CN116523802B - 一种用于肝脏超声图像的增强优化方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，提出了一种用于肝脏超声图像的增强优化方法，包括：采集超声图像并获得超声图像的边缘图像；膨胀后得到膨胀图像，得到图像的连通域，将连通域分为疑似正常连通域和疑似噪声连通域；对于疑似正常连通域，获得连通域宽度，构建宽度集合，根据宽度集合找出的标准宽度，根据标准宽度获得疑似正常连通域内的疑似噪声连通域；计算疑似噪声连通域为噪声的可能性；获得疑似噪声连通域为噪声的真正可能性，对超声图像的像素点进行分类获得三类像素点；将三类像素点使用不同的增强系数进行增强，完成超声图像的增强优化。本发明针对不同清晰程度的像素点使用不同增强系数进行锐化，更凸显边缘细节特征。

Description

一种用于肝脏超声图像的增强优化方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种用于肝脏超声图像的增强优化方法。

背景技术

随着人们对自身健康的日益重视，便捷、无损伤的超声检查被广泛应用，其具有对人体软组织分辨能力强，可识别生物组织的微小病变，且超声图像显示活体组织时不用染色处理的优异特点。

但超声图像由于成像原理因素会出现图像灰度范围不足、灰度分布不合理等现象，其主要表现为图像对比度低、图像内边缘细节不清晰，这给医生的识别与诊断带来了很大的困难。

传统的通过锐化处理，以增强、突出图像边缘和细节的反锐化掩模算法，由于对噪声非常敏感，会增强超声图像中的斑噪声，且易使灰度变化剧烈的边缘过增强，产生伪影，由于斑噪声的特征和病变边缘的影响，传统的噪声识别误差较大。

发明内容

本发明提供一种用于肝脏超声图像的增强优化方法，以解决现有的算法对噪声敏感导致噪声识别误差较大的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种用于肝脏超声图像的增强优化方法，该方法包括以下步骤：

采集超声图像并获得超声图像的边缘图像；

在边缘图像中找到边缘线的节点，利用边缘线的节点对边缘线分割得到边缘线段，将边缘线段组成的区域记为边缘区域；对边缘图像进行膨胀得到膨胀图像，对于膨胀图像的边缘区域进行连通域分析得到膨胀图像的连通域，根据连通域面积和边界长度的比值计算每个连通域的圆度，根据连通域的圆度将连通域分为疑似正常连通域和疑似噪声连通域；

对于疑似正常连通域，将疑似正常连通域进行细化得到单像素宽度骨架线，将单像素宽度骨架线上的像素点记为骨架点，根据骨架点的法线得到骨架点对应的连通域宽度，将所有的骨架点对应的连通域宽度构建宽度集合，根据宽度集合找出疑似正常连通域的标准宽度，根据标准宽度获得疑似正常连通域内的疑似噪声连通域；

根据疑似噪声连通域内所有骨架点对应的连通域宽度与标准宽度差的均值、宽度集合中连通域宽度的最大值、疑似噪声连通域中小于灰度均值的方差和大于等于灰度均值的方差得到疑似噪声连通域为噪声的可能性；

将每个疑似噪声连通域分为三类，并计算每类像素点八邻域包含的非该疑似噪声连通域的数量的均值，根据非疑似噪声连通域的数量的均值获得均值最小值和每类的灰度方差，根据疑似噪声连通域为噪声的可能性、均值最小值归一化后与均值最小值对应的类中的像素点的灰度方差的乘积获得疑似噪声连通域为噪声的真正可能性，根据疑似噪声连通域为噪声的真正可能性对超声图像的像素点进行分类获得正常边缘像素点和疑似边缘噪声点以及疑似边缘噪声点的增强系数；

获取非边缘像素点和正常边缘像素点的增强系数，并结合疑似边缘噪声点的增强系数对超声图像进行增强，完成超声图像的增强优化。

优选的，所述在边缘图像中找到边缘线的节点，利用边缘线的节点对边缘线分割得到边缘线段的方法为：

在边缘图像中，边缘线的交点作为边缘线的节点，将相交的边缘线排除节点部分后得到若干边缘线段，将边缘线的节点相邻的边缘线段记为标准边缘线段，将边缘线的节点与节点对应的标准边缘线段中最长的标准边缘线段合并为一条新的边缘线段。

