CN116681701A - 一种儿童肺部超声图像处理方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，尤其涉及一种儿童肺部超声图像处理方法。首先从儿童肺部超声图像中划分出模糊区域；然后使用不同滑窗尺寸对模糊区域进行筛选，并基于离散程度选择最优滑窗尺寸；最后基于DBSCAN聚类算法按最优滑窗尺寸对儿童肺部超声图像中的白色像素点进行聚类操作，以增强儿童肺部超声图像的对比度。本发明基于改进的DBSCAN聚类算法对儿童肺部超声图像进行处理，使得儿童肺部超声图像中的模糊区域也变得清晰，更加有利于医生对儿童肺部健康的检测和评估。

Description

一种儿童肺部超声图像处理方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种儿童肺部超声图像处理方法。

背景技术

肺部疾病是儿童常见的疾病，既往对其影像学检查主要依靠胸部X线片、胸部CT，但是这两种检查方法均可导致大量电离辐射，存在潜在的致癌及基因突变风险。

随着超声技术的发展，当肺部组织被渗出液、漏出液、血液等填塞时，超声波可以通过一场组织或液体产生反射，形成超声伪像。

儿童具有胸壁薄、胸廓小等特征，便于超声成像，且超声检查具有无辐射的特点，因此在儿科领域中使用肺部超声代替胸部x线片检查也是一种安全可行的措施，虽然它可以帮助医生评估肺部结构、观察肺内病变、检测肺部积液等，但是，肺部超声对肺部深层结构的检测能力有限，对于大肿块或胸膜的检测也不是很清楚。

因此，在儿童的肺部超声影像中，由于肺部组织对超声波的吸收能力不同，可能会导致图像模糊和不清晰，这对于医生的诊断来说会造成一定的诊断误差。

发明内容

本发明要解决的技术问题在于，针对儿童肺部超声图像的处理，由于在拍摄肺部超声的过程中，不同的组织对超声波的吸收能力不同，并且受到一些噪声的干扰，使得肺部超声图像有些部位变得模糊不清晰。针对现有技术中的缺陷，提供一种儿童肺部超声图像处理方法。

