CN104490418A - 一种基于信号统计分析的超声图像自动优化方法 - Google Patents

Abstract

本发明公开了一种基于信号统计分析的超声图像自动优化方法，包括数据获取步骤；信号统计分析步骤；自适应数字增益优化步骤；自适应动态范围压缩优化步骤，将信号的动态范围压缩后用于灰度显示。本发明所提供的方法通过数据获取、信号统计分析、数字增益计算、动态范围压缩等步骤，实现了超声诊断成像系统超声图像的自动优化，可以使最终呈现的图像灰度更加均衡，对比度更高，从而得到较好的图像显示效果，帮助医疗过程以获得更好的诊治效果。

Description

一种基于信号统计分析的超声图像自动优化方法

技术领域

本发明设计一种超声成像系统中自动优化图案的方法，尤其涉及一种基于信号统计分析的超声图像自动优化方法。

背景技术

传统的超声成像原理为：探头发射一短脉冲超声，超声声束透过皮肤进入人体后，遇到不同声特性阻抗组织组成的大、小界面产生的反射或后散射的回波返回探头，被探头接收后转换成对应该深度界面的回声电信号，经过放大、处理后在屏幕上由一串明暗不同的亮点显示成一条超声波信息线，表示出沿声束相应深度各组织界面的信息。当声束在不同位置进行扫描后，获取的一组超声信息线便可形成一幅二维超声图像。

当超声束通过人体组织时，会受到组织作用而衰减，如肝、肾的实质衰减系数平均值为1dB/cm·MHz。为了弥补衰减对图像的影响，一般会采用深度增益补偿技术。

另外，动态范围指的是仪器接收不失真的最大信号幅值A₁与最小信号A₂的比值，保持较大的信号动态范围，图像信息量丰富，显示反差较小、较为柔和；反之图像信息量相对较少，但反差增大，边缘虽不柔和但较清晰。因此，临床应用时，应针对不同的脏器和不同目的的检查而适当地调节动态范围。

同时，在B模式超声成像系统中，一般显示器的亮度动态范围只有30dB左右，因此仪器要采用动态范围压缩的技术使得接收信号的动态范围与显示器的动态范围相匹配。即在进行包络检测技术之后的回波信号需要进行数据压缩处理(如对数压缩技术)，以映射到超声成像视频显示所需的灰阶范围，常见的灰阶级别为8bit即256级。

通常，超声成像系统会提供不同的灰阶映射，以满足不同检查部位图像的对比度需求。因此，对于某一检查部位，可设定一组默认的灰阶映射表。然而，由于获取的回波信号数据会因被检查者的不同而变化，该组默认灰阶映射表并不能使显示图像达到最优的效果，而且，原始信号强度也依赖于超声系统的其它参数设置，如：总增益Gain，时间增益补偿TGC(Time Gain Compensation)，动态范围等，用户需要调节这些参数使检测图像达到较好的效果，从而导致诊断时间的延长。为了加快诊断效率，提高诊断信息的精确性与便利性，设计一键优化算法的思想，使接收到的回波信号数据自适应映射到较好的像素灰阶强度范围，获得B模式图像的自动优化效果。

常规超声图像自动优化技术主要是分析沿扫描深度方向的图像灰度变化情况，计算出图像优化所需的参数：Gain、TGC曲线、动态范围等等，进而调整图像局部信号强度以获得良好的图像亮度、均匀性和对比度，例如美国专利US 6743174 B2、美国专利US2008/0306385 A1、中国专利CN 101190135 B。然而，这些技术或对整幅图像分析，不考虑局部信息，达到的优化效果不明显；或在调整图像局部区域时，图像优化的效果受选取子区域的先验知识的影响，不能做到对实时图像都优化到最佳状态，且算法实现过程繁琐。

另外绝大多数已知的图像优化技术只涉及深度方向增益的调整，而不涉及动态范围压缩时的灰度映射曲线的调整。根据图像内容合理调整灰度映射曲线，可以有效地在动态范围不变的前提下提高组织的对比度，获得更理想的观测效果。

发明内容

本发明的主要目的是提供一种超声成像系统中自动优化图像的方法，通过数据获取、信号统计分析、数字增益计算、动态范围压缩等步骤，实现超声图像自动优化的超声诊断成像系统，可以使最终呈现的图像灰度更加均衡，对比度更高，从而得到较好的图像显示效果，帮助医疗过程获得更好的诊治效果。