优选的，所述根据骨架点的法线得到骨架点对应的连通域宽度的方法为：

对于每个骨架点做单像素宽度骨架线的法线，将骨架点的法线在疑似正常连通域内部的像素点作为内部像素点，将所有内部像素点中根据相邻关系分组，每一组的像素点在位置上都是连续的，将存在骨架点的一组的像素点数量作为骨架点对应的连通域宽度。

优选的，所述根据宽度集合找出疑似正常连通域的标准宽度，根据标准宽度获得疑似正常连通域内的疑似噪声连通域的方法为：

将宽度集合中的众数对应的连通域宽度作为疑似正常连通域的标准宽度，若存在多个众数，则众数对应的连通域宽度的均值作为疑似正常连通域的标准宽度，统计宽度集合中连通域宽度大于标准宽度的骨架点记为疑似噪声骨架点，将疑似噪声骨架点的法线上的像素点标记，将标记的像素点组成的连通域记为疑似噪声连通域。

优选的，所述根据疑似噪声连通域内所有骨架点对应的连通域宽度与标准宽度差的均值、宽度集合中连通域宽度的最大值、疑似噪声连通域中小于灰度均值的方差和大于等于灰度均值的方差得到疑似噪声连通域为噪声的可能性的方法为：

式中，表示疑似噪声连通域内第j个骨架点对应在集合B内的宽度值，/>表示疑似正常连通域的标准宽度，/>表示宽度集合B中的最大值，q表示疑似噪声连通域内骨架点的数量，/>和/>分别表示疑似噪声连通域内小于疑似噪声连通域灰度均值的像素点灰度方差和大于等于疑似噪声连通域灰度均值的像素点灰度方差，C为疑似噪声连通域为噪声的可能性。

优选的，所述将每个疑似噪声连通域分为三类，并计算每类像素点八邻域包含的非该疑似噪声连通域的数量的均值，根据非疑似噪声连通域的数量的均值获得均值最小值和每类的灰度方差的方法为：

将每个疑似噪声连通域记为第一连通域，使用K-means聚类将第一连通域分为三类，将第一连通域中的所有像素点记为疑似像素点，统计每个疑似像素点八邻域中非第一连通域的像素点的数量记为第一数量，计算每类中疑似像素点的第一数量的均值，三类均值中的最小值记为均值最小值，计算均值最小值对应的类中的像素点的灰度方差。

优选的，根据疑似噪声连通域为噪声的真正可能性对超声图像的像素点进行分类获得正常边缘像素点和疑似边缘噪声点以及疑似边缘噪声点的增强系数的方法为：

将疑似噪声连通域为噪声的真正可能性记为真正可能性，将疑似正常边缘连通域内的非疑似噪声连通域区域中的边缘像素点记为正常边缘像素点，将正常边缘连通域内的疑似噪声连通域中的边缘像素点记为疑似边缘噪声点，并将得到的真正可能性作为标记给疑似边缘噪声点赋值，每个疑似边缘噪声点的标记为疑似边缘噪声点所在的疑似噪声连通域计算的真正可能性，将0.5乘以1减去标记作为疑似边缘噪声点的增强系数。

本发明的有益效果是：本发明通过孤立的颗粒状斑噪声接近圆形的形状特征，准确识别出孤立的斑噪声，以及斑噪声处于边缘连通域内部，即边缘连通域边界上不会存在噪声点的分布特征，和噪声点的灰度相似性，准确的识别出病变边缘上的斑噪声。进而对图像内的噪声像素点，赋予极小的增强系数，尽量不进行锐化，用以抑制噪声，对于图像内清晰的强边缘像素点赋予较小的增强系数，进行较小的锐化，防止边缘过增强，对于不清晰的弱边缘像素点赋予较大的增强系数，进行较大的锐化，突显图像边缘细节特征。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种用于肝脏超声图像的增强优化方法的流程示意图；

