CN104899861A - 一种血管内超声视频中关键帧的自动检索方法 - Google Patents

Abstract

一种血管内超声视频中关键帧的自动检索方法，所述方法首先对各帧图像进行斑点去噪各向异性扩散滤波；然后在对滤波后的图像进行灰度拉伸的基础上，计算各帧图像的灰度直方图，得到256维的归一化灰度特征向量；再计算相邻帧灰度特征向量之间的巴氏距离，作为对相邻帧图像相似度的度量；最后通过将相邻帧灰度特征向量之间的巴氏距离与设定的阈值进行比较，完成关键帧的提取。本发明通过分析IVUS图像的灰度特征实现血管内超声视频中关键帧的快速提取，可帮助测试者迅速定位变异或者外物植入的位置，为血管异变的处理、评价提供可靠信息。

Description

一种血管内超声视频中关键帧的自动检索方法

技术领域

本发明涉及一种根据图像内容从血管内超声视频中自动检索关键帧的方法，属于医学成像技术领域。

背景技术

血管内超声(intravascular ultrasound,IVUS)是一种血管内成像技术，能够描述血管壁复杂的解剖结构，除评估管腔狭窄程度之外，还可以进一步检测粥样硬化斑块的易损性和斑块负荷，在血管病变，特别是冠状动脉粥样硬化性病变的研究和测试评估中起着至关重要的作用。

IVUS视频的关键帧是指记录血管发生重大形态改变位置的帧。检测IVUS视频的关键帧有两方面的作用：其一，在回撤导管时，血管形态发生重大改变的帧数远远小于视频的总帧数，因此关键帧具有很强的代表性；其二，使用关键帧作为标记，测试者可以迅速定位异常变异的位置，进而只关注血管的异变部分，避免检测整个视频，从而提高工作效率。目前测试常用的方法是通过变换成像导管的角度和纵向位置，由粗到精地进行手工逐帧搜索。但是IVUS图像序列数据量巨大(当导管回撤速度是0.5mm/s，帧速率是30f/s时，1mm的长度内可采集到60帧。若检查一段长约20mm的血管时，一次回撤可采集到约1200帧图像)，由人工逐帧检查和分析不仅耗时、繁琐且效率低，而且结果的客观性和可重复性也很差。

若采用计算机图像处理的方法，则由于常规采集的IVUS灰阶图像不包含颜色信息，因而无法利用颜色特征作为图像检索的量化特征。并且由于图像采集速度较快，导致前后帧的图像内容非常相似，因此也很难利用血管的形状特征作为检索的依据。IVUS灰阶图像中包含大量纹理信息，且正常组织与异变组织的纹理差异明显，因此可利用纹理信息作为图像检索的重要依据。现有的自动检索方法通常是首先提取并描述各帧IVUS图像的纹理特征，再利用分类器算法对纹理特征向量进行分类，进而找到可能包含斑块、血管分叉或者支架的帧。但是由于算法的时间和空间复杂度一般较高，因而检索效率不高，实际应用价值不大。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种血管内超声视频中关键帧的自动检索方法，帮助测试者迅速定位异变、血管分叉或者外物植入的位置，为血管异变的处理、评价效果等提供信息。

本发明所述问题是以下述技术方案实现的：

一种血管内超声视频中关键帧的自动检索方法，所述方法首先对各帧图像进行斑点去噪各向异性扩散滤波；然后在对滤波后的图像进行灰度拉伸的基础上，计算各帧图像的灰度直方图，得到256维的归一化灰度特征向量；再计算相邻帧灰度特征向量之间的巴氏距离，作为对相邻帧图像相似度的度量；最后通过将相邻帧灰度特征向量之间的巴氏距离与设定的阈值进行比较，完成关键帧的提取，所述方法包括以下步骤：

a.对各帧图像进行斑点去噪各向异性扩散滤波(即SRAD滤波)；

b.灰度拉伸：

按照下式将经过SRAD滤波后的IVUS图像的灰度值扩展到区间[0,255]中：

$I^{*}=\frac{255}{{\hat{I}}_{\max }-{\hat{I}}_{\min }}(\hat{I}-{\hat{I}}_{\min })$

