基于亞象素技術的全方向Ｍ心動圖邊界檢測

摘 要：研究一種基于亞象素技術的全方向M型心動圖邊界的檢測方法。在獲取全方向M型心動圖的基礎上，通過圖像增強、閾值分割、人工限定目標區域等圖像預處理，采用層進式策略提取圖像的象素邊界，再利用一階微分期望值對提取后的邊界點進行亞象素定位。該方法使邊界檢測數據從象素級提高到亞象素級，為邊界檢測后的幅度以及以他的數據為基礎的進一步離散一、二階微分的計算獲得的速度、加速度等運動信息的精確測量提供了可能性。

關鍵詞：全方向M型心動圖；亞象素；邊界檢測；邊緣檢測

中圖分類號：TP391.41 文獻標識碼：B

文章編號：1004-373X(2008)06-056-03

Boundary Detection in Omnidirectional M-mode Echocardiography Based on Sub-pixel Technique

WANG Jianbin，LIN Qiang

(Institute of Biomedical Engineering，Fuzhou University，Fuzhou，350002，China)

Abstract：The paper studies the method of boundary detection in omnidirectional M-mode echocardiography based on a sub-pixel technique.In the foundation of gained the omnidirectional M-mode echocardiography，through the picture pretreatment，using the level strategy to detect the pixel boundary of omnidirectional M-mode echocardiography，then according the first order differential expected value to localize the sub-pixel boundary.The method enhanced the boundary detection data from the pixel level to the sub-pixel level，provided the possibility for the precise dynamic information detection，such as amplitude，velocity，acceleration and so on.

Keywords：omnidirectional M-mode echocardiography；sub-pixel；edge detection；boundary detcction

全方向M型心動圖是心臟B超序列圖像中方向線上各象素點由于心臟結構在血液動力與組織彈力的共同作用下引起變形和運動產生的位置隨時間變化展開的圖像。基于超聲心動圖視頻輸出的全方向M型心動圖可以很形象地描述心臟各結構任一部位的每時刻的運動細節。提取全方向M型心動圖的運動邊界曲線，有利于準確定量檢測局部運動的幅度，以及以他的數據為基礎的進一步離散一、二階微分所計算獲得的速度、加速度及其與心動周期相關的室壁厚度、心血管腔內徑，在心臟局部和整體功能的定量評估方面有重要的應用價值。如圖1所示。

圖1 全方向M型心動圖

在醫學檢測中往往需要通過成像技術識別并確定出病體的精確位置及詳細情況：如陰影的邊緣、病體占位的大小、位置及一些器官的運動狀況等。由于硬件設備及現有成像技術的限制，還不能獲取滿足更高要求的高清晰圖像，亞象素技術可以在一定程度上突破圖像獲取手段的空間分辨率極限，改善由于圖像離散化和圖像退化引起的空間分辨率下降，彌補原有圖像空間分辨率的不足，獲取更加清晰的圖像，可使圖像的質量、精度得到進一步的提高，以便于計算機對圖像進行分析和處理。

邊界檢測是全方向M型心動圖動態信息分析的基礎和前提，他的精確度將直接影響到動態信息檢測的準確與否和精確度。本方法基于提高全方向M型心動圖邊界檢測數據精度的目的，在獲取全方向M型心動圖的基礎上，經過圖像預處理和提取圖像的象素邊界，根據亞象素邊界檢測技術對圖像中的象素邊界進行亞象素定位，使邊界檢測數據從象素級提高到亞象素級，為邊界檢測后的幅度、速度、加速度及其與心動周期相關的室壁厚度、心血管腔內徑等運動信息的精確測量提供了可能性。

1 圖像預處理

超聲圖像中普遍存在低對比度、照度不均勻、斑點噪聲及回波失落引起的邊界失落等現象，另外全方向M型心動圖中可能存在多條不同部位的運動曲線，使得邊界檢測過程相當復雜。為了較好地進行邊界檢測，圖像預處理部分包含圖像增強、目標區域限定、動態閾值分割、區域連通及標記。

2 象素邊界提取

經過圖像預處理后，采用層進式策略對全方向M型心動圖逐層檢測目標邊界直至獲得完整的目標邊界曲線，首先是以較嚴格的條件精確提取邊界上的特殊位置作為種子點，在運用基于邊界相關信息的模板條件的組合，圍繞種子點展開搜索目標邊界點，下一層檢測以上一層檢測結果為基礎，逐層放寬模板條件的組合，使最終檢測出完整的邊界曲線。如圖2所示。

圖2 層進式檢測流程圖

3 邊界點的亞象素定位

象素是組成圖像的基本單位，即圖像的分辨率，而亞象素精度比圖像分辨率還高，也就是將象素這個基本單位再進行細分，但實際上亞象素定位技術是有前提的，即目標不是孤立的單個象素點，而是有特定的灰度分布和形狀分布的一組象素點組成。例如目標特征是圓點、角點、交叉點、直線、特征曲線等，有明顯的灰度變化和一定面積大小。目標特征主要分為基于幾何特征，基于灰度分布特征和基于幾何與灰度耦合特征性等。亞象素的基本原理是利用預知的目標特征，對圖像目標進行處理分析(例如濾除噪聲、突出特征、提取特征和擬合灰度特征等)，識別并確定與目標特征最吻合的位置，在此分析定位過程中采用浮點運算，可實現對目標優于整象素精度的定位。例如在理想條件下，全方向M型心動圖中的一條曲線邊界上相鄰的兩點的縱坐標分別為1.6和2.4，但經過數字化后曲線上的點取整數象素值，即在數字圖像中曲線上該相鄰的兩點的縱坐標都四舍五入為2，則數字化誤差達0.8個象素點，誤差最大可達1個象素點，亞象素技術的浮點運算能很好的解決該問題。這種利用目標特性從圖像中分析計算出最符合此特性的目標位置的方法，稱為圖像目標亞象素定位技術。

