徐祥,汪亞中,鄭馳超,彭虎
(合肥工業(yè)大學(xué)生物醫(yī)學(xué)工程系,合肥 230009)
超聲成像因其成本低、安全性高等特點(diǎn)在臨床中得到廣泛應(yīng)用[1-2]。傳統(tǒng)的超聲成像方式有線掃描、合成孔徑和平面波等?;谙袼氐碾p向聚焦(bidirectional pixel-based focusing, BiPBF)成像對(duì)比傳統(tǒng)成像可以提高成像對(duì)比度、邊緣清晰度和分辨率[3],但聚焦點(diǎn)所在區(qū)域的圖像存在一定的信號(hào)偽跡。Choye等[4]提出了一種SA-BiPBF成像方式的拓展,將聚焦點(diǎn)設(shè)在成像區(qū)域外,以單個(gè)方向進(jìn)行基于像素的成像。根據(jù)其在遠(yuǎn)端單聚焦點(diǎn)成像的方式,稱之為遠(yuǎn)聚焦像素(FPB)成像。FPB成像是通過(guò)陣元陣列延時(shí)發(fā)射的控制在成像區(qū)域外形成虛擬聚焦點(diǎn)的成像方式,并將多次移位成像后的結(jié)果進(jìn)行直接疊加輸出的成像。與SA-BiPBF成像相比,F(xiàn)PB去除了聚焦點(diǎn)的信號(hào)偽跡,提高了背景信噪比,但成像的分辨率與對(duì)比度有所下降。
自適應(yīng)系數(shù)的加權(quán)技術(shù)可以有效改善成像質(zhì)量,因而得到廣泛關(guān)注。根據(jù)其加權(quán)系數(shù)的特點(diǎn)一般分為兩種,一種是相干系數(shù)(coherence factor, CF)及其改進(jìn)的加權(quán)系數(shù)。CF系數(shù)最早作為評(píng)價(jià)成像質(zhì)量的指標(biāo)[5-6],后來(lái)才被引入超聲成像中作為加權(quán)系數(shù)以提高成像質(zhì)量。廣義相干系數(shù)(GCF)[7]是在CF定義上的拓展,GCF能夠很好地減小聚焦誤差,提高對(duì)比度,使成像更加均勻一致。Guo等[8]提出了基于特征空間的相干系數(shù)(eigenspace-based coherence factor, ESBCF),提高了成像點(diǎn)的成像質(zhì)量。Wang等[9]提出了動(dòng)態(tài)相干系數(shù)(dynamic coherence factor, DCF),該系數(shù)進(jìn)一步提高了成像的對(duì)比度。此外,相位相干系數(shù)(phase coherence factor, PCF)和符號(hào)相干系數(shù)(sign coherence factor, SCF)等改進(jìn)系數(shù)也被提出以改善成像質(zhì)量[10]。另一種是與CF無(wú)關(guān)的加權(quán)系數(shù)。Zheng等[11]提出的過(guò)零點(diǎn)子陣列系數(shù)(subarray zeros-cross factor, SZF),可明顯改善成像效果。此外,Zhuang等[12]提出了累積角度系數(shù)用于提高骨骼等強(qiáng)反射面目標(biāo)的對(duì)比度。對(duì)比傳統(tǒng)成像,信號(hào)平均值對(duì)標(biāo)準(zhǔn)差系數(shù)(signal mean-to-standard-deviation factor, SMSF)在超聲成像中能夠較好地提高成像的對(duì)比度和橫向分辨率,從而改善成像質(zhì)量[13]。歸一化自相關(guān)系數(shù)(NAF)來(lái)源于歸一化自相關(guān)函數(shù)(normalized auto-correlation function, NACF),并由此拓展而來(lái)[14]。NAF被用來(lái)加權(quán)成像,相比于傳統(tǒng)成像,提高了橫向分辨率、對(duì)比度和背景信噪比[14]。
