超聲圖像紋理分析算法研究畢業(yè)設(shè)計(jì)

1、<p>　　畢 業(yè) 設(shè) 計(jì)（論 文）</p><p>　　題 目：超聲圖像紋理分析算法研究</p><p>　　專 業(yè)： 生物醫(yī)學(xué)工程 </p><p>　　學(xué)生姓名： </p><p>　　班級(jí)學(xué)號(hào)： </p><p

2、>　　指導(dǎo)教師： </p><p>　　指導(dǎo)單位： 地理與生物信息學(xué)院 </p><p>　　日期：2010年 3 月 12日至 2010年 6 月 17日</p><p><b>　　摘 要</b></p><p>　　醫(yī)學(xué)超聲圖像與計(jì)算機(jī)X射線斷層造影術(shù)、磁共振成

3、像、核醫(yī)學(xué)成像并稱為現(xiàn)代四大醫(yī)學(xué)影像技術(shù)，其中超聲成像由于其獨(dú)具的實(shí)時(shí)性、無損性、廉價(jià)性、可重復(fù)性好、靈敏度高等優(yōu)勢(shì)而廣泛應(yīng)用于臨床診斷和治療中，它在人體內(nèi)部組織器官的定量分析、實(shí)時(shí)監(jiān)控和治療規(guī)劃等方面都具有極大的潛力。運(yùn)用計(jì)算機(jī)手段對(duì)超聲圖像進(jìn)行分析，為醫(yī)生的診斷提供量化的依據(jù)，是非常必要的。</p><p>　　本文將肝臟的超聲圖像作為研究對(duì)象，結(jié)合超聲理論、紋理分析理論，探討了肝臟所具有的紋理特性，并運(yùn)用灰

4、度共生矩陣方法提取肝臟超聲圖像的紋理特征參數(shù)，分別選取正常肝臟、脂肪肝以及肝硬化的超聲圖像進(jìn)行紋理分析，依據(jù)肝臟超聲圖像的特點(diǎn)對(duì)其結(jié)果進(jìn)行對(duì)比分析。進(jìn)而驗(yàn)證程序的準(zhǔn)確性，為今后進(jìn)一步進(jìn)行超聲圖像的分割、分類及自動(dòng)識(shí)別打下基礎(chǔ)。</p><p>　　關(guān)鍵詞： 超聲圖像；肝臟；紋理分析；灰度共生矩陣 </p><p><b>　　ABSTRACT</b></p&g

5、t;<p>　　Medical ultrasound imaging, computerized tomography ,magnetic resonance imaging and nuclear imaging are the four important medical imaging techniques in modem society. Among them , medical ultrasound imagi

6、ng is widely used in medical diagnosis and treatment due to its unique characteristic of real-time, noninvasiveness, cheapness, easy repetition, and high sensitivity. It has high potential in quantitive analysis, real-ti

7、me monitoring and treatment scheduling, etc. At present, the diagnosis is d</p><p>　　In this paper, we studied the images of liver ultrasound images by contracting the theory of ultrasound, texture analysis.

8、 We discussed the texture characteristics of liver. Subsequently we validated this lows by using GLSM method to extract the texture characters. Choose normal respectively, liver cirrhosis and the fat of ultrasound image

9、in texture, based on the liver of ultrasound image on the results on the comparative analysis. to verify the accuracy, For the further ultrasound image segmen</p><p>　　Keywords: ultrasound images ；liver ；tex

10、ture analysis；GLCM</p><p><b>　　目 錄</b></p><p><b>　　第一章 緒論1</b></p><p><b>　　1.1引言1</b></p><p><b>　　1.2課題背景1</b></

11、p><p>　　1.3 肝臟超聲圖像2</p><p>　　1.3.1 B超及其成像原理2</p><p>　　1.3.2 肝臟疾病及其超聲學(xué)特征3</p><p>　　1.4 本章小結(jié)3</p><p>　　第二章超聲圖像的紋理分析4</p><p>　　2.1 紋理的基本概念4&

12、lt;/p><p>　　2.1.1紋理的定義4</p><p>　　2.1.2紋理分析的概況5</p><p>　　2.2紋理分析的方法6</p><p>　　2.2.1 基于特征的分析方法6</p><p>　　2.2.2基于模型的分析方法8</p><p>　　2.2.3其它分析方法

13、10</p><p>　　2.3灰度共生矩陣分析方法11</p><p>　　2.3.1灰度共生矩陣的定義11</p><p>　　2.3.2灰度共生矩陣的特征參數(shù)12</p><p>　　2.3.3 灰度共生矩陣常用的特征參數(shù)14</p><p>　　2.4 本章小結(jié)15</p><p&

14、gt;　　第三章 超聲肝臟紋理分析設(shè)計(jì)的應(yīng)用16</p><p>　　3.1 Visual C++開發(fā)環(huán)境及C++語言的簡介16</p><p>　　3.1.1 Visual C++開發(fā)環(huán)境16</p><p>　　3.1.2 C++概述17</p><p>　　3.2紋理特征算法的實(shí)現(xiàn)17</p><p>

15、;　　3.2.1 算法流程圖18</p><p>　　3.2.2 紋理特征值計(jì)算框架……………………………………………………19</p><p>　　3.2.3 灰度共現(xiàn)矩陣的算法實(shí)現(xiàn)21</p><p>　　3.2.4 計(jì)算紋理特征參數(shù)的算法23</p><p>　　3.3 實(shí)驗(yàn)結(jié)果分析26</p><p>

16、　　3.3.1 程序的實(shí)現(xiàn)測(cè)試26</p><p>　　3.3.2 紋理分析測(cè)試結(jié)果比對(duì) …………………………………………………28</p><p>　　3.4 本章小結(jié)30</p><p><b>　　結(jié)束語31</b></p><p><b>　　致 謝32</b></p>

17、<p><b>　　參考文獻(xiàn)：33</b></p><p><b>　　第一章 緒論</b></p><p><b>　　1.1引言</b></p><p>　　隨著近年來社會(huì)科技的進(jìn)步與人類生活水平的發(fā)展，人們?cè)谘杆侔l(fā)展高新科技的同時(shí)，也越來越關(guān)注自身的生活環(huán)境與醫(yī)療條件。健康己成

18、為人們當(dāng)前最關(guān)注的話題之一。然而，由于環(huán)境的嚴(yán)重破壞工作中的激烈競爭和沉重的生活壓力，人們的健康水平卻不甚樂觀。今天醫(yī)學(xué)的發(fā)展面臨嚴(yán)重的挑戰(zhàn)，作為醫(yī)生診斷和治療重要手段的醫(yī)學(xué)影像學(xué)己成為醫(yī)學(xué)技術(shù)中發(fā)展最快的領(lǐng)域之一，其結(jié)果使得臨床醫(yī)生對(duì)人體內(nèi)部病變部位的觀察更直接、更清晰，確診率也更高。</p><p>　　近幾年來，隨著信息時(shí)代特別是數(shù)字時(shí)代的來臨，計(jì)算機(jī)斷層成像、核磁共振成像(MRI: Magnetic Re

19、sonance Imaging)、超聲(US: Ultrasonography)等新的醫(yī)學(xué)成像技術(shù)已經(jīng)廣泛應(yīng)用在醫(yī)療的診斷、術(shù)前計(jì)劃、治療、術(shù)后監(jiān)測(cè)等各個(gè)環(huán)節(jié)中。這些成像技術(shù)的目的是全面而精確地獲得病人的各種定量定性數(shù)據(jù)，為診斷、治療計(jì)劃、手術(shù)和術(shù)后評(píng)估提供正確的數(shù)字式的信息，它們的快速發(fā)展必將引發(fā)醫(yī)學(xué)影像領(lǐng)域一場(chǎng)新的革命。計(jì)算機(jī)和醫(yī)學(xué)圖像處理技術(shù)作為這些成像技術(shù)的發(fā)展基礎(chǔ)，帶動(dòng)著現(xiàn)代醫(yī)學(xué)診斷正產(chǎn)生著深刻的變革。各種新的醫(yī)學(xué)成像方法的臨

