支架纹理特征提取与描述方法

在IVUS图像中，支架完全扩张后位于管腔贴近血管壁内膜的位置，形成另一个边界，包含支架的两帧IVUS图像如图3-44所示。金属支架为超声的强反射体，超声图像呈现为沿血管周围走行的回声点或回声弧。由于设计和材料的不同，每种支架的表现略有差异。管型支架或网眼支架表现为局部的金属样点状回声，如图3-44a所示，缠绕型支架则表现为与血管壁小断面相对应的弧形回声，与钙化声影类似，支架柱后方也有回声信号失落区^［3］，如图3-44b所示。

图3-43 显示血管分叉的IVUS横向视图、极坐标视图和纵向视图

a）b）两帧横向视图 c）图b）的极坐标视图 d）纵向视图

图3-44 包含支架的两帧IVUS图像

a）管型支架^［3］；b）缠绕型支架

首先从IVUS图像序列中手动分割出相同大小、包含支架的矩形区域和不包含支架的矩形区域，构成支架样本库，其中含支架的样本标记为1，不含支架的样本标记为0。然后，如图3-44b所示，由于IVUS图像中支架支撑的平均灰度值要高于管腔内无支架区域的灰度值，因此可使用14种Haar-like矩形特征原型，即4个边缘特征，8个线性特征和2个中心特征，分别对含支架和不含支架的样本图像提取纹理特征，并使用积分图实现特征数值的快速计算。

Haar-like特征是计算机视觉领域一种常用的特征描述算子，它最早是由Papageorigiou等^［58］提出并应用于人脸描述。常用的Haar-like特征可以分为三类：边缘特征、线性特征和中心环绕特征^［59］，分别如图3-45、图3-46和图3-47所示。可以看出，每个特征模板都由白色和黑色两个矩形区域组成，由于特征模板可以在图像区域内任意位置以任意大小放置，所以训练或检测图像越大，特征数目也会越大。

图3-45 边缘特征原型^[59]

图3-46 线性特征原型^[59]

图3-47 中心特征原型^[59]

倾斜角度为0°和45°的矩形特征原型在检测窗口中的表示如图3-48所示，假设训练或检测图像的大小为W×H个像素，w和h分别为特征模板的长和宽。规定在不同尺度下矩形特征保持一定的宽高比，令X＝[W／w」，Y＝[H／h」，其中[·」表示向下取整。矩形特征的个数为

图3-48 倾斜角度为0°和45°的矩形特征原型在检测窗口中的表示[59]

倾斜角为45°的矩形特征的个数为(www.xing528.com)

矩形特征的特征值定义为

式中，N＝2，i＝1和i＝2分别为黑色和白色两个矩形区域；r_i＝（x_i，y_i，w_i，h_i，θ_i），（x_i，y_i）为第i个矩形的起点；w_i和h_i为第i个矩形长和宽；θ_i为第i个矩形的倾斜角；RecSum（r_i）为r_i所表示的矩形区域内的像素和；w_i为第i个区域的权重值，并且满足w₁.AreaSize₂＝-w₂.AreaSize₁；AreaSize_i为第i个矩形的面积。

由于训练样本通常有近万个，矩形特征的数量非常庞大，如果每次计算特征值都要统计矩形内所有像素之和，将会大大降低训练和检测的速度。为了加快Haar-like小波特征的计算，Viola等^［60］提出积分图的概念，能够在多种尺度下，使用相同的时间来计算不同的特征，因此，大大提高了检测速度。

积分图一般分为倾斜度为0°和45°的积分图，如图3-49所示。倾斜度为0°的积分图定义如下：

图3-49 倾斜度为0°和45°的积分图

式中，I（i，j）为图像在点（i，j）处的灰度值，为［0，255］区间内的整数。在实际应用中，采用下式得到图像的积分图：

SAT（x，y）＝SAT（x，y-1）＋SAT（x-1，y）＋I（x，y）-SAT（x-1，y-1）（3-36）式中，SAT（-1，y）＝SAT（x，-1）＝SAT（-1，-1）＝0。倾斜度为0°的矩形区域的像素值和为

RecSum（r_i）＝SAT（x-1，y-1）＋SAT（x＋w-1，y＋h-1）-SAT（x-1，y＋h-1）-SAT（x＋w-1，y-1） （3-37）

倾斜度为45°的积分图定义如下：

并且

RSAT（x，y）＝RSAT（x-1，y-1）＋RSAT（x＋1，y-1）-RSAT（x，y-2）＋I（x，y）＋I（x，y-1） （3-39）

倾斜度为45°的矩形区域的像素值和为

RecSum（r_i）＝RSAT（x-h＋w，y＋w＋h-1）＋RSAT（x，y-1）-RSAT（x-h，y＋h-1）-RSAT（x＋w，y＋w-1） （3-40）

由此可见，Haar-like特征的计算仅与顶点的积分图有关，与特征的大小和形状无关，只需要进行简单的加减法即可。所以在引入积分图后，Haar-like特征的计算速度有了明显提升。