图像后处理技术DSP的重要功能在于进行数字图像处理。

本装置的图像处理功能包括前处理和后处理，其中前处理分为采样处理（最大值采样、峰值偏差采样、点采样），失径平滑，图像的数字勾边及帧相关处理。

而后处理包括有线性插值，H平滑，灰度窗口处理及 校正。

（图像处理功能示意图）图像的前处理是沿着失径扫描线对数据进行处理的，它不可避免的要受到扫描方式的限制，因而处理功能比较简单。

而图像后处理是在经过扫描变换以后的具有标准电视扫描方式的图像上进行处理，因而处理的功能就比较强。

可加入的数字图像的内容也比较繁多，它可以将图像送往计算机中进行各种图像运算和处理，但对于实时动态显示的图像，为了满足实时的需要，目前本装置只加入了比较实用的对图像具有一定效果的处理功能。

1．图像的线性插补处理目前在实时超声扇形扫描仪中数字扫描变换（DSC）已成为不可缺少的部分。

这是由于它既可以使用标准显示和记录装置，也可以在图像上叠加别的信息，进行各种冻结方式的处理，并能灵活地，实时地显示多幅图像。

然而经过数字扫描变换以后使图像产生了失真，这是将图像由原来的失径扫描经数字扫描变换转换成直角扫描所具有的固有缺陷，最具有代表性的是“云纹斑”（Morie）畸变的出现，显示过密或出现空缺。

1）云纹斑出现的机理数字扫描转换的像素地址逻辑单元将每一点的极坐标转换成直角坐标，仔细地考虑这一坐标转换过程不难发现，每一采样点在空间的实际位置一般说来不会和显示点准确对应起来。

由于在写入存储器时这种地址必须首先进行转换，将其空间地址转换到与实际位置最接近的存储单元。

即像素地址首先由极坐标转换直角坐标，此时的直角坐标为地址数字化到最接近的一个像素地址，因而使得扇形图像的进场区域在两条相邻的扫描线上的部分数据采样点会被写在相同的像素地址单元中，即发生重写而造成显示过密。

其次随着两条相邻扫描线离探头距离的增加其间隙也所之变大，这样两条扫描线之间某些像素不会被采样，从而形成“黑洞”，云纹斑正是这种预料中未采样的“黑洞”云集而成的。

许多黑洞云集成的云纹斑使图像质量下降，其对图像所产生的影响如下图所示云纹斑的出现与以下因素有关：原扇形扫描线矢径数（M ），超声脉冲重复频率（RATE ），探测深度（D ），最大视角（m ax θ），角度间隔（θ ）和帧频（FR ）等参数。

这些参数满足方程1/2/F RR A T E M D N V =∙=∙ 式中/M A X N θθ= ，V 为超声波在人体中的平均传播速度。

理论上，为了完全消除失真，需要无数的极坐标和直角坐标像素，但实际的扇形扫描仪仅有有限的数据和像素。

由文献可知，合适的取样要满足条件arctan(1/)M θ= 。

显然，角度间隔越小，失真也越小。

但是，从5.1式可知，扫描线数是有限的，是根据实时应用时的最大视角和帧数决定的。

然而，极坐标数据的增加要求DSC 有较高的采样速率。

为了减小采样数据和显示数据间的位置误差造成的云纹斑，DSC 的像素必须增加。

但为了和标准的显示和记录装置相配，DSC 也仅能有有限像素。

从以上讨论比较可知，用原始的数据和像素来直接改善云纹状失真，至今未有满意的方法。

从图5-2可见，我们可以在原有像素数据的基础上进行像素的插补处理来消除这种图像重建误差。

2）图像的线性插补处理对于图像的插补技术最简单的一种办法是平均插补处理，它是在两根邻近的扫描线间插入一根或几根扫描线像素数据，使得直角坐标的整个扫描上布满数据，用这种方法“云纹状”失真相对地减少了，然而图像近场区域写入过密的问题变得更加严重了。

