CN103239249B - 一种胎儿超声图像的测量方法 - Google Patents

Abstract

一种胎儿超声图像的测量方法，包括下述步骤：获取胎儿超声图像；构建胎儿头围或腹围的Adaboost分类器；应用滑动窗口检测方法对所述头围或腹围进行矩形框扫描，获取所述头围或腹围矩形框子图像；基于所述Adaboost分类器对所述矩形框子图像进行分类，得到所述头围或腹围的感兴趣区域；提取所述感兴趣区域的头围或腹围的边缘特征；对所述边缘特征进行图像拟合，得到所述头围或腹围的椭圆；计算所述头围或腹围的椭圆的长度。本发明在应用滑动窗口检测方法对头围或腹围进行矩形框扫描获取头围或腹围矩形框子图像的过程中，添加了胎儿的先验知识与临床检测时的扫描深度及像素个数信息，提高了头围或腹围感兴趣区域的检测速度与精度。

Description

一种胎儿超声图像的测量方法

【技术领域】

本发明涉及一种医学超声图像的测量方法，尤其涉及一种胎儿超声图像的测量方法。

【背景技术】

B型超声诊断系统由于具有无创、价廉和安全等优点，越来越多的应用于医学诊断中，尤其是在产科检查中被广泛应用；医生利用B超可以检测胎儿发育过程中各项生长参数指标，以达到优生的目的；在产科检查的超声图像中，胎儿的头围或腹围显示清晰，易于测量，通过测量胎儿的头围或腹围可以估算胎儿的胎重或胎龄；因此，胎儿头围和腹围是衡量胎儿生长发育的重要参数。

目前，临床医生主要是通过移动轨迹球的方式手动确定胎儿头围或腹围的长轴和短轴，得到胎儿头围或腹围的椭圆形状，再通过椭圆周长公式计算胎儿头围或腹围周长，从而得到胎儿头围或腹围的测量结果，并进一步估算胎儿的胎重和胎龄。由于在上述操作过程中，临床医生的操作手法和熟练程度会影响对目标对象的定位，其测量结果会存在误差；同时，由于临床医生需要不间断地重复上述操作，枯燥单调，浪费时间，严重使得肢体重复性损伤。

自动测量胎儿头围或腹围是发展的方向，胎儿头围或腹围的椭圆定位与椭圆边缘分割是自动测量胎儿头围或腹围的关键步骤，现已成为胎儿头围或腹围自动测量的研究热点，国内外学者对此做入了深入的研究。如基于主动轮廓模型(Active contour model)和形变模型(deformable model)的超声胎儿头围或腹围分割方法，但由于上述方法分割胎儿头围（或腹围）的鲁棒性差且耗时较长，缺乏临床应用；Carnero提出的基于CPBT(constrained probabilistic boosting tree)分类器实现对超声胎儿标准切面自动测量，但是这种测量方法的假阳性率达20%以上；基于霍夫变换(hough transform)的超声胎儿头围或腹围自动测量应用相对较广，霍夫变换分为两步骤：（1）应用图像处理技术初步分割胎儿头围边缘；（2）得到头围边缘图像之后，应用霍夫变换搜索头围所对应的椭圆；但是，这种方法存在下述缺点：（1）在整个胎儿超声图像中随机搜索椭圆时间长，鲁棒性差；（2）由于超声图像斑点噪声及对比度差等的影响，边缘检测鲁棒性差，可能会导致测量失败。

综上，基于主动轮廓模型和形变模型的超声胎儿头围分割方法，鲁棒性差且耗时较长，缺乏临床应用；基于CPBT分类器实现对超声胎儿标准切面自动测量方法假阳性率较高；基于霍夫变换的超声胎儿头围自动测量方法时间长、精确度低。实现对胎儿超声图像的快速、精确的测量是亟待解决的问题。

