【摘要】寬景成像技術(shù)可以得到視野范圍更大的圖像。本文使用基于SAD匹配準(zhǔn)則的圖像配準(zhǔn)技術(shù)來獲得運(yùn)動向量，使用連續(xù)圖像拼接方法進(jìn)行圖像的融合。并提出利用運(yùn)動向量校正來提高向量精度，采用多邊形填充方法改進(jìn)圖像的質(zhì)量。最后，通過實(shí)驗(yàn)證明該方法用于寬景成像是有效的。

【關(guān)鍵詞】寬景成像；塊匹配；運(yùn)動估計(jì)；向量校正；圖像拼接

Abstract：Wide-field-of-view imaging method obtains an image with larger area.This paper uses image registration method based on SAD matching criteria to obtain the motion vectors，and applies the persistence compounding method to compound images.It also presents the motion vectors correction to improve the motion vectors’accuracy and the polygon filling algorithm to improve the quality of the image.At last，experiments prove that the proposed method could be applied for Wide-field-of-view imaging effectively.

Key words：Wide-field-of-view；block-matching；motion estimation；vectors correction；image compound

1.引言

由于超聲技術(shù)的低成本、無創(chuàng)性和無輻射等優(yōu)良特性，已被廣泛應(yīng)用于醫(yī)療診斷領(lǐng)域。目前，超聲診斷已成為多種疾病診斷的首選方法。由于超聲診斷的不斷發(fā)展，對超聲技術(shù)成像質(zhì)量要求就愈來愈高。然而，由于探頭的限制，傳統(tǒng)的掃描方式往往會將成像將視野局限在很小的視覺區(qū)域內(nèi)，不能很好的展現(xiàn)出完整的感興趣區(qū)域（ROI），就需要進(jìn)行多次掃描來獲得整個(gè)ROI區(qū)域的信息，這對診斷無疑形成了一定的困擾，而超聲寬景成像技術(shù)[1]可以彌補(bǔ)這一缺陷。

在寬景成像模式下，當(dāng)探頭在感興趣區(qū)域中掃描，獲得一系列圖像，使用獲得圖像的當(dāng)前幀與先前的圖像幀集合結(jié)合便組成一幅寬景圖像。本文將SAD匹配準(zhǔn)則與基于塊的圖像配準(zhǔn)技術(shù)相結(jié)合獲得運(yùn)動向量：使用主軸搜索和改進(jìn)的梯度下降算法相結(jié)合來進(jìn)行連續(xù)幀之間的分塊運(yùn)動估計(jì)，利用運(yùn)動向量校正來提高向量精度，通過結(jié)合二次方變換模型來進(jìn)行全局圖像運(yùn)動估計(jì)。隨后，采用多邊形填充方法改進(jìn)圖像的質(zhì)量，使用連續(xù)圖像拼接方法進(jìn)行圖像最后的融合，最后對圖像進(jìn)行相應(yīng)的對比度強(qiáng)化處理。同時(shí)也給出了實(shí)時(shí)超聲圖像的實(shí)驗(yàn)驗(yàn)證。

2.分塊的運(yùn)動估計(jì)

2.1 塊匹配方法

目前使用最廣泛的運(yùn)動估計(jì)方法是塊匹配運(yùn)動估計(jì)[1-2]，其基本思想是把圖像劃分為一些不重疊的子塊，以這些子塊為基本單元，使用相應(yīng)的匹配準(zhǔn)則，在相鄰幀中搜索匹配塊，從而得到運(yùn)動矢量。

2.2 Sad匹配準(zhǔn)則

目前基于塊匹配的方法中，使用的匹配準(zhǔn)則也多種多樣，其中由于絕對誤差和（Sum of Absolute Difference，SAD）不包含乘法，計(jì)算量小且簡單，所以被廣泛使用，計(jì)算公式如下：

（1）

式中，假設(shè)塊的大小是M×N，SAD的值即為將當(dāng)前幀H（k）中目標(biāo)塊與先前幀H（k-1）處于（i，j）位置的候選塊做像素間的絕對差和，而SAD的最小值塊即為最佳匹配塊。

2.3 搜索算法

本文主要使用主軸上的搜索與改進(jìn)的梯度下降搜索相結(jié)合的方法進(jìn)行搜索。搜索之前，先計(jì)算目標(biāo)塊和其對應(yīng)于搜索區(qū)域中位置的SAD值，并設(shè)定一個(gè)閥值u（試驗(yàn)所得），若該SAD值小于u，則認(rèn)為該目標(biāo)塊沒有顯著的相對運(yùn)動，為無效目標(biāo)塊，舍棄該塊。