本研究基于FPB成像算法隨深度增加,像素點(diǎn)疊加次數(shù)減少的特點(diǎn),采用可調(diào)節(jié)的廣義相干系數(shù)(aGCF)對(duì)FPB加權(quán)成像,aGCF是根據(jù)成像目標(biāo)的不同深度調(diào)節(jié)GCF的大小。相比傳統(tǒng)GCF成像方式,彌補(bǔ)了不同深度下成像的不均勻性,提高了遠(yuǎn)場(chǎng)區(qū)域的成像性能,但分辨率有所下降。再將aGCF與高分辨率的NAF融合得到加權(quán)系數(shù)aGCFcNAF(aGCF combined with NAF, aGCFcNAF),通過(guò)選取不同的δ參數(shù)值,調(diào)節(jié)aGCFcNAF的性能,實(shí)現(xiàn)不同的加權(quán)效果。仿真和實(shí)驗(yàn)數(shù)據(jù)表明aGCFcNAF加權(quán)算法對(duì)比其他算法,較好地提高了成像對(duì)比度、背景信噪比和分辨率等,改善了成像質(zhì)量。
(1)
圖1 FPB成像方式示意圖
式中c表示聲波在組織中傳播的速度,xm表示第m個(gè)陣列陣元的橫向位置。因此,sm,n(p)可表示為:
sm,n(p)=
(2)
式中θn為第n次發(fā)射事件中其成像區(qū)域的角度。而聚焦點(diǎn)深度Zf可表示為:
(3)
其中,Zmax表示成像區(qū)域最大深度,Δx為相鄰陣列陣元之間的距離。因而,可以得出成像區(qū)域內(nèi)的像素點(diǎn)P(xp,zp)在第n次成像輸出為:
(4)
式中M為有效的陣列陣元數(shù)量。這里用向量S(p)表示N次FPB發(fā)射成像后點(diǎn)P(xp,zp)回波信號(hào)直接疊加的值,S(p)=[S1(p),S2(p),......,SN(p)],N表示像素點(diǎn)P在有效的成像區(qū)域內(nèi)發(fā)射成像的次數(shù)。因此,基于疊加的FPB輸出為:
(5)
GCF定義為預(yù)先設(shè)置的低頻率譜能量與總能量的比值。在FPB成像中,S(p)=[S1(p),S2(p),......SN(p)]可以構(gòu)成一個(gè)空間信號(hào)序列。P(k)表示S(p)傅里葉變換的結(jié)果,即P點(diǎn)的空間頻率。則GCF計(jì)算如下:
(6)
其中,K是離散頻譜的總數(shù)。設(shè)m0為低頻截止頻率的參數(shù),通過(guò)設(shè)定m0可以改變用于計(jì)算GCF的低頻區(qū)域的大小,以得到不同的GCF性能,傳統(tǒng)GCF的m0一般設(shè)為常數(shù),推薦取2~4之間,以保證成像結(jié)果的穩(wěn)健性[7]。
NAF可以反映同一像素點(diǎn)不同位置成像結(jié)果的相干性。因此,多次FPB成像結(jié)果合成的空間信號(hào)序列S(p)可以被用來(lái)計(jì)算NAF。首先,關(guān)于序列S(p)的均值μ和方差δ這里計(jì)算不再贅述[14]。其次,估計(jì)自相關(guān)函數(shù)Rr定義為:
(7)
式中r為滯后數(shù)值,一般取固定值為1[14]。因而在像素點(diǎn)P(xp,zp)的NAF計(jì)算如下:
(8)
根據(jù)式(5)、式(6)和式(8)可得到GCF和NAF對(duì)FPB算法的加權(quán)輸出結(jié)果,分別如下:
YGCF(p)=GCF(p)YFPB(p)
(9)
YNAF(p)=NAF(p)YFPB(P)
(10)
本研究的aGCF加權(quán)算法是在GCF算法的定義上拓展而來(lái),可自適應(yīng)調(diào)節(jié)GCF值的大小。由式(6)可知,設(shè)選取低頻區(qū)域截止位置為m0,通過(guò)m0調(diào)節(jié)有效信號(hào)的能量,從而改變GCF值的大小。對(duì)像素點(diǎn)P(xp,zp),mp為aGCF截止頻率的參數(shù),定義為:
(11)
其中,zp是像素點(diǎn)P(xp,zp)距離陣列陣元的垂直深度,Zf為成像聚焦點(diǎn)的深度,M0為成像過(guò)程中mp的最大值,本研究設(shè)為10??梢妼?duì)成像區(qū)域內(nèi)的P點(diǎn)而言,可根據(jù)其不同深度,自動(dòng)調(diào)節(jié)不同GCF的截止頻率參數(shù)。由式(6)可知,對(duì)應(yīng)的aGCF為:
(12)