【发明内容】

本发明要解决的技术问题在于克服现有技术中胎儿超声图像的测量方法时间长、精确度低、缺乏临床应用的缺陷，提供一种快速、精确的胎儿超声图像的测量方法。

为解决上述技术问题，本发明采用下述技术方案：

一种胎儿超声图像的测量方法，包括下述步骤：

获取胎儿超声图像；

构建胎儿头围或腹围的Adaboost分类器；

应用滑动窗口检测方法对所述头围或腹围进行矩形框扫描，获取所述头围或腹围矩形框子图像；

基于所述Adaboost分类器对所述矩形框子图像进行分类，得到所述头围或腹围的感兴趣区域；

提取所述感兴趣区域的头围或腹围的边缘特征；

对所述边缘特征提取进行图像拟合，得到所述头围或腹围的椭圆；

计算所述头围或腹围的椭圆的长度。

在本实施例中，其中，构建所述头围或腹围的Adaboost分类器，包括下述步骤：

应用Haar-like算法提取所述头围或腹围图像的Haar-like特征矩阵；

应用Adaboost算法对所述Haar-like特征矩阵训练得到所述头围或腹围的Adaboost分类器。

在本实施例中，其中，应用滑动窗口检测方法对所述头围或腹围进行矩形框扫描，获取所述头围或腹围矩形框子图像，包括下述步骤：

构建第一公式估算所述头围或腹围的物理大小其中，所述第一公式为：z为胎儿孕周，p₁、p₂、p₃为系数；

构建第二公式表述所述头围或腹围的大小HC，其中，所述第二公式为a与b分别表示所述头围或腹围所在椭圆的长半轴长与短半轴长；

根据所述第一公式和第二公式计算所述a大小，其中，

$a=\widetilde{\mathrm{HC}}/[3\mathrm{\π}(\mathrm{\λ}+1)-\mathrm{\π}\sqrt{(3+\mathrm{\λ})(1+3\mathrm{\λ})}],$ λ=b/a，λ在0.7～1.3之间；

构建第三公式计算所述头围或腹围的像素长度P_α，其中，所述第三公式为： $p_a=p*\widetilde{\mathrm{HC}}/[3\mathrm{d\π}(\mathrm{\λ}+1)-\mathrm{d\π}\sqrt{(3+\mathrm{\λ})(1+3\mathrm{\λ})}],$ d为超声扫描深度，p为d的像素个数；

构建扫描框w计算公式，W=[γp_a,λγp_a,Δ_x,Δ_y,Δ_s]，其中，γp_a为扫描框的变换范围，Δ_x、Δ_y分别表示x,y方向上扫描框每次平移的距离；Δ_s表示扫描框的尺度变化率；

