基于改进支持向量机算法的超声图像分割技术*

王萌

（陕西能源职业技术学院，陕西 咸阳712000）

1 引 言

在对大规模超声图像的检测识别过程中，需要根据超声图像的规则性特征点检测和图像分割处理，利用超声波束扫描三维超声图，将超声波反射到超声波输出端口实现病理特征识别，能提高对超声区域的准确定位识别能力。对超声图像的特征检测和识别，建立在对图像的区域分割和特征提取上，提取超声图像的差异性像素特征量，根据特征提取结果实现对超声图像的纹理特征分析，对超声区域的准确诊断。相关的图像识别和检测方法研究受到重视[1]。

在传统方法中，对超声图像分割采用多层螺旋CT分割方法，结合 LVEDV、LVESV、LVSV、LVEF和LVMM等算法，实现超声图像分割。对超声图像三维测量系统的设计，采用低分辨成像技术实现[2]，结合超声图像的信息融合和稀疏化特征提取，利用帧扫描技术提取超声图像三维视觉特征[3]。王琳璐[4]提出一种基于扩散图像融合技术的超声图像三维分割方法，结合对超声图像目标特征点的三维区域检测和图像重建，实现超声图像三维重构和分割，但上述方法的计算开销较大，图像分割的实时性较差。黄润生等[5]提出一种基于分布式传感器识别和模糊PID控制的超声图像分割技术，结合超声纹理异常特征检测方法提取超声图像异常特征点与轮廓信息，对区域分割二维超声图像的表面纹理特征进行多模态配准，但该方法对大规模超声图像的分割准确性不高。

针对上述问题，本研究提出一种基于改进SVM算法的超声图像分割技术，并进行仿真实验分析，得出有效性结论。

2 超声图像的分区域特征匹配和分块融合

2.1 分区域特征匹配

为了实现对超声图像的特定区域分割，首先构建超声图像的特征匹配模型，采用分区域特征匹配方法，进行二维超声图像的匹配分块检测[6]。超声图像的分区域特征匹配过程见图1。

图1 超声图像的分区域特征匹配模型Fig 1 Subregional feature matching model for ultrasound images

采用4×4子块分割模型进行超声图像的匹配，并采用分段约束控制方法进行超声图像的特征目标匹配。根据超声图像的采集环境的差异性，得到超声图像像素匹配的纹理渲染输出为：

其中，Δu为超声图像区域分割中的特征分量Δx在梯度方向的像素强度，σ为在超声图像中的旋转算子[7]。

为了降低超声图像区域分割的表面误差，超声图像的纹理像素重构输出为：

其中：

提取超声图像W 的R、G、B分量，相应得到超声图像的三维模板匹配值AR、AG、AB和WR、WG、WB，在分割模板m×n区域内，候选区域内像素总数为15×15维[8]，采用分区域特征匹配方法完成二维超声图像的特征块匹配。

2.2 分块特征融合处理

特征匹配后，采用超声图像纹理分形方法实现分块区域融合。方法如下：

超声图像在低维空间中的相似度特征为s（X，Y），图像检测输出的灰度直方图信息为：

其中，assoc（A，V）是超声图像的像素点子集A中的像素固定幅值，assoc（B，V）为超声图像的三维边缘轮廓统计特征量。假设超声图像的灰度像素集为（i，j），以此为像素中心，采用锐化模板分割方法得到超声图像的特征分解模型为：

将超声图像的直方图与参考直方图通过模板中心像素匹配方法进行特征分离处理，在4×4子块的局部区域内建立超声图像边缘像素分布模型[9-11]，描述如下：

采用滤波方法得到超声图像的滤波输出模型为：

在模板m×n[12]区域内对超声图像进行像素值区域模板融合处理，采用自适应融合处理方法，融合后的输出为：

其中，t0表示超声图像的结构相似度，在超声成像的4×4子区域内，通过超声图像网格分割方法进行超声图像视觉的自适应像素融合。

3 超声图像分割技术优化实现

3.1 匹配与融合的约束变量设置

在完成匹配与融合的基础上，需要根据结果设定相应的约束变量，以完成后期的图像分割技术优化设计，匹配与融合都是根据超声纹理的规则性特征分量进行病理特征提取[13]，降低超声图像区域分割的表面误差，超声纹理信息融合评价结果为：