其中，I^*是扩展后的灰度值；和分别是SRAD滤波结果图像的最大和最小灰度值；

c.提取灰度特征向量

对经过灰度扩展的IVUS图像，计算归一化灰度直方图：

$H\left(i\right)=\frac{n_i}{m}$

其中，i＝0,1,…,255；n_i是图像中具有灰度级i的像素个数；m是图像中总的像素数；H(i)∈[0,1]，这样，对每一帧IVUS图像，都得到一个256维的归一化灰度特征向量H＝{H(0),H(1),H(2),...,H(255)}；

d.计算相邻帧灰度特征向量之间的巴氏距离：

计算IVUS图像序列中的第k帧和第k+1帧(k＝1,2,…,N-1，N是IVUS图像序列的总帧数)的256维归一化灰度特征向量H_k和H_k+1之间的巴氏距离D_B(k)，D_B(k)的计算方法为：

D_B(k)＝-ln[BC(H_k,H_k+1)]

其中，巴氏系数BC(H_k,H_k+1)的计算方法是

$\mathrm{BC}(H_k,H_{k+1})=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}\sqrt{H_k\left(i\right)H_{k+1}\left(i\right)}$

这样得到一个长度为N-1的数组D_B＝{D_B(1),D_B(2),...,D_B(N-1)}；

e.选取关键帧：

将第k帧和第k+1帧之间的巴氏距离D_B(k)与设定的阈值D_T进行比较，若D_T低于阈值D_T，则认为图像序列的第k帧为关键帧；否则不是，即：

$K_k=\begin{array}{}\end{array}\left\{\begin{array}{cc}{I^{*}}_k,& D_B\left(k\right)<D_T\\ 0,& D_B\left(k\right)\&GreaterEqual;D_T\end{array}\right.$

其中，I^* _k是经过SRAD滤波和灰度拉伸后的IVUS图像序列中的第k帧；K_k是第k个关键帧。

上述血管内超声视频中关键帧的自动检索方法，所述阈值D_T采用自适应的方法获取，具体步骤如下：

Ⅰ.对数组D_B中的元素按照从大到小的顺序排序，得到排序后的数组D_B′＝{D_B′(1),D_B′(2),…D_B′(T),...,D_B′(N-1)}；以D_B′(T)为界，把D_B′分为D_B1′＝{D_B′(1),D_B′(2),…D_B′(T)}和D_B2′＝{D_B′(T+1),D_B′(T+2),…D_B′(N-1)}两个数组；

Ⅱ.计算D_B1′和D_B2′的方差之和：

${\mathrm{\&sigma;}}_T^2=\frac{1}{T}\sqrt{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{[{D_B}^{\text{'}}\left(i\right)-{\mathrm{\&mu;}}_1]}^2}+\frac{1}{N-T-1}\sqrt{\underset{i=T+1}{\overset{N-1}{\mathrm{\&Sigma;}}}{[{D_B}^{\text{'}}\left(i\right)-{\mathrm{\&mu;}}_2]}^2}$

其中

${\mathrm{\&mu;}}_1=\frac{1}{T}\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{D_B}^{\text{'}}\left(i\right)$

${\mathrm{\&mu;}}_2=\frac{1}{N-T-1}\underset{i=T+1}{\overset{N-1}{\mathrm{\&Sigma;}}}{D_B}^{\text{'}}\left(i\right)$

对于T＝1,2,..,N-1，分别计算两个数组D_B1′和D_B2′的方差和，得到N-1个方差和从中找出使方差和最小的T，则D_B'(T)即为所求阈值D_T。

上述血管内超声视频中关键帧的自动检索方法，采用斑点去噪各向异性扩散算法对各帧IVUS图像进行滤波的具体步骤如下：

①计算原始IVUS图像I的扩散尺度c(q)，具体方法如下：首先计算原始IVUS图像I的灰度梯度▽I，并对图像I进行离散拉普拉斯变换得到▽²I；然后将▽I和▽²I代入如下方程求解扩散系数q：

$q=\sqrt{\frac{\frac{1}{2}{\left(\frac{|\&dtri;I|}{I}\right)}^2-\frac{1}{16}{\left(\frac{\left|{\&dtri;}^{2}I\right|}{I}\right)}^2}{{[1+\frac{1}{4}\left(\frac{\left|{\&dtri;}^{2}I\right|}{I}\right)]}^2}}$

最后，将扩散系数q代入如下方程求解扩散尺度c(q)：

$c\left(q\right)=\frac{1}{1+\frac{q^2-{q_0}^2\left(t\right)}{{q_0}^2\left(t\right)[1+{q_0}^2\left(t\right)]}},q_0\left(t\right)=\frac{\sqrt{\mathrm{var}\left(z\left(t\right)\right)}}{\stackrel{\&OverBar;}{z\left(t\right)}}$

