超声图像种子点检测与任务调度算法优化

### 超声图像种子点检测与任务调度算法优化 #### 1. 超声图像种子点检测 ##### 1.1 图像增强 超声图像的像素值分布在 0 到 255 之间，但特定像素值分布过多。为增强图像，采用端搜索（End - In search）方法，该方法能突出背景和感兴趣区域（ROI）的差异。其公式如下： \[ \begin{cases} I_{Endin}(i,j) = \frac{I_{org}(i,j)-Low}{High - Low}\times255, & Low\leq I_{org}(i,j)<High \\ I_{Endin}(i,j) = 255, & I_{org}(i,j)\geq High \\ I_{Endin}(i,j) = 0, & I_{org}(i,j)<Low \end{cases} \] 其中，\(I_{org}\) 是由原始图像转换而来的 \(n_i\times n_j\) 矩阵，\(\sigma_{org}\) 是通过公式（2）获得的 \(I_{org}\) 的标准差。 端搜索结果用于基于域的启发式噪声滤波以去除不必要的图像。该噪声滤波基于超声图像的两个已知域设计： 1. 乳腺超声中的病变图像以整体特征呈现。 2. 与不必要图像和病变相关的噪声像素值范围相似。 噪声滤波器基于 13×13 矩阵的不同块操作，具体步骤如下： 1. 不同块的起始点为图 3 中的四个角。 2. 计算不同块的均值和应用端搜索后的整个图像的标准差，并进行比较。 3. 如果前者小于后者，将不同块的所有像素值转换为 255；否则，像素值不变，公式如下： \[ I_{Noi}(i,j)=\begin{cases} 255, & \mu_{Endin}<\sigma_{Endin} \\ I_{Endin}(i,j), & \mu_{Endin}\geq\sigma_{Endin} \end{cases} \] 其中，\(\eta\) 是 \(I_{Endin}\) 中每个像素的 \(N\times M\) 区域块。 4. 如果上述像素值发生变化，图 3 中以 1、4 起始的不同块沿行方向移动；否则，块的移动方向相反。其他起始点的块操作相反。 通过该滤波，大部分阴影伪影被去除。 ##### 1.2 矩阵搜索滤波 一般来说，病变和乳腺手术活检的像素值范围较低，而未受干扰的其他图像像素值范围较高。为便于计算，进行图像负变换，基本公式为： \[I_{Neg}(i,j)=255 - I_{Noi}(i,j)\] 执行矩阵搜索滤波可去除图像负变换结果中的小噪声。该滤波器使用 13×13 矩阵的滑动邻域操作，算法如下： \[ I_{Mat}(i,j)=\begin{cases} 0, & I_{Neg}(i,j)<C_{low}\text{ 或 }I_{Neg}(i,j)>C_{high} \\ I_{Neg}(i,j), & C_{low}\leq I_{Neg}(i,j)\leq C_{high} \end{cases} \] 其中，\(\rho\) 是 \(I_{Noi}\) 中每个像素的 \(R\times C\) 局部邻域，\(\sigma_{Neg}\) 是通过公式（2）获得的 \(I_{Neg}\) 的标准差。 ##### 1.3 差分图像和二维自适应噪声去除滤波 差分图像和最终滤波也用于去除噪声。差分图像是矩阵搜索滤波和端搜索后的两个图像的差值。由于矩阵搜索滤波后的病变图像像素值接近 255，而端搜索后的病变图像像素值接近 0，因此可消除病变附近的噪声。为消除病变周围的噪声，将端搜索图像乘以 1.5。 通过差分图像，ROI 和背景的像素值更加清晰。随后进行二维（2D）自适应噪声去除滤波和局部均值滤波。2D 自适应噪声去除滤波使用局部均值和标准差去除噪声，本文采用像素级维纳滤波器，包括 100×100 邻域块，公式如下： \[ I_{Diff}(i,j)=\frac{\sum_{(i,j)\in\rho}\left(I_{Diff}(i,j)-\mu_{Diff}\right)^2}{\sum_{(i,j)\in\rho}\left(I_{Diff}(i,j)-\mu_{Diff}\right)^2+\nu^2}\times I_{Diff}(i,j)+\frac{\nu^2}{\sum_{(i,j)\in\rho}\left(I_{Diff}(i,j)-\mu_{Diff}\right)^2+\nu^2}\times\mu_{Diff} \] 其中，\(\nu^2\) 是所有局部估计方差的平均值，\(\rho\) 是 \(I_{Diff}\) 中每个像素的 \(R\times C\) 局部邻域。 像素级维纳滤波器不能完全去除所有噪声，因此再次进行局部均值滤波。局部均值滤波通过计算 2D 自适应噪声去除滤波后像素值大于 1 的像素的局部均值和标准差来操作。具体过程是将均值和标准差的和（\(C_S\)）与差（\(C_D\)）与图像的每个像素值进行比较，然后根据比较结果确定像素值，公式如下： \[ I_{Lcl}(i,j)=\begin{cases} 0, & I_{Diff}(i,j)<C_D\text{ 或 }I_{Diff}(i,j)>C_S \\ 255, & C_D\leq I_{Diff}(i,j)\leq C_S \end{cases} \] ##### 1.4 种子点检测 - **肿瘤区域形态恢复**：乳腺超声原始图像经过上述步骤会退化，因此采用膨胀和腐蚀技术的形态学组合来恢复图像。膨胀是向对象添加像素使其变大，腐蚀是使图像变小。本文先进行膨胀和腐蚀，再进行腐蚀和膨胀的组合操作。 - 膨胀：将结构元素的原点置于图像的第一个白色像素上，将结构元素中的像素复制到结果图像的相应位置，对图像中的每个白色像素重复此过程。 - 腐蚀：将结构元素平移到图像中白色像素的位置，如果结构元素的所有成员都对应白色图像像素，则结果为白色像素；否则为黑色像素。 - **使用 K - MEANS 自动检测种子点**：以往种