其中,P(k,m0)為截止頻率位置mp的低頻區(qū)域頻普能量。因此,由式(5)和式(12)可得aGCF加權(quán)的FPB算法輸出為:
YaGCF=aGCF(p)YFPB(P)
(13)
由式(11)和式(12)可知,成像區(qū)域P點(diǎn)的深度越大,mp值越大,則用于計(jì)算aGCF的有效頻率成份越高,aGCF值偏大,對(duì)背景組織成像影響越小。由FPB成像原理可知,成像深度越大,像素點(diǎn)有效疊加次數(shù)越少,因此,在深度較大的成像區(qū)域內(nèi)成像性能下降。采用aGCF進(jìn)行加權(quán)成像可以對(duì)成像區(qū)域內(nèi)達(dá)到均勻成像的結(jié)果,但相對(duì)于傳統(tǒng)的GCF成像,其對(duì)噪聲的抑制能力下降,分辨率降低。
NAF具有較好的分辨率改善性能,且NAF與aGCF均為0~1的數(shù)值,因此,將NAF與aGCF結(jié)合,無(wú)需將全部成像區(qū)域歸一化。根據(jù)NAF與aGCF的特點(diǎn),在兩者之間添加調(diào)節(jié)系數(shù)δ,以求和的方式實(shí)現(xiàn)兩種系數(shù)的融合。其計(jì)算方法如下:
aGCFcNAF(p)=(1-δ)×aGCF(p)+δ×NAF(p)
(14)
由式(5)和式(14)得到基于aGCFcNAF加權(quán)的FPB算法輸出為:
YaGCFcNAF(p)=aGCFcNAF(p)YFPB(p)
(15)
其中,YaGCFcNAF(p)是aGCFcNAF加權(quán)算法的成像結(jié)果,調(diào)節(jié)參數(shù)δ值的大小,以改變兩種系數(shù)的占比,從而得到不同效果的成像。因此,通過(guò)選取合適的δ值調(diào)節(jié)aGCFcNAF加權(quán)系數(shù),可得到各方面成像質(zhì)量均衡的結(jié)果。
本研究使用的實(shí)驗(yàn)數(shù)據(jù)來(lái)自數(shù)據(jù)采集系統(tǒng)(Sonix-Touch),利用陣列傳感器模型(L14-5/38)從體模(KS107BG)和人體組織中獲得實(shí)驗(yàn)數(shù)據(jù)。仿真數(shù)據(jù)采用Filed II軟件生成[15-16],仿真和實(shí)驗(yàn)的參數(shù)保證基本一致,成像系統(tǒng)的主要參數(shù)見表1。本研究對(duì)FPB成像算法,GCF、NAF、aGCF和aGCFcNAF加權(quán)算法之間的成像質(zhì)量作對(duì)比。成像時(shí)對(duì)回波信號(hào)加上信噪比為10 dB的高斯白噪聲,所有成像算法的動(dòng)態(tài)范圍設(shè)為60 dB。其中,設(shè)定了4種不同的δ值對(duì)應(yīng)的aGCFcNAF成像結(jié)果,δ值分別取0.2、0.4、0.6和0.8。
表1 超聲成像系統(tǒng)參數(shù)Table 1 Ultrasonic imaging system parameters
本研究為反映散射點(diǎn)的分辨率,采用了半峰值寬度(full-width at half-maximum, FWHM, 即-6 dB波束寬度)[8,17]對(duì)不同成像算法的成像質(zhì)量進(jìn)行分析。同時(shí)采用噪聲對(duì)比度(contrast-to-noise ratio, CNR)、對(duì)比度(contrast radio, CR)和背景信噪比(speckle signal noise radio, SSNR)等參數(shù)來(lái)分析暗斑的成像質(zhì)量。其中,CR定義為暗斑內(nèi)部平均強(qiáng)度與外部背景的平均強(qiáng)度之差[9-10],CNR為反映成像的信噪比與對(duì)比度的綜合指標(biāo)[9,18],SSNR則反映背景組織信噪比的成像質(zhì)量[19]。CR、CNR與SSNR的表達(dá)式如下[18-19]:
CR=|μb-μc|
(16)
(17)
(18)
式中,μb為背景組織成像的平均強(qiáng)度,μc為斑內(nèi)部成像的平均強(qiáng)度,δb為背景組織成像強(qiáng)度的標(biāo)準(zhǔn)差,δc為斑內(nèi)部成像強(qiáng)度的標(biāo)準(zhǔn)差。