R θ-插补法是目前最复杂和最好的方法。

在这种插补方法中，每一个直角坐标数据是从周围的极坐标数据按线性插补进行插值的。

采用这种方法，为了减少重建误差，必然要进行高次插补。

由于需要复杂的硬件，甚至仅做一阶插补也需要很复杂和快速的数字电路。

这在实时处理时是不现实的。

作者采用的是一种可变的线性像素插补技术，具体电路比R θ-法的简单，但又避免了平均插入算法中出现的写入过密的问题。

具体方法是：假如从该系统的帧存储器输出的两个相邻的采样点a 和b 之间，出现了几个空缺，需要插入几个像素点来填补遗漏的区域，其插补按下式进行：()/(1)g a b n =-+1i i a a g -=-这里n 为“黑洞”数。

具体如图5-5所示，这里设a>b 。

这种插补的特点是可根据“黑洞”的个数来进行插值，近场插的少，远场插的多，最多可插入8个值，因而防止了扇角区域插入过密的现象。

在进行插值的过程中，首先要判断从帧存储器中每次读出的值是否为“黑洞值”---即没有被写入回波信号的存储单元。

如果是“黑洞”值则进行插补，如果不是则此单元的像素送到显示器上显示。

显然，黑洞是没有写入回波信号的单元，此单元信息为零。

但超声回波中也包含有其值为零的信息，这样就需要采取措施将回波中信号的零值与“黑洞”值分开，从而避免对回波信息的错误插值。

本装置采用的方法是将A/D 变换器转换后得到的6BIT 超声信息放入帧存储器8BIT 数据的高6位，而低2位在采样时人为地置成高电平，用一检“0”电路来检测这8bit 数据信息，对高6位进行判别后插补，这相当于给图像加入一个背景电平，使图像信号叠加在该电平上，故将回波中信号的零值与“黑洞”值区分开了。

在插补中一个需要解决的问题是对图像边缘的判断。

否则，就会插入严重失真的伟值，使图像混乱，为了解决这个问题，我们通过事先算出图像内部最大的“黑洞”点数值（这里数值n=8），然后判断检出的零值。

当零值个数超过我们算出的最大值（n=8）时，就说明此时不在图像中间，因此加以抑制。

按照这种思想采取一定的控制方式，就能自动检出图形的两个边缘，从而保证了只对图像内部进行插值。

2．ϒ校正正如我们所知，人眼对亮度的感觉具有对数运算的性质，由弗肯那定律可知B=KlgL ，这里K 是一个比例常数，L 是亮度。

并且医生对患者进行诊断时，对于具有代表性的图像要进行拍照纪录，而照相底片特性曲线如图5-9所示。

增大曝光量，会引起与曝光量对数成比例的密度增加（正常曝光区）。

进一步增大曝光量，是感光层饱，光学密度与曝光量的增加，不再成比例，形成过度曝光曲线段。

这样对隐含于比较暗的灰度区域里的许多细节，通常不易被察觉出来，而对于灰度比较明亮区域里图像发生了饱和失真，对于丰富的回度层次难以辨认。

为校正这种非线性畸变，在实际使用当中就需要对图像进行校正。

所谓ϒ校正就是使输出的图像信号产生与系统（包括观测者本身）非线性畸变相反的预失真，使整个系统成为线性传输系统。

根据文献提供的资料，作者采用的ϒ校正公式为：所显示的像素=K(存储像素)ϒ，这里ϒ=1.2 1.6 , K是常数。

ϒ校正实际上是一种灰度或灰阶校正。

一般是将校正曲线存储在PROM中，实行查表的方式读出数据，当在操作面板进行ϒ曲线选择后，选出一种曲线数据，并把数据传送出去，送往TV显示器进行显示。

本装置所采用的ϒ校正实际上是一种选择项，可用数据选择器进行选择。

这是根据医生在诊断中所采用的显示系统和各自的习惯所决定的。

3．灰度窗口处理窗口处理又可分为窗口提升处理和抑制处理，我们采用的是窗口提升处理，这种处理主要是为增加图像的对比度，这里可选择所存储像素的一个灰度窗口（范围）而加以增强，灰度窗口以外的灰度给以压缩或略去，而着重显示所需观察的灰度等级，这样做的目的是为了显示各组织结构或突出消隐图像中的某些部分，提高识别力与诊断力。