20、床應(yīng)用，使醫(yī)學(xué)診斷和治療技術(shù)取得了很大的進(jìn)展，同時(shí)將各種成像技術(shù)得到的信息進(jìn)行互補(bǔ)，也為臨床診斷及生物醫(yī)學(xué)研究提供了有力的科學(xué)依據(jù)。因此，醫(yī)學(xué)圖像處理技術(shù)一直受到國內(nèi)外有關(guān)專家的高度重視。</p><p>　　醫(yī)學(xué)領(lǐng)域知識(shí)集百家之大成，浩滿紛繁，關(guān)聯(lián)交叉，我們所研究的B超聲圖像僅是醫(yī)學(xué)領(lǐng)域的一個(gè)具體分支，因而在描述B超聲圖像的特征時(shí)必須使用清晰準(zhǔn)確的概念。B超聲圖像中所涉及的幾個(gè)主干特征分別是所診斷器官的直徑、壁

21、厚、圖像的灰度值和紋理等。其中，圖像的灰度值和紋理是最重要的兩個(gè)特征，多數(shù)疾病的診斷都可以直接由這兩個(gè)特征進(jìn)行分析診斷。準(zhǔn)確提取超聲圖像的特征，直接關(guān)系到超聲圖像處理的成敗和算法的成功運(yùn)用，對(duì)超聲圖像處理的進(jìn)一步發(fā)展具有十分重要的意義。</p><p><b>　　1.2課題背景</b></p><p>　　超聲醫(yī)學(xué)是醫(yī)學(xué)影像學(xué)的一個(gè)重要組成部分，它的范圍是在整個(gè)醫(yī)學(xué)

22、影像學(xué)的歷史發(fā)展中形成的，并且不斷更新變化的。目前在醫(yī)學(xué)臨床上應(yīng)用的超聲診斷儀有許多類型，B型超聲室其中一種，而且是臨床上應(yīng)用最廣泛和簡便的一種。B超稱為超聲顯像法，是將回聲信號(hào)以光點(diǎn)的形式顯示出二維圖像來，回聲的大小以光點(diǎn)的明暗度來表示，根據(jù)光點(diǎn)的灰階不同，組成層次分明的二維結(jié)構(gòu)圖像，為灰度調(diào)制型。</p><p>　　B超檢查能夠無損、直觀的顯示人體心臟的形態(tài)結(jié)構(gòu)，并且對(duì)人體的軟組織具有高度的分辨能力。它能實(shí)

23、時(shí)的觀察人體臟器的功能活動(dòng)且操作簡便、價(jià)格低廉，正是因?yàn)锽超具有這些特點(diǎn)，它已經(jīng)成為進(jìn)行人體內(nèi)部結(jié)構(gòu)與組織檢查的最為常用的手段。</p><p>　　但B超也有其不足之處，由于超聲醫(yī)學(xué)診斷主要利用了超聲脈沖回波的幅度參數(shù)來提取真短信息，受設(shè)備等各方面因素制約，使超聲醫(yī)學(xué)圖像具有灰度級(jí)對(duì)比度低，特別是在某些局部細(xì)節(jié)上沒有明顯的灰度差別等缺點(diǎn)，使得人的視覺分辨較為困難，所得到的診斷結(jié)果帶有醫(yī)生的主管經(jīng)驗(yàn)判斷，這在很大

24、程度上取決于醫(yī)生的臨床經(jīng)驗(yàn)。計(jì)算機(jī)技術(shù)的應(yīng)用可以改變這種情況，通過圖形圖像技術(shù)，可以對(duì)影像圖像進(jìn)行任意放大、縮小、旋轉(zhuǎn)、對(duì)比度調(diào)整等處理，使得醫(yī)務(wù)工作者可以從多方面，多層次的觀察角度對(duì)影像數(shù)據(jù)進(jìn)行詳細(xì)的觀察，可以輔助醫(yī)生對(duì)病變體及其他感興趣的區(qū)域進(jìn)行定性分析，可以提高臨床診斷的準(zhǔn)確性和正確性。早在八十年代末，就已經(jīng)出現(xiàn)了B超圖像處理系統(tǒng)，如圖像歸檔與通信系統(tǒng)和超聲圖像管理系統(tǒng)。針對(duì)B超的圖像處理系統(tǒng)主要實(shí)現(xiàn)了圖像黑白反轉(zhuǎn)、圖像開窗、放大

25、縮小、增強(qiáng)、灰度處理、邊緣處理、直方圖等功能。</p><p>　　但是，對(duì)于脂肪肝等肝臟實(shí)質(zhì)器官的病變?cè)\斷并沒有一個(gè)量化方法來進(jìn)行處理，主要還是依據(jù)醫(yī)生的經(jīng)驗(yàn)，根據(jù)超聲圖像特征和灰階的分布大致推斷組織內(nèi)部的散射結(jié)構(gòu)，進(jìn)而判別病變情況，即目前的診斷主要以定性分析為基礎(chǔ)。這就需要我們對(duì)B超圖像進(jìn)行一定的處理，以期獲得一定的量化參數(shù)，減少醫(yī)生用肉眼判別醫(yī)學(xué)圖像時(shí)發(fā)生的錯(cuò)誤及工作量。</p><p&

26、gt;　　1.3 肝臟超聲圖像</p><p>　　1.3.1 B超及其成像原理</p><p>　　B超設(shè)備成像的基本原理是超聲脈沖回聲檢測(cè)原理。B超設(shè)備向人體發(fā)射一組超聲波，按一定的方向進(jìn)行掃描。根據(jù)監(jiān)測(cè)其回聲的延遲時(shí)間、強(qiáng)弱就可以判斷臟器的距離及性質(zhì).經(jīng)過電子電路和計(jì)算機(jī)的處理，形成了我們今天的B超圖像。B超的關(guān)鍵部件就是我們所說的超聲探頭，其內(nèi)部有一組超聲換能器，是由一組具有壓電

27、效應(yīng)的特殊晶體制成.這種壓電晶體具有特殊的性質(zhì)，就是在晶體特定方向上加上電壓，晶體會(huì)發(fā)生形變，反過來當(dāng)晶體發(fā)生形變時(shí)，對(duì)應(yīng)方向上就會(huì)產(chǎn)生電壓，實(shí)現(xiàn)了電信號(hào)與超聲波的轉(zhuǎn)換。</p><p>　　B超診斷設(shè)備根據(jù)掃查方式可以分為:線性掃查、扇形掃查、凸陣掃查等。線性掃查是使超聲束在體內(nèi)做快速直線運(yùn)動(dòng)，運(yùn)動(dòng)方向和聲波行進(jìn)方向垂直，獲取的回波信息做亮度調(diào)制處理，在CRT上可得到一幅矩形切面圖像。而扇形掃查則是使超聲波束在

28、人體內(nèi)做快速扇形運(yùn)動(dòng)，進(jìn)而在CRT上顯示出一幅扇形的切面圖像B超診斷疾病，通常是根據(jù)圖像所顯示某一器官或病變的大小、形態(tài)及內(nèi)部結(jié)構(gòu)等變化做出診斷。而這些變化在B超儀屏幕上又是以點(diǎn)狀回聲、帶狀回聲、團(tuán)狀回聲等組成，主要以灰度圖像的形式顯示。由于人體生理結(jié)構(gòu)復(fù)雜，所以，B超顯示的圖像較復(fù)雜，信息量大，各目標(biāo)景物的粉廓界限不清楚，且有相互重登的現(xiàn)象，前景和背景物體的灰度差較小，處理起來較困難。而且由于研究對(duì)象(人體)的特殊性，這些都給我們的研

29、究提出了更高的要求。</p><p>　　1.3.2 肝臟疾病及其超聲學(xué)特征</p><p>　　要通過研究肝臟B超圖像所反映的不同病變表現(xiàn)出來的不同的變化規(guī)律，就需要了解它們?cè)诼曄駡D上的差異。B超圖像涉及的主要特征是所診斷器官的“直徑”、“壁厚”、“圖像的灰度值”等。其中“圖像的灰度值”即紋理是最重要的特征，在醫(yī)學(xué)上被稱為光點(diǎn)，本文著重對(duì)該特征做描述。首先我們研究一下正常肝臟的聲像圖。正