3.2.1點(diǎn)仿真成像 在成像區(qū)域內(nèi)設(shè)定5個(gè)散射點(diǎn),見圖2。對(duì)比FPB算法,GCF、aGCF和aGCFcNAF等加權(quán)算法對(duì)散射點(diǎn)的成像效果有所提高。aGCFcNAF加權(quán)算法隨著δ值的增加,其成像分辨率有所提高,成像質(zhì)量?jī)?yōu)于GCF加權(quán)算法和aGCF加權(quán)算法。
圖2 散射點(diǎn)的仿真成像結(jié)果
為進(jìn)一步比較各算法的成像性能,對(duì)坐標(biāo)(0 mm,15 mm)和(0 mm,30 mm)處散射點(diǎn)的橫向強(qiáng)度變化進(jìn)行分析,見圖3。FPB算法的橫向?qū)挾茸畲?,NAF略低于FPB算法,其中aGCFcNAF(δ=0.2)加權(quán)算法橫向?qū)挾茸钚?,GCF介于兩者之間。此外,本研究給出了上述兩處散射點(diǎn)橫向FWHM的值,見表2。NAF加權(quán)算法對(duì)不同深度像素點(diǎn)的橫向分辨率明顯優(yōu)于其他算法,aGCFcNAF算法的分辨率略高于aGCF,F(xiàn)PB分辨率最差。aGCFcNAF(δ=0.2)在近場(chǎng)區(qū)域橫向分辨率優(yōu)于GCF;在遠(yuǎn)場(chǎng)區(qū)域,當(dāng)δ值高于0.4時(shí),橫向分辨率優(yōu)于GCF算法,反之,則略差于GCF算法。
圖3 仿真點(diǎn)橫向強(qiáng)度變化
表2 仿真散射點(diǎn)的橫向FWHM值Table 2 Transverse FWHM value of simulated scattering point
3.2.2斑仿真成像 在成像區(qū)域內(nèi)設(shè)定3個(gè)圓形暗斑,見圖4。GCF、NAF、aGCF和aGCFcNAF加權(quán)算法成像的暗斑輪廓比較清晰,對(duì)比度較高,而FPB算法成像暗斑邊界不清晰,內(nèi)部噪聲較為明顯。隨著成像區(qū)域暗斑深度的增加,NAF和GCF的背景成像質(zhì)量變差,aGCFcNAF、aGCF算法的背景成像效果相比較好。
圖4 暗斑的仿真成像結(jié)果
由表3可知,隨著深度增加,3個(gè)暗斑的CR、CNR和SSNR計(jì)算結(jié)果。以近場(chǎng)暗斑為例,相比于FPB算法,各加權(quán)算法在CR上均有著顯著地改善。對(duì)于CNR來(lái)說(shuō),aGCFcNAF(δ=0.2)比aGCF算法下降了0.34,約降低了5%;比NAF算法增加了2.84,約提高了74%。在比較SSNR中,F(xiàn)PB算法結(jié)果要高于其他算法,aGCFcNAF(δ=0.2)加權(quán)算法要略低于GCF和aGCF算法,下降了0.24和0.55,約降低了4%和8%;比NAF算法增加了2.35,約提高了60%。但對(duì)于遠(yuǎn)場(chǎng)的暗斑來(lái)說(shuō),aGCFcNAF加權(quán)算法在各項(xiàng)系數(shù)上均優(yōu)于GCF算法。aGCFcNAF加權(quán)算法隨δ值增加時(shí),其CR、CNR和SSNR均逐漸下降,但隨著暗斑深度的增加其系數(shù)衰減程度遠(yuǎn)低于其他加權(quán)算法,使得圖像均勻化。
表3 仿真斑的CR,CNR和SSNR
根據(jù)仿真結(jié)果可以得出,NAF算法成像的橫向分辨率效果最好,aGCFcNAF加權(quán)算法在其他系數(shù)上均優(yōu)于NAF加權(quán)算法。相對(duì)于FPB算法,aGCFcNAF加權(quán)算法能有效地提高成像的橫向分辨率,改善成像的CR、CNR。相對(duì)GCF算法,aGCFcNAF加權(quán)算法在成像的近場(chǎng)可有效地提高分辨率,在遠(yuǎn)場(chǎng)能夠改善CR、SSNR和CNR。此外,aGCFcNAF加權(quán)算法明顯降低了不同深度成像下各項(xiàng)系數(shù)的衰減程度,保證了整體圖像的均勻化。