其中，q₀(t)是IVUS图像I的灰度均匀区域z(t)的局部方差系数，和var(z(t))分别是z(t)的灰度均值和方差；

②将扩散尺度c(q)和原始图像的灰度值I代入以下方程得到中间结果图像

$\tilde{I}=I+\frac{\mathrm{\&Delta;t}}{4}[\mathrm{div}\left(c\left(q\right)\right)\&CenterDot;\&dtri;I]$

其中，div(·)为散度算子；Δt为SRAD算法的时间步长；

③重复步骤①和步骤②P次，得到最终的滤波结果图像其中P是迭代次数。

上述血管内超声视频中关键帧的自动检索方法，采用斑点去噪各向异性扩散算法对各帧IVUS图像进行滤波时，SRAD算法的时间步长Δt设定为1秒；迭代次数P设定为100。

本发明通过分析IVUS图像的灰度特征实现血管内超声视频中关键帧的快速提取，保证选出的关键帧最大程度上代表原始视频的内容信息，可帮助测试者迅速定位变异或者外物植入的位置，为血管异变的处理、评价提供可靠信息。

附图说明

下面结合附图对本发明作进一步详述。

图1是实施例中相邻帧IVUS图像的灰度特征向量之间的巴氏距离；

图2是实施例中原始IVUS图像序列的纵向视图和检出的12个关键帧。

文中所用符号：I、▽I、▽²I、原始IVUS图像、灰度梯度及离散拉普拉斯变换结果；q、扩散系数；c(q)、扩散尺度；q₀(t)、IVUS图像I的灰度均匀区域的局部方差系数；z(t)、IVUS图像I的灰度均匀区域；var(z(t))、z(t)的灰度均值和方差；SRAD滤波的中间结果图像；div(·)、散度算子；Δt、SRAD算法的时间步长；P、SRAD滤波算法的迭代次数；最终的SRAD滤波结果图像；SRAD滤波结果图像的最大和最小灰度值；I*、扩展后的灰度值；n_i、图像中具有灰度级i的像素个数；m是图像中总的像素数；H(i)、灰度直方图，i＝0,1,…,255；H＝{H(0),H(1),H(2),...,H(255)}、256维的归一化灰度特征向量；D_B(k)、第k帧和第k+1帧IVUS图像的256维归一化灰度特征向量H_k和H_k+1之间的巴氏(Bhattacharyya)距离；N、IVUS图像序列的总帧数；BC(H_k,H_k+1)、巴氏系数；D_B＝{D_B(1),D_B(2),...,D_B(N-1)}、由包含N帧的IVUS图像序列中相邻帧灰度特征向量之间的巴氏距离组成的数组；D_B′＝{D_B′(1),D_B′(2),…D_B′(T),...,D_B′(N-1)}、对数组D_B中的元素按照从小到大的顺序排列后得到的数组；D_B'(T)、数组D_B'中第T个元素的值；D_B1′＝{D_B′(1),D_B′(2),…D_B′(T)}、D_B2′＝{D_B′(T+1),D_B′(T+2),…D_B′(N-1)}、以D_B′(T)为界把D_B′分成的两个数组；以D_B′(T)为界把D_B′分成的两组数D_B1′和D_B2′的方差之和；μ₁、μ₂、D_B1′和D_B2′的平均值；当T＝1,2,..,N-1时，D_B1′和D_B2′的方差之和；D_T、阈值；I^* _k、经过SRAD滤波和灰度拉伸后的IVUS图像序列中的第k帧；K_k、检索出的第k个关键帧。

具体实施方式

本发明提供了一种血管内超声视频中关键帧的自动检索方法，该方法通过分析IVUS图像的灰度特征，快速提取出记录血管发生重大形态改变位置的帧，例如斑块段、支架段或者血管分叉的起始帧和结束帧，保证选出的关键帧最大程度上代表原始视频的内容信息，所述方法包括以下步骤：

1.斑点去噪：

由于血管内超声成像设备的高超声频率特性，导致IVUS图像中存在大量血液斑点噪声，为了减少噪声，同时保留图像中的细节信息，首先采用斑点去噪各向异性扩散(Speckle reducing anisotropicdiffusion，SRAD)算法(Yu Yongjian and Acton Scott T.Specklereducing anisotropic diffusion.IEEE Transactions on ImageProcessing.2002,11(11):1260-1270.)对各帧IVUS图像进行滤波。具体步骤如下：