具體搜素算法步驟如下：

（1）主軸上搜索

從起始位置（目標(biāo)塊對應(yīng)于搜索區(qū)域中的位置）開始，在X軸方向，分別計(jì)算它左右兩邊的SAD值。哪邊值小，就往該方向繼續(xù)進(jìn)行計(jì)算，直到出現(xiàn)SAD值大于前一個(gè)位置的或到達(dá)了搜索的邊緣位置。于是，在X方向得到一個(gè)SAD最小值。接下來，以此為基準(zhǔn)在Y方向進(jìn)行搜索，最終得到一個(gè)SAD最小值或是搜索的邊界，為候選位置。

（2）改進(jìn)的梯度下降搜索

以候選位置為中心點(diǎn)，使用改進(jìn)的梯度下降方法繼續(xù)搜索，尋找SAD最小值點(diǎn)。采用3×3搜索模板進(jìn)行搜索，在梯度下降的過程中，會有兩種情況出現(xiàn)：邊界命中和角命中，即在搜索窗口的邊上或是角上取得SAD最小值。于是，沿從中心點(diǎn)到最小值點(diǎn)方向向前多搜索一個(gè)點(diǎn)，將該點(diǎn)處的SAD值與之前SAD最小值進(jìn)行比較，選取新的最小值點(diǎn)為搜索中心，繼續(xù)按此方法搜索，直到SAD最小值點(diǎn)在搜索窗口的中心，則算法結(jié)束，該點(diǎn)為最終位置。為了減少計(jì)算量，搜索過程中一些已經(jīng)計(jì)算過的點(diǎn)不需要再次計(jì)算。

用最終位置點(diǎn)坐標(biāo)減去該塊對應(yīng)起始位置坐標(biāo)就可得到該塊的運(yùn)動向量。如果向量長度近似為0，則舍棄這個(gè)位置的運(yùn)動向量，同時(shí)用該最終位置點(diǎn)的SAD值更新u。當(dāng)舍棄的運(yùn)動向量數(shù)目大于某個(gè)界限，則說明當(dāng)前幀與前一幀較沒有明顯的相對運(yùn)動，需丟棄當(dāng)前幀，將當(dāng)前幀的下一幀圖像與當(dāng)前幀的前一幀進(jìn)行配準(zhǔn)。

2.4 向量校正

由于組織運(yùn)動、采樣過程中的錯誤操作、局部最優(yōu)問題以及斑點(diǎn)噪聲都可能影響配準(zhǔn)結(jié)果。因此本文使用文獻(xiàn)[2]中采用的基于角度的矢量校正方法來提高運(yùn)動向量精度。

具體方法如下：

（1）分別計(jì)算當(dāng)前幀和前一幀歸一化的平均運(yùn)動矢量CurNorVec和HisNorVec，然后計(jì)算兩向量間的夾角θ，若θ的絕對值大于10°，則舍去當(dāng)前幀。否則，根據(jù)公式（2）計(jì)算新的歸一化平均矢量NewNorVec。

NewNorVec=CurNorVec×ek+HisNorVec×

（1-ek） （2）

其中，，為高斯誤差函數(shù)，由組織旋轉(zhuǎn)和組織運(yùn)動的相關(guān)系數(shù)決定。S控制H的形狀，由超聲的系統(tǒng)參數(shù)和大量的實(shí)驗(yàn)決定

矯正參考平均向量NewMVec由NewNorVec和CurNorVec的長度相乘得到。

（2）對當(dāng)前幀的有效運(yùn)動向量進(jìn)行校正，校正公式如下：

NewBlockVec=CurBlockVec×+NewMVec×

（1-） （3）

其中，CurBlockVec為一個(gè)塊運(yùn)動矢量，NewBlockVec是經(jīng)過校正得到的運(yùn)動矢量。，其中C1、C2控制α的形狀，C3為CurBlockVec和NewMVec兩向量之間的夾角。

（3）用新計(jì)算得到的NewNorVec更新His NorVec。

3.圖像間運(yùn)動估計(jì)

當(dāng)前幀和前一幀之間的塊與塊對應(yīng)關(guān)系通過之前的計(jì)算可以獲得，我們把該對應(yīng)關(guān)系看做兩個(gè)一一對應(yīng)的點(diǎn)集，之后通過使用文獻(xiàn)[4]中提到的二次方變換可以求得圖像的全局運(yùn)動。

對于兩幀之間塊與塊之間的匹配問題，可以看做已知兩個(gè)點(diǎn)集{xi}和{yi}，求旋轉(zhuǎn)矩陣r和平移向量t0和t，使式（4）取最小值。

（4）

式中wi為樣本點(diǎn)的權(quán)重，取向量校正中的值。其中xi=[x，y，x2，y2，xy]T，yi=[x，y]T。最優(yōu)平移向量分別為這兩個(gè)點(diǎn)集的加權(quán)平均和，即：