3.3.1點(diǎn)成像實(shí)驗(yàn) 在成像區(qū)域內(nèi),散射點(diǎn)成像結(jié)果來(lái)源于體模數(shù)據(jù),相比于FPB成像算法,其他加權(quán)算法對(duì)散射點(diǎn)的成像較為清晰,NAF加權(quán)算法對(duì)背景區(qū)域成像效果略有不佳,與其他算法相比較差,見圖5。GCF對(duì)遠(yuǎn)場(chǎng)區(qū)域的背景組織成像質(zhì)量明顯下降,而aGCFcNAF(δ=0.2)加權(quán)算法對(duì)不同深度的背景組織成像效果較為均勻。
圖5 散射點(diǎn)實(shí)驗(yàn)成像結(jié)果
為進(jìn)一步分析散射點(diǎn)的分辨率,表4給出了(-1 mm,10 mm)和(-1 mm,30 mm)兩點(diǎn)處散射點(diǎn)橫向FWHM值,由表4可知,NAF加權(quán)算法的橫向分辨率均高于其他算法,其中,aGCFcNAF算法的橫向分辨率優(yōu)于GCF和aGCF算法,且隨著δ值不斷增加橫向分辨率也隨之提高。由圖6可知,上述兩處散射點(diǎn)的橫向強(qiáng)度變化,F(xiàn)PB算法的橫向強(qiáng)度最大,GCF和aGCF加權(quán)算法的寬度相對(duì)略小一些,aGCFcNAF(δ=0.2)算法的橫向?qū)挾茸钚?。該?shí)驗(yàn)結(jié)果與仿真結(jié)果基本一致。
表4 實(shí)驗(yàn)點(diǎn)的橫向FWHM值
圖6 實(shí)驗(yàn)點(diǎn)橫向強(qiáng)度變化
3.3.2斑成像實(shí)驗(yàn) 成像區(qū)域內(nèi)實(shí)驗(yàn)斑的成像結(jié)果,見圖7。對(duì)比FPB算法,其他算法的成像斑較為清晰,內(nèi)部噪聲較小。相比NAF加權(quán)算法,aGCF和aGCFcNAF(δ=0.2)加權(quán)算法的外部背景組織成像質(zhì)量較好,黑色斑點(diǎn)較少,且組織輪廓較清晰。
斑成像實(shí)驗(yàn)的CNR、CR和SSNR計(jì)算結(jié)果,見表5。對(duì)比FPB算法,其他各算法在CR結(jié)果上均有所提高。aGCFcNAF(δ=0.2)加權(quán)算法相比于NAF算法在CR、CNR和SSNR上分別增加了5.8、0.94、1.38,提高了約20%、31%、39%。相比于GCF、aGCF算法,aGCFcNAF(δ=0.2)加權(quán)算法在CNR上分別提高了21%和2%,在SSNR上,比GCF提高了25%, 比aGCF下降了9%,在CR上有所提高。而FPB算法的SSNR依舊最高,aGCF和aGCFcNAF(δ=0.2)加權(quán)算法其次。由此,aGCFcNAF(δ=0.2)加權(quán)算法對(duì)背景組織成像質(zhì)量?jī)?yōu)于GCF算法和NAF算法。
圖7 實(shí)驗(yàn)斑成像結(jié)果
表5 實(shí)驗(yàn)斑的CR、CNR和SSNR
由實(shí)驗(yàn)斑的數(shù)據(jù)可知,aGCFcNAF(δ=0.2)加權(quán)算法相比NAF算法,在CR、CNR和SSNR上均有提高;相比GCF算法在CNR和SSNR上略有提高;在CNR上與aGCF算法基本相等,在SSNR上有所下降。因此,實(shí)驗(yàn)結(jié)果與仿真結(jié)果基本一致。
3.3.3人體組織成像 由于人體組織成分復(fù)雜,不同部位的聲學(xué)特性存在較大差異,為便于比較各算法的可行性,本研究選擇人體頸動(dòng)脈進(jìn)行成像實(shí)驗(yàn),其結(jié)果見圖8。相比于FPB算法,其它算法成像的頸動(dòng)脈與周圍組織分界明顯,成像相對(duì)清晰。GCF與NAF加權(quán)算法的背景組織區(qū)域存在黑色斑點(diǎn)噪聲,aGCF和aGCFcNAF(δ=0.2)加權(quán)算法略好。
圖8 人體頸動(dòng)脈實(shí)驗(yàn)成像結(jié)果
