一种多普勒图像的识别方法、系统、电子设备及存储介质与流程

1.本发明涉及图像处理技术领域，特别是涉及一种多普勒图像的识别方法、系统、电子设备及存储介质。


背景技术：

2.超声扫描是一种医疗诊断工具，用于评估人体内部器官的结构和功能，通过使用高频声波来创建人体内部器官或组织图像，帮助医生检测可能存在的异常情况。超声多普勒成像是一种医学检查技术，它结合了超声波成像和多普勒效应，可以帮助医生评估血管和心脏的结构和功能。通过超声多普勒检查，医生可以观察到血流速度、血管阻力、心脏瓣膜的功能等指标，从而帮助诊断心血管疾病、判断疾病的严重程度。
3.目前，通过计算机视觉技术可以对灰度超声成像进行识别和分析，但当出现彩色超声图像时会对图像的识别和分析造成影响。且彩色超声成像包括多普勒成像、彩色标尺成像、弹性成像和造影成像，虽然目前技术中对于灰度超声图像和彩色超声图像可以较为容易地区分，但是如何从多种彩色超声图像中筛选出多普勒成像是一大难点。


技术实现要素：

4.本发明的目的是提供一种多普勒图像的识别方法、系统、电子设备及存储介质，实现了超声图像中多普勒图像的自动识别，且提高了多普勒图像检测的准确度。
5.为实现上述目的，本发明提供了如下方案：
6.一种多普勒图像的识别方法，包括：
7.将所述待检测rgb超声图像进行三通道分离，得到待检测rgb超声图像的三个通道的灰度图像；三个所述通道分别为红色通道、绿色通道和蓝色通道；
8.基于待检测rgb超声图像和三个通道的灰度图像，确定所述待检测rgb超声图像的通道直方图集；所述通道直方图集包括：红色通道直方图、绿色通道直方图、蓝色通道直方图、红绿通道直方图、绿蓝通道直方图和蓝红通道直方图；
9.利用主成分分析法，基于所述待检测rgb超声图像的通道直方图集，确定待检测rgb超声图像的降维后的特征矩阵；
10.将所述待检测rgb超声图像的降维后的特征矩阵输入至多普勒图像检测模型中，确定所述待检测rgb超声图像的图像类型；所述多普勒图像检测模型是利用多张训练用rgb超声图像的降维后的特征矩阵和图像类型对支持向量机进行训练得到的；所述图像类型为多普勒图像或非多普勒图像。
11.可选地，基于待检测rgb超声图像和三个通道的灰度图像，确定所述待检测rgb超声图像的通道直方图集，具体包括：
12.根据所述待检测rgb超声图像和所述红色通道的灰度图像确定所述红色通道直方图；
13.根据所述待检测rgb超声图像和所述绿色通道的灰度图像确定所述绿色通道直方
图；
14.根据所述待检测rgb超声图像和所述蓝色通道的灰度图像确定所述蓝色通道直方图；
15.根据所述红色通道的灰度图像和所述绿色通道的灰度图像确定所述红绿通道直方图；
16.根据所述绿色通道的灰度图像和所述蓝色通道的灰度图像确定所述绿蓝通道直方图；
17.根据所述蓝色通道的灰度图像和所述红色通道的灰度图像确定所述蓝红通道直方图。
18.可选地，利用主成分分析法，基于所述待检测rgb超声图像的通道直方图集，确定待检测rgb超声图像的降维后的特征矩阵，具体包括：
19.基于所述待检测rgb超声图像的通道直方图集确定所述待检测rgb超声图像的特征矩阵；
20.对所述待检测rgb超声图像的特征矩阵进行去中心化处理，得到所述待检测rgb超声图像的去中心化后的特征矩阵；
21.计算所述待检测rgb超声图像的去中心化后的特征矩阵中两两特征间的协方差，得到所述待检测rgb超声图像的协方差矩阵；
22.对所述待检测rgb超声图像的协方差矩阵进行特征值分解，得到所述待检测rgb超声图像的协方差矩阵的多个特征值和多个分解后的特征向量；
23.基于所述待检测rgb超声图像的所有所述特征值和所有所述特征向量，确定所述待检测rgb超声图像的降维后的特征矩阵。
24.可选地，所述多普勒图像检测模型的训练过程，包括：