图2为疑似正常连通域中的疑似噪声连通域的示意图，其中附图标记分别为：疑似正常边缘连通域1、疑似噪声连通域2、连通域宽度3、单像素宽度骨架线4、膨胀后的边缘线5。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的一种用于肝脏超声图像的增强优化方法流程图，该方法包括以下步骤：

步骤S001，使用超声探头采集超声图像。

首先利用超声探头扫描人体脏器和组织结构，获取超声图像。由于肝脏患病率在国内人群中很高，因此本实施例主要为检测肝脏病变的超声图像增强处理。

已知超声图像是依据各种组织结构间的声阻大小以明（白）暗（黑）之间不同的灰度来反映回声的有无和强弱，从而显示脏器和病变的形态、轮廓和大小。正常肝脏在超声图像上呈现均匀的回声，且轮廓完整、边界整齐与周围界限清晰，而病变部位的回声特征不同，包括低、等、高、混合等类型，以及超声图像由于成像原理因素会出现图像灰度范围不足、灰度分布不合理等现象的影响，使病变特征不明显。故需要对采集的肝脏超声图像进行对比度增强处理，突显图像内的边缘和细节特征，提高病变检测的准确性。

步骤S002，获取边缘图像，对边缘图像进行膨胀后连通域分析得到若干连通域，根据连通域的圆度对连通域进行分类。

本实施例对的超声图像进行对比度增强处理的方法采用的是反锐化掩模算法，传统的反锐化掩模算法对噪声非常敏感，会增强超声图像中的斑噪声，且易使灰度变化剧烈的边缘过增强，产生伪影。因此本实施例通过对图像内的像素点进行分类，自适应反锐化掩模算法的增强系数，用以抑制噪声和防止边缘过增强的同时，突显图像边缘细节特征。

具体的，首先利用Sobel边缘检测算子,获取超声图像内的边缘线，将任意两条边缘线的交点作为边缘线的节点，根据边缘线的节点对边缘线进行分割，得到若干没有分支的边缘线段，值得说明的是，边缘线的节点所对应的像素点在较长的边缘线段上。由于Sobel边缘检测算子获取的是超声图像内各像素灰度大致相同区域之间的边界，故检测的边缘线为多像素宽度，由此将超声图像分割为非边缘的平坦区域和边缘区域，边缘区域为边缘像素点组成的区域，平坦区域为非边缘像素点组成的区域。

将Sobel边缘检测后得到的边缘图像进行形态学膨胀，膨胀时所使用的结构元素大小为的窗口区域。已知斑噪声是存在于超声影像上的一种干涉条纹，当相关反射源反射出的两束回波发生重叠时，在超声图像上会出现颗粒状的斑噪声。因此孤立的斑噪声形状接近圆形，而正常的边缘形状为线形。

将边缘图像进行形态学膨胀之后的图像记为膨胀图像，在对边缘图像进行膨胀后，节点也会发生膨胀，在节点膨胀后，节点会使和它相邻的边缘线段组合为一个连通域，使用Two-Pass连通域分析算法得到膨胀图像边缘区域中的所有连通域，计算每个连通域的圆度，公式如下：

式中，为第i个连通域的面积，/>为第i个连通域的边界长度，n表示图像内连通域的数量，/>表示第i个连通域的圆度。其中圆度表示连通域越像圆的程度，圆度越接近1，表示连通域和圆形越相似。

将膨胀图像中的所有连通域的圆度放在一个集合中得到圆度集合，利用大津阈值法获取圆度集合A中的最佳分割阈值T，令圆度集合A中小于最佳分割阈值T的圆度对应连通域记为疑似噪声连通域，令圆度集合A中大于等于最佳分割阈值T的圆度对应连通域记为疑似正常连通域。将疑似噪声连通域中的所有边缘像素点记为疑似边缘噪声点。