其中 〈f，dγ0〉为超声图像的像素特征点在dγ0方向上的滤波输出。根据上述分析，构建超声图像的相关性检测模板匹配评价函数f（gi）为：

计算各像素点与聚类中心间的聚类，构建灰度直方图[14]，得到超声图像视觉图形的灰度像素值输出满足：

其中k=1，…，M；i，j∈ {1，N}，i＜j。通过计算得到超声图像采集沿梯度方向的位移矢量，采用超声分布边缘像素点匹配方法，得到纹理渲染两个矢量，超声图像的约束参数βi选择如下：

3.2 SVM分割优化输出

对提取的超声图像病理特征量采用SVM学习算法进行优化，对超声图像视觉S'在纹理信息融合区域（x'，y'）处进行约束，根据3.1节的约束结果确定SVM分割阈值为：

其中，（x）为超声图像的空间区域像素，βc为超声图像的统计特征值，Ic（y）为超声图像的透射强度，设J（x）t（x）为图像的边缘像素集，得到 SVM分类优化输出为：

综上分析，对提取的超声图像病理特征量采用支持向量机学习算法进行自适应分类，实现对超声图像的快速分割和特征识别。

4 仿真实验与结果分析

为了测试本研究方法在实现超声图像区域分割中的应用性能，进行仿真实验，实验的仿真工具为C++，超声图像的匹配模板为40×40的均匀分布模板，超声图像病理结构的稀疏采样点个数为300个，超声图像的模板特征分辨率为500×500，计算超声图像整体的分割结构相似度，记为FWSSIM：

以此为评价指标，分析图像分割的准确性，设定超声图像的分割面板系数ωH1=1.00，ωH2=3.75，ωH2=7.20，ωH4=3.48，ωH5=3.21，图像分割的搜索步长N=120，根据上述仿真环境和参数设定，进行超声图像分割仿真，得到超声图像的预取结果，见图2。

图2 超声图像预取结果Fig 2 Ultrasound image prefetching results

以图2为输入，采用图像区域分割技术进行超声图像检测识别，采用SVM方法进行二维超声图像的分块融合性检测和特征块匹配，得到边缘轮廓检测结果，见图3。

图3 超声图像边缘轮廓检测结果Fig 3 Edge contour detection results of ultrasound images

采用本研究改进的SVM算法提取图像的边缘点和病理特征量，并进行特征点分类，得到第3、6、9帧超声图像的分割结果，见图4。

由图4可知，本研究方法能有效实现对超声图像分割，分割的准确性较高，对特征点的匹配性较好，测试不同方法进行图像分割的结构相似度和精度，得到对比结果，见表1。分析表1可知，本研究方法进行超声图像分割的相似度较高，分割效果较好，时间开销较短。

表1 性能对比Table 1 Performance comparison

图4 超声图像分割结果Fig 4 Results of ultrasound image segmentation

5 结语

在对大规模超声图像检测识别过程中，需要根据超声图像规则性特征点检测和图像分割处理，提取超声图像的差异性像素特征量，根据特征提取结果实现对超声图像纹理特征分析和准确诊断，本研究提出一种基于改进SVM的超声图像分割技术。采用图像区域分割技术进行超声图像检测识别，采用分区域特征匹配方法进行二维超声图像的分块融合性检测和特征块匹配，根据超声纹理的规则性特征分量进行病理特征提取，降低超声图像区域分割的表面误差，实现超声图像区域的快速准确分割。对提取的超声图像病理特征量采用SVM学习算法进行自适应分类，实现对超声图像的快速分割和特征识别。研究得知，本研究方法进行超声图像分割的精度较高，结构相似度信息较强。