25.确定多张训练用rgb超声图像的降维后的特征矩阵和图像类型；
26.以所有所述训练用rgb超声图像的降维后的特征矩阵为输入，以对应的图像类型为输出对所述支持向量机进行训练，得到所述多普勒图像检测模型。
27.可选地，当前训练用rgb超声图像的降维后的特征矩阵的确定过程，包括：
28.将所述当前训练用rgb超声图像进行三通道分离，得到当前训练用rgb超声图像的三个通道的训练用灰度图像；
29.基于当前训练用rgb超声图像和三个通道的训练用灰度图像，确定所述当前训练用rgb超声图像的通道直方图集；
30.利用主成分分析法，基于所述当前训练用rgb超声图像的通道直方图集，确定当前训练用rgb超声图像的降维后的特征矩阵。
31.可选地，利用主成分分析法，基于所述当前训练用rgb超声图像的通道直方图集，确定当前训练用rgb超声图像的降维后的特征矩阵，具体包括：
32.基于所述当前训练用rgb超声图像的通道直方图集确定所述当前训练用rgb超声图像的特征矩阵；
33.对所述当前训练用rgb超声图像的特征矩阵进行去中心化处理，得到所述当前训练用rgb超声图像的去中心化后的特征矩阵；
34.计算所述当前训练用rgb超声图像的去中心化后的特征矩阵中两两特征间的协方
差，得到所述当前训练用rgb超声图像的协方差矩阵；
35.对所述当前训练用rgb超声图像的协方差矩阵进行特征值分解，得到所述当前训练用rgb超声图像的协方差矩阵的多个特征值和多个分解后的特征向量；
36.基于所述当前训练用rgb超声图像的所有所述特征值和所有所述特征向量，确定所述当前训练用rgb超声图像的降维后的特征矩阵。
37.一种多普勒图像的识别系统，包括：
38.三通道分离模块，用于将所述待检测rgb超声图像进行三通道分离，得到待检测rgb超声图像的三个通道的灰度图像；三个所述通道分别为红色通道、绿色通道和蓝色通道；
39.通道直方图确定模块，用于基于待检测rgb超声图像和三个通道的灰度图像，确定所述待检测rgb超声图像的通道直方图集；所述通道直方图集包括：红色通道直方图、绿色通道直方图、蓝色通道直方图、红绿通道直方图、绿蓝通道直方图和蓝红通道直方图；
40.降维模块，用于利用主成分分析法，基于所述待检测rgb超声图像的通道直方图集，确定待检测rgb超声图像的降维后的特征矩阵；
41.图像检测模块，用于将所述待检测rgb超声图像的降维后的特征矩阵输入至多普勒图像检测模型中，确定所述待检测rgb超声图像的图像类型；所述多普勒图像检测模型是利用多张训练用rgb超声图像的降维后的特征矩阵和图像类型对支持向量机进行训练得到的；所述图像类型为多普勒图像或非多普勒图像。
42.一种电子设备，包括：
43.一个或多个处理器；
44.存储装置，其上存储有一个或多个程序；
45.当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的多普勒图像的识别方法。
46.一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述所述的多普勒图像的识别方法。
47.根据本发明提供的具体实施例，本发明公开了以下技术效果：
48.本发明公开了一种多普勒图像的识别方法、系统、电子设备及存储介质，首先对待检测rgb超声图像进行三通道分离后，基于待检测rgb超声图像和三个通道的灰度图像确定通道直方图集，其中，通道直方图集包括：红色通道直方图、绿色通道直方图、蓝色通道直方图、红绿通道直方图、绿蓝通道直方图和蓝红通道直方图。然后，利用主成分分析法，基于通道直方图集确定降维后的特征矩阵。最后，将待检测rgb超声图像的降维后的特征矩阵输入至多普勒图像检测模型中，确定待检测rgb超声图像的图像类型。本发明不仅实现了超声图像中多普勒图像的自动识别，而且通过构建通道直方图集和利用主成分分析法进行降维处理，进一步提高了多普勒图像识别的准确度。