基于上述扫描框w，对所述头围或腹围进行矩形框扫描，获取每次扫描的矩形框子图像。

在本实施例中，其中，提取所述感兴趣区域的头围或腹围的边缘特征，包括下述步骤：

提取包含所述感兴趣区域椭圆环；

基于phase边缘检测算法对所述头围或腹围的感兴趣区域椭圆环进行检测得到所述头围或腹围的边缘特征。

在本实施例中，其中，对所述边缘特征进行图像拟合，得到所述头围或腹围的椭圆，具体为：

基于霍夫变换对所述头围或腹围的边缘进行椭圆拟合，得到所述头围或腹围的椭圆。

在本实施例中，其中，基于phase边缘检测算法对所述头围或腹围进行检测得到所述头围或腹围的边缘特征，包括下述步骤：

输入所述头围或腹围的感兴趣区域椭圆环；

对所述感兴趣区域椭圆环进行傅里叶转换得到图像傅里叶矩阵；

通过Riesz核构造Cauchy滤波器；

对所述图像傅里叶矩阵与所述Cauchy滤波器进行卷积运算得到Cauchy滤波图像；

对所述Cauchy滤波图像计算特征不对称测度值，其中，所述测度值在平滑区域接近于0，在边缘区域接近于1；及

定义阈值，并根据所述阈值与所述测度值大小，提取所述头围或腹围的边缘特征，其中，所述阈值在0～1之间。

在本实施例中，其中，根据所述阈值与所述测度值大小，提取所述头围或腹围的边缘特征，具体为：当所述阈值大于所述测度值，提取所述头围或腹围的边缘特征。

在本实施例中，所述阈值为0.8。

采用上述技术方案，本发明的有益效果在于：

本发明上述实施例提供的一种胎儿超声图像的测量方法，通过构建胎儿头围或腹围的Adaboost分类器，应用滑动窗口检测方法对头围或腹围进行矩形框扫描，从而获取头围或腹围矩形框子图像，再基于Adaboost分类器对上述矩形框子图像进行分类，得到头围或腹围的感兴趣区域，同时，提取感兴趣区域的边缘特征，并对边缘特征进行图像拟合，得到头围或腹围的椭圆，最终计算得到头围或腹围的椭圆的长度。本发明在应用滑动窗口检测方法对头围或腹围进行矩形框扫描获取头围或腹围矩形框子图像的过程中，添加了胎儿的先验知识与临床检测时的扫描深度及像素个数信息，提高了头围或腹围感兴趣区域的检测速度与精度；另外，本发明采用Phase边缘检测算法对头围或腹围进行检测得到边缘特征，提高了边缘检测的鲁棒性。

【附图说明】

图1为本发明实施例提供的一种胎儿超声图像的测量方法的步骤流程图。

图2为本发明实施例提供的五种Haar-like特征模版。

图3为本发明实施例提供的应用Adaboost算法对Haar-like特征矩阵训练得到头围或腹围的特征矩阵。

图4为本发明实施例提供的头围感兴趣区域。

图5为本发明实施例提供的提取包含感兴趣区域椭圆环图像。

图6为本发明实施例提供的采用phase边缘检测算法对头围或腹围进行检测得到头围的边缘图像。

图7为本发明实施例提供的基于霍夫变换对头围的边缘进行椭圆拟合得到头围的椭圆图像。

图8为本发明提供的胎儿超声图像的测量方法与传统检测速度对比示意图。

图9表示本发明提供的测量方法与手动测量的对比离散点。

【具体实施方式】

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，图1为本发明实施例提供的一种胎儿超声图像的测量方法的步骤流程图100，包括下述步骤：

步骤S110：获取胎儿超声图像。

可以理解，在接收外部启动信号之后，超声诊断系统开始工作，生成并显示待测胎儿的超声图像，并将胎儿的头围或腹围置于图像的中间位置。

步骤S210：构建胎儿头围或腹围的Adaboost分类器。

可以理解，Adaboost分类器是一种迭代的叠加分类器，是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)，已经应用于人脸检测，车牌检测等物体检测，本发明采用Adaboost算法构建胎儿头围或腹围的Adaboost分类器。

在本实施例中，步骤S210构建胎儿头围或腹围的Adaboost分类器包括下述步骤：

步骤S211：应用Haar-like算法提取头围或腹围图像的Haar-like特征矩阵。

请参阅图2，图2为本发明实施例提供的五种Haar-like特征模版，如图2中a、b、c、d及e所示。可以理解，Haar-like特征矩阵是根据头围或腹围图像对应特征模版的白色区域像素值之和与灰色区域像素值之和相减得到。

步骤S222：应用Adaboost算法对Haar-like特征矩阵训练得到头围或腹围的Adaboost分类器。

请参阅图3，图3为本发明实施例提供的应用Adaboost算法对Haar-like特征矩阵训练得到头围或腹围的特征矩阵。

步骤S310：应用滑动窗口检测方法对头围或腹围进行矩形框扫描，获取所述头围或腹围矩形框子图像。

在本发明提供的实施例中，步骤S310应用滑动窗口检测方法对头围或腹围进行矩形框扫描，获取头围或腹围矩形框子图像，包括下述步骤：

步骤S311：构建第一公式估算头围或腹围的物理大小其中，第一公式为：z为胎儿孕周，p₁、p₂、p₃为系数；

可以理解，根据胎儿的先验知识，胎儿的孕周与其生物学参数有对应的关系，基于这一原理，本实施例用最小二次方拟合方法拟合胎儿头围物理大小与其孕周之间的关系，并构建第一公式：z为胎儿孕周，p₁、p₂、p₃为系数，p₁、p₂、p₃与胎儿孕周相关，通过第一公式可以计算出胎儿头围或腹围的物理大小。