为了解决上述技术问题，本发明提供了一种儿童肺部超声图像处理方法，包括：

对儿童肺部超声图像进行阈值分割，划分出黑色像素点和白色像素点；

将儿童肺部超声图像中的所述白色像素点根据密度分布划分为密度区域和模糊区域；

使用不同滑窗尺寸对所述模糊区域进行筛选，并计算每个所述滑窗尺寸对应的筛选结果的离散程度；

选择最大的所述离散程度对应的所述滑窗尺寸作为最优滑窗尺寸；

基于DBSCAN聚类算法按所述最优滑窗尺寸对儿童肺部超声图像中的所述白色像素点进行聚类操作，以增强儿童肺部超声图像的对比度。

可选地，对儿童肺部超声图像进行阈值分割，划分出黑色像素点和白色像素点，包括：

采用最大类间方差法对儿童肺部超声图像进行阈值分割，将儿童肺部超声图像中的像素点划分为黑色像素点和白色像素点。

可选地，所述密度区域包括最大密度区域和最小密度区域。

可选地，将儿童肺部超声图像中的所述白色像素点根据密度分布划分为密度区域和模糊区域，包括：

从所述白色像素点中选定一个初始像素点；

以所述初始像素点为中心点、以所述初始像素点与其8邻域中45°方向上的所述白色像素点之间的距离为半径建立圆密度区域；

使所述圆密度区域沿8邻域方向分别在所述白色像素点中滑动，并统计滑动过程中的各个圆密度区域内的白色像素点的分布情况；其中，不同的所述圆密度区域之间没有交集；

基于不同的所述圆密度区域中所述白色像素点的分布情况将各个所述白色像素点划分为最大密度区域、最小密度区域和模糊区域。

可选地，基于不同的所述圆密度区域中所述白色像素点的分布情况将各个所述白色像素点划分为最大密度区域、最小密度区域和模糊区域，包括：

基于每个所述圆密度区域中所述白色像素点的分布情况计算各个所述圆密度区域的筛选因子；

选择所述筛选因子最大的所述圆密度区域作为初始密度区域；

计算所述初始密度区域与其它的所述圆密度区域之间的相关密度差；

将相关密度差最小的所述圆密度区域与所述初始密度区域合并为最大密度区域；

将相关密度差最大的所述圆密度区域作为初始区域；

计算所述初始区域与剩余的所述圆密度区域之间的相关密度差；

将相关密度差最小的所述圆密度区域与所述初始区域合并为最小密度区域；

将所述最大密度区域和所述最小密度区域之外的所述白色像素点划分为模糊区域。

可选地，基于以下公式计算所述相关密度差：

；

式中，是相关密度差，/>是所述初始密度区域或所述初始区域中所述白色像素点的数量，/>是其它的所述初始密度区域或剩余的所述圆密度区域中所述白色像素点的数量。

可选地，使用不同滑窗尺寸对所述模糊区域进行筛选，并计算每个所述滑窗尺寸对应的筛选结果的离散程度，包括：

从所述模糊区域中任选一个所述白色像素点作为初始点；

以所述初始点的8邻域组成正方形的内切圆的半径为初始滑窗尺寸，将所述初始滑窗尺寸逐次加1作为迭代滑窗尺寸；

分别以所述初始滑窗尺寸和各个所述迭代滑窗尺寸为半径建立圆形滑动窗口，使各个所述圆形滑动窗口在所述白色像素点中滑动；

基于所述白色像素点的分布情况计算各个所述圆形滑动窗口的筛选因子；

根据各个所述圆形滑动窗口的所述筛选因子计算每个所述初始滑窗尺寸和所述迭代滑窗尺寸对应的所述模糊区域的筛选结果的离散程度。

可选地，基于以下公式计算所述筛选因子：

；

式中，是筛选因子，/>是单个所述圆密度区域或所述圆形滑动窗口内的所述白色像素点的数量，/>是所述圆密度区域或所述圆形滑动窗口内各个所述白色像素点到中心点的距离，/>是所述圆密度区域或所述圆形滑动窗口内所有所述白色像素点到中心点的距离的平均值。

可选地，基于以下公式计算所述离散程度：

；

式中，是所述模糊区域中所有的所述筛选因子的离散程度；/>是每个所述圆形滑动窗口对应的所述筛选因子的值；/>是所有所述圆形滑动窗口对应的所述筛选因子的平均值。

可选地，基于DBSCAN聚类算法按所述最优滑窗尺寸对儿童肺部超声图像中的所述白色像素点进行聚类操作，包括：

从所述白色像素点中随机选取一个种子点；

计算以所述种子点为中心点、以所述最优滑窗尺寸为半径的窗口内所述白色像素点的密度；

对于每个所述白色像素点，若与所述种子点的距离小于等于所述最优滑窗尺寸则标记为核心点，若与所述种子点的距离大于所述最优滑窗尺寸则标记为噪声点；

对于每一个所述核心点，计算以其为中心点、以所述最优滑窗尺寸为半径的窗口内所述白色像素点的密度，若大于所述种子点的密度，则添加到边界中；否则从边界移除；

对于每一个非噪声点，若以其为中心点、以所述最优滑窗尺寸为半径的窗口内所述核心点的数量大于默认值，则重新选择所述非噪声点作为所述种子点，直至不再有新的所述种子点。

本发明实施例的一种儿童肺部超声图像处理方法，对DBSCAN聚类算法进行了改进，基于改进的DBSCAN聚类算法对儿童肺部超声图像进行处理，使得儿童肺部超声图像中的模糊区域也变得清晰，更加有利于医生对儿童肺部健康的检测和评估。

附图说明

图1是本发明实施例的一种儿童肺部超声图像处理方法的主要步骤的示意图；

图2是一种儿童肺部超声图像的示意图；

图3是本发明一个可参考实施例的一种儿童肺部超声图像处理方法的实现过程的示意图；

图4是本发明一个可参考实施例的一种儿童肺部超声图像处理方法的增强不同密度区域对比度的示意图；

图5是本发明一个可参考实施例的一种儿童肺部超声图像处理方法的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。

在超声图像中，A线通常是通过扫描区域中心的一条垂直于扫描平面的直线，当超声波穿过人体组织时，不同组织的反射程度不同，因此超声波在穿过组织时会产生不同的回声，这些回声会转换成数字信号，然后经过计算机处理后生成超声图像；B线通常是通过扫描区域中心的一条垂直于扫描平面的直线。A线和B线都可以帮助医生判断肺部病变的位置、大小和形状等信息，但是由于肺部组织对超声波的吸收能力不同，肺部解剖结构的不同等原因，会导致超声图像模糊或者不清晰，通过对超声图像的进一步处理，使得超声图像中模糊或者不清晰的部分变得清晰，为医生的诊断和评估提供支持。

由于儿童肺部的超声图像受到噪声和肺部不同组织对超声波的吸收能力不同的因素，可能会导致超声图像模糊不清晰，这对医生的诊断会带来一定的影响。采用图像增强技术对肺部超声图像进行增强，更有利于医生对肺部情况的诊断和评估。

如图1所示，本发明实施例提供的一种儿童肺部超声图像处理方法主要包括如下步骤：

步骤101、对儿童肺部超声图像进行阈值分割，划分出黑色像素点和白色像素点。

超声图像通常都是灰度图像，图像中的灰度值通常表示组织的反射能力，也就是组织对超声波的吸收程度。因此，在儿童肺部超声图像中，颜色的分布相对都比较单一，大部分都存在着黑色和白色，只是黑色和白色的程度不一样，而没有其他因素的严重影响，并且，正常肺野呈黑色。因此，本发明实施例将儿童肺部超声图像中的像素点划分为黑色像素点和白色像素点，对黑色像素点的部分不多做处理，对白色像素点则需要进一步的处理。