通常图像内孤立噪声点识别根据邻域内噪声点与其它像素点灰度值都存在差异的特征识别，但斑噪声为由多个噪声点组成的颗粒状，根据邻域的灰度特征易被误识为边缘点。本实施例中通过形态学膨胀后的孤立的颗粒状斑噪声接近圆形的形状特征，准确识别出孤立的斑噪声，提高孤立斑噪声的识别率。且膨胀后的边缘上的斑噪声凸起特征更加明显，方便后续边缘上斑噪声的识别。

步骤S003，将疑似正常连通域根据宽度找到疑似噪声连通域，计算疑似噪声连通域为噪声的可能性，计算疑似噪声连通域为噪声的真正可能性，并对超声图像像素点进行分类。

由于斑噪声可能处于超声图像内的正常边缘线上，即如图2所示，获取的疑似正常边缘连通域1可能存在噪声像素点，斑噪声会在线形的边缘上造成凸起和增加灰度值种类，因此本实施例根据疑似正常边缘连通域1的形状和像素灰度特征，初步识别分割正常边缘上的班噪声。

具体的，以任意一个疑似正常连通域为例，对于疑似正常连通域使用形态学的细化操作获取疑似正常连通域的单像素宽度骨架线4，将单像素宽度骨架线4上的像素点记为骨架点，对每个骨架点作该像素点的法线，得到骨架点的法线在疑似正常连通域内部的像素点的数量表示骨架点对应的连通域宽度3，且必须经过骨架点且连续的一部分像素点数量才可以作为连通域宽度3，获取宽度集合，其中/>为第一个骨架点对应的连通域宽度，/>为第二个骨架点对应的连通域宽度，/>为第m个骨架点对应的连通域宽度，m为骨架点的数量，即单像素宽度骨架线4的长度。

由于正常边缘线的宽度相差不大，对边缘图像进行形态学膨胀后得到的疑似正常连通域在单像素宽度骨架线4上对应的连通域宽度3也应相差不大，故统计宽度集合中的众数对应的连通域宽度为疑似正常连通域的标准宽度/>，若存在多个众数，则取这些众数对应连通域宽度的均值作为疑似正常连通域的标准宽度/>。

在宽度集合B中统计连通域宽度大于标准宽度的骨架点，记该骨架点为疑似噪声骨架点，将疑似噪声骨架点上法线上的像素点进行标记，由此在每个疑似正常连通域中，像素点分为标记像素点和未标记像素点，将标记像素点组成的连通域记为疑似噪声连通域2。

在超声图像中，一般情况下边缘线上局部区域内的像素点根据灰度值可分为两类，而存在斑噪声的边缘线上的局部区域内多出一类灰度值，因此在超声图像中以疑似正常连通域内一处疑似噪声连通域2为例，计算疑似噪声连通域为噪声的可能性，公式如下：

式中，表示疑似噪声连通域内第j个骨架点对应在集合B内的宽度值，/>表示疑似正常连通域的标准宽度，/>表示宽度集合B中的最大值，q表示疑似噪声连通域内骨架点的数量，/>和/>分别表示疑似噪声连通域内小于疑似噪声连通域灰度均值的像素点灰度方差和大于等于疑似噪声连通域灰度均值的像素点灰度方差。

边缘上的斑噪声点会造成边缘线上局部凸起，故用表示该疑似噪声连通域的凸起程度。且一般情况下边缘线上局部区域内的像素点灰度值可分为两类，而存在斑噪声的边缘线上的局部区域内多出一类灰度值，故将该疑似噪声连通域内的像素点分为两类，分别计算其灰度方差/>和/>，斑噪声会导致灰度方差变大。因此用归一化的为/>的调整值，两者的乘积表示该疑似噪声连通域为噪声的可能性。

当肝脏超声图像内的肝脏正常时，其回声均匀，且肝脏形状规则，边缘光滑，符合上述的噪声分析。但当肝脏产生病变时，病变部位可能呈现不规则形状，即边缘上可能存在较小的转折，且回声特征不同，包括低、等、高、混合等类型，会导致病变边缘形态学膨胀后会产生一些凸起，以及不同回声特征的影响，导致病变边缘的一些局部区域内像素点灰度值混乱，即方差较大。因此病变边缘特征会导致上述求取的C值存在误差，需要进行校正。

