CN104680548A - 一种全方向m型心动图检测方法 - Google Patents

Abstract

本发明涉及一种全方向M型心动图检测方法，其特征在于：采用结合分数阶微分的图像增强和基于灰色绝对关联度构造统计量进行图像边缘检测的算法，首先对模糊的心动图进行分数阶微分的图像增强，然后再按照灰色关联度思想构造统计量，从心动图复杂的心脏组织纹理中找到灰度相关性最低的边缘，最后再用区域标记法与所设定的阈值进行比较，去掉孤立的噪声点，得到最佳的运动曲线。

Description

一种全方向M型心动图检测方法

技术领域

本发明涉及计算机视觉、数字图像处理、医学领域，尤其是一种全方向M型心动图检测方法。

背景技术

全方向M型心动图是将医学上所获取的心脏的二维超声序列图像沿任意方向取样所重建出的灰度(位置)--时间波形图。全方向M型心动图的边缘的实质是血液与腔室壁组织结构形成的分界线与方向线交点的位置变化按时间展开该运动曲线能够比较清晰的显示局部心脏结构随运动变化的细节。提取出全方向M型心动图的边缘并对此边缘进行分析，便等效于分析了室壁与血液在方向线上的分界点往返运动的情况。而室壁与血液的边界点的运动情况直接反映了心脏腔室壁受血液动力的冲击和室壁压迫血液后的运动情况，这对临床诊断是十分重要的血液动力学信息。

传统边缘检测算法面对成像原理较为复杂，图像质量模糊而且含有很多噪声的全方向M型心动图的时候所表现出的检测效果并不理想，这主要是因为：传统的边缘检测算法均是以梯度运算为基础，他们仅仅只考虑了梯度幅度，如果梯度幅度大于所设定的阈值就认为是边缘点，对于灰度变化明显并且对比度较高的图像边缘，这些算子都能满足要求。但是如果图像噪声影响较大，或者图像灰度变化不明显的模糊边缘，那么检测效果就不理想或者无法检测出来。

至今为止，人们已经对心动图的边缘检测进行了大量的研究，目前正在临床上应用的基于灰度值线状模板搜索法结合人工干预进行全方向M型心动图边界的自动和准自动提取的方法，取得了不错的效果，但都只针对一些采样效果相对理想的心动图，面对存在大量噪声，图像较为模糊的心动图，解决起来仍然存在不足。

发明内容

有鉴于此，本发明的目的是提供一种全方向M型心动图自动检测方法。

本发明采用以下方案实现：一种全方向M型心动图检测方法，其特征在于：采用结合分数阶微分的图像增强和基于灰色绝对关联度构造统计量进行图像边缘检测的算法，首先对模糊的心动图进行分数阶微分的图像增强，然后再按照灰色关联度思想构造统计量，从心动图复杂的心脏组织纹理中找到灰度相关性最低的边缘，最后再用区域标记法与所设定的阈值进行比较，去掉孤立的噪声点，得到最佳的运动曲线。

在本发明一实施例中，其具体步骤为：

S01：输入一幅心动图图像，进行高斯滤波处理；

S02：采用分数阶微分进行图像增强处理；

S03：选取最优阶数进行增强处理；

S04：利用灰色绝对关联度构造统计量检测出变化最为剧烈的运动曲线；

S05：用区域标记法消除长度小于5个像素的伪边缘点，并进行连接得到最终运动曲线。

在本发明一实施例中，待检测全方向M型心动图为临床上较为模糊且含噪声较多的图像。

在本发明一实施例中，所述步骤S02具体为：

S21：采用高斯滤波对含噪图像进行预处理；

S22：为了继续保持心动图灰度分布的均匀性，应该对整个高斯模板的权值，进行规范化处理；

在本发明一实施例中，所述步骤S22处理完成后，采用分数阶微分来对对比度较低的含噪图像进行增强处理，使得在抑制图像中的背景和噪声的同时使得边缘细节信息变得清晰易于检测。

在本发明一实施例中，所述步骤S03具体为：

S31：选择较为经典的5×5Tiansi模板来对心动图进行增强处理；

S32：针对具体心动图的特点，采用0.1～0.9阶的微分模板对心动图进行增强处理，并得到效果最为理想的阶数来作为最优阶数。

在本发明一实施例中，所述步骤S04具体为：设一幅心动图的大小为M×N，为了计算方便，取理想情况下的非边缘点以及其相邻像素一起形成参考序列：k＝{0,0,0,0,0,0,0}(k为按照图4所划分的区域标号)，在按照当前像素所划分的区域D_k(k＝1,2,....,8)中的像素形成比较序列，例如D₁内的像素形成的比较序列为：

k₁＝{f_i,j,f_i-1,j-1,f_i,j,f_i,j-1,f_i,j,f_i+1,j-1,f_i,j}，式中，f_i,j为像素f(i,j)的灰度值，有：