附图说明
49.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。
50.图1为本发明实施例1提供的多普勒图像的识别方法流程示意图；
51.图2为多普勒图像的识别过程示意图；
52.图3为不同训练用rgb超声图像的通道直方图示意图。
具体实施方式
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.本发明的目的是提供一种多普勒图像的识别方法、系统、电子设备及存储介质，旨在实现超声图像中多普勒图像的自动识别，且提高多普勒图像检测的准确度。
55.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
56.实施例1
57.图1为本发明实施例1提供的多普勒图像的识别方法流程示意图。图2为多普勒图像的识别过程示意图。如图1-图2所示，本实施例中的多普勒图像的识别方法，包括：
58.步骤101：将待检测rgb超声图像进行三通道分离，得到待检测rgb超声图像的三个通道的灰度图像。
59.其中，三个通道分别为红色通道、绿色通道和蓝色通道。
60.实际上，在rgb彩色图像中，每个像素由红色、绿色和蓝色三个通道的数值组成。rgb通道分离可以通过提取图像中的每个通道，生成一个单独的灰度图像。这些灰度图像分别代表了图像中对应通道的亮度值。
61.步骤102：基于待检测rgb超声图像和三个通道的灰度图像，确定待检测rgb超声图像的通道直方图集。
62.其中，通道直方图集包括：红色通道直方图、绿色通道直方图、蓝色通道直方图、红绿通道直方图、绿蓝通道直方图和蓝红通道直方图。
63.步骤103：利用主成分分析法，基于待检测rgb超声图像的通道直方图集，确定待检测rgb超声图像的降维后的特征矩阵。
64.步骤104：将待检测rgb超声图像的降维后的特征矩阵输入至多普勒图像检测模型中，确定待检测rgb超声图像的图像类型。
65.其中，多普勒图像检测模型是利用多张训练用rgb超声图像的降维后的特征矩阵和图像类型对支持向量机(support vector machines，svm)进行训练得到的；图像类型为多普勒图像或非多普勒图像。
66.作为一种可选的实施方式，步骤102，具体包括：
67.根据待检测rgb超声图像和红色通道的灰度图像确定红色通道直方图。
68.根据待检测rgb超声图像和绿色通道的灰度图像确定绿色通道直方图。
69.根据待检测rgb超声图像和蓝色通道的灰度图像确定蓝色通道直方图。
70.根据红色通道的灰度图像和绿色通道的灰度图像确定红绿通道直方图。
71.根据绿色通道的灰度图像和蓝色通道的灰度图像确定绿蓝通道直方图。
72.根据蓝色通道的灰度图像和红色通道的灰度图像确定蓝红通道直方图。
73.作为一种可选的实施方式，步骤103，具体包括：
74.基于待检测rgb超声图像的通道直方图集确定待检测rgb超声图像的特征矩阵。
75.对待检测rgb超声图像的特征矩阵进行去中心化处理，得到待检测rgb超声图像的去中心化后的特征矩阵。
76.计算待检测rgb超声图像的去中心化后的特征矩阵中两两特征间的协方差，得到待检测rgb超声图像的协方差矩阵。
77.对待检测rgb超声图像的协方差矩阵进行特征值分解，得到待检测rgb超声图像的协方差矩阵的多个特征值和多个分解后的特征向量。
78.基于待检测rgb超声图像的所有特征值和所有特征向量，确定待检测rgb超声图像的降维后的特征矩阵。
79.作为一种可选的实施方式，步骤104中，多普勒图像检测模型的训练过程，包括：
80.步骤1041：确定多张训练用rgb超声图像的降维后的特征矩阵和图像类型。