具体的，以任意一个疑似正常连通域为例，若该疑似噪声连通域内存在斑噪声，则该疑似噪声连通域内像素点可分为三类，即噪声像素点和边缘两侧区域像素点，此三类像素点灰度值具有较小的差异。因此本实施例使用K-means聚类算法，令聚类簇为3，将该疑似噪声连通域分割为三部分，因为斑噪声在超声图像的边缘线上，那么斑噪声会导致边缘线有轻微的凸起，对边缘图像膨胀后，边缘线的宽度增加，将斑噪声完全包裹，因此在超声图像中，斑噪声被膨胀后的边缘线5包裹，斑噪声完全处于疑似噪声连通域内，即疑似噪声连通域边界上不会存在噪声点，而非噪声的部分则会存在疑似噪声连通域的边界上。

对于疑似噪声连通域中的所有像素点记为疑似像素点，获得疑似像素点的八邻域，统计每个疑似像素点八邻域中非该疑似噪声连通域中的像素点的数量，记为H，根据上述聚类将疑似噪声连通域分割为三部分，分别计算三部分中所有疑似像素点八邻域中非该疑似噪声连通域中的像素点的数量的均值，记为，取三个均值中的最小值记为均值最小值/>，均值最小值/>表示该疑似噪声连通域内噪声点的分布特征。计算疑似噪声连通域中均值最小值/>对应的部分的像素点的灰度方差F，若存在多个均值最小值/>，则取对应部分像素灰度方差中的最小方差F。

若该疑似噪声连通域内存在斑噪声，则均值最小值接近于0，对应的斑噪声的像素点的灰度值相差不大，但若该疑似噪声连通域属于病变边缘，且不存在斑噪声时，其混乱的回声会导致像素点灰度值混乱，会导致K-means聚类分割效果较差，造成较小，但其对应部分内像素灰度值存在一定的差异，基于此计算疑似噪声连通域为噪声的真正可能性，公式如下：

式中，C表示该疑似噪声连通域为噪声的可能性，表示疑似噪声连通域内噪声点的分布特征，F为/>所对应的疑似噪声连通域的部分内像素点的灰度方差，e为自然常数，/>为疑似噪声连通域为噪声的真正可能性。

超声图像内的病变边缘特征会产生一些灰度值异常的伪噪声凸起，因此用噪声点处于连通域内部的位置分布特征，获取噪声分布特征，其值越小，存在噪声的可能性越大。当/>对应的该疑似噪声连通域部分内为噪声点时，其像素灰度方差F应较小，而为病变像素点时，则F较大。故用归一化的/>为F的调整值，两者的乘积表示对应的该疑似噪声连通域部分为病变的概率。因此用反比归一化的/>为C的调整值，两者的乘积表示该疑似噪声连通域为噪声的真正可能性。

至此获得了任意一个疑似噪声连通域为噪声的真正可能性，将所有疑似噪声连通域为噪声的真正可能性进行线性归一化处理，后续使用归一化之后的结果进行分析计算。

传统的边缘线上的噪声识别通过噪声点与其边缘两侧区域的灰度值都存在差异，而边缘两侧像素点灰度值存在相似性，由此区分噪声点。但由于病变的影响会造成边缘两侧像素点灰度值也存在差异，影响噪声的识别。本实施例中通过斑噪声处于边缘连通域内部，即边缘连通域边界上不会存在噪声点的分布特征，以及噪声点的灰度相似性，准确的识别出病变边缘上的斑噪声，提高边缘上斑噪声的识别率。

获取所有疑似正常边缘连通域内的所有疑似噪声连通域，计算所有疑似噪声连通域对应的噪声的真正可能性G，将疑似正常边缘连通域内的非疑似噪声连通域区域中的边缘像素点记为正常边缘像素点，将正常边缘连通域内的疑似噪声连通域中的边缘像素点记为疑似边缘噪声点，并将得到的G作为标记给疑似边缘噪声点赋值，即每个疑似边缘噪声点的标记值为疑似边缘噪声点所在的疑似噪声连通域对应的噪声的真正可能性G记为疑似边缘噪声点是噪声的可能性。