步骤(1)：计算原始IVUS图像I的扩散尺度c(q)，具体方法如下：

首先，计算原始IVUS图像I的灰度梯度▽I，并对图像I进行离散拉普拉斯变换得到▽²I；然后，将▽I和▽²I代入如下方程求解扩散系数q：

$q=\sqrt{\frac{\frac{1}{2}{\left(\frac{|\&dtri;I|}{I}\right)}^2-\frac{1}{16}{\left(\frac{\left|{\&dtri;}^{2}I\right|}{I}\right)}^2}{{[1+\frac{1}{4}\left(\frac{\left|{\&dtri;}^{2}I\right|}{I}\right)]}^2}}---\left(1\right)$

最后，将扩散系数q代入如下方程求解扩散尺度c(q)：

$c\left(q\right)=\frac{1}{1+\frac{q^2-{q_0}^2\left(t\right)}{{q_0}^2\left(t\right)[1+{q_0}^2\left(t\right)]}}---\left(2\right)$

其中，q₀(t)是IVUS图像I的灰度均匀区域z(t)的局部方差系数：

$q_0\left(t\right)=\frac{\sqrt{\mathrm{var}\left(z\left(t\right)\right)}}{\stackrel{\&OverBar;}{z\left(t\right)}}---\left(3\right)$

其中，和var(z(t))分别是z(t)的灰度均值和方差。

步骤(2)：将扩散尺度c(q)和原始图像的灰度值I代入以下方程得到中间结果图像

$\tilde{I}=I+\frac{\mathrm{\&Delta;t}}{4}[\mathrm{div}\left(c\left(q\right)\right)\&CenterDot;\&dtri;I]---\left(4\right)$

其中，div(·)为散度算子；Δt为SRAD算法的时间步长，本发明中将其设定为1。

步骤(3)：重复步骤(1)和步骤(2)P次，得到最终的滤波结果图像其中P是迭代次数。本发明中将P设定为100。

2.灰度拉伸：

按照下式将经过SRAD滤波后的IVUS图像的灰度值扩展到区间[0,255]中：

$I^{*}=\frac{255}{{\hat{I}}_{\max }-{\hat{I}}_{\min }}(\hat{I}-{\hat{I}}_{\min })---\left(5\right)$

其中，I^*是扩展后的灰度值；和分别是SRAD滤波结果图像的最大和最小灰度值。通过拉伸图像的灰度区间，使灰度特征更加明显。

3.提取灰度特征向量

对经过灰度扩展的IVUS图像，计算归一化灰度直方图：

$H\left(i\right)=\frac{n_i}{m}---\left(6\right)$

其中，i＝0,1,…,255；n_i是图像中具有灰度级i的像素个数；m是图像中总的像素数；H(i)∈[0,1]。这样，对每一帧IVUS图像，都得到一个256维的归一化灰度特征向量H＝{H(0),H(1),H(2),...,H(255)}。

4.计算相似度：

计算IVUS图像序列中的第k帧和第k+1帧(k＝1,2,…,N-1，N是IVUS图像序列的总帧数)的256维归一化灰度特征向量H_k和H_k+1之间的巴氏(Bhattacharyya)距离D_B(k)，作为对相邻两帧图像之间相似度的度量。D_B(k)的计算方法为：

D_B(k)＝-ln[BC(H_k,H_k+1)]     (7)其中，巴氏系数BC(H_k,H_k+1)的计算方法是

$\mathrm{BC}(H_k,H_{k+1})=\underset{i=0}{\overset{255}{\mathrm{\&Sigma;}}}\sqrt{H_k\left(i\right)H_{k+1}\left(i\right)}---\left(8\right)$

这样得到一个长度为N-1的数组D_B＝{D_B(1),D_B(2),...,D_B(N-1)}。

5.选取关键帧：

巴氏距离越接近1，表示相邻两帧图像的相似度越高；越接近0，表示两帧图像的差异越大。

本发明方法采用自适应的方法得到阈值，并选取关键帧，具体步骤如下：

步骤(1)：对数组D_B中的元素按照从大到小的顺序排序，得到排序后的数组D_B′＝{D_B′(1),D_B′(2),…D_B′(T),...,D_B′(N-1)}。以D_B′(T)为界，把D_B′分为D_B1′＝{D_B′(1),D_B′(2),…D_B′(T)}和D_B2′＝{D_B′(T+1),D_B′(T+2),…D_B′(N-1)}两个数组。