本发明的主要技术方案为：一种基于信号统计分析的超声图像自动优化方法，包括以下步骤：数据获取步骤，通过超声设备获取至少一帧信号的数据至软件缓存用于分析；信号统计分析步骤，对保存的数据进行频数直方图统计，得到信号的统计直方图，计算并记录直方图的分布特征；自适应数字增益优化步骤，通过在信号直方图上设定合适阈值的方法确定初始数字增益补偿系数，并对初始增益进行校正；自适应动态范围压缩优化步骤，将信号的动态范围压缩后用于灰度显示；本步骤选择合适的信号区间，在区间内结合灰阶变换的特性的对灰度对数压缩映射表进行自动优化。

优选地，其中数据获取步骤中对保存的数据按深度方向进行区域划分，每个被划分的区域对应一张灰度压缩映射表。

优选地，其中数据获取步骤中对保存的数据按深度方向划分出的区域有部分重叠，从而提高最终图像优化质量。

优选地，其中自适应数字增益优化步骤中通过对应场景预设法获得所述阈值。

优选地，其中自适应数字增益优化步骤中通过有效噪声数据均值法获得所述阈值。

优选地，其中自适应数字增益优化步骤，采用大于噪声阈值的采样信号个数与小于噪声阈值的采样信号个数的比值的方法确定初始增益补偿系数的校正值，对初始增益进行校正。

优选地，其中自适应数字增益优化步骤，采用组度特征和深度信息预设法确定初始增益补偿系数的校正值，对初始增益进行校正。

优选地，其中自适应动态范围压缩优化步骤包括以下步骤：

1)对原始信号进行数字增益自适应优化；

首先以自适应数字增益优化步骤中获得的数字增益值做插值，插值个数为深度方向上的采样点总数，将超声波信号映射到灰阶值0～255范围；假定动态范围内的信号数值大小为S_min～S_max，则一个数值大小为S的信号对应的输出灰度值P为：

$P=\left\{\begin{array}{cc}255,& S\≥S_{\max }\\ 0,& S\≤S_{\min }\\ \frac{\log 10\left(S\right)-\log 10\left(S_{\min }\right)}{\log 10\left(S_{\max }\right)-\log 10\left(S_{\min }\right)}\×255,& \mathrm{otherwise}\end{array}\right.$

2)获取深度方向的具有灰阶变换特性的自适应优化对数压缩映射表；

利用将数据信号映射到灰阶范围0～255后，对每条水平扫描线上的数据进行平均后得到深度方向上的灰度平均值；得到深度方向上的灰度平均值后，对曲线平滑后，查找曲线上的极小值点，并通过筛选、删减和合并只保留最多一个极小值，记作meanDiffMin；同时也对极大值进行相同的操作，之后计算所有极大值的均值meanRecordMax；

视用户所需的图像效果设定动态压缩区间端点灰度值value1和value2；并利用极小值和极大值均值的计算A点及B点的值：

A＝value1+weight*(meanRecordMax-recordMin)*meanDiffMinRatio；

B＝value2+weight*(meanRecordMax-recordMin)*meanDiffMinRatio；

其中weight为权重，recordMin为记录的极小值点的大小：

计算灰度值A对应的信号大小S_A，灰度值B对应的信号大小S_B：

S_A＝10^((A*logDR/255+left-DR)/20)

S_B＝10^((B*logDR/255+left-DR)/20)

其中LogDR为用户选择的动态范围的大小，left-DR表示欲显示的最小信号；

最后，新的灰度映射的计算表达式为：

$p=\left\{\begin{array}{cc}0,& S\&le;S_{\min }\\ \frac{\log 10\left(S\right)-\log 10\left(S_{\min }\right)}{\log 10\left(S_A\right)-\log 10\left(S_{\min }\right)}\&times;\mathrm{value}1,& S_{\min }<S\&le;S_A\\ \frac{\log 10\left(S\right)-\log 10\left(S_A\right)}{\log 10\left(S_B\right)-\log 10\left(S_A\right)}\&times;(\mathrm{value}2-\mathrm{value}1)+\mathrm{value}1,& S_A<S\&le;S_B\\ \frac{\log 10\left(S\right)-\log 10\left(S_B\right)}{\log 10\left(255\right)-\log 10\left(S_B\right)}\&times;(\mathrm{value}3-\mathrm{value}2)+\mathrm{value}2,& S_B<S\&le;S_{\max }\\ 255,& S>S_{\max }\end{array}\right.$