在本发明实施例中，步骤101可以采用如下方式实现：采用最大类间方差法对儿童肺部超声图像进行阈值分割，将儿童肺部超声图像中的像素点划分为黑色像素点和白色像素点。

最大类间方差法也称“大津法”，是对图像进行一个二值化处理的方法，最大类间方差法的具体实现过程可以参考现有的技术方案或利用已有计算机程序实现，本发明实施例不再赘述。经过对儿童肺部超声图像的二值化处理之后，可以将其中的像素点划分为黑色像素点和白色像素点两类。

步骤102、将儿童肺部超声图像中的白色像素点根据密度分布划分为密度区域和模糊区域。

由于二值化处理之后的儿童肺部超声图像中会有很多的边缘像素点，现在要对这些像素点进行大致的分类，将这些像素点根据密度分布进行分区，以便于后期对像素点的密度区域进行聚类处理。

作为一种优选的实施方式，密度区域可以包括最大密度区域和最小密度区域。

对于白色像素点，本发明实施例设定一个窗口，通过窗口的滑动，对窗口内的白色像素点的密度进行筛选，具体地，在本发明实施例中，步骤102可以采用如下方式实现：从白色像素点中选定一个初始像素点；以初始像素点为中心点、以初始像素点与其8邻域中45°方向上的白色像素点之间的距离为半径建立圆密度区域；使圆密度区域沿8邻域方向分别在白色像素点中滑动，并统计滑动过程中的各个圆密度区域内的白色像素点的分布情况；基于不同的圆密度区域中白色像素点的分布情况将各个白色像素点划分为最大密度区域、最小密度区域和模糊区域。

由于圆密度区域的大小恒定，所以圆密度区域内的白色像素点密度大小可以用白色像素点数量来衡量。使该圆密度区域沿着8邻域的方向进行滑动，对滑动过程中的各个圆密度区域内的白色像素点的数量进行统计，并且各个圆密度区域之间没有交集，即一个白色像素点不会同时属于两个圆密度区域，对整个儿童肺部超声图像进行处理之后，大部分的白色像素点都包含在不同的圆密度区域中。

在本发明实施例中，基于不同的圆密度区域中白色像素点的分布情况将各个白色像素点划分为最大密度区域、最小密度区域和模糊区域的步骤，可以进一步采用如下方式实现：基于每个圆密度区域中白色像素点的分布情况计算各个圆密度区域的筛选因子；选择筛选因子最大的圆密度区域作为初始密度区域；计算初始密度区域与其它的圆密度区域之间的相关密度差；将相关密度差最小的圆密度区域与初始密度区域合并为最大密度区域；将相关密度差最大的圆密度区域作为初始区域；计算初始区域与剩余的圆密度区域之间的相关密度差；将相关密度差最小的圆密度区域与初始区域合并为最小密度区域；将最大密度区域和最小密度区域之外的白色像素点划分为模糊区域。

在步骤102中，筛选因子表示了圆密度区域中白色像素点的数量和标准差的关系，标准差越小表示该圆密度区域内的白色像素点的离散程度越小，也就是白色像素点分布比较均匀。整个儿童肺部超声图像的不同圆密度区域，筛选因子越小就表示该圆密度区域内的白色像素点的分布数量多且分布的比较均匀，白色像素点分布的离散程度较小，因此将筛选因子最大的圆密度区域作为初始密度区域。

进一步地，从初始密度区域开始合并其它的圆密度区域的白色像素点，计算初始密度区域与其它的圆密度区域之间的相关密度差，以相关密度差作为合并的标准，相关密度差的大小表示了其它的圆密度区域和初始密度区域的近似度，相关密度差越小，则表示该其它的圆密度区域与初始密度区域的相似度越高，可以合并为一个最大密度区域。对所有的相关密度差进行筛选，将最趋近于0（即最小）的相关密度差对应的圆密度区域作为初始密度区域的合并区域，合并为最大密度区域；将相关密度差最大的其它的圆密度区域作为新的初始区域，计算其与剩余的圆密度区域之间的相关密度差，将最趋近于0的相关密度差对应的圆密度区域作为该初始区域的合并区域，合并为最小密度区域。

经过本步骤的划分之后，在儿童肺部超声图像中，白色像素点分布数量多且白色像素点之间的距离最均匀的区域为最大密度区域，与之相反的，白色像素点分布数量少且白色像素点之间的距离越离散的区域为最小密度区域，最大密度区域和最小密度区域在儿童肺部超声图像中也是对比度较大的点，比较容易观察。