至此，将图像内的像素点分为非边缘像素点、正常边缘像素点和疑似边缘噪声点。

步骤S004，使用不同的增强系数对三类像素点进行不同程度的增强。

反锐化掩模算法中对于图像内的噪声像素点，不进行锐化，用以抑制噪声，对于图像内的边缘像素点，需要根据边缘的清晰程度，对清晰的强边缘进行较小的锐化，防止边缘过增强，对于不清晰的弱边缘进行较大的锐化，突显图像边缘细节特征。

具体的，因为反锐化掩模算法中增强系数越大，锐化程度越高，正常的反锐化掩模算法中增强系数一般为1。因此在本实施例中超声图像的平坦区域的非边缘像素点的增强系数为1，对于边缘区域内的正常边缘像素点，增强系数范围设置为[0.5,1.5]，正常边缘像素点的增强系数计算如下：

式中，表示超声图像内第x个正常边缘像素点的梯度值，/>为超声图像内正常边缘像素点的梯度值中的最大值，即/>为归一化处理，其值越大，该正常边缘像素点越清晰，需要越小的增强系数。y表示超声图像内正常边缘像素点的数量，/>为正常边缘像素点的增强系数。

对于边缘区域内的疑似边缘噪声点，设置增强系数的范围为[0,0.5]，疑似边缘噪声点的增强系数计算如下：

式中，表示超声图像内第d个疑似边缘噪声点是噪声的可能性，h表示图像内疑似边缘噪声点的数量，/>为疑似边缘噪声点的增强系数，其值越大，增强系数应越接近于0。

基于上述对不同像素点进行不同程度的增强，可根据实际需求自行设定增强系数的范围，在本实施例中，将1作为非边缘像素点的增强系数，将作为正常边缘像素点的增强系数，将/>作为疑似边缘噪声点的增强系数；之后利用反锐化掩模算法实现图像增强优化，得到超声图像的优化图像。

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 (7)

1.一种用于肝脏超声图像的增强优化方法，其特征在于，该方法包括以下步骤：

采集超声图像并获得超声图像的边缘图像；

在边缘图像中找到边缘线的节点，利用边缘线的节点对边缘线分割得到边缘线段，将边缘线段组成的区域记为边缘区域；对边缘图像进行膨胀得到膨胀图像，对于膨胀图像的边缘区域进行连通域分析得到膨胀图像的连通域，根据连通域面积和边界长度的比值计算每个连通域的圆度，根据连通域的圆度将连通域分为疑似正常连通域和疑似噪声连通域；

对于疑似正常连通域，将疑似正常连通域进行细化得到单像素宽度骨架线，将单像素宽度骨架线上的像素点记为骨架点，根据骨架点的法线得到骨架点对应的连通域宽度，将所有的骨架点对应的连通域宽度构建宽度集合，根据宽度集合找出疑似正常连通域的标准宽度，根据标准宽度获得疑似正常连通域内的疑似噪声连通域；

根据疑似噪声连通域内所有骨架点对应的连通域宽度与标准宽度差的均值、宽度集合中连通域宽度的最大值、疑似噪声连通域中小于灰度均值的方差和大于等于灰度均值的方差得到疑似噪声连通域为噪声的可能性；

将每个疑似噪声连通域分为三类，并计算每类像素点八邻域包含的非该疑似噪声连通域的数量的均值，根据非疑似噪声连通域的数量的均值获得均值最小值和每类的灰度方差，根据疑似噪声连通域为噪声的可能性、均值最小值归一化后与均值最小值对应的类中的像素点的灰度方差的乘积获得疑似噪声连通域为噪声的真正可能性，根据疑似噪声连通域为噪声的真正可能性对超声图像的像素点进行分类获得正常边缘像素点和疑似边缘噪声点以及疑似边缘噪声点的增强系数；