步骤(2)：D_B1′和D_B2′的方差之和为：

${\mathrm{\&sigma;}}_T^2=\frac{1}{T}\sqrt{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{[{D_B}^{\text{'}}\left(i\right)-{\mathrm{\&mu;}}_1]}^2}+\frac{1}{N-T-1}\sqrt{\underset{i=T+1}{\overset{N-1}{\mathrm{\&Sigma;}}}{[{D_B}^{\text{'}}\left(i\right)-{\mathrm{\&mu;}}_2]}^2}---\left(9\right)$

其中

${\mathrm{\&mu;}}_1=\frac{1}{T}\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{D_B}^{\text{'}}\left(i\right)---\left(10\right)$

${\mathrm{\&mu;}}_2=\frac{1}{N-T-1}\underset{i=T+1}{\overset{N-1}{\mathrm{\&Sigma;}}}{D_B}^{\text{'}}\left(i\right)---\left(11\right)$

分别是D_B1′和D_B2′的平均值。对于T＝1,2,..,N-1，分别计算两个数组D_B1′和D_B2′的方差和，得到N-1个方差和从中找出使方差和最小的T，则D_B'(T)即为所求阈值D_T。

步骤(3)：若第k帧和第k+1帧之间的巴氏距离低于阈值D_T，则认为图像序列的第k帧为关键帧；否则不是：

$K_k=\begin{array}{}\end{array}\left\{\begin{array}{cc}{I^{*}}_k,& D_B\left(k\right)<D_T\\ 0,& D_B\left(k\right)\&GreaterEqual;D_T\end{array}\right.---\left(12\right)$

其中，D_B(k)是第k帧和第k+1帧图像特征向量之间的巴氏距离；I^* _k是经过SRAD滤波和灰度拉伸后的IVUS图像序列中的第k帧；K_k是第k个关键帧。

图1和图2是对一个包含2500帧的IVUS图像序列进行关键帧提取的结果，其中阈值设置为0.948，共检出12个关键帧(低于阈值的有10帧，加上图像序列的首帧和末帧，共计12帧)，算法运行时间为3.49s(不考虑读入图像等初始化步骤所花费的时间)，压缩比(即图像序列的总帧数与提取出的关键帧数之比)为208.3，冗余度(即自动检索的关键帧数与人工检索的关键帧数的比值)为1.125。冗余度越接近1，则自动检索算法的性能越好。

Claims (4)

1.一种血管内超声视频中关键帧的自动检索方法，其特征是，所述方法首先对各帧图像进行斑点去噪各向异性扩散滤波；然后在对滤波后的图像进行灰度拉伸的基础上，计算各帧图像的灰度直方图，得到256维的归一化灰度特征向量；再计算相邻帧灰度特征向量之间的巴氏距离，作为对相邻帧图像相似度的度量；最后通过将相邻帧灰度特征向量之间的巴氏距离与设定的阈值进行比较，完成关键帧的提取，所述方法包括以下步骤：

a.对各帧图像进行斑点去噪各向异性扩散滤波；

b.灰度拉伸：

按照下式将经过SRAD滤波后的IVUS图像的灰度值扩展到区间[0,255]中：

$I^{*}=\frac{255}{{\hat{I}}_{\max }-{\hat{I}}_{\min }}(\hat{I}-{\hat{I}}_{\min })$

其中，I^*是扩展后的灰度值；和分别是SRAD滤波结果图像的最大和最小灰度值；

c.提取灰度特征向量

对经过灰度扩展的IVUS图像，计算归一化灰度直方图：

$H\left(i\right)=\frac{n_i}{m}$

其中，i＝0,1,…,255；n_i是图像中具有灰度级i的像素个数；m是图像中总的像素数；H(i)∈[0,1]，这样，对每一帧IVUS图像，都得到一个256维的归一化灰度特征向量H＝{H(0),H(1),H(2),...,H(255)}；

d.计算相邻帧灰度特征向量之间的巴氏距离：

计算IVUS图像序列中的第k帧和第k+1帧(k＝1,2,…,N-1，N是IVUS图像序列的总帧数)的256维归一化灰度特征向量H_k和H_k+1之间的巴氏距离D_B(k)，D_B(k)的计算方法为：

D_B(k)＝-ln[BC(H_k,H_k+1)]；

其中，巴氏系数BC(H_k,H_k+1)的计算方法是

$\mathrm{BC}(H_k,H_{k+1})=\underset{i=0}{\overset{255}{\mathrm{\&Sigma;}}}\sqrt{H_k\left(i\right)H_{k+1}\left(i\right)};$