作为一种优选的实施方式，本步骤可以基于以下公式计算筛选因子：

；

对于本步骤，是筛选因子，/>是单个圆密度区域内的白色像素点的数量，/>是该圆密度区域内各个白色像素点到中心点（即初始像素点）的距离，/>是该圆密度区域内所有白色像素点到中心点的距离的平均值。

作为一种优选的实施方式，本步骤可以基于以下公式计算相关密度差：

；

式中，是相关密度差；对于初始密度区域与其它的圆密度区域之间的相关密度差的计算，/>是初始密度区域中白色像素点的数量，/>是其它的初始密度区域中白色像素点的数量；而对于初始区域与剩余的圆密度区域之间的相关密度差的计算，/>是初始区域中白色像素点的数量，/>是剩余的初始区域中白色像素点的数量。

步骤103、使用不同滑窗尺寸对模糊区域进行筛选，并计算每个滑窗尺寸对应的筛选结果的离散程度。

上一步骤的处理只是区分了差异最大的区域（即最大密度区域和最小密度区域）内白色像素点的分布，对模糊区域没有作处理，接下来对模糊区域的白色像素点进行处理。因为最大密度区域和最小密度区域的区域对比度较高，采用DBSCAN聚类算法进行聚类的时候，根据对模糊区域处理之后得到聚类窗口的尺寸（即最优滑窗尺寸）对最大密度区域和最小密度区域同样适用，为了后续计算的准确性可以将最大密度区域和最小密度区域内的白色像素点筛除，仅对剩下的白色像素点进行区分和计算。

在本发明实施例中，步骤103可以采用如下方式实现：从模糊区域中任选一个白色像素点作为初始点；以初始点的8邻域组成正方形的内切圆的半径为初始滑窗尺寸，将初始滑窗尺寸逐次加1作为迭代滑窗尺寸；分别以初始滑窗尺寸和各个迭代滑窗尺寸为半径建立圆形滑动窗口，使各个圆形滑动窗口在白色像素点中滑动；基于白色像素点的分布情况计算各个圆形滑动窗口的筛选因子；根据各个圆形滑动窗口的筛选因子计算每个初始滑窗尺寸和迭代滑窗尺寸对应的模糊区域的筛选结果的离散程度。

因为滑窗尺寸不宜太小，窗口尺寸太小会影响计算的准确性，因此，本发明实施例在选取最优滑窗尺寸时，任选一个白色像素点，以其8邻域组成正方形的内切圆的半径（即初始滑窗尺寸）为最小值，从初始滑窗尺寸开始迭代、迭代步长为1，即对初始滑窗尺寸逐次加1作为迭代滑窗尺寸，分别以这些初始滑窗尺寸和迭代滑窗尺寸为半径建立圆形滑动窗口，通过不同滑窗尺寸建立的圆形滑动窗口来对模糊区域的划分进行优化，具体地，分别统计每个圆形滑动窗口内白色像素点的分布情况，筛选因子越小，表示圆形滑动窗口内的白色像素点的离散程度越小并且白色像素点的分布数量越多，这样的结果表示儿童肺部超声图像中圆形滑动窗口的分布越好，也越接近于实际需要的结果。此外，需要说明的是，迭代滑窗尺寸的最大值可以根据实际情况确定、也可以将该最大值限制为小于模糊区域内相距最远的两个白色像素点之间的距离。

在模糊区域中，设置的每一个滑窗尺寸都会划分出很多个圆形滑动窗口，每个圆形滑动窗口内白色像素点的分布情况都是需要去评估的条件，先对每个圆形滑动窗口内白色像素点的数量以及相互之间的距离进行统计，当然也会得到多个筛选因子的值，通过对所有的筛选因子进行统计分析，会得到每一个滑窗尺寸对应的离散程度。

原超声影像中既有表达各器官、皮肤层、骨骼等的亮点，又有密度稍小、亮度稍低的身体组织层的亮点，在常规识别儿童肺部超声图像时，会受到这些因素的干扰，当利用DBSCAN聚类算法分割不同结构层时，会由于参数不正导致分割结果混淆，影响后续病理区域的分析和识别，为了改善这一问题，本发明实施例对DBSCAN聚类算法的滑动窗口（即圆形滑动窗口）的半径进行优化调节，对滑动窗口内部的高亮点分布特征进行提取，而由于不同结构层内部以及交界处的高亮点密度必然存在差异，因此，迭代滑动窗口时在不同结构层所遍历的滑动窗口内特征期望理应具有最大离散度，根据PCA主成分分析中最大方差理论，当滑动窗口内特征离散度最大时，中心窗口和边缘窗口收敛效果最好，避免了分割模糊问题，并且以滑动窗口所得各聚类结果能最准确的表示不同人体结构层，保证不同结构层的形状完整。

