改进中值滤波在脂肪肝血管影像去除中的应用

覃象平，方 圆

(1.柳州市人民医院计算机中心，广西柳州 545006;2.广西工学院电气与信息工程学院，广西柳州 545006)

在脂肪肝图像的识别中，使用的方法有多种:有基于空域的近远场灰度对比法，直方图特征统计法等;有基于频域的小波特征分析法，灰度共生矩特征分析法等［1－3］。使用这些方法能有效地提取脂肪肝图像的特征，但存在一定的不足。如正常肝和脂肪肝的近远场灰度对比法中，依据脂肪肝严重程度的不同而显示不同的对比结果，越严重近远场灰度对比越明显，可见近远场灰度特征可作为脂肪肝的一个判断标准，但此类方法提取的特征单一，不利于分类识别。灰度共生矩特征分析法虽然能够很好地区分脂肪肝和正常肝［1］，但存在计算量大等问题，程序实现过程中需要耗费较长的时间，特别是图片量大的时候，等待时间更明显。由此，文中使用一种基于多级灰度差的脂肪肝图像特征提取法，针对其缺点并结合中值滤波算法进行图像质量的改进［3－4］，此方法克服了进远场特征单一和灰度共生矩法计算量打的缺点，能较好地体现脂肪肝和正常肝的区别。

1 多级灰度差定义及意义

1.1 多级灰度差的定义

灰度差是指两个或多个像素点之间的像素差值，这样的差值可以拓展到像素区域上，文中提到的灰度差主要指两个区域像素均值之间的差值［5］，灰度差M可以用式(1)表示

其中，Mi和Mi－1分别是两个不同区域的像素均值。

多级灰度差指的是多个区域的平均像素按照一定的顺序求差，得到的两两之间灰度差的一个集合，表示为

其中，N为正整数。

1.2 多级灰度差在图像识别中的意义

多级灰度差是指同一副图片不同区域之间像素差值的集合，反应的是一幅图像整体的灰度变化。在作脂肪肝判断时，先注意肝脏B超图像近场和远场的灰度比较，再看图像的纹理粗细，光斑疏密情况，但最主要判断依据还是近远场灰度比。当近远场灰度比不是特别明显，在人眼看起来难以分辨时，判断起来就比较费力。肝脏近场平均灰度与远场平均灰度比虽然能够表现脂肪肝和非脂肪肝的区别，但由于其特征量单一，用模式识别不易区分。若能找到多个这样的灰度比特征量用于识别则将容易区分得多。

多级灰度差算法正是在这种思想下建立起来的，它以肝脏B超图片灰度的梯度变化为特征量，统计正常肝和脂肪肝灰度变化的特征曲线，结合神经网络进行分类识别的［5］。多级灰度差反应的是图像整体灰度的变化方向，更具有近远场灰度比变化相同的优点，克服了由设备功率不同或增益调节不同而导致的图像整体明暗程度变化的问题。

1.3 多级灰度差计算

考虑到多级灰度差反应的应该是肝脏近场和远场灰度的变化，在选取对比区域时应尽量避免其他组织对实验结果的影响，如血管噪声等。另外选取的区域也应该尽量包含图片的近场和远场灰度，这样计算得到的灰度差特征才能反应灰度变化的客观事实［6－8］。

图1 梯形区域选取

按照图1的方法取得想要的区域后，对区域内的灰度值进行灰度差计算，方法与步骤如下:(1)选取一个梯形实验区域，将梯形区域在X轴和Y轴方向上分为n×m个小梯形。(2)计算每个小梯形区域内像素的平均值。(3)算出均值间的差值。

由于脂肪肝图像灰度在竖直方向上存在近特异性变化，所以在计算差值时选取的是上下两块小梯形区域灰度均值之差，因此文中以X轴方向上灰度差的个数确定多级灰度差的级数(n－1)，Y轴方向确定多级灰度差特征组数m。

分割梯形区域时，按像素点的个数先确定梯形的像素高度H和宽度W，然后根据事先安排好的多级灰度差的级数和组数来确定分割小梯形的个数，文中设定的多级灰度差的级数为7级，组数为4组。

