一种基于超声图像的血流速度波形自动化识别方法与流程

本发明属于图像处理算法领域，涉及一种基于超声图像的血流速度波形自动化识别方法。

背景技术：

超声是临床中一种常规的血流速度检测方法，在人体疾病的诊断中具有广泛的应用价值。通过超声设备检测出的血流速度波形含有丰富的与疾病有关的信息，无论在临床的实时观察，或是在后续对疾病的分析，血流波形都有着重要的参考意义。血流波形的幅值、形状可通过人工实时观察并分析，但除去这些显而易见的特征，波形中可能包含无法直接观察的与疾病相关的信息。在后续对疾病的分析中，这些信息可以通过数字信号处理的方法进行发掘。然而由于超声设备厂家的数据保护，血流波形的源数据往往无法直接获得。科研工作者通常只能通过拍摄获取血流速度波形的超声图片，而后通过photoshop等软件人工擦去多余信息，保留感兴趣区域，再使用getdata等波形数字化软件使用手动框选的方法提取波形进行分析。这会造成大量繁琐复杂且效率低下的重复工作，当样本量较大时，造成时间和人力资源的浪费，并不适用于临床。出于对血流波形分析的需要，本发明开发了一种基于超声图像的血流速度波形的自动化识别方法，对含有血流速度波形的超声图像进行波形的识别并数字化输出，为后续的血流速度波形的分析工作奠定了基础，对于疾病诊断的前期工作具有一定的价值。

技术实现要素：

本发明提供了一种基于超声图像的血流速度波形的自动化识别方法，实现超声图像中血流速度波形的自动识别与数字化输出。基于超声图像的血流速度波形自动化识别方法包括：基于血流波形区域的高灰度值特点，在灰度化和二值化后，对图像进行二分法横向分割。当多次分割后的图像区域总体灰度值相对较高且白色区域占空比达到一定阈值时，即认为分割出血流速度波形下方高灰度值的区域。而后整体向上遍历，当经历最大灰度梯度且继续往上的一定长度区域内无高亮灰度时，即可识别出波形的边界，即血流速度波形。消除数字边框等干扰后即可输出波形。

为达到上述目的，本发明通过以下技术方案来实现：

基于超声图像的血流速度波形的自动化识别方法，该方法包括以下步骤：

步骤a1:对超声图像进行灰度化，获得灰度图；

步骤a2:对灰度图进行二值化处理得到二值化图像；

步骤a3:采用二分法对二值化图像进行多次横向分割，得到包含血流速度波形下方高灰度值的区域；

步骤a4:基于上述算法步骤a3分割出的区域，在整个二值化图像中，从该区域的最后一行即第seglowrow行开始，整个图像的所有列向上遍历，当经历最大灰度梯度且继续往上的一定长度区域内无高亮灰度时，停止遍历，识别出波形的边界，即血流速度波形；

步骤a5:消除血流速度波形左右两边存在的数字、符号以及边框等干扰；

步骤a6:输出数字化波形。

作为本发明进一步的技术方案，步骤a3中所述二分法对二值化图像的横向分割方法包括以下步骤：

步骤b1:每次在图像行数的1/2处分割图像，比较每次分割后上半部分与下半部分图像的灰度总值和各自白色区域的占空比；白色区域即为血流速度波形下方包含的高灰度值区域；

步骤b2:舍弃灰度总值相对较低的上半部图像，对剩余下半部分再次从中间行处进行分割，直到分割出的图像中，白色区域的占空比大于等于设定阈值时优选为0.4，停止分割，得到包含血流速度波形下方高灰度值的区域。

作为本发明进一步的技术方案，步骤a4中所述特征，包括停止遍历的判断依据为：由于血流速度波形下方可能存在黑色缝隙，并不是所有都是高灰度值的白色区域，故在向上遍历时，不能认定有灰度值的跳变就是波形的边界。需要增加的一个条件就是遇到最大灰度梯度(255)且继续往上一段长度内没有白色区域。根据多个图像的经验，该长度设定为原始图像总行数的10％。

作为本发明进一步的技术方案，步骤a5中所述的消除血流速度波形左右两边存在的数字、符号以及边框等干扰的方法，包括以下步骤：

步骤c1:在识别出波形边界后从图像的中间列即波形的中间位置分别向两头遍历，判断是否遇到数字或符号；

步骤c2:判断是否遇到矩形边框；

步骤c3:遇到数字、符号或边框等干扰即结束遍历，输出波形。

本发明相对现有技术的有益效果是：

本发明提供了一种基于超声图像的血流速度波形自动化识别方法，简化了临床超声图像中血流速度波形的提取过程，科研人员可利用该方法实现自动化的波形识别并输出，为血流速度波形的分析工作奠定了基础，节约了时间。