81.步骤1042：以所有训练用rgb超声图像的降维后的特征矩阵为输入，以对应的图像类型为输出对支持向量机进行训练，得到多普勒图像检测模型。
82.其中，支持向量机(support vector machines，svm)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，svm的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。svm学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。
83.svm算法可以使用不同的核函数来处理非线性分类问题。本发明使用高斯径向基核函数，可以将有限维数据映射到高维空间。
84.高斯核函数k公式为：
85.其中，||q-r||2为向量q与向量r的欧氏距离；δ为带宽，用于控制高斯核函数的局部作用范围。高斯核函数可以将数据线性不可分的问题映射到高维空间，达到线性可分的条件。
86.svm优化公式包括：
[0087][0088][0089]
其中，l(w,b,α)为目标函数；w和b均为最优超平面w
t
qc+b的参数；αc为第c个求解系数；qc为向量q的第c个值；rc为向量r的第c个值。通过序列最小优化算法(sequential minimal optimization，smo)最终求解出最优的超平面系数w和b。
[0090]
其中，svm优化是一个二次规划的问题，使用smo方法的基本思路是通过每次选取两个不同的变量αc对目标函数进行更新，smo方法优化过程中只有一个约束条件，使得二次规划问题具有闭式解。
[0091]
作为一种可选的实施方式，步骤1041中，当前训练用rgb超声图像的降维后的特征矩阵的确定过程，包括：
[0092]
步骤10411：将当前训练用rgb超声图像进行三通道分离，得到当前训练用rgb超声图像的三个通道的训练用灰度图像。
[0093]
实际上，在步骤10411之前，还包括：
[0094]
通过超声探头扫查得到训练用超声视频影像，将超声视频影像中的每一帧影像进行保存得到多张训练用超声图像。将扫查得到的多张超声图像进行分类，包括非多普勒图像(包括彩色标尺成像、弹性成像和造影成像)和多普勒图像。
[0095]
步骤10412：基于当前训练用rgb超声图像和三个通道的训练用灰度图像，确定当前训练用rgb超声图像的通道直方图集。
[0096]
具体的，根据红色(r)、绿色(g)和蓝色(b)三个颜色通道的灰度图的亮度分布情况，计算出其颜色直方图，颜色直方图反映了图像中像素颜色的分布情况，分别统计出r通道、g通道和b通道的像素数量占比，并增加r/g(r通道亮度分布与g通道亮度分布的比)、g/b(g通道亮度分布与b通道亮度分布的比)和b/r(b通道亮度分布与r通道亮度分布的比)通道像素数量占比，不同彩色超声图像的通道直方图如图3所示。
[0097]
利用主成分分析法，基于当前训练用rgb超声图像的通道直方图集，确定当前训练用rgb超声图像的降维后的特征矩阵。
[0098]
作为一种可选的实施方式，利用主成分分析法，基于当前训练用rgb超声图像的通道直方图集，确定当前训练用rgb超声图像的降维后的特征矩阵，具体包括：
[0099]
基于当前训练用rgb超声图像的通道直方图集确定当前训练用rgb超声图像的特征矩阵。
[0100]
对当前训练用rgb超声图像的特征矩阵进行去中心化处理，得到当前训练用rgb超声图像的去中心化后的特征矩阵。
[0101]
计算当前训练用rgb超声图像的去中心化后的特征矩阵中两两特征间的协方差，得到当前训练用rgb超声图像的协方差矩阵。
[0102]
对当前训练用rgb超声图像的协方差矩阵进行特征值分解，得到当前训练用rgb超声图像的协方差矩阵的多个特征值和多个分解后的特征向量。