2 计算区域图像处理

2.1 计算区域图像分析

由于选取的梯形区域较大，要求每张图片包含的只有肝脏组织而没有其他干扰几乎无法完成，比如血管影响的干扰较为常见［9－12］。如图2所示。

可见肝脏梯形区域包含了血管影像，如果选取的小梯形内包含了血管影像，计算灰度平均值时则不能正确反应此处肝脏的灰度，用于灰度差计算时便不能正确体现正常肝和脂肪肝的特征，特别是用于不同肝脏图片多级灰度差特征提取时，由于血管分布的位置和形状不相同，会造成提取特征的紊乱，无特异性。图3是图2的平面灰度曲线，可见80～100区域内的像素平均值偏低，此区域内的像素均值与60～80区域内的像素均值之差势必偏大，而像素差值偏大正是脂肪肝的特征，如果将此特征计算在内势必对脂肪肝的识别照成影响，因此必须屏蔽此处对整体识别的影响。

进一步研究发现，血管阴影部分的灰度值较小，但其大小较平均，可以视为噪声点，文中结合中值滤波的特性来去除这些干扰。图4是带有血管影像的肝脏图片灰度值分布情况，图片中每个值对应一个像素点，并且分布一致。

图4 血管影像灰度分布图

2.2 计算模版选择

由图4可知，尽管血管部分的灰度值较平均，但是数值大小不一，用简单的中值滤波算法难以达到理想效果，对模板规格的依赖较大。根据中值滤波的原理可知，如果要去掉血管影像必须要求模板内不相等的肝脏影像像素值个数大于血管影像不相等像素值个数，才能保证取到中间值是肝脏影像而屏蔽掉血管影像。由于血管影像是整块连在一起的，如果用3×3、5×5这样的矩形模板进行滤波，小规格的模板势必不能满足上述要求，如果模板的规格太大，这对图像的质量又会造成过多的损失，影响多级灰度差特征的提取。

为使得模板规格适中，采用1×m和n×1这样规格的模板进行中值滤波，具体使用哪种模板根据血管的大体走向来定。假如血管走向是X轴方向，则使用1×m类型模板，假如血管走向是Y轴方向，则使用n×1 类型模板［13－15］。

实际操作过程中受到血管大小的影响，模板的规格不容易确定，会出现模板内不相等的肝脏影像像素值个数小于血管影像不相等像素值个数的情况，为此对这种情况进行中值滤波算法改进。

2.3 改进中值滤波计算

由于图像经过自适应滤波处理，已经滤除了图像中孤立噪声点的影响，所以可以认为模板中只包含肝脏影像和血管影像。在小范围内，无论是正常肝还是脂肪肝其灰度变化范围都不大，可以认为像素值接近。在进行中值滤波时可以先对血管噪声进行一次判定，以去除这些值，只留下肝脏影像像素值。然后进行传统中值滤波时便可以用肝脏影像像素值来代替血管影像像素值，用于多级灰度差计算时以减少血管位置分布不同对特征提取的影响。改进的中值滤波算法步骤如下:

(1)取模板内像素的最大值 fmax(i，j)和最小值fmin(i，j)。

(2)计算它们的平均值fmean(i，j)

(3)保留大于平均值fmean(i，j)的像素点，其他的像素点用0代替。

(4)将模板中的像素值按照其值的大小顺序排列，取中间值fmid(i，j)作为输出。

经过上述步骤即可完成对血管影像噪声的去噪工作。由于血管等相似影像噪声在肝脏图片中分布的走向不同，因而在程序设置时需要与用户互动，针对不同的情况提示用户选择合适的模板，滤波区域的选择也需要用户自行划定。

图7为含有血管影像噪声的肝脏B超图像，图8为经过本文方法部分处理后的图像，处理部分像素宽度为40像素，高度为20像素。可以看出血管影像基本被去除，但还是可以隐约看出。究其原因一个是因为人眼视觉的作用，将不同灰度的的图像拼凑在一起，之间会有明显的分界线，如果将旁边的血管影像遮住，将更难看出。另外，图片经过滤波处理后，血管影像边缘强回声区依然存在，对随后的血管噪声去除产生影像。

