[发明专利]一种基于灰度纹理特征的超声图像运动目标跟踪方法

说明书

本发明公开了一种基于灰度纹理特征的超声图像运动目标跟踪方法，其步骤如下：步骤一、对包括训练集与运动估计序列图像在内的所有图像进行预处理；步骤二、抽取训练集图片模板，划分网格并提取灰度纹理信息作为特征，建立训练数据；步骤三、建立反向传播神经网络结构，利用步骤二得到的训练集训练BP前馈神经网络，建立特征与结果的联系；步骤四、开始跟踪目标，从第一帧起，提取目标区域，对下一帧的搜索区域进行互相关匹配，得到预选坐标并提取灰度纹理特征，输入神经网络，得到目标最佳位置。本发明充分利用已有超声图像的纹理信息训练神经网络，使用已训练的神经网络在线校正模板，改进现有的运动跟踪方法，提高运动目标跟踪的精确度。

技术领域

本发明属于图像处理领域，涉及一种基于互相关估计与灰度纹理特征的模板匹配算法，以及在线跟踪中的匹配模板的更新方法。

背景技术

近年来，医学影像逐渐成为医生诊断与治疗的重要辅助手段，其中超声图像由于其实时性与安全性正发挥着越来越大的作用。由于呼吸作用及其他不确定因素，在超声图像成像后对病灶或特定器官的跟踪显得很有必要，目前应用较广泛的运动估计算法有meanshift算法、最小绝对误差和(Sum ofAbsolute Differences，SAD)、互相关匹配法等等。

超声动态图像的特征区域跟踪技术是图像序列运动估计的一种，运动估计是数字视频处理与计算机视觉领域中一个非常活跃的分支，在民用与军用的许多方面都有着广泛的应用。目前的运动估计算法中，有些针对刚体运动目标，有些针对非刚体运动目标，而在大多数应用中，运动目标都可能出现旋转、变形和遮挡等复杂情况，在传统算法中，这些因素都有可能导致跟踪失败。

模板匹配法即首先选取好目标区域作为模板，通过某种方法预测目标在下一时刻可能出现的位置并进行匹配，匹配方式可以是互相关或者帧间模板求差值等。但这种方法常常带来误差的累积，随着时间的增长误差越来越大甚至出现跟踪失败。Meanshift算法利用目标函数的梯度信息来估计目标的位置，并具有线性收敛特点。在跟踪过程中，该方法通过计算当前窗口直方图分布，通过相似性度量来判断局部极大值，使搜索窗口沿着密度增加最快的方向移动。这种算法在某些特定图像效果很好，但速度较慢，无法满足超声图像的实时性要求。

灰度共生矩阵及灰度纹理特征是研究图像纹理特征的一个有效手段，并广泛应用于生物医学、目标识别以及遥感图像等领域，它通过灰度的空间相关特性来描述纹理特征，很好的利用了图像的纹理信息。互相关估计算法速度较快，考虑到实时性，引入互相关估计进行初步估计运动状态可以加快匹配速度。呼吸作用引起的超声图像中的目标运动及形变有周期性，利用这一点可以在线更新模板以达到不断校正误差的目的。

发明内容

本发明的目的在于克服现有传统算法精度不足的缺点，提出一种基于互相关估计与灰度纹理信息相结合的图像运动估计算法，充分利用已有超声图像的纹理信息训练神经网络，使用已训练的神经网络在线校正模板，改进现有的运动跟踪方法，提高运动目标跟踪的精确度。

本发明的目的是通过以下技术方案实现的：

一种基于灰度纹理特征的超声图像运动目标跟踪方法，包括如下步骤：

步骤一、对包括训练集与运动估计序列图像在内的所有图像进行预处理：

超声图像具有强烈的斑点噪声，且整体灰度值较为集中，在不影响图像纹理信息的基础上，采取均值滤波器对图像进行滤波，采用直方图均衡方法均衡灰度，提高对比度。

步骤二、抽取训练集图片模板，划分网格并提取灰度纹理信息作为特征，建立训练数据：

(1)训练集中包括H张图片中的目标坐标，在第一幅图中人工指定模板大小，以每个训练集中的目标坐标为中心，按照模板大小在周围取出模板训练集正例；

(2)在每张图片的目标坐标周围偏移3-10像素值位置处取出反例坐标，按模板大小取出反例模板训练集；