$\begin{array}{c}R(x_0,x_1)=\frac{1}{6}\underset{x=1}{\overset{6}{\mathrm{\Σ}}}\frac{1}{1+|k_1(x+1)-k_1\left(x\right)|}=\frac{1}{3}(\frac{1}{1+|f_{i,j}-f_{i-1,j-1}|}+\\ \frac{1}{1+|f_{i,j}-f_{i-1,j-1}|}+\frac{1}{1+|f_{i,j}-f_{i-1,j-1}|})\end{array}---\left(1\right)$

R(x₀,x₁)表示D₁中的像素点x₁与理想的非边缘点x₀序列的近似程度，即：在D₁中的f(i-1,j-1)，f(i,j-1)，f(i+1,j-1)与中心点f(i,j)的灰度值的差异程度，若R(x₀,x₁)越小，则说明差距越大，当前像素点f(i,j)就越有可能是边缘点。因此，依此可以计算R(x₀,x_n)(n＝2,3,....,8)，其中，R(x₀,x₁)，R(x₀,x₃)反映的是：垂直方向边缘上的以及该边缘的方向，R(x₀,x₂)，R(x₀,x₄)反映的是：水平方向的边缘上的以及该边缘的方向，R(x₀,x₅)，R(x₀,x₇)，R(x₀,x₆)，R(x₀,x₈)反映的是：两条对角线方向上的的边缘以及该边缘的方向。

可得构造的灰度相关性的统计量为：

$T_k=\underset{(x,y)\≠(i,j)}{\underset{f_{x,y}\∈D_k}{\mathrm{\Σ}}}\frac{1}{1+|f_{i,j}-f_{x,y}|}---\left(2\right)$

T_k的取值大小表明的是：如图4中所划分的D_k(k＝1,2,....,8)部分中的各像素点与当前像素点f(i,j)的差异程度，取T_m＝min{T_k}(k＝1,2,....,8)，表示的是：D_m内的各像素点与当前像素点f(i,j)的差距最为明显，即D_m所处的位置最有可能为边缘。

在本发明一实施例中，所述步骤S05处理完成后，可得到较为精确的全方向M型心动图运动曲线图像。

本发明与现有技术相比具有如下优点：

1.现有的全方向M型心动图检测方法是一种结合人工干预的半自动检测方法，自动化程度不高，使得检测过程中人为操作的误差不可避免；

2.现有的采用基于线状模板搜索及结合人工干预的半自动检测方法，对心动图本身的图像质量要求较高，而对于临床上大多数质量并不理想，即：伴有噪声且较为模糊的心动图来说，效果并不能令人满意；

3.现有的心动图检测方法，根据心动图的特点采用线状模板搜索的方法；对运动曲线边缘定位不够精确，而本发明采用分数阶微分先对模糊心动图进行增强处理，突出边缘信息，使得在抑制噪声和背景的同时，突出心动图边缘细节信息，使得边缘变得清晰易于检测。然后再采用灰色绝对关联度构造统计量找到统计量最小的边缘，即灰度相关性最低的边缘，从而得到变化最为剧烈的心动图运动曲线。

附图表说明

图1是本发明一种全方向M型心动图检测方法流程图；

图2是分数阶微分掩模八方向运算示意图；

图3是分数阶微分Tiansi模板示意图；

图4是将当前像素按3×3邻域划分示意图,其中(a)为按对角线方向划分，(b)为按水平和垂直方向划分。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下将通过具体实施例和相关附图，对本发明作进一步详细说明。

本发明提供一种全方向M型心动图检测方法，其特征在于：基于分数阶微分的图像增强方法，使得模糊且含有噪声的心动图图像在突出边缘细节信息的同时，能够较好地抑制噪声和背景的干扰，为后续边缘检测的精确定位奠定基础，之后再利用灰色理论中的灰色绝对关联度构造统计量，找到灰色相关性最低的边缘，实现精确定位，并利用区域标记法消除孤立的噪声点，奠定最终理想的心脏运动曲线。

如图1所示，本发明一种全方向M型心动图检测方法流程为：S01：输入一幅心动图图像，进行高斯滤波处理；S02：采用分数阶微分进行图像增强处理；S03：选取最优阶数进行增强处理；S04：利用灰色绝对关联度构造统计量检测出变化最为剧烈的运动曲线；S05：用区域标记法消除长度小于5个像素的伪边缘点，并进行连接得到最终运动曲线。