在步骤103中，筛选因子表示了圆形滑动窗口中白色像素点的数量和标准差的关系，标准差越小表示该圆形滑动窗口内的白色像素点的离散程度越小，也就是白色像素点分布比较均匀。整个模糊区域的不同圆形滑动窗口，筛选因子越小就表示该圆形滑动窗口内的白色像素点的分布数量多且分布的比较均匀，白色像素点分布的离散程度较小。

作为一种优选的实施方式，本步骤可以基于以下公式计算筛选因子：

；

对于本步骤，是筛选因子，/>是单个圆形滑动窗口内的白色像素点的数量，/>是该圆形滑动窗口内各个白色像素点到中心点（即初始点）的距离，/>是该圆形滑动窗口内所有白色像素点到中心点的距离的平均值。

作为一种优选的实施方式，本步骤可以基于以下公式计算离散程度：

；

式中，是模糊区域中所有的筛选因子的离散程度；/>是每个圆形滑动窗口对应的筛选因子的值；/>是所有圆形滑动窗口对应的筛选因子的平均值。

筛选因子表示每个圆形滑动窗口内的白色像素点之间距离的标准差与白色像素点的数量的比值，它可反映出窗口内的白色像素点的分布效果。因为在同样的滑窗尺寸下，模糊区域中会存在很多相同大小的圆形滑动窗口，对每个圆形滑动窗口的筛选因子进行统计，然后对所有的筛选因子进行离散度的统计，也就是混乱程度，混乱程度越大，就表示在对应的滑窗尺寸下模糊区域中各个圆形滑动窗口之间的离散程度越大，使用DBSCAN聚类算法的时候效果越好，因为混乱程度越大，相当于模糊区域中每个圆形滑动窗口之间的差异越大，这样聚类操作之后，不同区域的对比度更高。

步骤104、选择最大的离散程度对应的滑窗尺寸作为最优滑窗尺寸。

通过迭代滑窗尺寸，可以计算出不同的离散程度，通过对离散程度的分析得到所需要的结果下的滑窗尺寸作为最优滑窗尺寸，并且作为DBSCAN聚类的标准。

步骤105、基于DBSCAN聚类算法按最优滑窗尺寸对儿童肺部超声图像中的白色像素点进行聚类操作，以增强儿童肺部超声图像的对比度。

在本发明实施例中，基于DBSCAN聚类算法按最优滑窗尺寸对儿童肺部超声图像中的白色像素点进行聚类操作，可以采用如下方式实现：从白色像素点中随机选取一个种子点；计算以种子点为中心点、以最优滑窗尺寸为半径的窗口内白色像素点的密度；对于每个白色像素点，若与种子点的距离小于等于最优滑窗尺寸则标记为核心点，若与种子点的距离大于最优滑窗尺寸则标记为噪声点；对于每一个核心点，计算以其为中心点、以最优滑窗尺寸为半径的窗口内白色像素点的密度，若大于种子点的密度，则添加到边界中；否则从边界移除；对于每一个非噪声点，若以其为中心点、以最优滑窗尺寸为半径的窗口内核心点的数量大于默认值，则重新选择非噪声点作为种子点，直至不再有新的种子点。

需要说明的是，在重新选择种子点后，已标记为噪声点的白色像素点还可能被重新更改标记为核心点。默认值可以根据实际需要或历史经验选取，本发明实施例不予限定。

由于儿童肺部容积较小、气道较窄、胸廓柔软等原因可能会造成肺部超声图像不清晰，但是肺部超声对儿童来说是一种安全、无创、有效的检查方法，并且儿童肺部超声可以检测到肺部结构异常、评估肺部功能，对某些呼吸道疾病还可以根据检测疾病的进展情况来调整治疗方案，经上述步骤处理后的儿童肺部超声图像相对明显清晰，有助于医生对儿童肺部情况的了解和诊断。

如图2所示，儿童肺部超声图像中，灰度值能够表示组织的反射能力，也就是组织对超声波的吸收程度，在儿童肺部超声图像中颜色的分布相对比较单一，大部分都存在着黑色和白色，只是黑色和白色的程度不一样，而没有其他因素的严重影响。从图中可以看出在儿童肺部超声图像中的大致情况，除了肋骨和胸膜线较为清晰以外，其他的部位可能相对都比较模糊，不利于医生的观察，况且儿童的肺部较小、肋骨较细、气道较窄等因素都会影响超声图像的质量，因此需要对超声图像中的边缘信息进行一个增强，以利于医生对儿童肺部情况的诊断和预防。

如图3所示，本发明实施例的一种儿童肺部超声图像处理方法的实现过程主要包括：

一、对儿童肺部超声图像进行预处理。

对儿童肺部超声图像进行阈值分割，采用最大类间方差法对儿童肺部超声图像做二值化处理，经过二值化处理之后儿童肺部超声图像中只有黑色像素点和白色像素点两类，对于黑色像素点的部分不多做处理，对于白色像素点可以进行标记，以便于接下来的处理。