30、常肝臟在右側(cè)肋下可見一低回聲區(qū)，肝實(shí)質(zhì)呈細(xì)小光點(diǎn)，分布均勻，有時(shí)可見稀疏、散在的略強(qiáng)光點(diǎn)及短小線狀回聲，且輪廓完整，邊界整齊，與周圍界限清晰。接下來我們分別了解一下脂肪肝和肝硬化的超聲學(xué)特征。脂肪肝可分為彌漫性和局限性兩類，其超聲圖像有所區(qū)別。彌漫性脂肪肝:肝臟呈輕度或中度腫大，肝實(shí)質(zhì)呈點(diǎn)狀強(qiáng)回聲。細(xì)膩、均勻、增多、增強(qiáng)。由于肝內(nèi)脂肪的彌漫性浸潤，肝區(qū)的超聲衰減系數(shù)均值由0.54dB/cm/mH&增加0.74dB/cm/mHg，

31、使回聲從淺到深逐漸減弱，前部細(xì)密呈一片“云霧狀”。探部回聲微弱且稀少，后方輪廊顯示較困難，肝內(nèi)血管明顯減少，走向不清。局限性脂肪肝：當(dāng)脂肪肝非均勻發(fā)展時(shí)，可出現(xiàn)肝的不規(guī)則脂肪化灶或局限性脂肪化灶，表現(xiàn)為灶性或不均勻的強(qiáng)回聲區(qū)域如肝的大部分被脂肪化，只留小部分正常區(qū)，聲像圖上</p><p>　　(1 )回聲增高增密，分布不均勻;</p><p>　　(2 )分布密度不一的短小粗線狀增高回聲

32、;</p><p>　　(3 )肝內(nèi)密布短弧線狀增高回聲，類似蜂片狀或苔鮮樣改變;</p><p>　　(4 )當(dāng)肝內(nèi)再生結(jié)節(jié)較大時(shí)，肝區(qū)光點(diǎn)粗大，有結(jié)節(jié)狀強(qiáng)回聲。</p><p>　　上面所討論的是屬于醫(yī)學(xué)范疇，并用醫(yī)學(xué)語言描述的不同肝臟疾病的超聲圖像特征。我們將這些特征用圖像處理紋理特征的語言來描述:</p><p>　　(1 )正常肝臟

33、超聲圖像的紋理規(guī)則、清晰，分布均勻，其紋理分布較密。</p><p>　　(2 )脂肪肝超聲圖像的紋理規(guī)則、欠清晰，分布均勻，其紋理分布密集。</p><p>　　(3 )肝硬化超聲圖像的紋理不規(guī)則但較清晰，分布不均勻，其分布較稀疏。</p><p><b>　　1.4 本章小結(jié)</b></p><p>　　本章首先介紹

34、了超聲圖像分析的發(fā)展需求及發(fā)展由來使我們對(duì)超聲圖像分析能有一個(gè)更好的了解，進(jìn)而對(duì)肝臟的超聲圖像的特征做了大致的分析，為接下來我們介紹對(duì)肝臟超聲圖像的紋理分析奠定了一定的基礎(chǔ)。</p><p><b>　　超聲圖像的紋理分析</b></p><p>　　2.1 紋理的基本概念</p><p>　　2.1.1紋理的定義</p><

35、;p>　　紋理一般指人們所觀察到是圖像中的象元的灰度變化規(guī)律，習(xí)慣上把圖像中的這種局部不規(guī)則的、而宏觀有規(guī)律的特征稱之為紋理。在圖像分析中將描述這種灰度變化規(guī)律的數(shù)字特征稱之為圖像的紋理特征。在各類圖像中紋理現(xiàn)象幾乎無處不在，在多光譜遙感圖像到細(xì)胞組織成像，從大自然的天空、草地到計(jì)算機(jī)合成的規(guī)則圖像，以及日常生活中的磚墻、紡織品及一些自然景物都有明顯的紋理特征。例如遙感圖像中的氣象云圖和各種地貌反映在圖像上就是不同方向、不同形狀和

36、不同粗糙度的紋理。自然界沙礫與食鹽則呈現(xiàn)出同顆粒大小的紋理。在醫(yī)學(xué)診斷中器官組織的大片分布可以看做紋理現(xiàn)象，正常組織病變組織的紋理在粗糙、分布走向上有很大的差別。紋理特征是反映宏觀意義上灰度變化規(guī)律的重要特征，同時(shí)也是圖像分析中一個(gè)難以描述的基本特征。</p><p>　　從紋理信息的產(chǎn)生過程劃分可以將紋理分為認(rèn)為紋理和自然紋理。將特定的子圖像規(guī)則的重復(fù)可人工產(chǎn)生特定的紋理。自然界產(chǎn)生的紋理則成為自然紋理。紋理的

37、基本特征是移不變性，也即對(duì)紋理的感知基本上與圖像中的位置無關(guān)，從人的智能視覺系統(tǒng)對(duì)紋理的認(rèn)知來看，紋理還應(yīng)當(dāng)具有一定的日度不變性和選裝不變性。</p><p>　　從紋理的局部區(qū)域統(tǒng)計(jì)特征上可以將紋理大致地分為結(jié)構(gòu)紋理和隨機(jī)紋理（如圖一、圖二）。具有獨(dú)立基本結(jié)構(gòu)與明顯周期性的紋理為結(jié)構(gòu)紋理（例如布紋、磚墻），反之為隨機(jī)紋理（例如沙礫、氣象云圖）。從紋理途中可以看到紋理是一種有組織餓區(qū)域現(xiàn)象。</p>

38、<p>　　圖一 結(jié)構(gòu)紋理 圖二 隨機(jī)紋理</p><p>　　人工紋理多由點(diǎn)、線、多邊形等有規(guī)律的排列而組成，人工紋理圖像通常變現(xiàn)問結(jié)構(gòu)紋理，而自然紋理圖像通常是隨機(jī)型紋理。</p><p>　　因?yàn)槿斯ぜy理和自然紋理的模式多種多樣，迄今為止對(duì)于紋理還沒有一個(gè)公認(rèn)的定義。Hawkins曾對(duì)紋理做過比較詳細(xì)的描述，他認(rèn)為

39、紋理有三個(gè)主要標(biāo)志：</p><p>　?。?）、某種局部的序列在比該序列更大的區(qū)域內(nèi)不斷的重復(fù)；</p><p>　　（2）、序列是由基本部分非隨機(jī)排列組成的；</p><p>　　（3）、各部分大致都是均勻的統(tǒng)一體，在紋理區(qū)域內(nèi)的任何地方都有相同的結(jié)構(gòu)尺寸；</p><p>　　即紋理是由紋理基元按照某種確定性的規(guī)律或者某種統(tǒng)計(jì)規(guī)律排列組

40、成的。而Goold等人給紋理以更為模糊的定義，即紋理是由大量或多或少有序的相似基元或模式組成的一種結(jié)構(gòu)，這些基元或模式中沒有一個(gè)特別引人注目的。無論對(duì)于紋理的定義如何，我們都可以認(rèn)為，紋理對(duì)于圖像各像元的灰度空間分布的一種描述。</p><p>　　肝臟B超圖像紋理是由于各種不同的肝臟組織纖維不同，使其對(duì)超聲脈沖的吸收、衰減、反射有差異，超聲脈沖又相互作用而形成的。因此，不同肝臟B超圖像的紋理有明顯的不同，這就是

41、我們多看到的光點(diǎn)粗細(xì)、分布的差別，醫(yī)生正是根據(jù)這種紋理來判斷肝臟有無疾病，從這一點(diǎn)可看出，肝臟B超圖像的紋理反映了肝臟組織的結(jié)構(gòu)，因此，可通過對(duì)肝臟紋理的定量分析來區(qū)分肝臟有無疾病，供醫(yī)生輔助診斷時(shí)候參考。</p><p>　　2.1.2紋理分析的概況</p><p>　　紋理分析指的是通過一定的圖像處理技術(shù)抽取出紋理特征，從而獲得紋理的定量或定性描述的處理過程。近些年來，紋理分析在紡織品