步骤S312：构建第二公式表述头围或腹围的大小HC，其中，第二公式为a与b分别表示头围或腹围所在椭圆的长半轴长与短半轴长；

可以理解，根据胎儿的先验知识，胎儿的头围或腹围近似于椭圆，本发明提供的实施例中，通过构建第二公式表述头围或腹围的大小HC，第二公式为a与b分别表示头围或腹围所在椭圆的长半轴长与短半轴长。可以理解，第二公式只是计算头围或腹围的大小HC的一种方式，还可以采用其他的算法计算头围或腹围的大小HC；通过第一公式与第二公式得到的头围或腹围的大小在数值大小上近似或相等。

步骤S313：根据第一公式和第二公式计算a大小，其中，

$a=\widetilde{\mathrm{HC}}/[3\mathrm{\π}(\mathrm{\λ}+1)-\mathrm{\π}\sqrt{(3+\mathrm{\λ})(1+3\mathrm{\λ})}],$ λ=b/a，λ在0.7～1.3之间；

可以理解，由于第一公式和第二公式之间的等式关系，可以计算出头围或腹围所在椭圆的长半轴长a，其中，λ=b/a，λ在0.7～1.3之间。

步骤S314：构建第三公式计算头围或腹围的像素长度P_α，其中，第三公式为 $p_a=p*\widetilde{\mathrm{HC}}/[3\mathrm{d\π}(\mathrm{\λ}+1)-\mathrm{d\π}\sqrt{(3+\mathrm{\λ})(1+3\mathrm{\λ})}],$ d为超声扫描深度，p为d的像素个数；

步骤S315：构建扫描框w计算公式，W=[γp_a,λγp_a,Δ_x,Δ_y,Δ_s]，其中，γp_a为扫描框的变换范围，Δ_x、Δ_y分别表示x,y方向上扫描框每次平移的距离；Δ_s表示扫描框的尺度变化率。

步骤S316：基于上述扫描框w，对头围或腹围进行矩形框扫描，获取每次扫描的矩形框子图像。

可以理解，扫描框的变化范围越小，扫描框每次平移的距离越短，扫描框的尺度变化率越小，获取头围或腹围矩形框子图像将越精确。

可以理解，经过上述步骤S311～步骤S316后，构建出扫描框w的计算公式，并基于上述扫描框w应用滑动窗口检测方法对头围或腹围进行矩形框扫描，获取头围或腹围矩形框子图像。

本发明上述实施例，在应用滑动窗口检测方法对头围或腹围进行矩形框扫描获取头围或腹围矩形框子图像的过程中，添加了胎儿的先验知识与临床检测时的扫描深度及像素个数信息，提高了头围或腹围感兴趣区域的检测速度与精度。

步骤S410：基于Adaboost分类器对矩形框子图像进行分类，得到头围或腹围的感兴趣区域。

可以理解，基于步骤S210中构建胎儿头围或腹围的Adaboost分类器对矩形框子图像进行分类，得到头围或腹围的感兴趣区域。请参阅图4，图4为本发明实施例提供的头围感兴趣区域，如图4中白色矩形框所示的区域。

步骤S510：提取感兴趣区域的头围或腹围的边缘特征。

在本发明提供的实施例中，步骤S510提取感兴趣区域的头围或腹围的边缘特征，包括下述步骤：

步骤S511：提取包含感兴趣区域椭圆环；

在本实施例中，通过对头围或腹围感兴趣区域提取一个外椭圆和内椭圆，即形成一个包括头围或腹围边缘的椭圆环状的感兴趣区域。请参阅图5，图5为本发明实施例提供的提取包含感兴趣区域椭圆环图像。

步骤S512：采用phase边缘检测算法对感兴趣区域椭圆环进行检测得到头围或腹围的边缘特征；

在本发明提供的实施例中，步骤S512采用phase边缘检测算法对感兴趣区域椭圆环进行检测得到头围或腹围的边缘特征，包括下述步骤：

输入头围或腹围的感兴趣区域椭圆环；

对感兴趣区域椭圆环进行傅里叶转换得到图像傅里叶矩阵；

通过Riesz核构造Cauchy滤波器；

对图像傅里叶矩阵与所述Cauchy滤波器进行卷积运算得到Cauchy滤波图像；

对Cauchy滤波图像计算特征不对称测度值（Feature Asymmetry Measure）；可以理解，测度值在平滑区域接近于0，边缘区域接近于1；及

定义阈值，并根据阈值与测度值大小，提取头围或腹围的边缘特征，其中，阈值在0～1之间；

可以理解，当阈值大于测度值时，提取头围或腹围的边缘特征，在本发明提供的实施例中，阈值优选为0.8，可以理解，根据实际情况，阈值还可以选取其他的数值，例如，0.6、0.9等。