人體頸動(dòng)脈成像的CNR、CR和SSNR見表6,可以看出aGCFcNAF算法在CR、CNR上的值均高于FPB算法,在CR、CNR和SSNR上均高于NAF加權(quán)算法。相比GCF和aGCF算法,aGCFcNAF(δ=0.2)加權(quán)算法在CNR上分別提高了約19%和4%,在SSNR上比GCF提高了19%,比aGCF下降了13%,而在CR上均有所提高。同時(shí),F(xiàn)PB算法在SSNR上均高于其他算法。由此可知,人體頸動(dòng)脈的實(shí)驗(yàn)結(jié)果與體模實(shí)驗(yàn)結(jié)果及仿真結(jié)果基本一致。
表6 人體頸動(dòng)脈實(shí)驗(yàn)CR、CNR和SSNR
散射點(diǎn)的仿真實(shí)驗(yàn)結(jié)果表明,aGCF加權(quán)算法的橫向分辨率略優(yōu)于FPB算法,但略遜于GCF算法。而NAF算法的橫向分辨率最好,因此,將aGCF與NAF系數(shù)融合形成的aGCFcNAF加權(quán)算法的橫向分辨率優(yōu)于GCF和aGCF算法。對(duì)比FPB與GCF算法,aGCFcNAF加權(quán)算法的成像略清晰。
斑的仿真與成像實(shí)驗(yàn)結(jié)果表明,相比于FPB算法,GCF、aGCF和aGCFcNAF等加權(quán)算法對(duì)暗斑的成像效果均有所改善,斑內(nèi)的噪聲得到明顯抑制,CR值明顯提高。當(dāng)δ值為0.2或0.4時(shí),aGCFcNAF算法呈現(xiàn)出較高的CR值,在深度較高區(qū)域,其結(jié)果均優(yōu)于aGCF和NAF。相比aGCF,aGCFcNAF對(duì)背景組織的成像強(qiáng)度略有降低,但對(duì)斑內(nèi)噪聲的壓制能力明顯增強(qiáng),因此CR得到提升。相對(duì)于NAF,aGCFcNAF斑內(nèi)的噪聲成像強(qiáng)度雖然增加,但背景的成像強(qiáng)度增加幅度更大,因此CR 也優(yōu)于NAF??梢姴捎胊GCF與NAF相融合的方式在對(duì)比度方面可以較好地發(fā)揮兩者的優(yōu)點(diǎn)。aGCFcNAF加權(quán)算法在背景組織的成像質(zhì)量介于兩者之間,因此SSNR值略高于NAF,但低于aGCF。SSNR隨δ的增加而降低,通過(guò)選擇合適的δ值,使得SSNR和CR,分辨率等參數(shù)達(dá)到合理的折衷。
在本研究中,展示了aGCFcNAF加權(quán)算法4種不同大小δ值的成像效果。研究表明,aGCFcNAF成像的橫向分辨率隨著δ值的增加而提高,這是由于當(dāng)δ值增加時(shí),aGCFcNAF算法更傾向于NAF算法,而NAF算法有著較高的橫向分辨率。同理,當(dāng)δ值不斷減小時(shí),aGCFcNAF算法更傾向于aGCF算法,由于aGCF算法有著較高的CNR和SSNR,所以aGCFcNAF算法的CNR和SSNR也逐漸增加。綜上可知,當(dāng)δ值為0.2或0.4時(shí),aGCFcNAF算法的橫向分辨率、CR、CNR和SSNR以及成像質(zhì)量對(duì)比其他算法均有所提高。
本研究首先提出了一種aGCF加權(quán)的遠(yuǎn)聚焦像素成像算法,該算法為一種自適應(yīng)調(diào)節(jié)的GCF算法,它可以根據(jù)成像目標(biāo)的深度自動(dòng)調(diào)節(jié)GCF的大小。相比于傳統(tǒng)的GCF算法,它在遠(yuǎn)場(chǎng)成像區(qū)域內(nèi)有著較高的CNR和SSNR,且隨著成像區(qū)域深度的增加,其各項(xiàng)系數(shù)衰減較弱,使整個(gè)區(qū)域成像均勻化。然后在aGCF系數(shù)和NAF系數(shù)的基礎(chǔ)上進(jìn)行融合生成的新加權(quán)算法,即aGCFcNAF加權(quán)的遠(yuǎn)聚焦像素成像算法。該算法通過(guò)選取合適的調(diào)節(jié)系數(shù)δ值,以提高成像質(zhì)量。由仿真與成像實(shí)驗(yàn)結(jié)果來(lái)看,當(dāng)δ=0.2時(shí),aGCFcNAF加權(quán)算法有著較均衡的成像質(zhì)量。后續(xù)我們將探索新加權(quán)算法與aGCF、NAF相結(jié)合的方法,以實(shí)現(xiàn)更高質(zhì)量的成像。