42、、植物病蟲害防治、醫(yī)學(xué)病理診斷和大容量圖像數(shù)據(jù)庫的檢索、遙感圖像處理等方面得到廣泛的應(yīng)用。由于紋理的大量存在和復(fù)雜多樣，紋理分析在上述以及他相關(guān)應(yīng)用領(lǐng)域不但具有重要的地位，而且具有較大的難度，因而一直是人民關(guān)注和研究的一個(gè)熱點(diǎn)和難點(diǎn)。紋理分析的主要研究內(nèi)容包括紋理描述、紋理分割、紋理分類、紋理檢索等，是計(jì)算機(jī)視覺和模式識(shí)別的重要組成部分。</p><p>　　紋理描述：對(duì)圖像中紋理信息的基本特性做出某種量度。紋理

43、描述的基礎(chǔ)是找出一組能夠有效反應(yīng)圖像紋理特征的參量，這些紋理特征能夠盡可能地縮小紋理的類內(nèi)差距，同時(shí)盡可能增大紋理的類間差距。常用的紋理特征有粗糙度、方向性、一致性等。</p><p>　　1、紋理分割：以紋理特征的一致性為準(zhǔn)則的圖像分割處理。由于不同物體往往具有不同的紋理特征，紋理分割將圖像中劃分為互不相交的若干區(qū)域，每一個(gè)區(qū)域內(nèi)部具有相對(duì)一致的紋理特性。</p><p>　　2、 紋理

44、分割包括有監(jiān)督和無監(jiān)督的紋理分割。有監(jiān)督紋理風(fēng)是指在對(duì)待分割圖像掌握一定經(jīng)驗(yàn)知識(shí)的情況下的紋理分割，反之則稱為無監(jiān)督分割。紋理的先驗(yàn)知識(shí)包括確定待分割圖像的紋理類別數(shù)目，不同紋理的表現(xiàn)特性等等。</p><p>　　3、紋理分類：通過紋理特征的描述、提取和識(shí)別處理，將不同類別的未知紋理圖像正確的歸類到已知的紋理類型。紋理分類一般包括訓(xùn)練和分類兩個(gè)階段一般是有監(jiān)督的。</p><p>　　4

45、、紋理檢索：通過某種相似性準(zhǔn)則計(jì)算紋理特征之間的距離，對(duì)圖像進(jìn)行識(shí)別檢索。紋理檢索時(shí)基于內(nèi)容的圖像檢索研究的一個(gè)重要內(nèi)容。</p><p>　　本文中我們主要研究紋理特征的提取，探討肝臟所具有的紋理特性，為今后進(jìn)一步進(jìn)行超聲圖像的分割、分類及自動(dòng)識(shí)別打下基礎(chǔ)。</p><p>　　2.2紋理分析的方法</p><p>　　紋理圖像分析的基本方法有兩種類型:結(jié)構(gòu)分析法

46、和統(tǒng)計(jì)分析法。</p><p>　　結(jié)構(gòu)分析法從圖像(或局部區(qū)域)的排列特征出發(fā)著力找出紋理基元，再從結(jié)構(gòu)組成上探索紋理的分布規(guī)律，計(jì)算紋理基元的特征參數(shù)或構(gòu)成紋理的結(jié)構(gòu)參數(shù)。紋理基元可以是直觀的、明確的，如氣泡紋理的基元通常是圓或橢圓;也可以是不明確的，需要人為的定義。紋理基元參數(shù)包括基元的尺寸、位置和姿態(tài)等，紋理結(jié)構(gòu)參數(shù)包括相位、距離、分離度、同現(xiàn)率等。紋理的空間組織可以是隨機(jī)的，可能一個(gè)基元對(duì)相鄰基元有成對(duì)

47、的依賴關(guān)系，或者幾個(gè)基元同時(shí)相互關(guān)聯(lián)。</p><p>　　統(tǒng)計(jì)分析法是從圖像有關(guān)屬性的統(tǒng)計(jì)特性出發(fā)，著重于分析圖像區(qū)域灰度分布的統(tǒng)計(jì)特性(常用的描述子有n階矩、直方圖、共生矩陣等)。統(tǒng)計(jì)分析法適用于描述木紋、沙地和草坪等自然界廣泛存在的不規(guī)則、隨機(jī)性(或周期性不明顯)的紋理，對(duì)圖像宏觀特性的描述比較有效，適應(yīng)性強(qiáng)。</p><p>　　這些方法可以粗略的分為三類:</p>

48、<p>　　(1)基于特征:該方法利用感興趣的區(qū)域的某些特征參數(shù)基本一致的特點(diǎn)來處理的。</p><p>　　(2)基于模型:這種方法假定研究的紋理是由某模型過程的一些參數(shù)決定的，所以我們可以用模型參數(shù)作為紋理的特征來識(shí)別紋理圖像。基于模型參數(shù)的分析方法可以看作是基于特征方法的一個(gè)子集。</p><p>　　(3)基于結(jié)構(gòu):該方法搜尋紋理基元的排列規(guī)則。</p>&

49、lt;p>　　基于結(jié)構(gòu)的紋理分析必須在紋理具有很強(qiáng)的紋理基元的情況下應(yīng)用。但在實(shí)際情況下，紋理往往不能滿足這個(gè)假設(shè)條件，所以結(jié)構(gòu)化紋理分析的應(yīng)用范圍有限。這里不作介紹。</p><p>　　基于特征和基于模型的分析方法比較常用，下面分別介紹其中比較經(jīng)典的方法。</p><p>　　2.2.1 基于特征的分析方法</p><p>　　1、空間自相關(guān)函數(shù)法<

50、/p><p>　　紋理結(jié)構(gòu)常用其粗糙性來描述，其粗糙性的程度與局部結(jié)構(gòu)的空間重復(fù)周期有關(guān)。周期大的紋理粗，周期小的紋理細(xì)?？臻g自相關(guān)函數(shù)是計(jì)算紋理測(cè)度的一種基本方法。紋理測(cè)度變化的傾向是小數(shù)值的紋理測(cè)度表示細(xì)紋理，大數(shù)值的紋理測(cè)度表示粗紋理。</p><p>　　設(shè)圖像為{I（x，y),0 ≤ x ≤M,0≤ y ≤ N}，其自相關(guān)函數(shù)定義為:</p><p><

51、b>　?。?.211）</b></p><p>　　上式是對(duì)(2W+1)×(2W+1)窗口內(nèi)每一象素(j,k)與偏離值e,η=0±1±2，…,±T的象素之間的相關(guān)值作計(jì)算.一般粗紋理區(qū)域?qū)o定偏離(e,η)時(shí)象素的相關(guān)性要高于細(xì)紋理區(qū)域?；蛘哒f，對(duì)于粗紋理圖像，自相關(guān)函數(shù)C(e，η;j,k)隨著偏離值增大而下降的速度較慢;而細(xì)紋理圖象的C(e，η;j,k)

52、隨著偏離值增大而下降的速度較快.隨著偏離值的繼續(xù)增加，C(e，η;j,k)將呈現(xiàn)某種周期性的變化，其變化周期的大小可以作為描述圖象紋理的重要特征。自相關(guān)函數(shù)擴(kuò)展的一種測(cè)度是二階矩，即</p><p><b>　　(2.212)</b></p><p>　　可見，紋理粗糙性越大，則T越大.因而T也是度量紋理結(jié)構(gòu)粗糙性的一種參數(shù)。</p><p>

53、　　2 、Laws能量法</p><p>　　1980年，Laws提出了一種新的紋理描述方法，即紋理能量法.它用向量V1=[1,4,6,4,1];V2=[-1,-2,0,2,1];V3=[-1,0,2,0,-1];V4=[-1,2,0,-2,1];V5=[1,-4,6,-4,1]之間相互卷積后得到25個(gè)二維濾波模板后分別與紋理圖像卷積。卷積后的圖像中每個(gè)象素值用以該象素為中心的局部窗口內(nèi)的均方值(紋理能量)或平均