二、采用一种基于密度的DBSCAN聚类算法，对儿童肺部超声图像中的白色像素点进行分类，选取合适的密度分布区域，对儿童肺部超声图像进行聚类处理，增强不同密度区域的对比度。

本步骤可以根据滑窗（即圆密度区域）将儿童肺部超声图像中的差异最大的两个区域（即最大密度区域和最小密度区域）筛除，对剩余的差异较小区域（即模糊区域）再次进行处理，通过不同尺寸的滑窗（即圆形滑动窗口）内的白色像素点数量和白色像素点之间距离的模型关系来选取认为最优的结果（最优滑窗尺寸），从而对DBSCAN聚类算法的半径选取进行优化。

三、将对比度增强的儿童肺部超声图像用于医生的诊断和评估。

通过对现有DBSCAN聚类算法进行改进，在对儿童肺部超声图像处理后，使得儿童肺部超声图像中模糊或者不清晰的部分变得清晰，有利于给医生的诊断提供支持。

如图4所示，本发明实施例的一种儿童肺部超声图像处理方法在增强不同密度区域的对比度时，可参考以下流程：

1、对儿童肺部超声图像中的白色像素点根据密度分布进行大致的区分：

从白色像素点中选定一个初始像素点，并且以该初始像素点为中心点、其与8邻域中45°方向上的白色像素点之间的距离为半径的圆密度区域，因为圆的大小恒定，所以圆密度区域内的白色像素点的密度大小可以用数量来衡量。

对该圆密度区域内的白色像素点的数量进行计算，然后该圆密度区域沿着8邻域的方向进行滑动，并且滑动过程中形成的各个圆密度区域之间没有交集，对整个儿童肺部超声图像进行处理之后，大部分的白色像素点都包含在不同的圆密度区域中，对每个圆密度区域的白色像素点的数量进行统计，然后筛选出这些区域中白色像素点数量最多且分布较为集中的区域为初始密度区域：

；

上式中表示一个筛选因子，/>表示单个圆密度区域内的白色像素点的数量；表示该圆密度区域内白色像素点之间距离的标准差；/>表示该圆密度区域内的白色像素点的距离，/>表示该圆密度区域内的白色像素点距离的平均值；

从初始密度区域开始合并其他区域的像素点，计算初始密度区域与其它的圆密度区域之间的相关密度差来作为合并的标准，将初始密度区域内白色像素点的数量记为、初始密度区域记为/>：

；

上式中表示初始密度区域与其它的圆密度区域之间的相关密度差，/>表示初始密度区域的白色像素点的数量，/>表示其它的圆密度区域的白色像素点的数量；

相关密度差的大小表示了其它的圆密度区域和初始密度区域的近似度，当越小，则表示该其它的圆密度区域和初始密度区域的相似度较高，可以合并为一个区域。对所有的/>进行筛选，将最小的/>对应的其它的圆密度区域作为初始密度区域的合并区域，该其它的圆密度区域和初始密度区域合并为最大密度区域、记为/>；将最大的对应的其它的圆密度区域作为新的初始区域，重复上述步骤即可将得到的新的相似区间合并为最小密度区域、记为/>；

2、对模糊区域的白色像素点进行区分：

在儿童肺部超声图像筛除最大密度区域和最小密度区域后剩余的白色像素点中设定一个圆形滑动窗口，利用圆形滑动窗口来统计和筛选不同圆形滑动窗口内的白色像素点，任选一个白色像素点为初始点，以其8邻域组成正方形的内切圆的半径r（即初始滑窗尺寸）为最小值，从初始滑窗尺寸开始迭代、迭代步长为1，即将初始滑窗尺寸逐次加1作为迭代滑窗尺寸，分别以这些初始滑窗尺寸和迭代滑窗尺寸为半径建立圆形滑动窗口，分别以各个圆形滑动窗口为标准对剩余的白色像素点进行筛选；

分别统计每个圆形滑动窗口内白色像素点的分布情况，在儿童肺部超声图像中，一个圆形滑动窗口会在儿童肺部超声图像的模糊区域中划分出很多个区域（即滑动过程中会形成多个无交集的圆形滑动窗口），每个区域的白色像素点的分布情况都是需要去评估的条件，先对每个区域内的白色像素点的数量以及白色像素点之间的距离进行统计，这样也会得到多个筛选因子，通过对所有的/>进行统计分析，会得到在圆形滑动窗口的半径为/>的条件下的离散程度：

；

其中表示该区域中的所有筛选因子的离散程度，也就是混乱程度；/>表示每个圆形滑动窗口对应的筛选因子，/>表示所有圆形滑动窗口的筛选因子的平均值。

本步骤通过迭代的值，可以计算出不同的离散程度，对离散程度的分析得到使聚类最优的圆形滑动窗口的半径/>，并且作为DBSCAN聚类算法的标准，在这些离散程度中，选取最大的数值作为认为使用聚类最优效果时的/>值：