首先，输入一幅心动图像，假设心动图大小为M×N，由于心动图较为模糊，噪声较多，本文先对其进行高斯滤波，在设计高斯滤波器模板时，为了方便计算，我们希望的是模板权值都为整数。本文在模板的一个角点处取一值，然后再选择一个F,使得该值变换为1，通过使用这个系数来整数化整个滤波器模板，因为整数化以后，滤波器的模板的权值之和不为1，为了继续保持心动图灰度分布的均匀性，应该对整个模板的权值，进行规范化处理；

由于整数阶微分只能突出较为明显的边缘，而对于像心动图运动曲线这种模糊的边缘，则很难得到检测及增强。分数阶微分(0.1～0.9阶)可以在检测、增强心动图这种模糊的边缘和细微的边缘时，发挥出很好的效果。因此本文采用图3中的分数阶微分模板来对心动图运动曲线模糊边缘和弱边缘进行增强处理；

按图2所示选择窗口大小，并选择中心像素为：f(i,j)，按从上到下从左到右的顺序遍历图像；在图像窗口中以f(i,j)为中心，按水平和垂直以及两对角线将窗口像素分为8个部分(如图4所示)；

由于要从拥有复杂肌肉背景的心动图中提取出变化最为剧烈的运动曲线，因此计算统计量T_k，然后再设定阈值，令T_m＝min{T_k}，如果T_m<η，则认为f(i,j)是边缘点，否则为非边缘点；T_k由下式可以得到：

$T_k=\underset{(x,y)\&NotEqual;(i,j)}{\underset{f_{x,y}\&Element;D_k}{\mathrm{\&Sigma;}}}\frac{1}{1+|f_{i,j}-f_{x,y}|}---\left(3\right)$

最后，由于灰度变化剧烈也有可能是孤立的噪声点，再根据噪声点的孤立特点，利用区域标记法消除长度小于5个像素的伪边缘点，并进行连接得到最终运动曲线。

上列较佳实施例，对本发明的目的、技术方案和优点进行了进一步详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种全方向M型心动图检测方法，其特征在于：采用结合分数阶微分的图像增强和基于灰色绝对关联度构造统计量进行图像边缘检测的算法，首先对模糊的心动图进行分数阶微分的图像增强，然后再按照灰色关联度思想构造统计量，从心动图复杂的心脏组织纹理中找到灰度相关性最低的边缘，最后再用区域标记法与所设定的阈值进行比较，去掉孤立的噪声点，得到最佳的运动曲线。

2.根据权利要求1所述的一种全方向M型心动图检测方法，其特征在于：其具体步骤为：

S01：输入一幅心动图图像，进行高斯滤波处理；

S02：采用分数阶微分进行图像增强处理；

S03：选取最优阶数进行增强处理；

S04：利用灰色绝对关联度构造统计量检测出变化最为剧烈的运动曲线；

S05：用区域标记法消除长度小于5个像素的伪边缘点，并进行连接得到最终运动曲线。

3.根据权利要求2所述的一种全方向M型心动图检测方法，其特征在于：所述步骤S01具体为：

S11：利用高斯滤波来处理模糊的含噪图像；

S12：滤波器的模板的权值之和不为1，为了继续保持心动图灰度分布的均匀性，应该对整个模板的权值，进行规范化处理。

4.根据权利要求2所述的一种全方向M型心动图方法，其特征在于：所述步骤S03具体为：

S31：采用0.1～0.9阶的分数阶微分对图像进行增强处理；

S32：对比各阶分数阶微分的结果，找到最优阶数，使得增强后的边缘最为清晰易检测。

5.根据权利要求2所述的一种视频序列彩色图像拼接方法，其特征在于：所述步骤S04的实现方式：选择窗口大小，并选择中心像素为：                                               ，按从上到下从左到右的顺序遍历图像；在图像窗口中以为中心，按水平和垂直以及两对角线将窗口像素分为8个部分；由于要从拥有复杂肌肉背景的心动图中提取出变化最为剧烈的运动曲线，因此按公式

（2）进行计算得到统计量，然后再设定阈值，令=min{}，如果<，则认为是边缘点，否则为非边缘点,式中为像素的灰度值。

6. 根据权利要求2所述的一种全方向M型心动图检测方法，其特征在于：所述步骤S05处理完成后，由于灰度变化剧烈也有可能是孤立的噪声点，再根据噪声点的孤立特点，利用区域标记法消除长度小于5个像素的伪边缘点，并进行连接得到最终运动曲线。