54、絕對(duì)值代替，從而獲得紋理的度量，其性能有意義地優(yōu)于共生矩陣法.</p><p>　　3、Tamura紋理特征</p><p>　　基于人類對(duì)紋理的視覺感知的心理學(xué)的研究，Tamura等人提出了紋理特征的表達(dá)。Tamura紋理特征的六個(gè)分量對(duì)應(yīng)于心理學(xué)角度上紋理特征的六種屬性。其中，粗糙度(Coarsenes) 。時(shí)比度(Contrast)、方向度(Dirrectianality)這三個(gè)分量

55、比較重要，它們的定義和數(shù)學(xué)表達(dá)如下:</p><p>　　粗糙度的計(jì)算可以分為以幾個(gè)步驟進(jìn)行.首先，計(jì)算圖像中大小為2K×2K個(gè)象素的活動(dòng)窗口中象素的平均強(qiáng)度值，即</p><p><b>　?。?.213）</b></p><p>　　其中k2是選取的窗口大小，k=0,1,2 ... ; g（i，j）是位于(i，j)的象素強(qiáng)度值。然

56、后對(duì)于每個(gè)象素，分別計(jì)算它在水平和垂直方向上的郁域均值差值。</p><p><b>　　（2.214）</b></p><p>　　其中對(duì)于每個(gè)象素，能使E值達(dá)到最大(無論水平還是垂直方向)的k值用來設(shè)置最佳尺寸Sbest（x，y）=2k最后，粗糙度可以通過計(jì)算整幅圖像中Sbest的平均值來得到:</p><p><b>　?。?.

57、215）</b></p><p>　　粗糙度特征的另一種改進(jìn)形式是采用直方圖來描述Sbest的分布.這種改進(jìn)后的粗糙度特征能夠表達(dá)具有多種不同紋理特征的圖像或區(qū)域，因此對(duì)圖像分析更為有利。</p><p>　　對(duì)比度對(duì)比度通過對(duì)象素強(qiáng)度分布情況做統(tǒng)計(jì)后得到。它通過a4=μ4/s2定義，其中μ4是四階均值而s2是方差。對(duì)比度由如下公式衡量:</p><p>

58、;　　n=8,4,2,1,1/2,1/4或1/8 （2.216）</p><p>　　FCON給出了整個(gè)圖像或區(qū)域中汁比度的全局度量。</p><p>　　方向度方向度的計(jì)算需要首先計(jì)算每個(gè)象素處的梯度向量。該向量的模和方向分別定義為</p><p><b>　　(2.217)</b></p><p>

59、　　其中△H和△V是圖像分別卷積下列兩個(gè)3*3的差分算子得到的水平差分和垂直差分:</p><p>　　一1 0 1 1 1 1</p><p>　　一1 0 1 0 0 0 </p><p>　　一1 0 1 -1 -1 -1</p><p>　　當(dāng)所有象素的梯度向

60、量都被計(jì)算出來后，可以構(gòu)造一個(gè)方向角局部邊緣概率直方圖HD來表達(dá)θ值。首先對(duì)θ的值域范圍進(jìn)行離散化，然后統(tǒng)計(jì)直方圖中每個(gè)點(diǎn)值相應(yīng)的△G大于給定閑值的象素?cái)?shù)量。這個(gè)直方圖對(duì)于具有明顯方向性的圖像會(huì)表現(xiàn)出峰值，時(shí)于無明顯方向的圖像則表現(xiàn)得比較平坦。最后，圖像總體的方向性可以通過計(jì)算直方圖中峰值的尖銳程度獲得，表示如下:</p><p><b>　　（2.218）</b></p>&

61、lt;p>　　上式中的r為直方圖歸一化系數(shù)，p代表直方圖中的峰值，F(xiàn)為量化后的方向角，np為直方圖峰值個(gè)數(shù)，F(xiàn)p為波峰中心位置，Wp為該峰值兩側(cè)谷底距離。</p><p>　　2.2.2基于模型的分析方法</p><p>　　基于模型的紋理分析方法首先確定紋理圖像的解析模型并將每種紋理模型用一個(gè)紋理特征參數(shù)集表示.確定了這組紋理特征參數(shù)也就確定了該紋理模型的紋理特性。因此，基于模型的

62、紋理分析的關(guān)鍵是準(zhǔn)確估計(jì)模型的特征參數(shù)集。紋理模型法認(rèn)為一個(gè)象素與其鄰域內(nèi)的象素存在某種依賴關(guān)系，這種關(guān)系既可以是線性的，也可以是服從某種條件概率的。常用的模型有聯(lián)立自回歸模型(SAR) ,Markov隨機(jī)場(chǎng)(MRF)模型，Gibbs隨機(jī)場(chǎng)模型等。</p><p>　　1、 聯(lián)立自回歸模型(SAR)</p><p>　　SAR通過象素的線性組合來反映圖像中的象素與部域象素間的線性依賴關(guān)系。

63、在SAR模型中，對(duì)于每一個(gè)象素，可以將該象素與相部象素的某種關(guān)系定義為隨機(jī)變量.比如設(shè)s代表某個(gè)象素，其強(qiáng)度值g(s)表示為它的相鄰象素強(qiáng)度值的線性疊加與嗓音項(xiàng)e（s)之和，即:</p><p><b>　　（2.221）</b></p><p>　　其中D表示s的相鄰象素集，μ是圖像均值，由整幅圖像的平均強(qiáng)度值所決定。θ(r)是一系列模型參數(shù)，用來表示不同相部位置上

64、的象素的權(quán)值。e(s)是均值為0而方差為s2的高斯隨機(jī)變量。</p><p>　　此時(shí)，參數(shù)θ和標(biāo)準(zhǔn)方差s的值反映了圖像的紋理特征，可以通過回歸法計(jì)算模型參數(shù)來獲取紋理的局部統(tǒng)計(jì)特性。</p><p>　　2、Markov隨機(jī)場(chǎng)(MRF)模型</p><p>　　如果將紋理圖像視作一個(gè)二維隨機(jī)過程的有限采樣，則這個(gè)隨機(jī)過程由它的統(tǒng)計(jì)參數(shù)決定。定義一個(gè)部域，如果隨機(jī)場(chǎng)

65、中某點(diǎn)采樣的條件概率僅和該鄰域內(nèi)的點(diǎn)有關(guān)，那么該隨機(jī)場(chǎng)就是Markov隨機(jī)場(chǎng)。引入MRF作為圖像的隨機(jī)模型是紋理分析中的一個(gè)重要成就。在離散的高斯-馬爾可夫隨機(jī)場(chǎng)模型中，任何象素的灰度值都可以通過其鄰域灰度值的線性組合加上加性噪聲來建模的，模型如下:</p><p><b>　　(2.222)</b></p><p>　　其中:N為鄰點(diǎn)集，Ws為噪聲，θ為權(quán)重系數(shù)。&

66、lt;/p><p>　　使用最小二乘法或最大似然法估計(jì)這些模型參數(shù)，然后將這些佑計(jì)參數(shù)同已知紋理類型的參數(shù)進(jìn)行比較，可以比較好地進(jìn)行紋理分析。</p><p>　　3、 Gibbs隨機(jī)場(chǎng)模型</p><p>　　用Gibbs分布來描述的場(chǎng)是吉布斯隨機(jī)場(chǎng)，與之相應(yīng)的圖像模型為吉布斯圖像模型，這種模型是通過描述幾何結(jié)構(gòu)和象素間相互作用力的定量參數(shù)來具體實(shí)現(xiàn)的。在這里象素間的