这样得到一个长度为N-1的数组D_B＝{D_B(1),D_B(2),...,D_B(N-1)}；；

e.选取关键帧：

将第k帧和第k+1帧之间的巴氏距离D_B(k)与设定的阈值D_T进行比较，若D_T低于阈值D_T，则认为图像序列的第k帧为关键帧；否则不是，即：

$K_k=\left\{\begin{array}{c}{I^{*}}_k,D_{B\left(k\right)}<D_T\\ 0,D_{B\left(k\right)}\&GreaterEqual;D_T\end{array}\right.$

其中，I^* _k是经过SRAD滤波和灰度拉伸后的IVUS图像序列中的第k帧；K_k是第k个关键帧。

2.根据权利要求1所述的血管内超声视频中关键帧的自动检索方法，其特征是，所述阈值D_T采用自适应的方法获取，具体步骤如下：

Ⅰ.对数组D_B中的元素按照从大到小的顺序排序，得到排序后的数组D_B′＝{D_B′(1),D_B′(2),…D_B′(T),...,D_B′(N-1)}；以D_B′(T)为界，把D_B′分为D_B1′＝{D_B′(1),D_B′(2),…D_B′(T)}和D_B2′＝{D_B′(T+1),D_B′(T+2),…D_B′(N-1)}两个数组；

Ⅱ.计算D_B1′和D_B2′的方差之和：

${\mathrm{\&sigma;}}_T^2=\frac{1}{T}\sqrt{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{[{D_B}^{\&prime;}\left(i\right)-{\mathrm{\&mu;}}_1]}^2}+\frac{1}{N-T-1}\sqrt{\underset{i=T+1}{\overset{N-1}{\mathrm{\&Sigma;}}}{[{D_B}^{\&prime;}\left(i\right)-{\mathrm{\&mu;}}_2]}^2};$

其中

${\mathrm{\&mu;}}_1=\frac{1}{T}\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{D_B}^{\&prime;}\left(i\right);$

${\mathrm{\&mu;}}_2=\frac{1}{N-T-1}\underset{i=T+1}{\overset{N-1}{\mathrm{\&Sigma;}}}{D_B}^{\&prime;}\left(i\right);$

对于T＝1,2,..,N-1，分别计算两个数组D_B1′和D_B2′的方差和，得到N-1个方差和从中找出使方差和最小的T，则D_B'(T)即为所求阈值D_T。

3.根据权利要求1或2所述的血管内超声视频中关键帧的自动检索方法，其特征是，采用斑点去噪各向异性扩散算法对各帧IVUS图像进行滤波的具体步骤如下：

①计算原始IVUS图像I的扩散尺度c(q)，具体方法如下：

首先计算原始IVUS图像I的灰度梯度并对图像I进行离散拉普拉斯变换得到然后将和代入如下方程求解扩散系数q：

$q=\sqrt{\frac{\frac{1}{2}{\left(\frac{|\&dtri;I|}{I}\right)}^2-\frac{1}{16}{\left(\frac{\left|{\&dtri;}^{2}I\right|}{I}\right)}^2}{{[1+\frac{1}{4}\left(\frac{\left|{\&dtri;}^{2}I\right|}{I}\right)}^2}};$

最后，将扩散系数q代入如下方程求解扩散尺度c(q)：

$c\left(q\right)=\frac{1}{1+\frac{q^2-{q_0}^2\left(t\right)}{{q_0}^2\left(t\right)[1+{q_0}^2\left(t\right)]}},q_0\left(t\right)=\frac{\sqrt{\mathrm{var}\left(z\left(t\right)\right)}}{\stackrel{\&OverBar;}{z\left(t\right)}};$

其中，q₀(t)是IVUS图像I的灰度均匀区域z(t)的局部方差系数，和var(z(t))分别是z(t)的灰度均值和方差；

②将扩散尺度c(q)和原始图像的灰度值I代入以下方程得到中间结果图像

$\tilde{I}=I+\frac{\mathrm{\&Delta;t}}{4}[\mathrm{div}\left(c\left(q\right)\right)\&CenterDot;\&dtri;I];$

其中，div(·)为散度算子；Δt为SRAD算法的时间步长；

③重复步骤①和步骤②P次，得到最终的滤波结果图像，其中P是迭代次数。

4.根据权利要求3所述的血管内超声视频中关键帧的自动检索方法，其特征是，采用斑点去噪各向异性扩散算法对各帧IVUS图像进行滤波时，SRAD算法的时间步长Δt设定为1秒；迭代次数P设定为100。