；

上式中表示在不同的/>值条件下的离散程度的最大值，/>表示在不同的/>值条件下对应的离散程度，以最大的离散程度所对应的圆形滑动窗口的半径/>作为使用DBSCAN聚类算法的最优滑窗尺寸。

3、使用DBSCAN聚类算法进行聚类操作：

先随机选取一个白色像素点作为种子点，对于每个白色像素点，如果其距离种子点的距离小于等于最优滑窗尺寸，则认为它是核心点；否则，将其记为噪声点；对于每一个核心点，找到距其最优滑窗尺寸范围内的所有白色像素点，如果这些白色像素点的密度大于核心点的最优滑窗尺寸范围内的所有白色像素点的密度，则将核心点/>添加到边界中；否则，从边界移除。对于每一个非噪声点，如果距其最优滑窗尺寸范围内的核心点数量大于一个默认值，则以该点为中心重新选择一个半径为最优滑窗尺寸的邻域，并且重新选择该点为种子点，当不再有新的种子点被选择时，算法结束。需要说明的是，DBSCAN聚类算法是现有技术，其算法细节可以参考已公开的技术方案，本发明实施例不再赘述。

如图5所示，在应用本发明实施例的一种儿童肺部超声图像处理方法时，可参考以下流程：

步骤501、采用最大类间方差法对儿童肺部超声图像进行阈值分割，将儿童肺部超声图像中的像素点划分为黑色像素点和白色像素点；

步骤502、从白色像素点中选定一个初始像素点；以初始像素点为中心点、以初始像素点与其8邻域中45°方向上的白色像素点之间的距离为半径建立圆密度区域；

步骤503、使圆密度区域沿8邻域方向分别在白色像素点中滑动，并统计滑动过程中的各个圆密度区域内的白色像素点的分布情况；

步骤504、基于每个圆密度区域中白色像素点的分布情况计算各个圆密度区域的筛选因子；

步骤505、选择筛选因子最大的圆密度区域作为初始密度区域；

步骤506、计算初始密度区域与其它的圆密度区域之间的相关密度差；将相关密度差最小的圆密度区域与初始密度区域合并为最大密度区域；将相关密度差最大的圆密度区域作为初始区域；

步骤507、计算初始区域与剩余的圆密度区域之间的相关密度差；将相关密度差最小的圆密度区域与初始区域合并为最小密度区域；将最大密度区域和最小密度区域之外的白色像素点划分为模糊区域；

步骤508、从模糊区域中任选一个白色像素点作为初始点；以初始点的8邻域组成正方形的内切圆的半径为初始滑窗尺寸，将初始滑窗尺寸逐次加1作为迭代滑窗尺寸；

步骤509、分别以初始滑窗尺寸和各个迭代滑窗尺寸为半径建立圆形滑动窗口，使各个圆形滑动窗口在白色像素点中滑动；基于白色像素点的分布情况计算各个圆形滑动窗口的筛选因子；

步骤510、根据各个圆形滑动窗口的筛选因子计算每个滑窗尺寸对应的模糊区域的筛选结果的离散程度；

步骤511、选择最大的离散程度对应的滑窗尺寸作为最优滑窗尺寸；

步骤512、基于DBSCAN聚类算法按最优滑窗尺寸对儿童肺部超声图像中的白色像素点进行聚类操作，以增强儿童肺部超声图像的对比度。

综上，本发明实施例的一种儿童肺部超声图像处理方法，对DBSCAN聚类算法进行了改进，基于改进的DBSCAN聚类算法对儿童肺部超声图像进行处理，使得儿童肺部超声图像中的模糊区域也变得清晰，更加有利于医生对儿童肺部健康的检测和评估。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种儿童肺部超声图像处理方法，其特征在于，包括：

