉树分解的超声图像最优同质区域自动选取方法。
背景技术：
超声成像因具有无创、实时、可重复性强、诊疗费用低廉等优点，使其成为了医学影像诊断领域广泛应用且无可替代的成像方式。但是超声图像中无可避免的存在着大量斑点噪声，且图像对比度和分辨率相对较低，使得对超声图像的斑点降噪、边界检测、目标分割等工作成为了医学图像处理领域的热点和难点。而这些工作无一例外地都需要用到对超声图像进行同质区域的选取[1-3]。以超声图像斑点降噪的经典算法，斑点噪声抑制各向异性扩散(SpeckleReducing Anisotropic Diffusion, SRAD) [4]为例，能否准确选择超声图像同质区域直接关系到该算法实际应用时降噪效果的成败。为了提高超声图像同质区域选择的准确性，传统做法是在图像处理过程中直接让用户人工选择同质区域，这一方法不仅费时、依赖于人工干预，而且极有可能引入主观变异性，不利于后续的定量分析。而对于需要批量处理的超声序列图像斑点降噪来说，依赖人工选择同质区域的方法更显得不具有可操作性。根据上述实际需求，本发明采用基于四叉树分解的超声图像最优同质区域自动选取方法，为医学超声图像的斑点降噪、边界检测、目标分割等工作提供了一种高效、自动、准确的超声图像同质区域确定方法。
发明内容
本发明的目的在于提出基于四叉树分解的超声图像最优同质区域自动选取方法，能够高效、自动、准确地确定超声图像同质区域。本发明的目的在于提出基于四叉树分解的超声图像最优同质区域自动选取方法，首先使用由最大类间方差二值化确定的阈值作为超声图像四叉树分解时的一致性标准；其次按从大到小的顺序依次从分解结果中取出所有当前最大分块，根据最优同质区域分块判决依据进行优选；最后根据判决结果确定是否输出最优同质区域自动选择结果或调整最初二值化阈值以重复执行上述过程。本发明的具体步骤包括:
步骤1，对输入的超声图像采用基于边界检测的算法计算出其斑点噪声尺寸，并根据斑点噪声尺寸估算出最小同质选区尺寸;
步骤2，使用最大类间方差二值化算法确定所输入超声图像的最优二值化阈值f ；步骤3,判断输入超声图像的宽高AeigAi尺寸是否满足= height = T,即图像是否正好是一个可以进行四叉树分解的，边长Λ/ = 2^的正方形；
步骤4，如果输入超声图像尺寸不满足步骤3的条件，则将其进行尺寸扩展，使其刚好能放入一个最小的，边长Λ/ = Z的黑色正方形，即将其尺寸使用填充黑色的方法变为适合四叉树分解所需的尺寸，并返回步骤3 ；
步骤5，如果输入超声图像尺寸满足步骤3的条件，则以二值化阈值f作为区域一致性标准，对边长# = T的正方形超声图像进行四叉树图像分解；
步骤6，从分解结果中，取出所有被标记为当前最大分块的同尺寸分块；
步骤7，判断当前最大分块尺寸是否大于最小同质选区尺寸；
步骤8，如果当前最大分块尺寸不满足步骤7的条件，则提高二值化阈值# =110%,即使四叉树分解的区域一致性标准降低10%，并返回步骤5，以便得到相对较大的区域划分结果；
步骤9，如果当前最大分块尺寸满足步骤7的条件，则判断是否能从所有当前最大分块中，根据最优同质区域分块判决依据选出最优分块；
步骤10，如果步骤9中判断为不能，则忽略当前最大分块，而将当前次大分块设置为当前最大分块，并返回步骤6;
步骤11，如果步骤9判断为能，则输出最优同质区域自动选择结果。下面就本发明方法中部分步骤涉及的相关技术细节作进一步的具体描述:
1.在步骤2中，所述使用最大类间方差二值化方法自动确定所输入超声图像的最优二值化阈值F，对于输入的超声灰度图像，假设其灰度级为[1，2，…，Z]，/ ,.代表输入超声图像中灰度值为i的像 素点个数，像素点总数表示为Ar = A + / 2+…—nL。由阈值左将输入的超声灰度图像分为背景4[1，…，幻和目标C\[k+1，…，Z]两类[5]。由公式(1)、⑵计算Q q两类的出现概率巧(I), W1(I),记代表灰度i的概率分布二 nJH，则有:
权利要求