（5）

（6）

接下來求解最優(yōu)變換矩陣，令qi=xi-xcm和pi=yi-ycm，則問題轉(zhuǎn)化為求矩陣A，它使得取得最小值。通過對該式求導(dǎo)，使導(dǎo)數(shù)為零，可得到A的最優(yōu)解：

（7）

最終，點(diǎn)集的映射變換按照下式計(jì)算：

gi=A（xi-xcm）+ycm （8）

上式變形，可得：

gi=Axi+T （9）

T=gcm-Axcm （10）

T表示平移向量（tx，ty）。

使用上述的變換模型，便可得到相鄰兩幀圖像的全局變換參數(shù)。

4.圖像拼接和增強(qiáng)

獲得了圖像之間的空間變換關(guān)系后，需要進(jìn)行圖像的拼接。本文使用多邊形填充方法[4]來獲得圖像填充區(qū)域內(nèi)整數(shù)坐標(biāo)處的像素值，然后使用連續(xù)圖像拼接方法[2]進(jìn)行圖像融合，最終得到寬景圖像。

融合完成后，浮點(diǎn)數(shù)轉(zhuǎn)換到灰階對應(yīng)的整數(shù)所產(chǎn)生的誤差會影響融合效果，我們使用3*3的均值濾波器對融合圖像進(jìn)行濾波來減小誤差，并對圖像的對比度做強(qiáng)化處理，公式如下：

（11）

I（k+1）為對比度增強(qiáng)后的像素點(diǎn)值，M為寬景圖形緩沖區(qū)中全局平均像素值，大于1，為對比度系數(shù)。

5.實(shí)驗(yàn)結(jié)果

為了驗(yàn)證以上寬景成像方法的有效性，我們使用實(shí)驗(yàn)室開發(fā)的Saset彩色超聲成像系統(tǒng)獲取數(shù)據(jù)。我們使用的測試集合包含260幅圖像，是對手臂組織采集的圖像。分別抽取圖像集中前，中，后三個(gè)位置的圖像，如圖1所示。我們可以看到這幾張圖像不能單獨(dú)地完整顯示整個(gè)組織，而且存在一定的speckle噪聲。

我們依次使用本文的方法，在對對圖像進(jìn)行去噪預(yù)處理后，首先進(jìn)行塊的運(yùn)動估計(jì)，接著計(jì)算圖像間的運(yùn)動估計(jì)，最后進(jìn)行圖像合成，并進(jìn)行一些相應(yīng)的去噪和圖像增強(qiáng)處理，可以得到圖2，可以看出，該組織信息可以完整的顯示，噪聲也得到相應(yīng)的抑制，所以本文的方法對于寬景成像是有效的。

6.總結(jié)

由于人體結(jié)構(gòu)復(fù)雜，呼吸等因素會造成內(nèi)部組織運(yùn)動，同時(shí)，探頭在移動過程中會對組織進(jìn)行擠壓，產(chǎn)生形變，這些情況都不利于配準(zhǔn)計(jì)算，所以需要更好的方法來進(jìn)行配準(zhǔn)，提高配準(zhǔn)精度和圖像質(zhì)量。同時(shí)，考慮到超聲的實(shí)時(shí)性，可以考慮基于多核或GPU技術(shù)。

參考文獻(xiàn)

[1]WENGL，TIRUMALAI A P，LOWERY C M，et al.“US extended-field-of-view imaging technology”，Radiology，1997，203：877-880.

[2]TAN Chao-wei， LIU D C.“Image registration based wide-field-of view method in ultrasound imaging”，Proc of the 2ndInternational Conference on Bioinformatics and Biomedical Engineering，2008.

[3]TAN Chao-wei，WANG Bo，LIU P，et al.“Adaptive mesh optimization and nonrigid motion recovery based image registration for vide-field-of-view ultrasound imaging”，Proc of the 30thAnnual International IEEE EMBS Conference，2008.

[4]許自娟，譚朝煒，劉東權(quán).基于互信息與二次方變換的超聲寬景成像[J].計(jì)算機(jī)應(yīng)用研究，2011，28（1）：363-366.

[5]蘇立楠，高上凱.一種快速擴(kuò)展視野超聲成像方法研究[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2010，29（3）：373-378.

[6]Ruixin Ding，“A Fast Method for Panoramic Ultrasound Imaging”，2011 4thInternational Conference on Biomedical Engineering and Informatics （BMEI），2011，16-19.

[7]王純，孫中華，賈克斌.一種綜合搜索策略的快速運(yùn)動估計(jì)算法[J].計(jì)算機(jī)應(yīng)用研究，2010，27（8）：2587-2560.

[8]蔣曉悅，趙榮椿.幾種塊匹配運(yùn)動估計(jì)算法的比較[J].計(jì)算機(jī)應(yīng)用研究，2004：1-3.