热门标签 | HotTags
当前位置:  开发笔记 > 程序员 > 正文

超声后端图像处理概述

年初的时候电脑被重置,恢复不出来了,不得不说Win10的重置真牛逼。还是把一些东西放在博客上好点,方便以后回忆。话说超声成像系统在传统上

年初的时候电脑被重置,恢复不出来了,不得不说Win10的重置真牛逼。还是把一些东西放在博客上好点,方便以后回忆。

话说超声成像系统在传统上分前端,中端和后端。


  • 前端主要是指声波发射、接收以及波束合成,最后输出射频信号。
  • 中端主要是指信号处理,把信号处理成图像。
  • 后端主要是指图像处理,把收到的图像变成可视的影像呈现在终端上。

现在很多系统上面,大多分成2部分:前端和后端。有的系统把前端和中端合并之后称为前端,有的系统把中端和后端合并称为后端。这些各有利弊,但基本的流程都没有减少,只是适应不同的实施平台罢了。

我主要做后端,所以这里我就把后端整理出来。后端的输入就是中端的输出。传统来讲,是将经过包络和抽取过的数据(信号),也就是大家常说的线数据。为什么叫线数据呢?因为他是在极坐标系中沿着声束扫描线接收的数据,简称线数据。

那么后端里面都有哪些基本模块呢?


  1. 动态压缩。
  2. 帧相关
  3. 空间滤波
  4. 扫描变换
  5. 灰阶映射

这5个模块都是做什么用的呢?


  1. 动态压缩:主要是把超声回波的动态范围(约100dB),压缩到显示器能够显示的范围(约20dB)上去。这样显示器就能把超声回波完整的显示出来。在数学上就是要把(0~2047)这样的范围压缩到(0~255)。
  2. 帧相关:主要是在时间上保留图像的相关性,去掉与图像无关的闪烁噪声。
  3. 空间滤波:基本上可以用美图秀秀来形容了,你懂的。
  4. 扫描变换:这是一种空间变换,把极坐标系的数据转换到卡笛尔(还记得百岁山逛够里那个被抢走水的老头么,就是他)直角坐标系上。
  5. 灰阶映射:改变图像的灰阶曲线(相当于对比度、亮度)或者把图像变成伪彩(不是变成彩超)。

当然除了这5个模块之外还有其他的模块,比如:空间复合、多焦点等等。这里先放放,后面有机会再讲。

这5个模块的流程顺序依据不同的系统会有所不同。我们这里讲一个通用的流程:

动态压缩 -> 帧相关 -> 空间滤波 -> 扫描变换 -> 灰阶映射

这个流程有啥好处呢?总体计算量最小,需要的资源最少。贴2张图,一张是经过动态压缩的,一张是整个流程跑完的。有点小bug请忽略。


经过动态压缩的线数据
经过动态压缩的线数据


输出图像
经过灰阶映射的图像

 


推荐阅读
  • Python自动化处理:从Word文档提取内容并生成带水印的PDF
    本文介绍如何利用Python实现从特定网站下载Word文档,去除水印并添加自定义水印,最终将文档转换为PDF格式。该方法适用于批量处理和自动化需求。 ... [详细]
  • 掌握远程执行Linux脚本和命令的技巧
    本文将详细介绍如何利用Python的Paramiko库实现远程执行Linux脚本和命令,帮助读者快速掌握这一实用技能。通过具体的示例和详尽的解释,让初学者也能轻松上手。 ... [详细]
  • 最近团队在部署DLP,作为一个技术人员对于黑盒看不到的地方还是充满了好奇心。多次咨询乙方人员DLP的算法原理是什么,他们都以商业秘密为由避而不谈,不得已只能自己查资料学习,于是有了下面的浅见。身为甲方,虽然不需要开发DLP产品,但是也有必要弄明白DLP基本的原理。俗话说工欲善其事必先利其器,只有在懂这个工具的原理之后才能更加灵活地使用这个工具,即使出现意外情况也能快速排错,越接近底层,越接近真相。根据DLP的实际用途,本文将DLP检测分为2部分,泄露关键字检测和近似重复文档检测。 ... [详细]
  • 深入理解Redis的数据结构与对象系统
    本文详细探讨了Redis中的数据结构和对象系统的实现,包括字符串、列表、集合、哈希表和有序集合等五种核心对象类型,以及它们所使用的底层数据结构。通过分析源码和相关文献,帮助读者更好地理解Redis的设计原理。 ... [详细]
  • 脑机接口(BCI)技术正逐步将科幻变为现实,从帮助听障人士恢复听力到使瘫痪者重新站立,甚至可能将多年的学习过程压缩至瞬间。本文探讨了这一前沿技术的现状、挑战及其未来前景。 ... [详细]
  • 探索12个能显著提升iPhone使用体验的隐藏技巧,掌握这些功能后,你会发现生活更加便捷高效。 ... [详细]
  • 网易严选Java开发面试:MySQL索引深度解析
    本文详细记录了网易严选Java开发岗位的面试经验,特别针对MySQL索引相关的技术问题进行了深入探讨。通过本文,读者可以了解面试官常问的索引问题及其背后的原理。 ... [详细]
  • 卷积神经网络(CNN)基础理论与架构解析
    本文介绍了卷积神经网络(CNN)的基本概念、常见结构及其各层的功能。重点讨论了LeNet-5、AlexNet、ZFNet、VGGNet和ResNet等经典模型,并详细解释了输入层、卷积层、激活层、池化层和全连接层的工作原理及优化方法。 ... [详细]
  • 本文深入探讨了 Redis 的两种持久化方式——RDB 快照和 AOF 日志。详细介绍了它们的工作原理、配置方法以及各自的优缺点,帮助读者根据具体需求选择合适的持久化方案。 ... [详细]
  • 本文详细介绍了在企业级项目中如何优化 Webpack 配置,特别是在 React 移动端项目中的最佳实践。涵盖资源压缩、代码分割、构建范围缩小、缓存机制以及性能优化等多个方面。 ... [详细]
  • jQuery HooRay:一款自创的实用 jQuery 工具插件
    这款插件主要由作者在工作中积累的常用功能开发而成,旨在解决现有插件间的冲突及浏览器兼容性问题。通过整合和优化现有插件,确保其稳定性和高效性。 ... [详细]
  • 本文详细介绍了如何在WebStorm中配置File Watchers,以实现在编辑LESS文件时自动生成压缩后的CSS文件和对应的源映射(.map)文件。通过简单几步设置,可以大幅提升前端开发效率。 ... [详细]
  • 深入解析Redis内存对象模型
    本文详细介绍了Redis内存对象模型的关键知识点,包括内存统计、内存分配、数据存储细节及优化策略。通过实际案例和专业分析,帮助读者全面理解Redis内存管理机制。 ... [详细]
  • 获取Jedis和Commons Pool JAR包的两种方法及详细步骤
    本文介绍如何通过网盘链接或官方网站获取Jedis和Commons Pool的JAR包,并提供详细的图文教程。同时,还附有导入JAR包到项目的相关建议。 ... [详细]
  • Netflix利用Druid实现高效实时数据分析
    本文探讨了全球领先的在线娱乐公司Netflix如何通过采用Apache Druid,实现了高效的数据采集、处理和实时分析,从而显著提升了用户体验和业务决策的准确性。文章详细介绍了Netflix在系统架构、数据摄取、管理和查询方面的实践,并展示了Druid在大规模数据处理中的卓越性能。 ... [详细]
author-avatar
黄晓敏3023
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有