[0103]
基于当前训练用rgb超声图像的所有特征值和所有特征向量，确定当前训练用rgb超声图像的降维后的特征矩阵。
[0104]
具体的，主成分分析法(principal component analysis，pca)是一种常用的数据降维技术，可以将高维数据转换为低维数据，并尽量保留原数据的信息。方法包括：
[0105]
(1)去中心化：对数据进行z-score标准化的规范处理，每个样本的每个特征数(本发明中每一张通道直方图代表一个样本，六个通道的特征数共6
×
255个维度)分别减去所有特征数的均值(即6
×
255个维度的均值)，可以将数据的中心归到零点位置，即均值为零。
[0106]
均值计算公式为：
[0107]
标准差计算公式为：
[0108]
其中，μ代表均值；σ代表标准差；xi为数据中的第i个样本；n为数据的样本总数。
[0109]
z-score标准化计算公式为：
[0110]
其中，z为去中心化后的特征向量；x为去中心化前的特征向量。
[0111]
(2)求协方差矩阵：计算每个特征之间的协方差(计算样本x与样本y之间的6
×
255个特征向量之间的协方差)，构成一个协方差矩阵。
[0112]
协方差矩阵计算公式为：
[0113]
其中，cov(x,y)为样本x和样本y的协方差矩阵；xj为样本x的x第j个特征值；yj为样本y的第j个特征值；μ
x
为样本x的特征值的均值；μy为样本y的特征值的均值；m为特征值总数。
[0114]
(3)特征值分解：对协方差矩阵进行特征值分解，得到协方差矩阵的特征值和对应的特征向量。
[0115]
特征值分解公式为：a＝qσq-1
。
[0116]
其中，a为协方差矩阵；q和q-1
为矩阵a的特征向量组成的一组正交矩阵；σ为对角矩阵，矩阵σ的对角线的元素为协方差矩阵的特征值。
[0117]
(4)主成分提取：按照协方差矩阵的特征值从大到小的顺序选取前k个特征向量作为主成分，其中，k为降维后的维度，本发明中k的值设为100。
[0118]
(5)维度转换：将原始数据映射到选取的主成分上，得到降维后的数据。即将上一步前k个特征向量作为主成分得到一个(6*255，k)的映射矩阵p，中心化后的z向量乘以映射矩阵p得到降维后的k维特征矩阵，即f＝z*p，其中，f为降维后的特征矩阵。
[0119]
本发明的有益效果：
[0120]
(1)现有的基于计算机视觉自动化检测技术中可以实现灰度超声图像和彩色图像的区分，但是不同彩色超声图像的区分无法实现精确的划分，本发明可以对彩色超声影像中的多普勒成像进行精确检测，为计算机视觉辅助诊疗提供更好的帮助。
[0121]
(2)多普勒成像与其他彩色成像仅通过r、g和b三个通道的分布无法准确进行判别，本发明通过增加r/g、g/b和b/r通道分布，并使用pca降维送到svm分类器进行分类，可以准确地对多普勒和非多普勒图像进行区分，提升了多普勒图像检测的准确性。
[0122]
(3)与深度学习的方法相比，本发明中的方法不需要对大量数据进行收集，只需少量样本即可完成分类器的训练，并且本发明对算力要求小，可实现超声多普勒图像的快速检测。
[0123]
实施例2
[0124]
本实施例中的多普勒图像的识别系统，包括：
[0125]
三通道分离模块，用于将待检测rgb超声图像进行三通道分离，得到待检测rgb超声图像的三个通道的灰度图像；三个通道分别为红色通道、绿色通道和蓝色通道。
[0126]
通道直方图确定模块，用于基于待检测rgb超声图像和三个通道的灰度图像，确定待检测rgb超声图像的通道直方图集；通道直方图集包括：红色通道直方图、绿色通道直方图、蓝色通道直方图、红绿通道直方图、绿蓝通道直方图和蓝红通道直方图。
[0127]
降维模块，用于利用主成分分析法，基于待检测rgb超声图像的通道直方图集，确定待检测rgb超声图像的降维后的特征矩阵。
