【導(dǎo)讀】分析、實時監(jiān)控和治療規(guī)劃等方面都具有極大的潛力。運用計算機手段對超聲圖像進。行分析，為醫(yī)生的診斷提供量化的依據(jù)，是非常必要的。臟所具有的紋理特性，并運用灰度共生矩陣方法提取肝臟超聲圖像的紋理特征參數(shù)，進而驗證程序的準確性，為今后進一步進行超聲圖像。的分割、分類及自動識別打下基礎(chǔ)。

　　

【正文】 方法，其生成方式及相應(yīng)特征量的計算都是經(jīng)過無數(shù)實踐驗證的。而且這種方法不受分析對象的制約，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，均勻，稠密度等，所以其應(yīng)用廣泛。 (2)超聲圖像的紋理是一種隨機紋理，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)有的成熟理論運用于紋理分析，極大推進紋理的實用化步伐，但正是由于這些理論并非直接針對圖像紋理而產(chǎn)生，在利用這些理論及模型對圖像紋理進行分析描述的時候精度自然會受到影響，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。 (3)肝臟作為人體器官，其超聲圖像受個人身體因素影響較大。小波雖然是現(xiàn)在紋理分析的熱點，但在小波分解空間中對紋理進行建模相對仍比較簡單，技術(shù)改進也主要都集中在數(shù)據(jù)變換的形式方面而對圖像紋理特性有針對地建模探討比 較少。所以其在超聲圖像領(lǐng)域中的應(yīng)用價值仍有待商榷。 所以我們采用灰度共生矩陣的方法，選用 VC完成算法實現(xiàn)，對肝臟超聲圖像進行紋理特征提取。 課件之家精心整理資料 歡迎你的欣賞 課件之家精心整理資料 歡迎你的欣賞 算法流程圖 根據(jù)課題需求，畫出大概的算法流程圖： 程序開始 打開圖像 將圖像按窗口大小自動分割 i=0,j=0 i水平方向窗口個數(shù) j垂直方向窗口個數(shù) 計算窗口四個方向上的灰度共生矩陣 計算各灰度共生矩陣的五個紋理特征值 將每個窗口計算出的紋理特征參數(shù)相加 j++ i++ 將各窗口紋理特征量的和除以水平窗口個數(shù)的和 *垂直窗口個數(shù)的和 輸出結(jié)果 程序結(jié)束 Y Y N N 課件之家精心整理資料 歡迎你的欣賞 課件之家精心整理資料 歡迎你的欣賞 紋理特征值計算框架 如上小節(jié)流程圖我們大致能夠了解我們程序的實現(xiàn)框架首先我們調(diào)用MakeBitmap來建立一個內(nèi)存位圖，即在打開一個圖片的 時候首先把圖片貯存在存儲器中需要的時候增在文本框?qū)⒄{(diào)用 MyDraw將圖像顯示出來； // 建立一個內(nèi)存位圖 void CTextureDlg::MakeBitmap() { 。 } // 畫圖 void CTextureDlg::MyDraw() { 。 } // 打開文件 void CTextureDlg::OnBtnOpenFile() { CAddSampleDlg FileDlg(TRUE, , NULL, OFN_HIDEREADONLY | OFN_OVERWRITEPROMPT | OFN_ALLOWMULTISELECT, 超肝臟圖像聲 (*.bmp)|*.bmp|所有文件 (*.*)|*.*||, AfxGetMainWnd())。 。 MakeBitmap()。 SetCursor(LoadCursor(NULL,IDC_ARROW))。 } 將圖像打開后我們將看到界面上的 計算紋理特征 值的按鈕，它將會調(diào)用OnBtnComputeTexture()這個函數(shù)，進行特征值的計算，我們首先將各個參數(shù) 特征值設(shè)置為 0，然后將超聲圖像按照 FilterWindowWidth的值將圖像平均分成各個子窗口，調(diào)用 CGrayShow::ComputeFeature分別計算各參數(shù)值。之后計算出最終值返回到對話框的編輯框當(dāng)中；程序代碼： void CTextureDlg::OnBtnComputeTexture() 課件之家精心整理資料 歡迎你的欣賞 課件之家精心整理資料 歡迎你的欣賞 { 。 。 。 。 。 。 //將圖像分成若干個窗口，計算其紋理均值 for(i=0。 i rolltimeH。 i++) { for(j=0。 jrolltimeW。 j++) { //首先賦值給子窗口 for(p=0。 p。 p++) { for(q=0。 q。 q++) { arLocalImage[p][q] = [i*+p][j*erWindowWidth+q]。 } } (arLocalImage, )。 (dEnergy1, dEntropy1, dInertiaQuadrature1, dCorrelation1, dLocalCalm1, , )。 dEnergy += dEnergy1。 dEntropy += dEntropy1。 dInertiaQuadrature += dInertiaQuadrature1。 dCorrelation += dCorrelation1。 dLocalCalm += dLocalCalm1。 } } dEnergy /= (rolltimeH*rolltimeW)。 dEntropy /= (rolltimeH*rolltimeW)。 dInertiaQuadrature /= (rolltimeH*rolltimeW)。 dCorrelation /= (rolltimeH*rolltimeW)。 dLocalCalm /= (rolltimeH*rolltimeW)。 m_dEnergy = dEnergy。 m_dEntropy = dEntropy。 課件之家精心整理資料 歡迎你的欣賞 課件之家精心整理資料 歡迎你的欣賞 m_dInertiaQuadrature = dInertiaQuadrature。 m_dCorrelation = dCorrelation。 m_dLocalCalm = dLocalCalm。 UpdateData(false)。 } 灰度共現(xiàn)矩陣的算法實現(xiàn) 我們選擇了灰度共生拒陣作為本次畢業(yè)設(shè)計的紋理分析方法，就意味著在之后的實現(xiàn)過程中我們要遇到很多問題如下： (1)灰度共生矩陣中二次量化對紋理描述的影響的重要性，并且在使用時，應(yīng)將量化級取為多少才算合理 ? 我們之前的理論學(xué)習(xí)中知道灰度共生矩陣的計算量很大。這是因為圖像的灰度一 般 分為 256個灰度級，要對這樣的圖像計算灰度共生矩陣，其計算量可想而知。這就要求必須對圖像進行二次量化，即將 256個灰度級的圖像量化到 16級甚至更低，這樣做在很多情況下是有效的，不但大大減小了計算代價，而且并沒有引起紋理類間的混淆。但是二次量化畢竟是一種有損變換，量化級不能任意小，因為它會將原圖像的灰度分辮率降低，略去了圖像細節(jié)，當(dāng)兩類紋理的差異主要在細節(jié)部分時必將導(dǎo)致描述不可區(qū)分。這樣看來對量化級的選取就是尤為重要的了。此次畢業(yè)設(shè)計我們將灰度級GrayLayerNum = 8。 （ 2）在生成灰度共生矩陣時， 紋理的采樣間隔的確定是我們必須考慮的，為了能較好的反應(yīng)出紋理的特性距離大小就尤為重要的。 對于紋理圖像，若有一函數(shù)可以將該圖像上的每個像元映射成為固定灰度量化集上的一個值，那么，我們可以認為 :在紋理圖像中，在某個方向上相隔一定距離的一對像元灰度出現(xiàn)的統(tǒng)計規(guī)律，應(yīng)當(dāng)能具體反映這個圖像的紋理特性。這就是定義灰度共生矩陣的初衷 .灰度共生矩陣就是描述在θ方向上，相隔 d像元距離的一對像元，分別具有灰度級 i和 j的出現(xiàn)概率，這個 d就是我們所說的采樣間隔。不同的 d值，可以得到不同的灰度共生矩陣。對于紋理較細的圖像，如本文 所研究的肝臟紋理等， d的值盡量取小是十分必要的。在此次畢業(yè)設(shè)計當(dāng)中我們將采樣間隔 distance = 5。 在求灰度共生矩陣之前，為了減小計算量我們常壓縮為 16級。為表達簡明起見，在下面的共生矩陣表達式中，略去了間隔 d和方向θ。進行特征提取前，首先如下式所示對共生矩陣作正規(guī)化處理： P（ i， j） /R=P（ i， j） 這里 R是正規(guī)化參數(shù)。 代碼表示如下： void CGrayShow::ComputeMatrix(BYTE **LocalImage, int LocalImageWidth) { 課件之家精心整理資料 歡迎你的欣賞 課件之家精心整理資料 歡迎你的欣賞 。 。 。 for(i=0。 iLocalImageWidth。 i++) { for(j=0。 jLocalImageWidth。 j++) { //分成 GrayLayerNum個灰度級 NewImage[i][j] = LocalImage[i][j] / (256/GrayLayerNum)。 } } 。 。 } } 當(dāng)取 d=1，θ =0o時，每一行有 2（ NX1）個水平相鄰點，共有 NY行，因此總共有 2NY(NX1)個相鄰點，所以取 R=2NY(NX1)。當(dāng) d=1，θ =45o時，共有 2（ NY1） (NX1)個相鄰點，所以取 R=2（ NY1） (NX1)。由對稱性可知，當(dāng)θ =90o和 135o時，同理可得。記： ,),()(,),()(,),()(,),()(P1 ,1y1 ,1y1N1xg? ?? ???? ????? ??????????g gg ggNiNkjijxNjNkjijxNiyjjipkPjipkPjipjPjipi 代碼如下，我們以 0度和 45度為例進行公式的表達： 計算 0度的灰度共現(xiàn)陣： for(i=0。 iLocalImageWidth。 i++) { for(j=0。 jLocalImageWidthdistance。 j++) { PMatrixH[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[i][j+distance]] += 1。 PMatrixH[(unsigned int)NewImage[i][j+distance]][(unsigned 課件之家精心整理資料 歡迎你的欣賞 課件之家精心整理資料 歡迎你的欣賞 int)NewImage[i][j]] += 1。 } } 同理我們可以知道計算 90度方向上的灰度共生矩陣的方法： PMatrixV[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[i+distance][j]] += 1。 PMatrixV[(unsigned int)NewImage[i+distance][j]][(unsigned int)NewImage[i][j]] += 1。 計算 45度的灰度共現(xiàn)陣： for(i=distance。 iLocalImageWidth。 i++) { for(j=0。 jLocalImageWidthdistance。 j++) { int newi, newj。 newi = idistance。 newj = j+distance。 PMatrixRD[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[newi][newj]] += 1。 PMatrixRD[(unsigned int)NewImage[newi][newj]][(unsigned int)NewImage[i][j]] += 1。 } } } 同理可知計算 135度的灰度共現(xiàn)陣方法： PMatrixLD[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[newi][newj]] += 1。 PMatrixLD[(unsigned int)NewImage[newi][newj]][(unsigned int)NewImage[i][j]] += 1。 計算紋理特征參數(shù)的算法 能量： 能量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度， 如果共生矩陣的所有值均相等，則 ASM值就??；相反，如果其中一些值大而其他課件之家精心整理資料 歡迎你的欣賞 課件