图7 处理前图片

图8 处理后图片

图9和图10是取上图两幅图像纵轴坐标为100，横轴坐标从80～160的一条直线上的灰度值的走向，可见图10中横轴坐标40～60以内的噪声基本被接近于本区域的肝脏细胞灰度值所代替。

3 多级灰度差特征分析

文中在选取了合适的区域，并对其进行滤波处理之后，则进行灰度差的计算和多级灰度差特征矩阵的分析和提取。将梯形区域分割成4组小梯形区域，分割示意图如图11所示。

图11 区域切割示意图

分别求的a、b、c、d区域内的多级灰度差矩阵Ma、Mb、Mc、Md。分析对比了多幅脂肪肝和正常的上述4组特征曲线，图12展示了从多幅有特征交集的特征对比图片中挑选的一组。

图12 多级灰度差特征曲线对比图

观察图12中4幅图发现，第一幅和最后一幅特征有交集，剩下两幅虽然有少数几点特征不符合灰度变化特性但特征区分较明显。第一幅图的正常肝与脂肪肝只有一个特征量有交集，且正常肝有两个特征量不在0附近，不符合灰度从近场到远场递减的特性，但对于这一组7个特征综合在一起来说，权重偏向符合灰度场递变的方向，因此对识别几乎没有影响。第4幅图正常肝与脂肪肝的两个特征量有交集，但符合灰度变化特性的参数有5个，有利因子大于不利因子，同样权重偏向符合灰度场递变的方向。

4 结束语

参考了近远场灰度比和灰度共生矩特征识别的不足之处，利用基于多级灰度差的特征提取方法，并针对多级灰度差特征提取区域过大，无法避免血管影像等噪声干扰的缺点［8］，提出一种中值滤波的改进算法，以去除血管影像噪声，并分析了正常肝和脂肪肝的多级灰度差特征区分效果，结果令人满意。

［1］RICARDO R，JOÃO S.Fatty liver characterization and classification by ultrasound ［J］.Lecture Notes in Computer Science.2009，55(24):354 －361.

［2］赵金惠，赵真，赵庆春，等.肝脏相对回声强度在脂肪肝超声诊断中的价值［J］.河北职工医学院学报，2007(3):6－7.

［3］ASCHKENASY Y，SCHLOMOV J.Unsupervised image classification of medical ultrasound data by multiresolution elastic registration［J］.Ultrasound in Medicine and Biology，2006，32(3):1047－1054.

［4］耿帅，王希常.一种基于中值滤波的图像去噪算法［J］.计算机与现代化，2011(11):90－93.

［5］陈菲.神经网络在超声脂肪肝图像识别中的应用研究［J］.微计算机信息，2007(4):302－303.

［6］WANG Daxi，FANG Yuan，HUANG Sheng.An algorithm for medical imaging identification based on edge detection and seed filling［C］.Kunming:ICCASM，IEEE，2010.

［7］WANG Daxi，FANG Yuan，HU Bo，et al.B － scan image feature extraction of fatty liver ［C］.Beijing:ICICSE，IEEE，2012.

［8］王大溪，方园，胡波，等.基于多级灰度差的脂肪肝B超图像识别方法［J］.计算机工程与设计，2012(5):1899－1903.

［9］张文缓，马琳.脂肪肝的超声诊断进展［J］.中国煤炭工业医学杂志，2008，11(2):280 －281.

［10］张建炜，汪天富，殷杰，等.基于B超图像多重分形谱的脂肪肝严重程度识别［J］.中国医学影像技术，2009(7):1289－1292.

［11］闵志方，宋恩民，金人超，等.用于脂肪肝量化分级的B超图像特征提取［J］.计算机辅助设计与图形学学报，2009(6):752－757.

［12］朱福珍，吴斌.基于灰度共生矩阵的脂肪肝B超图像特征提取［J］.中国医学影像技术，2006，22(2):287－289.

［13］王娇.基于复杂性分析的脂肪肝计算机辅助诊断［D］.成都:四川大学，2006.

［14］SVEC F，MARTIN C，SARA W，et al.On reproducibility of ultrasound image classification［C］.Soul:Lecture Notes in Computer Science.Pattern Recognition and Image Analysis:Second Iberian Conference，2005:439 －446.

［15］辛月兰.一种快速并行中值滤波算法［J］.微型电脑应用，2011(8):50－53.