这在临床应用中很重要，比如对于回声与周围十分接近的细小结构，可选用小提升窗口，逐级移至窗口段的方法予以显示。

经过这种处理后便于医生观察和分析诊断。

作者所采用的窗口处理如下图所示几种方式：图5-12（a）是灰度范围的线性变换，利用这种变换把灰度比例增大以增强图像的对比度。

假定原图像f(x, y)的灰度范围为[0，M]，不在合适的观察范围，要把它变为图像g(x, y)的灰度范围在[0，N]，那么变换函数为：=g x y N M f x y(,)/(,)当N=M时，输出图像就是输入原始图像。

本装置采用的窗口处理模式0即为此种方式。

gff f白色黑色回波强度回波强度回波强度回波强度P I0000(a)(b)(c)(d)P EP I图5-12（b）为本装置所采用的窗口处理模式1，它可以使原始图像亮区（大于π）的灰度级均匀地从黑色到白色均匀展开，暗区（小于π）变黑。

图5-12（c）为模式2，它可以使原始图像小于π值的图像灰度级变黑，而大于π值的图像则按原图形灰度值输出显示。

图5-12（b）和（c）是针对目前TV显示器的灰度显示能力有限而设置的。

图5-12（d）为所采用的模式3，它为灰度切片，它是把某一小范围内的灰度值抽取出来，转换成最大灰度值加以显示，而其他区域则给以二分之一的原始图像灰度进行显示，灰度切片是对图像进行分析的一种高度有效的方法。

这里需要指出的是，图像增强没有通用的理论。

图像质量的视觉评定是一种高度的主观处理，因此不易定义出“好图像”的标准，以便用来比较算法的好坏。

作者所选用的以上四种窗口处理方式是从实际可行性及典型性而选定的。

4．H平滑处理回声数据在传输、量化、采样过程中常常会引入噪声，它是一种随机高频干扰。

消除噪声的最直接有效的办法是用平滑滤波，即平滑处理，它的目的在于压缩噪声，对信号进行提升。

而H 平滑是沿着电视水平扫描线（Horizontal ）的两个相邻像素点之间而采取的空间局部平均平滑处理技术。

由于这种方法便于实现，计算速度快，结果也比较令人满意，所以在平滑技术中占有重要地位。

H 平滑是用扫描线上某像素点相邻点的灰度平均值代替该像素原来的灰度值。

通过像素点沿水平方向的不断移动，从而平滑了整幅图像，它的理论基础在于：假设把图像上的噪声看成是一种加性的，且互不相关，均值为零串扰信号，且图像可由许多灰度恒定的小块组成，则(,)(,)(,)g x y f x y n x y =+这里(,)g x y 是加噪图像，(,)f x y 是原始图像。

(,)n x y 是噪声。

经局部平均处理后的平滑图像为： (,)(,)11(,)(,)(,)i j S i j S g x y f i j n i j M M ∈∈=+∑∑这里S 是点(,)x y 邻域内的点集，M 是点集S 中的总点数。

从（5.6）式中可以看出第一项接近于原始图像，第二项代表平滑后图像中的噪声，它的均值为零。

方差为： 22(,)(,)111(,){(,)}n i j S i j S D n i j D n i j M M M σ∈∈⎧⎫==⎨⎬⎩⎭∑∑从此可见图像经平滑处理后可使噪声方差减小M 倍。