[0128]
图像检测模块，用于将待检测rgb超声图像的降维后的特征矩阵输入至多普勒图像检测模型中，确定待检测rgb超声图像的图像类型；多普勒图像检测模型是利用多张训练
用rgb超声图像的降维后的特征矩阵和图像类型对支持向量机进行训练得到的；图像类型为多普勒图像或非多普勒图像。
[0129]
实施例3
[0130]
一种电子设备，包括：
[0131]
一个或多个处理器。
[0132]
存储装置，其上存储有一个或多个程序。
[0133]
当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如实施例1中的多普勒图像的识别方法。
[0134]
实施例4
[0135]
一种存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如实施例1中的多普勒图像的识别方法。
[0136]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0137]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种多普勒图像的识别方法，其特征在于，所述方法包括：将所述待检测rgb超声图像进行三通道分离，得到待检测rgb超声图像的三个通道的灰度图像；三个所述通道分别为红色通道、绿色通道和蓝色通道；基于待检测rgb超声图像和三个通道的灰度图像，确定所述待检测rgb超声图像的通道直方图集；所述通道直方图集包括：红色通道直方图、绿色通道直方图、蓝色通道直方图、红绿通道直方图、绿蓝通道直方图和蓝红通道直方图；利用主成分分析法，基于所述待检测rgb超声图像的通道直方图集，确定待检测rgb超声图像的降维后的特征矩阵；将所述待检测rgb超声图像的降维后的特征矩阵输入至多普勒图像检测模型中，确定所述待检测rgb超声图像的图像类型；所述多普勒图像检测模型是利用多张训练用rgb超声图像的降维后的特征矩阵和图像类型对支持向量机进行训练得到的；所述图像类型为多普勒图像或非多普勒图像。2.根据权利要求1所述的多普勒图像的识别方法，其特征在于，基于待检测rgb超声图像和三个通道的灰度图像，确定所述待检测rgb超声图像的通道直方图集，具体包括：根据所述待检测rgb超声图像和所述红色通道的灰度图像确定所述红色通道直方图；根据所述待检测rgb超声图像和所述绿色通道的灰度图像确定所述绿色通道直方图；根据所述待检测rgb超声图像和所述蓝色通道的灰度图像确定所述蓝色通道直方图；根据所述红色通道的灰度图像和所述绿色通道的灰度图像确定所述红绿通道直方图；根据所述绿色通道的灰度图像和所述蓝色通道的灰度图像确定所述绿蓝通道直方图；根据所述蓝色通道的灰度图像和所述红色通道的灰度图像确定所述蓝红通道直方图。3.根据权利要求1所述的多普勒图像的识别方法，其特征在于，利用主成分分析法，基于所述待检测rgb超声图像的通道直方图集，确定待检测rgb超声图像的降维后的特征矩阵，具体包括：基于所述待检测rgb超声图像的通道直方图集确定所述待检测rgb超声图像的特征矩阵；对所述待检测rgb超声图像的特征矩阵进行去中心化处理，得到所述待检测rgb超声图像的去中心化后的特征矩阵；计算所述待检测rgb超声图像的去中心化后的特征矩阵中两两特征间的协方差，得到所述待检测rgb超声图像的协方差矩阵；对所述待检测rgb超声图像的协方差矩阵进行特征值分解，得到所述待检测rgb超声图像的协方差矩阵的多个特征值和多个分解后的特征向量；基于所述待检测rgb超声图像的所有所述特征值和所有所述特征向量，确定所述待检测rgb超声图像的降维后的特征矩阵。4.根据权利要求1所述的多普勒图像的识别方法，其特征在于，所述多普勒图像检测模型的训练过程，包括：确定多张训练用rgb超声图像的降维后的特征矩阵和图像类型；以所有所述训练用rgb超声图像的降维后的特征矩阵为输入，以对应的图像类型为输出对所述支持向量机进行训练，得到所述多普勒图像检测模型。5.根据权利要求4所述的多普勒图像的识别方法，其特征在于，当前训练用rgb超声图