這里圖像目標亞象素定位技術的概念與通過對圖像進行差值運算得到象素間的灰度值和坐標值的概念是不同的。從理論上講，差值運算并沒有增減新的信息量，只是根據插值算法的不同，假定象素間的灰度是按線性或非線性(由插值公式決定)變化。這種插值或重采樣處理可以改善圖像的視覺效果，但與目標特征這一重要信息無關，因此簡單插值對目標亞象素定位精度并無幫助。

常用的亞象素算法有擬合法、數字相關法和形心法等。擬合法的前提是目標特性滿足已知或假定的函數形式，且較難獲得高精度；數字相關法的原理簡單、適應性強和精度高，對旋轉目標或旋轉沒有約束的目標定位中很少使用，模塊的選擇難以實現；形心法(灰度重心法)算法簡單明了，定位精度受系統成像噪聲及目標表面光潔度的影響，該算法只對灰度對稱分布的目標才能獲得理想的效果。

在綜合分析各種亞象素算法和全方向M型心動圖特點的基礎上，主要對提取后的邊界點運用基于一階微分期望的亞象素檢測方法進行精確定位。由于全方向M心動圖的每一列代表了每一時刻采樣線上的灰度值，因此可看作一維的情況，逐列地進行亞象素計算。主要步驟為：

(1) 根據象素邊界提取時線狀模板的原理，將象素邊界的上方的3個象素和下方的3個象素都劃入包含邊界的區間；

(2) 對于包含在邊界區間內的每一列圖像函數f(x)，計算他的一階微分g(x)=|f′(x)|，在離散圖像中，一階微分可用差分來近似；

(3)計算每一列中7個象素點中各點在該列中的概率函數p(x)，在離散圖像中有：

pk=gk∑7i=1gi k=1，2，…，7

(4) 計算p(x)的期望值E，并將邊界定在E處。在離散圖像中有：

E=∑7k=1kpk=∑7k=1(kgk/∑7i=1gi)

(5) 根據期望值E和已提取出的象素邊界即可獲得亞象素邊界在圖像中的精確位置。

這種方法使用基于統計特性的期望值，所以可以較好地消除由于圖像邊界區域中噪聲而造成的多響應問題。

4 象素級檢測與亞象素定位結果比較

圖3為全方向M型心動圖的象素級邊界檢測結果，圖4為同一位置的象素級邊界經過亞象素定位后，將獲取亞象素級的邊界數據四舍五入，以象素級顯示的結果。比較兩圖可知經過亞象素定位處理后，目標邊界的整體平滑性和連續性都有明顯改善。

由于沒有做亞象素顯示方面的進一步的工作，圖像及其目標邊界在顯示時只能是以象素級顯示，所以亞象素定位的精度提高的結果無法直觀看出，但通過下面一段邊界的數據比較二者的差異，可得其定位數據的精度至少可提高到0.1個象素的數量級。

圖3 全方向M型心動圖的像素級邊界檢測結果

圖4 同位置的像素邊界處理圖

由表1的數據比較可知經亞象素定位后，目標邊界的精度由象素級提高到一個象素級以內，邊界位置數據均為浮點型值與檢測后的動態信息分析的數據類型一致，為后續動態信息的高精度分析提供了可能性。

5 結 語

該方法利用軟件處理的方法解決圖像中目標的高精度定位問題，從數據來源角度看使邊界檢測數據從象素級提高到亞象素級，為邊界檢測后的幅度以及以他的數據為基礎的進一步離散一、二階微分的計算獲得的速度、加速度等運動信息的精確測量提供了可能性。但由于理想的邊界數據與2種邊界數據相比較都要求更加連續和平滑，因此在目標邊界檢測后還應再進行相應的濾波等處理，以進一步的提高邊界的平滑性。

表1 邊界數據(單位：象素點)

序號12345678910

參考文獻

[1]林強，張莉，賈文靜.全方向灰度/時間波形系統的實現及其在超聲心動圖上的應用\\[J\\].電子測量與儀器學報，2002，16(2)： 70-74.

[2]郭淑英，賈文靜.全方向M型心動圖像邊界提取技術的研究\\[J\\].福州大學學報：自然科學版，2003，31(5)： 539-543.

[3]張俊燕.全方向M型心動圖像的邊界檢測\\[J\\].成都信息工程學院學報，2004，19(1)： 47-51.

[4]吳文稽.全方向M型超聲心動圖運動曲線的自適應檢測\\[J\\].福州大學學報：自然科學版，2006，34(6)： 841-845.

[5]章毓晉.圖像處理和分析\\[M\\].北京：清華大學出版社，2000.

[6]Huertas A，Medioni G.Detection of Intensity Changes with Sbupixel Accuracy Using Laplacian-Gaussian masks.IEEE，1986，PAMI-8：651-664.

[7]Jensen K，Anastassiou D.Subpixel Edge Localization and the Interpolation of Still Images.IEEE，1995，IP-4：285-295.

作者簡介 王建斌 男，1982年出生，碩士研究生。

林 強 男，教授，博士生導師。

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。