应用计算所得的深度方向的具有灰阶变换特性的对数压缩映射表，为整个图像自动优化。

优选地，使用噪音占信号的比重关系法来计算A点的灰度值。

附图说明

图1为本发明实施例中的超声成像系统的原理方框图；

图2为本发明实施例中的信号直方图统计分析；

图3为本发明实施例中的数字增益和动态范围示意图；

图4为本发明实施例中的扫描线平均信号强度极值点分布图；

图5为本发明实施例中的自动优化后的对数压缩曲线示意图；

图6为本发明实施例中的图像自动优化算法的详细处理流程图。

具体实施方式

为了使本发明实现的技术手段、技术特征、发明目的与技术效果易于明白了解，下面结合图示，进一步阐述本发明。

一、本发明系统基本原理。

图1所示为本发明的用于实现图像自动优化的超声诊断成像系统的原理方框图。本实施例采用的B型超声设备的二维成像处理包括：超声换能探头机构1，信号发射/接收模块2，A/D采样与TGC控制模块3，数字波束合成模块4，解调&检波/下采样模块5，动态范围压缩模块6，图像处理模块7，图像显示装置8。

当解调&检波/下采样之后得到一条包络回波信号数据，需要将回波信号的取值区间映射到超声成像系统的图像显示区间。映射区间的范围不同直接影响到图像成像效果的好坏。因此，本发明提供这样一种方法：在得到用户指令后，保存部分解调&检波后的数据(如一帧)，经过分析后，计算得到优化后的灰度映射表，该映射表事实上包含了对增益和动态范围压缩的优化，后续图像显示中利用此映射表进行灰度映射，可以使的图像灰度更加均衡，对比度更高，从而得到较好的图像效果。

二、对信号数据的区域划分。

对于保存的数据即可以直接进行分析处理，也可以划分成不同的图像区域分别进行分析和处理。划分图像区域时，每个图像区域可以是1行，也可以是多行，当然也可以是N行×M列。在本发明中，自适应图像优化包括增益调整和动态范围压缩优化两部分。当然也可以对其进行变形，单独使用其中一个模块来完成。无论如何，只要使用了本发明中所述的动态范围压缩优化模块，则每个被划分的图像区域应对应一张灰度映射表，更多的图像区域会意味着更多的灰度映射表。此外计算得到了灰度映射表后，在做灰度映射用于实际显示时，应充分考虑相邻的灰度映射表的影响来以保证不同图像区域间的过渡平滑以及图像的整体均匀性。

一个数据获取的操作实例是：当用户控制发出操作指令后，系统会根据当前应用模式(如：乳腺、小器官等)把总增益Gain和TGC曲线调节至预设位置，该预设值可根据不同超声设备的近远场信号强弱来设定。预设值设定的基本原则是：保证扫描深度方向上，从近场到远场基本都能获得幅值强度适中的信号，并且尽可能使整场信号强度均匀一致。接下来，保存解调/下采样5输出的回波信号数据，获取至少一帧大小的数据至软件缓存以分析。然后，将一帧信号分成若干个区域，例如可以如上实例所述中的按深度方向非均匀的8段。划分图像区域时，相邻的图像区域之间可以有部分重叠，例如重叠50％。这样，最终的计算结果对于整幅图像来说，在不同的图像区域之间的过渡会更加平滑，不会因为图像区域的突变出现明显的处理痕迹。当然也可以采用较小的重叠率或者不重叠，通过在计算完毕后对结果进行追加处理使其过渡平滑，例如加窗或者滤波。

如果进行了划分区域的处理，则后续应该对每个区域分别进行优化。例如，在一个按深度方向将图像分成8个区域的实例中，首先将图像分成8段，每段可以是相同的N行，也可以分别是N1，N2，N3～N8行。然后对每段分别进行分析后得到8个不同的灰度映射表并存储到对数压缩单元中，在之后的显示中按深度方向分别读取这8张灰度映射表进行动态范围压缩的操作。其中为了图像更为均匀和平滑，在做动态范围压缩时可以依据深度信息，同时参考邻近的上下两张灰度映射表的信息后显示。例如：图像上深度为2cm的点对应第二张灰度映射表，深度为3cm的点对应第三张灰度映射表。当在深度为2.2cm处有个信号大小为5000的数值需要做动态范围压缩时。首先查询第二张灰度映射表，假设在第二张表上查得数字为5000的信号值映射后的灰度值应为120。然后查询第三张灰度映射表，假设在第三张表上查得映射后灰度值应为140。考虑当前深度(2.2cm)位于2cm和3cm之间，根据深度方向插值后可得当前信号最终映射后的值为：120×0.8+140×0.2＝124。