对儿童肺部超声图像进行阈值分割，划分出黑色像素点和白色像素点；

将儿童肺部超声图像中的所述白色像素点根据密度分布划分为密度区域和模糊区域；

使用不同滑窗尺寸对所述模糊区域进行筛选，并计算每个所述滑窗尺寸对应的筛选结果的离散程度；

选择最大的所述离散程度对应的所述滑窗尺寸作为最优滑窗尺寸；

基于DBSCAN聚类算法按所述最优滑窗尺寸对儿童肺部超声图像中的所述白色像素点进行聚类操作，以增强儿童肺部超声图像的对比度。

2.根据权利要求1所述的一种儿童肺部超声图像处理方法，其特征在于，对儿童肺部超声图像进行阈值分割，划分出黑色像素点和白色像素点，包括：

采用最大类间方差法对儿童肺部超声图像进行阈值分割，将儿童肺部超声图像中的像素点划分为黑色像素点和白色像素点。

3.根据权利要求1所述的一种儿童肺部超声图像处理方法，其特征在于，所述密度区域包括最大密度区域和最小密度区域。

4.根据权利要求3所述的一种儿童肺部超声图像处理方法，其特征在于，将儿童肺部超声图像中的所述白色像素点根据密度分布划分为密度区域和模糊区域，包括：

从所述白色像素点中选定一个初始像素点；

以所述初始像素点为中心点、以所述初始像素点与其8邻域中45°方向上的所述白色像素点之间的距离为半径建立圆密度区域；

使所述圆密度区域沿8邻域方向分别在所述白色像素点中滑动，并统计滑动过程中的各个圆密度区域内的白色像素点的分布情况；其中，不同的所述圆密度区域之间没有交集；

基于不同的所述圆密度区域中所述白色像素点的分布情况将各个所述白色像素点划分为最大密度区域、最小密度区域和模糊区域。

5.根据权利要求4所述的一种儿童肺部超声图像处理方法，其特征在于，基于不同的所述圆密度区域中所述白色像素点的分布情况将各个所述白色像素点划分为最大密度区域、最小密度区域和模糊区域，包括：

基于每个所述圆密度区域中所述白色像素点的分布情况计算各个所述圆密度区域的筛选因子；

选择所述筛选因子最大的所述圆密度区域作为初始密度区域；

计算所述初始密度区域与其它的所述圆密度区域之间的相关密度差；

将相关密度差最小的所述圆密度区域与所述初始密度区域合并为最大密度区域；

将相关密度差最大的所述圆密度区域作为初始区域；

计算所述初始区域与剩余的所述圆密度区域之间的相关密度差；

将相关密度差最小的所述圆密度区域与所述初始区域合并为最小密度区域；

将所述最大密度区域和所述最小密度区域之外的所述白色像素点划分为模糊区域。

6.根据权利要求5所述的一种儿童肺部超声图像处理方法，其特征在于，基于以下公式计算所述相关密度差：

；

式中，是相关密度差，/>是所述初始密度区域或所述初始区域中所述白色像素点的数量，/>是其它的所述初始密度区域或剩余的所述圆密度区域中所述白色像素点的数量。

7.根据权利要求4所述的一种儿童肺部超声图像处理方法，其特征在于，使用不同滑窗尺寸对所述模糊区域进行筛选，并计算每个所述滑窗尺寸对应的筛选结果的离散程度，包括：

从所述模糊区域中任选一个所述白色像素点作为初始点；

以所述初始点的8邻域组成正方形的内切圆的半径为初始滑窗尺寸，将所述初始滑窗尺寸逐次加1作为迭代滑窗尺寸；

分别以所述初始滑窗尺寸和各个所述迭代滑窗尺寸为半径建立圆形滑动窗口，使各个所述圆形滑动窗口在所述白色像素点中滑动；

基于所述白色像素点的分布情况计算各个所述圆形滑动窗口的筛选因子；

根据各个所述圆形滑动窗口的所述筛选因子计算每个所述初始滑窗尺寸和所述迭代滑窗尺寸对应的所述模糊区域的筛选结果的离散程度。

8.根据权利要求7所述的一种儿童肺部超声图像处理方法，其特征在于，基于以下公式计算所述筛选因子：

；

式中，是筛选因子，/>是单个所述圆密度区域或所述圆形滑动窗口内的所述白色像素点的数量，/>是所述圆密度区域或所述圆形滑动窗口内各个所述白色像素点到中心点的距离，/>是所述圆密度区域或所述圆形滑动窗口内所有所述白色像素点到中心点的距离的平均值。

9.根据权利要求7所述的一种儿童肺部超声图像处理方法，其特征在于，基于以下公式计算所述离散程度：

；

式中，是所述模糊区域中所有的所述筛选因子的离散程度；/>是每个所述圆形滑动窗口对应的所述筛选因子的值；/>是所有所述圆形滑动窗口对应的所述筛选因子的平均值。

10.根据权利要求1所述的一种儿童肺部超声图像处理方法，其特征在于，基于DBSCAN聚类算法按所述最优滑窗尺寸对儿童肺部超声图像中的所述白色像素点进行聚类操作，包括：

从所述白色像素点中随机选取一个种子点；

计算以所述种子点为中心点、以所述最优滑窗尺寸为半径的窗口内所述白色像素点的密度；

对于每个所述白色像素点，若与所述种子点的距离小于等于所述最优滑窗尺寸则标记为核心点，若与所述种子点的距离大于所述最优滑窗尺寸则标记为噪声点；

对于每一个所述核心点，计算以其为中心点、以所述最优滑窗尺寸为半径的窗口内所述白色像素点的密度，若大于所述种子点的密度，则添加到边界中；否则从边界移除；

对于每一个非噪声点，若以其为中心点、以所述最优滑窗尺寸为半径的窗口内所述核心点的数量大于默认值，则重新选择所述非噪声点作为所述种子点，直至不再有新的所述种子点。