附图说明

图1本发明超声图像中波形识别算法的实施方式流程图；从左至右依次为图像1-图像3；

图2本发明选取的三种不同的含有血流速度波形的超声图像；

图3本发明中三种图像白色区域的占空比随分割次数的变化趋势；

图4本发明中二分法分割图像的算法流程图；

图5本发明对于三种超声图像的血流速度波形识别结果。

具体实施方式

下面结合具体的实施方式和附图对本发明进行详细的描述。但本发明并不限于以下实施例。

实施例1

步骤a1:选取三种不同的含有血流速度波形的超声图像，对超声图像进行灰度化，获得灰度图；

步骤a2:对灰度图进行二值化处理得到二值化图像；

由于大部分超声图像中血流速度波形处灰度值较高，基于三种超声图像的试验经验，二值化阈值设为100。

步骤a3:采用二分法对二值化图像进行多次横向分割，得到血流速度波形下方高灰度值的区域；

对于大部分超声图像而言，当分割到血流速度波形下方高灰度值的白色区域后，其白色区域的占空比增长速率都会降低。对三种不同超声图像进行逐次二分法分割，各自的白色区域的占空比如图3所示。由图可知，三种图像多次分割后的占空比都会达到0.6以上。但由于达到0.6所需分割次数较多，为了节省计算时间，实际分割时，设定占空比阈值为0.4即可。

步骤a4:基于上述算法分割出的区域，在整个二值化图像中，从该区域的最后一行即第seglowrow行开始，整个图像的所有列向上遍历，当经历最大灰度梯度且继续往上的一定长度区域内无高亮灰度时，停止遍历，识别出波形的边界，即血流速度波形；

步骤a5:消除血流速度波形左右两边存在的数字、符号以及边框等干扰；

步骤a6:输出数字化波形。

作为本发明进一步的技术方案，步骤a3中所述二分法对二值化图像的横向分割方法包括以下步骤：

步骤b1:在图像行数的1/2处分割图像，比较每次分割后上半部分与下半部分图像的灰度总值和各自白色区域的占空比；

步骤b2:舍弃灰度总值较低的半部图像，对剩余部分再次从中间行处进行分割，直到分割出的图像中，白色区域的占空比大于等于设定阈值0.4时，停止分割，得到血流速度波形下方高灰度值的区域。

二分法分割图像的算法流程图如图4所示，其中rows为二值化图像的总行数，seguprow和seglowrow两个参数用于记录每次分割出的图像的最高一行和最低一行，ratio_up和ratio_low为每次分割后上下两部分图像的白色区域占空比，参数ratio用于判断是否结束分割，其初值为0，如果ratio大于0.4，则记录此时的seguprow和seglowrow，分割结束，否则继续分割。

作为本发明进一步的技术方案，步骤a4中所述特征，包括停止遍历的判断依据为：由于血流速度波形下方可能存在黑色缝隙，并不是所有都是高灰度值的白色区域，故在向上遍历时，不能认定有灰度值的跳变就是波形的边界。需要增加的一个条件就是遇到最大灰度梯度(255)且继续往上一段长度内没有白色区域。根据多个图像的经验，该长度设定为原始图像总行数的10％。

作为本发明进一步的技术方案，步骤a5中所述的消除血流速度波形左右两边存在的数字、符号以及边框等干扰的方法，包括以下步骤：

步骤c1:在识别出波形边界后从图像的中间列即波形的中间位置分别向两头遍历，判断是否遇到数字或符号；

步骤c2:判断是否遇到矩形边框；

步骤c3:遇到数字、符号或边框等干扰即结束遍历。

数字、符号等一般位于超声图像的边缘，且通常在二值化后不会完全保留，从而在波形的起始处或末尾处形成断开，故二者的去除可利用波形是否断开进行判断；而边框处由于竖线的存在，往往会有一个较高的斜率，这在图像中表现为一个较大的跳变，并且在跳变后呈现一个几乎不变的波形(边框的横线)，故可基于跳变的大小及跳变后是否变为横线判断是否遇到了边框，设置的跳变阈值为30。

基于超声图像的血流速度波形自动化识别方法包括：基于血流波形区域的高灰度值特点，在灰度化和二值化后，对图像进行二分法横向分割。当多次分割后的图像区域总体灰度值相对较高且白色区域占空比达到一定阈值时，即认为分割出血流速度波形下方高灰度值的区域。而后整体向上遍历，当经历最大灰度梯度且继续往上的一定长度区域内无高亮灰度时，即可识别出波形的边界，即血流速度波形。消除数字边框等干扰后即可输出波形。对三种超声图像的血流速度波形识别结果如图5所示。