67、相互作用力并不是真正意義上的象素間的相互作用，而是反映了紋理中一些特定的信號(hào)組合出現(xiàn)的概率，象素間信號(hào)組合的概率分布越不均勻，象素間的作用越強(qiáng)烈.由上面的描述可以定義象素間的相互作用，即不同象素上信號(hào)間的概率關(guān)系稱之為象素間相互作用。相互作用結(jié)構(gòu)是通過相互作用的象素的特性子集來描述的。相互作用的強(qiáng)度由所謂的吉布斯勢(shì)給出，吉布斯勢(shì)控制了所有信號(hào)組合在這些子集中的概率分布。</p><p>　　2.2.3其它分析方法

68、</p><p>　　近年來，隨著人們?cè)诩y理分析領(lǐng)域中研究的不斷深入，提出了大量創(chuàng)新和改進(jìn)的方法，很大程度上提高了紋理分析的精度。其中，以分形理論和小波理論的應(yīng)用最為突出。</p><p><b>　　1、分形理論的應(yīng)用</b></p><p>　　1975年美國數(shù)學(xué)家Mandelbort首次提出分形的概念.自然界中大多數(shù)物體的形狀是非常復(fù)雜的

69、，如云、海岸線等.將這些形體的細(xì)節(jié)取出并放大時(shí)，會(huì)發(fā)現(xiàn)放大后的形體與原形體十分相似，一個(gè)典型的例子是koch曲線。Koch曲線從一單位等邊三角形的三條邊開始，截去中間的三分之一，代之以兩個(gè)三分之一長且相交60o角的線段，然后對(duì)每個(gè)三分之一長的線段重復(fù)上面的過程，這樣無窮進(jìn)行下去，就構(gòu)成了koch曲線。每個(gè)操作步驟都會(huì)將曲線的整個(gè)長度增加3/4倍，從構(gòu)成過程來看Koch曲線的長度最終將是無窮的。當(dāng)我們測(cè)量幾何圖象的長度和面積時(shí)分別用單位長

70、度和單位面積來量度.在歐氏幾何空間中，線段的維數(shù)是1，正方形的維數(shù)為2，若用線段來測(cè)量正方形結(jié)果為無窮大，說明尺度太細(xì)了;而用正方形來量度線段結(jié)果為零，說明尺度太粗了.由上面的討論可知在測(cè)量一個(gè)集合時(shí)測(cè)量結(jié)果與所選擇的尺度有關(guān)，對(duì)于Koch曲線用一維尺度測(cè)量結(jié)果為無窮大，而用二維尺度測(cè)量時(shí)結(jié)果為零，所以將Koch曲線看成是維數(shù)介于1和Z之間的幾何對(duì)象.這類形體稱為分形，其維數(shù)用非整數(shù)表示，即分?jǐn)?shù)維。每個(gè)分形集合對(duì)應(yīng)一個(gè)以某種方式定義的分

71、數(shù)維。我們認(rèn)為一個(gè)集合具</p><p>　　分形維和人們感覺的粗糙度有很強(qiáng)的相關(guān)性，可作為紋理的特征.但是從一幅圖像的紋理估計(jì)出分形維是考民困難的，Sarkar與Chaudhuri提出用差分法計(jì)算得到紋理圖像的分形維.然而，人們發(fā)現(xiàn)不同的紋理可以有相同的分形維。為了彌補(bǔ)分形維的不足，Ghaudhuri對(duì)圖像先做一些簡單變換，再計(jì)算變換后圖像的分形維;KasParis_將分形維與紋理能量結(jié)合起來彌補(bǔ)分形維的不足。

72、當(dāng)紋理模式在不同尺度下具有自相似性時(shí)，用分形理論也可以較好的解決問題。</p><p><b>　　2、小波理論的應(yīng)用</b></p><p>　　小波分析真正作為一門理論或?qū)W科被研究僅僅是最近20年的事情。與Fourier分析和Gabor變換相比，小波變換是時(shí)間(空間)須率的局部化分析，它通過伸縮平移運(yùn)算對(duì)信號(hào)逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分、低頻處頻率細(xì)

73、分，能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，從而可聚焦到信號(hào)的任意細(xì)節(jié)，解決了Fourier變換的困難問題，成為繼Fourier分析以來在科學(xué)方法上的重大突破。</p><p>　　小波的概念是由法國的從事石油勘測(cè)信號(hào)處理的地球物理學(xué)家Morlet于1984年提出的.從上面的分析我們知道，小波變換足對(duì)Fourier;變換的改進(jìn)。小波分析理論作為時(shí)頻分析工具，在信號(hào)分析和處理中得到了很好地運(yùn)用。平面圖像可以看成二維信號(hào)，因此

74、，小波分析很自然地被運(yùn)用到圖像處理領(lǐng)域。小波應(yīng)用于紋理的分析，主要指在小波變換后，時(shí)獲取的原圖像上的頻域信息提取的二次小波特征。常常與紋理的一、二類統(tǒng)計(jì)特征，即與直方圖、共生矩陣等特征結(jié)合，得到穩(wěn)定可靠的紋理特征。然后，再將二次小波特征用于圖像分類。</p><p>　　小波理論的應(yīng)用方面，最早進(jìn)少、實(shí)用的是二進(jìn)小波以及基于二進(jìn)小波的快速分解與重構(gòu)算法.在圖像處理領(lǐng)域使用的是可分離的小波基。小波分析后期的發(fā)展主要

75、包括多進(jìn)小波(Multi-band Wavelet}、小波包（Wavelet Package)、多小波(Multi-Wavelet)和第二代小波(Second Generation Wavelet}。</p><p>　　2.3灰度共生矩陣分析方法</p><p>　　灰度共生矩陣式圖像灰度變化的二階統(tǒng)計(jì)度量，它是表述紋理圖像結(jié)構(gòu)特征的基本函數(shù)。根據(jù)兩個(gè)像素點(diǎn)位置的聯(lián)合概率密度函數(shù)可以建

76、立起紋理圖像的共生矩陣。</p><p>　　2.3.1灰度共生矩陣的定義</p><p>　　假定一副圖像的f在水平方向有Nx個(gè)像素，在垂直方向上有Ny個(gè)像素組成，每個(gè)像素的灰度級(jí)最大為Ng。記作：</p><p>　　則可以把紋理分析的圖像f理解為從LX×LY到G的一個(gè)變換，即對(duì)LX×LY中的每一個(gè)點(diǎn)，對(duì)應(yīng)屬于f的一個(gè)灰度，可以表示為：f：L

77、X×LY→G。空間灰度共生矩陣定義為方向θ和間隔距離d的函數(shù)，記為：</p><p><b>　?。?.311）</b></p><p>　　表示矩陣第i行第j列元素，其中（i，j）∈G×G,θ=0O,45O,90O,135O,對(duì)不同的θ，矩陣元素定義如下：</p><p>　　P(i,j,d,0o)=#{((k,l),(m

78、,n))∈(LX×LY)×(LX×LY)│k-m=0,</p><p>　　│l-n│=d;f(k,l)=i,f(m,n)=j } (2.312)</p><p>　　P(i,j,d,45o)=#{((k,l),(m,n))∈(Ly×Lx)×(Ly×Lx)│(k-m=d,l-n=-d)&l

79、t;/p><p>　　Or(k-m=-d,l-n=d),f(k,l)=I,f(m,n)=j} (2.313)</p><p>　　P(i,j,d,90o)=#{((k,l),(m,n))∈(Ly×Lx)×(Ly×Lx)││k-m│=d;</p><p>　　l-n=0;f(k,l)=i,f(m,n)=j }

80、 (2.314)</p><p>　　P(i,j,d,135o)=#{((k,l),(m,n))∈(Ly×Lx)×(Ly×Lx)│(k-m=d;l-n=d)</p><p>　　Or(k-m=-d,l-n=-d),f(k,l)=i,f(m,n)=j} (2.315)</p>&l

81、t;p>　　上述式中k、m和l、n分別在所選計(jì)算窗口中變動(dòng)，記號(hào)#{X}表示集合X的元素?cái)?shù)。矩陣[P(i,j,d,θ)]的第i行第j列元素表示所有θ方向，相鄰間隔為d的像素中有一個(gè)取i值，另一個(gè)取j值的相鄰點(diǎn)數(shù)。這里的d一般可以取為d=1，2，3，4，8等值。</p><p>　　2.3.2灰度共生矩陣的特征參數(shù)</p><p>　　圖像的灰度共生矩陣反映了圖像灰度關(guān)于方向、相鄰間隔