1.基于四叉树分解的超声图像最优同质区域自动选取方法，其特征在于，包括以下步骤: 步骤1，对输入的超声图像采用基于边界检测的算法计算出其斑点噪声尺寸，并根据斑点噪声尺寸估算出最小同质选区尺寸; 步骤2，使用最大类间方差二值化算法确定所输入超声图像的最优二值化阈值f ；步骤3,判断输入超声图像的宽高AeigAi尺寸是否满足= height = T,即图像是否正好是一个可以进行四叉树分解的，边长Λ/ = 2^的正方形； 步骤4，如果输入超声图像尺寸不满足步骤3的条件，则将其进行尺寸扩展，使其刚好能放入一个最小的，边长# = Z的黑色正方形，即将其尺寸使用填充黑色的方法变为适合四叉树分解所需的尺寸 ，并返回步骤3 ； 步骤5，如果输入超声图像尺寸满足步骤3的条件，则以二值化阈值f作为区域一致性标准，对边长# = T的正方形超声图像进行四叉树图像分解； 步骤6，从分解结果中，取出所有被标记为当前最大分块的同尺寸分块； 步骤7，判断当前最大分块尺寸是否大于最小同质选区尺寸； 步骤8，如果当前最大分块尺寸不满足步骤7的条件，则提高二值化阈值# =110%,即使四叉树分解的区域一致性标准降低10%，并返回步骤5，以便得到相对较大的区域划分结果； 步骤9，如果当前最大分块尺寸满足步骤7的条件，则判断是否能从所有当前最大分块中，根据最优同质区域分块判决依据选出最优分块； 步骤10，如果步骤9中判断为不能，则忽略当前最大分块，而将当前次大分块设置为当前最大分块，并返回步骤6; 步骤11，如果步骤9判断为能，则输出最优同质区域自动选择结果。
2.根据权利要求1所述的基于四叉树分解的超声图像最优同质区域自动选取方法，其特征在于，步骤5中，所述使用四叉树算法对边长# = Z的正方形超声图像做基于均匀性检测的图像分割，其步骤为:首先将整幅图像等分为4个待分割区域，然后依次检测每一个待分割区域是否符合区域一致性标准，即该区域中的所有像素点的灰度最大值与最小值之差小于给定的阈值；如果符合，则将该区域标记为叶子节点并不再往下分割；否则，将该区域标记为非叶子节点，并将该区域等分为4个新的次级待分割区域；这样递归地不断向下分割，直到每个待分割区域都符合区域一致性标准或者该区域尺寸达到预先设置的最小分割深度为止。
3.根据权利要求1所述的基于四叉树分解的超声图像最优同质区域自动选取方法，其特征在于，步骤8中，当本轮挑选出的最大分块尺寸小于步骤I所确定的最小同质选区尺寸时，采用负反馈的思想对二值化阈值作出微调，以便从新一轮的四叉树分解结果中得到相对较大的区域划分结果。
4.根据权利要求1所述的基于四叉树分解的超声图像最优同质区域自动选取方法，其特征在于，步骤9中，使用以下最优同质区域分块判决依据: 1)分块区域内不包含非同质区域的交接边界； 2)分块尺寸大于最小同质选区尺寸，且越大越好；3)所有分块的最大均值)与四叉树分解阈值f满足关系式: > Ffi，以此保证由步骤4所人为添加的黑色区域和原超声图像中接近黑色的极暗区域不会被选择成为最优同质区域； 4)取当前最大分块组中，单位边界点所造成的协方差最大的，即该分块协方差mmr,.除以该分块边界点数最大的分块作 为最优分块。
全文摘要
本发明属于图像处理技术领域，具体为基于四叉树分解的超声图像最优同质区域自动选取方法。本发明首先使用由最大类间方差二值化确定的阈值作为超声图像四叉树分解时的一致性标准；其次按从大到小的顺序依次从分解结果中取出所有当前最大分块，根据最优同质区域分块判决依据进行优选；最后根据判决结果确定是否输出最优同质区域自动选择结果或调整最初二值化阈值以重复执行上述步骤。本发明方法效率高，所需运算时间短；无需人工干预，完全由超声图像数据本身驱动；非常适合用于超声图像斑点降噪、感兴趣区域选取、边界检测、目标分割等处理时对同质区域的确定，具有显著的实际使用效果。
文档编号G06T7/00GK103218819SQ20131013980
公开日2013年7月24日 申请日期2013年4月20日 优先权日2013年4月20日
发明者汪源源, 吴俊 申请人:复旦大学