像的降维后的特征矩阵的确定过程，包括：将所述当前训练用rgb超声图像进行三通道分离，得到当前训练用rgb超声图像的三个通道的训练用灰度图像；基于当前训练用rgb超声图像和三个通道的训练用灰度图像，确定所述当前训练用rgb超声图像的通道直方图集；利用主成分分析法，基于所述当前训练用rgb超声图像的通道直方图集，确定当前训练用rgb超声图像的降维后的特征矩阵。6.根据权利要求5所述的多普勒图像的识别方法，其特征在于，利用主成分分析法，基于所述当前训练用rgb超声图像的通道直方图集，确定当前训练用rgb超声图像的降维后的特征矩阵，具体包括：基于所述当前训练用rgb超声图像的通道直方图集确定所述当前训练用rgb超声图像的特征矩阵；对所述当前训练用rgb超声图像的特征矩阵进行去中心化处理，得到所述当前训练用rgb超声图像的去中心化后的特征矩阵；计算所述当前训练用rgb超声图像的去中心化后的特征矩阵中两两特征间的协方差，得到所述当前训练用rgb超声图像的协方差矩阵；对所述当前训练用rgb超声图像的协方差矩阵进行特征值分解，得到所述当前训练用rgb超声图像的协方差矩阵的多个特征值和多个分解后的特征向量；基于所述当前训练用rgb超声图像的所有所述特征值和所有所述特征向量，确定所述当前训练用rgb超声图像的降维后的特征矩阵。7.一种多普勒图像的识别系统，其特征在于，所述系统包括：三通道分离模块，用于将所述待检测rgb超声图像进行三通道分离，得到待检测rgb超声图像的三个通道的灰度图像；三个所述通道分别为红色通道、绿色通道和蓝色通道；通道直方图确定模块，用于基于待检测rgb超声图像和三个通道的灰度图像，确定所述待检测rgb超声图像的通道直方图集；所述通道直方图集包括：红色通道直方图、绿色通道直方图、蓝色通道直方图、红绿通道直方图、绿蓝通道直方图和蓝红通道直方图；降维模块，用于利用主成分分析法，基于所述待检测rgb超声图像的通道直方图集，确定待检测rgb超声图像的降维后的特征矩阵；图像检测模块，用于将所述待检测rgb超声图像的降维后的特征矩阵输入至多普勒图像检测模型中，确定所述待检测rgb超声图像的图像类型；所述多普勒图像检测模型是利用多张训练用rgb超声图像的降维后的特征矩阵和图像类型对支持向量机进行训练得到的；所述图像类型为多普勒图像或非多普勒图像。8.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6中任意一项所述的多普勒图像的识别方法。9.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的多普勒图像的识别方法。

技术总结
本发明公开一种多普勒图像的识别方法、系统、电子设备及存储介质，涉及图像处理技术领域，所述方法包括：将待检测RGB超声图像进行三通道分离，得到待检测RGB超声图像的三个通道的灰度图像；基于待检测RGB超声图像和三个通道的灰度图像，确定通道直方图集；利用主成分分析法，基于通道直方图集，确定降维后的特征矩阵；将降维后的特征矩阵输入至多普勒图像检测模型中，确定待检测RGB超声图像的图像类型。本发明实现了超声图像中多普勒图像的自动识别，且提高了多普勒图像检测的准确度。且提高了多普勒图像检测的准确度。且提高了多普勒图像检测的准确度。


技术研发人员：王续澎
受保护的技术使用者：什维新智医疗科技（上海）有限公司
技术研发日：2023.04.24
技术公布日：2023/7/20