82、、變化幅度的綜合信息，它是分析圖像的局部模式結(jié)構(gòu)及其排列規(guī)則的基礎(chǔ)。作為紋理分析的特征量，往往不是直接應(yīng)用計(jì)算機(jī)的灰度共生矩陣，而是在灰度共生矩陣的基礎(chǔ)上再提取紋理的特征量，稱為二次計(jì)量。一幅圖像的灰度級(jí)數(shù)一般是256級(jí)，這樣級(jí)數(shù)太多會(huì)導(dǎo)致計(jì)算灰度共生矩陣大，計(jì)算量大。因此，在求灰度共生矩陣之前，常壓縮為16級(jí)。為表達(dá)簡明起見，在下面的共生矩陣表達(dá)式中，略去了間隔d和方向θ。</p><p>　　進(jìn)行特征提取前，

83、首先對(duì)式（2.31）表示的共生矩陣作正規(guī)化處理：</p><p>　　P（i，j）/R=P（i，j） （2.321）</p><p>　　這里R是正規(guī)化參數(shù)。當(dāng)取d=1，θ=0o時(shí)，每一行有2（NX-1）個(gè)水平相鄰點(diǎn)，共有NY行，因此總共有2NY(NX-1)個(gè)相鄰點(diǎn)，所以取R=2NY(NX-1);當(dāng)d=1，θ=45o時(shí)&l

84、t;/p><p>　　共有2（NY-1）(NX-1)個(gè)相鄰點(diǎn)，所以取R=2（NY-1）(NX-1)。由對(duì)稱性可知，當(dāng)θ=90o和135o時(shí)，同理可得。記：</p><p>　　Haralick等人由灰度共生矩陣提取了以下14個(gè)圖像的紋理特征：</p><p><b>　?。?）角二階矩：</b></p><p><b&

85、gt;　　(2.321)</b></p><p><b>　?。?）對(duì)比度：</b></p><p><b>　　(2.322)</b></p><p><b>　?。?）相關(guān)：</b></p><p><b>　　(2.323)</b><

86、;/p><p>　　式中μx，Sx分別是{Px（i）；i=1,2，…，Ng}的均值和均方差，μy，Sy分別是</p><p>　　{Py（j）；j=1,2，…，Ng}的均值和均方差。</p><p><b>　?。?）方差：</b></p><p><b>　　(2.324)</b></p>

87、<p>　　式中μ是p（i，j）的均值。</p><p><b>　　(5)逆差矩：</b></p><p><b>　　(2.325)</b></p><p><b>　　（6）和平均：</b></p><p><b>　　(2.326)</b&

88、gt;</p><p><b>　?。?）和方差:</b></p><p><b>　　（2.327）</b></p><p><b>　?。?）和熵：</b></p><p><b>　?。?.328）</b></p><p>&

89、lt;b>　?。?）熵：</b></p><p><b>　?。?.329）</b></p><p><b>　　（10）差方差：</b></p><p>　　的方差 （2.330）</p><p

90、><b>　?。?1）差熵：</b></p><p><b>　?。?.331）</b></p><p>　?。?2）（13）相關(guān)信息測(cè)度：</p><p><b>　　（2.332）</b></p><p><b>　?。?.333）</b><

91、;/p><p>　　式中Hx為px的熵，Hy為py的熵，</p><p>　　（14）最大相關(guān)系數(shù)：</p><p>　　矩陣Q的第二最大特征值</p><p>　　式中矩陣Q的第i行第j列元素為：</p><p><b>　?。?.334）</b></p><p>　　2.3

92、.3 灰度共生矩陣常用的特征參數(shù)</p><p>　　從上面給出的參數(shù)可以看出，灰度共生矩陣以及特征值的計(jì)算量很大，為了簡便起見，一般采用以下五個(gè)常用的特征來提取圖像的紋理特征：</p><p>　?。?）角二階矩（能量）</p><p>　　ASM= （3.35）</p>&

93、lt;p>　　角二階矩陣式灰度共生矩陣各元素的平方和，又稱為能量。它是圖像紋理灰度變化均一的度量，他反映了圖像灰度分布均勻程度和紋理粗細(xì)度，如果共生矩陣的所有值均相等，則ASM值就?。幌喾?，如果其中一些值大而其他值小，則ASM值大。一副有著一致灰度圖像的灰度共生矩陣只有一個(gè)值，他等于圖像總像素?cái)?shù)，它的ASM值最大。因此，ASM的值大則表明一種較均一和規(guī)則變化的紋理模式。</p><p>　　（2）對(duì)比度（慣

94、性矩）</p><p><b>　　CON=</b></p><p>　　對(duì)比度是灰度共生矩陣主對(duì)角線附近的慣性矩，它度量矩陣的值是如何分布和圖像中局部變化的多少，反映了圖像的清晰度和紋理的溝紋深淺。紋理的溝紋深，對(duì)比值大，效果清晰；反之，對(duì)比值小，則溝紋淺，效果模糊。</p><p><b>　?。?）相關(guān)：</b>&l

95、t;/p><p><b>　　其中：</b></p><p>　　它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就打；相反，如果矩陣象元值相差很大則相關(guān)值小。當(dāng)一副圖像中相似的紋理區(qū)域有某種方向性時(shí)，其差值較大。</p><p><b>　?。?）熵：<

96、/b></p><p>　　熵度量圖像紋理的隨機(jī)性。當(dāng)空間共生矩陣中所有值均相等時(shí)，它取得最大值；相反，如果共生矩陣中的值非常不均勻時(shí)，其值較小。因此，熵的最大值暗示圖像中灰度分布非常隨機(jī)。</p><p>　?。?）逆差矩（局部平穩(wěn)性）：</p><p>　　它度量圖像紋理局部變化的多少。其值大則說明圖像紋理的不同區(qū)域缺少變化，局部非常均勻。</p&g

97、t;<p>　　對(duì)于特征紋理參數(shù)，如何選擇距離d和方向θ使所得的參數(shù)較好一直是研究的重點(diǎn)，通常情況下，小的d值可以提供比較好的結(jié)果。</p><p><b>　　2.4 本章小結(jié)</b></p><p>　　本章主要對(duì)圖像的紋理分析的定義，紋理分析的概況還有紋理的分析的一些常用方法進(jìn)行了大致的介紹，并且對(duì)我們實(shí)習(xí)程序時(shí)所用的方法灰度共生矩陣法座了詳細(xì)的介

98、紹，并羅列出其中的參數(shù)及其主要的參數(shù)進(jìn)行了一一介紹，為下一張程序的實(shí)現(xiàn)打下了堅(jiān)實(shí)的基礎(chǔ)。</p><p>　　第三章 超聲肝臟紋理分析設(shè)計(jì)的應(yīng)用</p><p>　　3.1 Visual C++開發(fā)環(huán)境及C++語言的簡介</p><p>　　3.1.1Visual C++開發(fā)環(huán)境</p><p>　　Visual C++這款軟件是微軟公司開

99、發(fā)的一個(gè)開發(fā)環(huán)境，Visual C++是一個(gè)功能強(qiáng)大的可視化軟件開發(fā)工具。從最早期的1.0版本，發(fā)展到最新的6.0版本，Visual C++已經(jīng)有了很大的變化，在界面、功能、庫支持方面都有許多的增強(qiáng)。最新的6.0版本在編譯器、MFC類庫、編輯器以及聯(lián)機(jī)幫助系統(tǒng)等方面都比以前的版本做了較大改進(jìn)。 Visual C++開發(fā)環(huán)境一般分為三個(gè)版本:學(xué)習(xí)版、專業(yè)版和企業(yè)版，不同的版本適合于不同類型的應(yīng)用開發(fā)。</p><p&g