三、信号的直方图统计。

本发明核心环节的自适应数字增益优化步骤和自适应动态范围压缩优化步骤均需要以信号的直方图统计为工具，图2所示为本发明获取信号的统计直方图。本发明的通过对信号进行直方图统计来进行数字增益自适应计算。首先计算并记录直方图的分布特征，如：直方图最大值、均值、方差等。此外，直方图也有利于进行噪声阈值法的计算，系统可以预先设定某一大小的值为噪声阈值，并统计直方图上大于噪声阈值的信号个数，以及小于噪声阈值的信号个数。其中这里所述的噪声主要指固有的系统噪声。因为噪声也可能受仪器探头类型不同、系统参数不同等因素的影响，因此也对应在不同的模式和应用场景下设定不同的阈值。当然也可以通过关闭发射、预先保存一帧噪声数据后分析得出，如计算有效噪声数据的均值等。噪声数据的采集可以在用户下达图像优化的指令后执行，也可以在探头模式切换或者系统参数变更，如改变深度、频率时进行。

四、自适应数字增益优化。

对于增益补偿系数的计算，首先可以通过在信号直方图上设定合适阈值(ratioNoise)的方法来初始确定。因为有效信号的回波信号一般较强，所以可以在信号直方图上设定阈值，认为大于阈值的信号是需要展示给用户的有效信息，并将增益调至于此。

对于阈值的设定可以采用预先设定固定阈值的方法，比如认为大于15dB的为有效信号；也可以采用直方图统计的方法，比如认为信号直方图上较大的90％的信号为有效信号；对阈值的设定还可以采用参考之前保留的噪声数据的方法进行。

在对图像参数进行优化时，首先需要确定增益补偿系数。对于增益补偿系数的确定，本发明提供一种基于给定动态范围的方法来确定。例如：假定动态范围默认为100dB，按以下方法计算并确定增益；若当前用户选择的动态范围是60dB，则也先根据前述方法按100dB的动态范围计算增益，之后再进一步将计算所得的增益调整到适合60dB动态范围显示的位置。

具体的调整方法是在原先计算的动态范围上找一个基准比例然后往两边计算增益。例如，假设基准比例设为40％，且对应80dB动态范围计算出来的增益为A时，当用户选择到100dB时，应将增益A对应的增大(100-80)×40％＝8dB。同理当用户选择到40dB时，应将增益A对应的减小(80-40)×40％＝16dB。其中基准比例可以根据实际情况提前设置好，动态范围增大和缩小时也可以设置不同的基准比例。

在确定了初始增益补偿系数后还需要考虑很多其他因素，比如信号的衰减，组织特征，发射焦点等。

由于超声在传播过程中存在衰减，会造成近场回波信号强，远场信号弱的特点。另外远场经过前端硬件PGA/VGA的放大后会存在更多的噪音的特点。所以在进行了初始增益补偿系数确定后还要进行进一步的校正。一个可能的方案是根据前述大于噪声阈值的采样信号个数/小于噪声阈值的采样信号个数的比值对初始增益进行校正。由于该比值呈现明显的近场大远场小的特点，因此设定合适的校正权重可以使得前述初始增益得到进一步优化，以保证图像远近场的均匀性。

另一种可能的对于初始增益补偿系数的校正是可以直接参考检查科目和深度信息的做法，在不同的检查科目下对不同深度的信号设定不同的校正值。但是需要注意应提前检查该处是否有明显的回波信号，以防止探头在并没有进行实际扫查时将噪声补偿到可见范围。

当然也可以采用同时结合考虑深度信息和大于噪声阈值的采样信号个数/小于噪声阈值的采样信号个数的比值的方法确定初始增益补偿系数的校正值。

五、自适应动态范围压缩优化。

由于信号的动态范围远远大于显示器的动态范围，因此需要将动态范围压缩后用于显示。常见的动态范围压缩方法有对数压缩的方法。不同的动态范围压缩方法会体现在对比分辨率的差异上。采用不同的动态压缩方法，改变指定信号范围的灰度映射，可以增加/减少该亮度范围内的对比度。比如肝转移瘤和正常肝组织的回声相似，灰度值接近，一般不容易分辨。通过调整动态压缩后，可以使得对比分辨率增强，使得肿瘤部分相较于背景回声更暗，从而容易辨认。