可以理解，采用phase边缘检测算法对头围或腹围进行检测得到头围或腹围的边缘特征，提高了边缘检测的鲁棒性。请参阅图6，图6为本发明实施例提供的基于phase边缘检测算法对头围进行检测得到头围的边缘图像。

步骤S610：对边缘特征进行图像拟合，得到头围或腹围的椭圆。

在本实施例中，对边缘特征进行图像拟合，得到头围或腹围的椭圆具体为采用霍夫变换对头围或腹围的边缘进行椭圆拟合，得到头围或腹围的椭圆。请参阅图7，图7为本发明实施例提供的基于霍夫变换对头围的边缘进行椭圆拟合得到头围的椭圆图像。

可以理解，经过上述步骤S510～步骤S610后，完成了对上述感兴趣区域的图像拟合，从而得到头围或腹围的椭圆。

步骤S710：计算头围或腹围的长度。

基于步骤S110～S610得到的头围或腹围的椭圆，依据医学原理，将头围或腹围的椭圆的周长乘以超声图像中每个像素的物理长度得到胎儿头围或腹围的大小，从而估算胎儿的体重。

以下通过实施例进一步阐述本发明，这些实施例仅用于举例说明的目的，并没有限制本发明的范围。

实施例

实验条件：本实施例提供的实验共有675套胎儿超声头围图像。数据是由XXX妇幼保健院提供，超声诊断系统采自西门子Sequoia512超声仪器。胎儿胎龄分布在17周～38周。其中，500套胎儿超声图像用于胎儿头围Adaboost分类器的训练，剩下175套用于胎儿超声图像的测量。

头围感兴趣区域自动检测：训练样本由500个训练正样本与1200个随机提取正样本附近的负样本组成。所有样本都归一化为像素大小。我们通过对175幅头围超声图像进行检测。实验结果与临床医生标准的头围感兴趣区域对比，本发明提供的方法的检测率为92.1%，传统方法的检测率是87.6%，实验结果表明，本专利提供的方法检测率有显著提高。同时，实验通过调整扫描框大小的间距，本专利提供的测量方法比传统的测量方法检测效率高。

请参阅图8，图8为本发明提供的胎儿超声图像的测量方法与传统检测速度对比示意图。从图8中可以看出，本专利提供的胎儿超声图像的测量效率在不同扫描框的间距下都比传统的高，在扫描框的间距为0.1倍时，本发明提供的方法文的检测效率可以从传统检测效率的390ms降低到78ms。

本发明提供的方法与医生手动测量对比：请参阅表1，表1是手动测量与本发明提供的测量方法的对比表。从表1中可以看出，本发明提供的测量方法与手动测量的平均误差为2.86mm(1.6%)，绝对平均误差为5.58mm(1.76%)。表1说明，本发明提供的测量方法与手动测量之间的误差在可以接受的范围内。

表1

MSD(mm)	P value for t-test	MAD(mm)	95%limits of a-greement(%)
				2.84（1.6%）	0.45	5.58（1.73%）	-4.87，4.35

请参阅图9，图9表示本发明提供的测量方法与手动测量的对比离散点，其中，横轴代表医生手动测量结果，纵轴表示本发明提供的测量方法的测量结果，图中的点代表两者之间的差，线条代表两者测量相等直线。点与两者的相等线之间的距离表明，手动测量与本发明提供的测量方法是高度一致的。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种胎儿超声图像的测量方法，其特征在于，包括下述步骤：