获取非边缘像素点和正常边缘像素点的增强系数，并结合疑似边缘噪声点的增强系数对超声图像进行增强，完成超声图像的增强优化。

2.根据权利要求1所述的一种用于肝脏超声图像的增强优化方法，其特征在于，所述在边缘图像中找到边缘线的节点，利用边缘线的节点对边缘线分割得到边缘线段的方法为：

在边缘图像中，边缘线的交点作为边缘线的节点，将相交的边缘线排除节点部分后得到若干边缘线段，将边缘线的节点相邻的边缘线段记为标准边缘线段，将边缘线的节点与节点对应的标准边缘线段中最长的标准边缘线段合并为一条新的边缘线段。

3.根据权利要求1所述的一种用于肝脏超声图像的增强优化方法，其特征在于，所述根据骨架点的法线得到骨架点对应的连通域宽度的方法为：

对于每个骨架点做单像素宽度骨架线的法线，将骨架点的法线在疑似正常连通域内部的像素点作为内部像素点，将所有内部像素点中根据相邻关系分组，每一组的像素点在位置上都是连续的，将存在骨架点的一组的像素点数量作为骨架点对应的连通域宽度。

4.根据权利要求1所述的一种用于肝脏超声图像的增强优化方法，其特征在于，所述根据宽度集合找出疑似正常连通域的标准宽度，根据标准宽度获得疑似正常连通域内的疑似噪声连通域的方法为：

将宽度集合中的众数对应的连通域宽度作为疑似正常连通域的标准宽度，若存在多个众数，则众数对应的连通域宽度的均值作为疑似正常连通域的标准宽度，统计宽度集合中连通域宽度大于标准宽度的骨架点记为疑似噪声骨架点，将疑似噪声骨架点的法线上的像素点标记，将标记的像素点组成的连通域记为疑似噪声连通域。

5.根据权利要求1所述的一种用于肝脏超声图像的增强优化方法，其特征在于，所述根据疑似噪声连通域内所有骨架点对应的连通域宽度与标准宽度差的均值、宽度集合中连通域宽度的最大值、疑似噪声连通域中小于灰度均值的方差和大于等于灰度均值的方差得到疑似噪声连通域为噪声的可能性的方法为：

式中，表示疑似噪声连通域内第j个骨架点对应在集合B内的宽度值，/>表示疑似正常连通域的标准宽度，/>表示宽度集合B中的最大值，q表示疑似噪声连通域内骨架点的数量，/>和/>分别表示疑似噪声连通域内小于疑似噪声连通域灰度均值的像素点灰度方差和大于等于疑似噪声连通域灰度均值的像素点灰度方差，C为疑似噪声连通域为噪声的可能性。

6.根据权利要求1所述的一种用于肝脏超声图像的增强优化方法，其特征在于，所述将每个疑似噪声连通域分为三类，并计算每类像素点八邻域包含的非该疑似噪声连通域的数量的均值，根据非疑似噪声连通域的数量的均值获得均值最小值和每类的灰度方差的方法为：

将每个疑似噪声连通域记为第一连通域，使用K-means聚类将第一连通域分为三类，将第一连通域中的所有像素点记为疑似像素点，统计每个疑似像素点八邻域中非第一连通域的像素点的数量记为第一数量，计算每类中疑似像素点的第一数量的均值，三类均值中的最小值记为均值最小值，计算均值最小值对应的类中的像素点的灰度方差。

7.根据权利要求1所述的一种用于肝脏超声图像的增强优化方法，其特征在于，所述根据疑似噪声连通域为噪声的真正可能性对超声图像的像素点进行分类获得正常边缘像素点和疑似边缘噪声点以及疑似边缘噪声点的增强系数的方法为：

将疑似噪声连通域为噪声的真正可能性记为真正可能性，将疑似正常边缘连通域内的非疑似噪声连通域区域中的边缘像素点记为正常边缘像素点，将正常边缘连通域内的疑似噪声连通域中的边缘像素点记为疑似边缘噪声点，并将得到的真正可能性作为标记给疑似边缘噪声点赋值，每个疑似边缘噪声点的标记为疑似边缘噪声点所在的疑似噪声连通域计算的真正可能性，将0.5乘以1减去标记作为疑似边缘噪声点的增强系数。