对此，本发明在常见的对数压缩的方法基础上，提供一种自适应的动态范围压缩优化的方法。

对于一般的动态范围压缩优化的原则是：在图像信号较强的地方，采用上升较缓的对数曲线，使得等强回声信号处，如管壁边缘等更加清晰、锐利；在图像信号较弱的地方，也采用上升较缓的对数曲线，减少噪音和伪像的干扰；在大多数有效组织信息所处的信号范围内采用上升较快的对数曲线，提高对比度分辨率，从而使细节更加清楚。如图5所示，按照修改后的映射关系，17～45dB的信号被映射到范围更宽的灰度区间，这部分的内容将会具有更好的对比度分辨率。

因此实施该操作的关键点在于如何在标准对数曲线上找到合适的信号区间A，B；将A对应的灰度值valueA重新映射到value1，将B对应的灰度值valueB重新映射到value2。其中value1和value2可以是提前设定好的固定值。

(一)一种简单的A点计算方法。

根据前述噪音占信号的比重关系(ratioNoise)来决定。因为图像深度较浅时噪音比重很小，也不需要对小信号过于抑制；图像深度适中时组织信号处噪声比重偏大，应对微小信号加以限制，减少噪音和伪像，并且压低小信号后可以提高组织信号的斜率，增强对比度分辨率；图像深度很深时虽然噪音很大，但有效信号也偏弱，如果仍对小信号加以抑制则会丢失太多图像信息。因此可以根据ratioNoise参数信息设立合适的权重，或者建立查找表，计算A点的值。

(二)对数压缩映射表自动优化方式

1)对原始信号进行数字增益自适应优化；

首先根据上述已计算出的各段数字增益logGain做插值，得到各个水平采样线深度上的增益。根据此增益和用户设定的动态范围，在每个深度上计算出标准对数压缩曲线。

如图3所示数字增益logGain表示输入信号最大值imMax(dB)与动态范围右端点对应信号大小right-DR(dB)的差值，根据logGain就可以确定用户选定的动态范围所包含的信号区间。图3所示为某一段信号的统计直方图上数字增益和动态范围logDR的直观表示，绿色方框的范围表示动态范围的大小，动态范围右端点到信号最大值的距离表示数字增益。数字增益调节的目的是为了获得当前检查状态下最佳的B模式图像亮度以及远近场的均匀一致性。

将分析所得的若干段数字增益logGain进行插值处理，插值个数为深度方向的采样点总数(如512个点)。然后，将缓存的一帧超声包络信号映射到灰阶0～255范围。假定动态范围内的信号数值大小为S_min～S_max，则一个数值大小为S的信号对应的输出灰度值P为：

$P=\left\{\begin{array}{cc}255,& S\&GreaterEqual;S_{\max }\\ 0,& S\&le;S_{\min }\\ \frac{\log 10\left(S\right)-\log 10\left(S_{\min }\right)}{\log 10\left(S_{\max }\right)-\log 10\left(S_{\min }\right)}\&times;255,& \mathrm{otherwise}\end{array}\right.$

2)获取深度方向的具有灰阶变换特性的自适应优化对数压缩映射表；

将数据信号映射到0～255后，对每条水平扫描线上的数据进行平均后得到深度方向的数组，需要注意的是，在对水平方向的扫描线上的灰度值做平均时，为了减少两侧边缘可能存在的暗区的影响，可以只取图像的中心区域。比如对于每幅超声图像，假设竖直方向上有256条扫描线，可以只取第40～215条扫描线，计算各深度上水平方向的灰度平均值。

得到沿深度方向的灰度均值曲线后，可对曲线平滑后，查找曲线上的极小值点。平滑可以采用加窗的方式，也可以采用低通滤波或者其他方法。如图4所示，在找到了多个极值点后，可以通过一系列规则对找到的极值点进行筛选、删减和合并，最后在每个图像区域内只保留最多一个极小值点。计算每个极值点和该极值点附近领域均值的差值，记作meanDiffMin。

如果一个图像上有多个极小值点，最终得到了多个meanDiffMin，则可以分别计算每个meanDiffMin占总meanDiffMin的比例，即meanDiffMinRatio＝meanDiffMin/SUM(meanDiffMin)。