100、t;　　集成開發(fā)環(huán)境（IDE）是一個(gè)將程序編輯器、編譯器、調(diào)試工具和其他建立應(yīng)用程序的工具集成在一起的用于開發(fā)應(yīng)用程序的軟件系統(tǒng)。Visual C++軟件包中的Developer Studio就是一個(gè)集成開發(fā)環(huán)境，它集成了各種開發(fā)工具和VC編譯器。程序員可以在不離開該環(huán)境的情況下編輯、編譯、調(diào)試和運(yùn)行一個(gè)應(yīng)用程序。IDE中還提供大量在線幫助信息協(xié)助程序員做好開發(fā)工作。Developer Studio中除了程序編輯器、資源編輯器、編譯器、

101、調(diào)試器外，還有各種工具和向?qū)Вㄈ鏏ppWizard和ClassWizard），以及MFC類庫，這些都可以幫助程序員快速而正確地開發(fā)出應(yīng)用程序。 </p><p>　　MFC庫，庫（library）是可以重復(fù)使用的源代碼和目標(biāo)代碼的集合。MFC（Microsoft Fundamental Casses）是Visual C++開發(fā)環(huán)境所帶的類庫，在該類庫中提供了大量的類，可以幫助開發(fā)人員快速建立應(yīng)用程序。這些類可以提

102、供程序框架、進(jìn)行文件和數(shù)據(jù)庫操作、建立網(wǎng)絡(luò)連接、進(jìn)行繪圖和打印等各種通用的應(yīng)用程序操作。使用MFC庫開發(fā)應(yīng)用程序可以減少很多工作量。</p><p><b>　　項(xiàng)目開發(fā)過程</b></p><p>　　在一個(gè)集成的開發(fā)環(huán)境中開發(fā)項(xiàng)目非常容易。一個(gè)用C++開發(fā)的項(xiàng)目的通用開發(fā)過程可以用左圖表示。建立一個(gè)項(xiàng)目的第一步是利用編輯器建立程序代碼文件，包括頭文件、代碼文件、資

103、源文件等。然后，啟動(dòng)編譯程序，編譯程序首先調(diào)用預(yù)處理程序處理程序中的預(yù)處理命令（如#include,#define等），經(jīng)過預(yù)處理程序處理的代碼將作為編譯程序的輸入。編譯對(duì)用戶程序進(jìn)行詞法和語法分析，建立目標(biāo)文件，文件中包括機(jī)器代碼、連接指令、外部引用以及從該源文件中產(chǎn)生的函數(shù)和數(shù)據(jù)名。此后，連接程序?qū)⑺械哪繕?biāo)代碼和用到的靜態(tài)連接庫的代碼連接起來，為所有的外部變量和函數(shù)找到其提供地點(diǎn)，最后產(chǎn)生一個(gè)可執(zhí)行文件。一般有一個(gè)makefile

104、文件來協(xié)調(diào)各個(gè)部分產(chǎn)生可執(zhí)行文件。</p><p>　　可執(zhí)行文件分為兩種版本：Debug和Release。Debug版本用于程序的開發(fā)過程，該版本產(chǎn)生的可執(zhí)行程序帶有大量的調(diào)試信息，可以供調(diào)試程序使用，而Release版本作為最終的發(fā)行版本，沒有調(diào)試信息，并且?guī)в心撤N形式的優(yōu)化。一般我們采用Debug版本，這樣便于調(diào)試。Visual C++開發(fā)環(huán)境中集成了編輯器、編譯器、連接器以及調(diào)試程序，覆蓋了的開發(fā)應(yīng)用程序

105、的整個(gè)過程，程序員不需要脫離這個(gè)開發(fā)環(huán)境就可以開發(fā)出完整的應(yīng)用程序。 </p><p>　　3.1.2 C++概述</p><p>　　C++是美國貝爾實(shí)驗(yàn)室的Bjarne Stroustrup 博士在C語言的基礎(chǔ)上，彌補(bǔ)了C語言存在的一些缺陷， 了面向?qū)ο蟮奶卣鳎?980年開發(fā)出來的一種過程性與對(duì)象性結(jié)合的程序設(shè)計(jì)語言。最初他把這種語言叫做含淚的C，到1983年才取名為C++。<

106、/p><p>　　C++解決了C語言中存在的一些局限，例如：</p><p>　　C語言的類型檢查機(jī)制相對(duì)較弱，這使得程序中的一些錯(cuò)誤不能再編譯階段由編譯器檢查出來。</p><p>　　C語言本身幾乎沒有支持代碼中用的語言結(jié)構(gòu)。</p><p>　　C語言不適合開發(fā)大型程序。</p><p>　　C++繼承了C的原有精髓

107、，擴(kuò)充增加了對(duì)開發(fā)大型軟件頗為有效的面向?qū)ο髾C(jī)制，彌補(bǔ)了C語言不支持代碼重用、不適宜開發(fā)大型軟件的不足，成為了一種既可以用于表現(xiàn)過程模型，又用于表現(xiàn)對(duì)象模型的優(yōu)秀的程序設(shè)計(jì)語言之一。</p><p>　　3.2紋理特征算法的實(shí)現(xiàn)</p><p>　　本文選用灰度共生矩陣方法對(duì)肝臟超聲圖像進(jìn)行紋理分析。作為經(jīng)典的統(tǒng)計(jì)方法，灰度共生矩陣的缺點(diǎn)是計(jì)算量大。本文所以選擇它，其原因主要是:</

108、p><p>　　(1)灰度共生矩陣是一種相時(shí)成熟的紋理分析方法，其生成方式及相應(yīng)特征量的計(jì)算都是經(jīng)過無數(shù)實(shí)踐驗(yàn)證的。而且這種方法不受分析對(duì)象的制約，能夠很好的反映圖像的空間灰度分布情況，真正做到反映圖像的紋理特征，例如粗細(xì)，均勻，稠密度等，所以其應(yīng)用廣泛。</p><p>　　(2)超聲圖像的紋理是一種隨機(jī)紋理，顯然不適合選擇結(jié)構(gòu)分析方法。而模型方法雖然可以直接將一種現(xiàn)有的成熟理論運(yùn)用于紋理分

109、析，極大推進(jìn)紋理的實(shí)用化步伐，但正是由于這些理論并非直接針對(duì)圖像紋理而產(chǎn)生，在利用這些理論及模型對(duì)圖像紋理進(jìn)行分析描述的時(shí)候精度自然會(huì)受到影響，有些特征量的誤差甚至大到了讓人無法接受的地步。灰度共生拒陣則可以得出反映圖像本身的紋理特性，不受現(xiàn)有模型的限制。</p><p>　　(3)肝臟作為人體器官，其超聲圖像受個(gè)人身體因素影響較大。小波雖然是現(xiàn)在紋理分析的熱點(diǎn)，但在小波分解空間中對(duì)紋理進(jìn)行建模相對(duì)仍比較簡單，技

110、術(shù)改進(jìn)也主要都集中在數(shù)據(jù)變換的形式方面而對(duì)圖像紋理特性有針對(duì)地建模探討比較少。所以其在超聲圖像領(lǐng)域中的應(yīng)用價(jià)值仍有待商榷。</p><p>　　所以我們采用灰度共生矩陣的方法，選用VC完成算法實(shí)現(xiàn)，對(duì)肝臟超聲圖像進(jìn)行紋理特征提取。</p><p>　　3.2.1 算法流程圖</p><p>　　根據(jù)課題需求，畫出大概的算法流程圖：</p><p&

111、gt;　　3.2.2 紋理特征值計(jì)算框架</p><p>　　如上小節(jié)流程圖我們大致能夠了解我們程序的實(shí)現(xiàn)框架首先我們調(diào)用MakeBitmap來建立一個(gè)內(nèi)存位圖，即在打開一個(gè)圖片的時(shí)候首先把圖片貯存在存儲(chǔ)器中需要的時(shí)候增在文本框?qū)⒄{(diào)用MyDraw將圖像顯示出來；</p><p>　　// 建立一個(gè)內(nèi)存位圖</p><p>　　void CTextureDlg::Ma