获取胎儿超声图像；

构建胎儿头围或腹围的Adaboost分类器；

应用滑动窗口检测方法对所述头围或腹围进行矩形框扫描，获取所述头围或腹围矩形框子图像；

基于所述Adaboost分类器对所述矩形框子图像进行分类，得到所述头围或腹围的感兴趣区域；

提取所述感兴趣区域的头围或腹围的边缘特征；

对所述边缘特征进行图像拟合，得到所述头围或腹围的椭圆；

计算所述头围或腹围的长度；

其中，提取所述感兴趣区域的头围或腹围的边缘特征，包括下述步骤：

提取包含所述感兴趣区域椭圆环；

采用phase边缘检测算法对所述感兴趣区域椭圆环进行检测得到所述头围或腹围的边缘特征；

其中，采用phase边缘检测算法对所述感兴趣区域椭圆环进行检测得到所述头围或腹围的边缘特征，包括下述步骤：

输入所述头围或腹围的感兴趣区域椭圆环；

对所述感兴趣区域椭圆环进行傅里叶变换得到图像傅里叶矩阵；

通过Riesz核构造Cauchy滤波器；

对所述图像傅里叶矩阵与所述Cauchy滤波器进行卷积运算得到Cauchy滤波图像；

对所述Cauchy滤波图像计算特征不对称测度值，其中，所述测度值在平滑区域接近于0，在边缘区域接近于1；及

定义阈值，并根据所述阈值与所述测度值大小，提取所述头围或腹围的边缘特征，其中，所述阈值在0～1之间。

2.根据权利要求1所述的胎儿超声图像的测量方法，其特征在于，其中，构建所述头围或腹围的Adaboost分类器，包括下述步骤：

应用Haar-like算法提取所述头围或腹围图像的Haar-like特征矩阵；

应用Adaboost算法对所述Haar-like特征矩阵训练得到所述头围或腹围的Adaboost分类器。

3.根据权利要求1所述的胎儿超声图像的测量方法，其特征在于，其中，应用滑动窗口检测方法对所述头围或腹围进行矩形框扫描，获取所述头围或腹围矩形框子图像，包括下述步骤：

构建第一公式估算所述头围或腹围的物理大小其中，所述第一公式为：z为胎儿孕周，p₁、p₂、p₃为系数；

构建第二公式表述所述头围或腹围的大小HC，其中，所述第二公式为 $\mathrm{HC}=\mathrm{\π}[2(a+b)-\sqrt{(3a+b)(a+3b)}],$ a与b分别表示所述头围或腹围所在椭圆的长半轴长与短半轴长；

根据所述第一公式和第二公式计算所述a大小，其中，

$a=\widetilde{\mathrm{HC}}/[3\mathrm{\π}(\mathrm{\λ}+1)-\mathrm{\π}\sqrt{(3+\mathrm{\λ})(1+3\mathrm{\λ})}],$ λ＝b/a，λ在0.7～1.3之间；

构建第三公式计算所述头围或腹围的像素长度P_α，其中，所述第三公式为： $p_a=p*\widetilde{\mathrm{HC}}/[3\mathrm{d\π}(\mathrm{\λ}+1)-\mathrm{d\π}\sqrt{(3+\mathrm{\λ})(1+3\mathrm{\λ})}],$ 其中，d为超声扫描深度，p为d的像素个数；

构建扫描框w计算公式，W＝[γp_a,λγp_a,Δ_x,Δ_y,Δ_s]，其中，γp_a为扫描框的变换范围，Δ_x、Δ_y分别表示x,y方向上扫描框每次平移的距离；Δ_s表示扫描框的尺度变化率；

基于上述扫描框w，对所述头围或腹围进行矩形框扫描，获取每次扫描的矩形框子图像。

4.根据权利要求1所述的胎儿超声图像的测量方法，其特征在于，其中，对所述边缘特征进行图像拟合，得到所述头围或腹围的椭圆具体为：

基于霍夫变换对所述头围或腹围的边缘进行椭圆拟合，得到所述头围或腹围的椭圆。

5.根据权利要求1所述的胎儿超声图像的测量方法，其特征在于，其中，根据所述阈值与所述测度值大小，提取所述头围或腹围的边缘特征，具体为：当所述阈值大于所述测度值，提取所述头围或腹围的边缘特征。

6.根据权利要求5所述的胎儿超声图像的测量方法，其特征在于，所述阈值为0.8。