同时也对极大值进行相同的操作，之后计算所有极大值的均值meanRecordMax。即查找该整幅图像中等偏亮的灰阶水平。需要注意的是，由于较暗的远场有时也可能出现极大值，若记入统计会严重拉低图像整体亮度水平，故meanDiffmax占总meanDiffmax很低的极大值可以不记入统计。

最后对于存在极小值点的图像区域，即图像上有明显灰度变化的地方，利用极小值和极大值均值的差作为参考计算A点和B点的值。例如：

A＝value1+weight*(meanRecordMax-recordMin)*meanDiffMinRatio

B＝value2+weight*(meanRecordMax-recordMin)*meanDiffMinRatio

其中weight为权重，recordMin为记录的极小值点的大小。即对存在明显明暗变化的图像(如颈动脉的边缘和血管内部)，则应将血管内部的小信号(多为噪声和伪像)赋予更小的灰度值，使血管内部更为干净和透彻。对于明暗变化相对不明显的图像，如甲状腺部位，在小信号的映射上应采取更为保守的策略。

对于不存在极小值点的图像区域则仍可按实例A的方法计算。

得到A、B值后按以下方法可以得到该图像区域的灰度映射表：

(1)计算灰度值A对应的信号大小S_A，灰度值B对应的信号大小S_B：

S_A＝10^((A*logDR/255+left-DR)/20)

S_B＝10^((B*logDR/255+left-DR)/20)

其中LogDR为用户选择的动态范围的大小，left-DR表示欲显示的最小信号

(2)对信号S_min～S_A计算对数曲线，映射到灰度值范围0～value1；

即将一些低灰度值的信号，血管和远场的噪音等，压到0～value1内，达到抑制噪音的效果，使血管显得干净透彻；

对信号S_A～S_B计算对数曲线，映射到灰度值范围value1～value2；由于人眼对低灰度的变化较为敏感，故将整体图像的灰阶下压，使得图像柔和，不会过亮刺眼，同时又具有很好的对比度；

对信号S_B～S_max计算对数曲线，映射到灰度值范围value2～255；增强边缘信息，突出图像对比度；

如图5所示，其中value1、value2参数可调，视用户所需的图像效果而设定。例如本实施例中，可将value1取值10，value2取值170。

因此，新的灰度映射的计算表达式为：

$p=\left\{\begin{array}{cc}0,& S\&le;S_{\min }\\ \frac{\log 10\left(S\right)-\log 10\left(S_{\min }\right)}{\log 10\left(S_A\right)-\log 10\left(S_{\min }\right)}\&times;\mathrm{value}1,& S_{\min }<S\&le;S_A\\ \frac{\log 10\left(S\right)-\log 10\left(S_A\right)}{\log 10\left(S_B\right)-\log 10\left(S_A\right)}\&times;(\mathrm{value}2-\mathrm{value}1)+\mathrm{value}1,& S_A<S\&le;S_B\\ \frac{\log 10\left(S\right)-\log 10\left(S_B\right)}{\log 10\left(255\right)-\log 10\left(S_B\right)}\&times;(\mathrm{value}3-\mathrm{value}2)+\mathrm{value}2,& S_B<S\&le;S_{\max }\\ 255,& S>S_{\max }\end{array}\right.$

应用计算所得的深度方向的具有灰阶变换特性的对数压缩映射表，将其发送给图1中的对数压缩模块6，从而显示B模式图像的自动优化效果。图6所示为整个图像自动优化算法的具体实现流程示意图。

Claims (9)

1.一种基于信号统计分析的超声图像自动优化方法，包括以下步骤：

1)数据获取步骤，通过超声设备获取至少一帧信号的数据至软件缓存用于分析；

2)信号统计分析步骤，对保存的数据进行频数直方图统计，得到信号的统计直方图，计算并记录直方图的分布特征；

3)自适应数字增益优化步骤，通过在信号直方图上设定合适阈值的方法确定初始数字增益补偿系数，并对初始增益进行校正；

4)自适应动态范围压缩优化步骤，将信号的动态范围压缩后用于灰度显示；本步骤选择合适的信号区间，在区间内结合灰阶变换的特性的对灰度对数压缩映射表进行自动优化。

2.根据权利要求1所述的基于信号统计分析的超声图像自动优化方法，其中数据获取步骤中对保存的数据按深度方向进行区域划分，每个被划分的区域对应一张灰度压缩映射表。

3.根据权利要求2所述的基于信号统计分析的超声图像自动优化方法，其中数据获取步骤中对保存的数据按深度方向划分出的区域有部分重叠，从而提高最终图像优化质量。

4.根据权利要求1所述的基于信号统计分析的超声图像自动优化方法，其中自适应数字增益优化步骤中通过对应场景预设法获得所述阈值。

5.根据权利要求1所述的基于信号统计分析的超声图像自动优化方法，其中自适应数字增益优化步骤中通过有效噪声数据均值法获得所述阈值。

6.根据权利要求1所述的基于信号统计分析的超声图像自动优化方法，其中自适应数字增益优化步骤，采用大于噪声阈值的采样信号个数与小于噪声阈值的采样信号个数的比值的方法确定初始增益补偿系数的校正值，对初始增益进行校正。

7.根据权利要求1所述的基于信号统计分析的超声图像自动优化方法，其中自适应数字增益优化步骤，采用组度特征和深度信息预设法确定初始增益补偿系数的校正值，对初始增益进行校正。

8.根据权利要求1所述的基于信号统计分析的超声图像自动优化方法，其中自适应动态范围压缩优化步骤包括以下步骤：

1)对原始信号进行数字增益自适应优化；

首先以自适应数字增益优化步骤中获得的数字增益值做插值，插值个数为深度方向上的采样点总数，将超声波信号映射到灰阶值0～255范围；假定动态范围内的信号数值大小为S_min～S_max，则一个数值大小为S的信号对应的输出灰度值P为：

$P=\left\{\begin{array}{cc}255,& S\&GreaterEqual;S_{\max }\\ 0,& S\&le;S_{\min }\\ \frac{\log 10\left(S\right)-\log 10\left(S_{\min }\right)}{\log 10\left(S_{\max }\right)-\log 10\left(S_{\min }\right)}\&times;255,& \mathrm{otherwise}\end{array}\right.$

2)获取深度方向的具有灰阶变换特性的自适应优化对数压缩映射表；

利用将数据信号映射到灰阶范围0～255后，对每条水平扫描线上的数据进行平均后得到深度方向上的灰度平均值；得到深度方向上的灰度平均值后，对曲线平滑后，查找曲线上的极小值点，并通过筛选、删减和合并只保留最多一个极小值，记作meanDiffMin；同时也对极大值进行相同的操作，之后计算所有极大值的均值meanRecordMax；

视用户所需的图像效果设定动态压缩区间端点灰度值value1和value2；并利用极小值和极大值均值的计算A点及B点的值：

A＝value1+weight*(meanRecordMax-recordMin)*meanDiffMinRatio；

B＝value2+weight*(meanRecordMax-recordMin)*meanDiffMinRatio；

其中weight为权重，recordMin为记录的极小值点的大小：

计算灰度值A对应的信号大小S_A，灰度值B对应的信号大小S_B：

S_A＝10^((A*logDR/255+left-DR)/20)

S_B＝10^((B*logDR/255+left-DR)/20)

其中LogDR为用户选择的动态范围的大小，left-DR表示欲显示的最小信号；

最后，新的灰度映射的计算表达式为：

$p=\left\{\begin{array}{cc}0,& S\&le;S_{\min }\\ \frac{\log 10\left(S\right)-\log 10\left(S_{\min }\right)}{\log 10\left(S_A\right)-\log 10\left(S_{\min }\right)}\&times;\mathrm{value}1,& S_{\min }<S\&le;S_A\\ \frac{\log 10\left(S\right)-\log 10\left(S_A\right)}{\log 10\left(S_B\right)-\log 10\left(S_A\right)}\&times;(\mathrm{value}2-\mathrm{value}1)+\mathrm{value}1,& S_A<S\&le;S_B\\ \frac{\log 10\left(S\right)-\log 10\left(S_B\right)}{\log 10\left(255\right)-\log 10\left(S_B\right)}\&times;(\mathrm{value}3-\mathrm{value}2)+\mathrm{value}2,& S_B<S\&le;S_{\max }\\ 255,& S>S_{\max }\end{array}\right.$

应用计算所得的深度方向的具有灰阶变换特性的对数压缩映射表，为整个图像自动优化。

9.根据权利要求8所述的基于信号统计分析的超声图像自动优化方法，其特征是，使用噪音占信号的比重关系法来计算A点的灰度值。