融合交替乘子迭代的谱寻求子带最小方差超声成像算法制造技术

本发明专利技术涉及一种融合交替乘子迭代的谱寻求子带最小方差超声成像算法，属于超声成像技术领域。对阵元接收的采样信号进行延时聚焦处理，获得超声回波数据；将求解超声信号各频域子带问题转化为求解超声信号经短时傅里叶变换后每个时间窗频率系数的最小二乘问题；并引入惩罚函数，分步并行求取改进最小二乘问题的最大后验概率解；生成各阵元新的频域信号；获得频域的样本协方差矩阵；计算融合交替乘子迭代的谱寻求子带最小方差波束形成权值；通过快速傅里叶反变换对所得权值进行处理，得到最终宽带时域自适应波束形成信号；该方法能够显著提升超声成像的分辨率，还能同时提高对比度和对噪声的鲁棒性，从而可以在整体上提高超声成像质量。

【技术实现步骤摘要】
融合交替乘子迭代的谱寻求子带最小方差超声成像算法
本专利技术属于超声成像
，涉及一种融合交替乘子迭代的谱寻求子带最小方差超声成像算法。
技术介绍
超声成像以其安全、实时、低成本等优势在无损检测和医学诊断等领域得到了广泛的应用。而波束形成技术是超声成像的关键技术，直接决定超声成像的图像质量。传统的延时叠加(DelayandSum，DAS)算法是超声成像中最简单的波束形成方法，复杂度低，稳健性好，成像速度快。但它使用与超声信号无关的固定窗函数加权导致主瓣宽度增加，存在分辨率低、伪影严重等固有缺陷。因此，一些学者提出了自适应波束形成算法。超声信号是宽带非平稳的，其自适应波束形成算法主要分为空时处理和频域处理两种。Capon提出的传统最小方差(MinimumVariance,MV)波束形成算法是最典型的空时处理方法。MV波束形成器依据线性约束最小方差准则，通过动态计算聚焦延时后的回波信号加权矢量，实现了自适应波束形成，从而提高了成像分辨率和对比度。然而，MV算法稳健性不如传统DAS算法，且超声信号不满足MV算法的窄带假设，限制了超声成像分辨率的进一步提高。为了提高MV算法的性能，对角加载方法和空间平滑方法分别用于提高算法的鲁棒性，在MV算法的基础上，提出了基于特征空间的最小方差算法(ESBMV，Eigenspace-basedMinimumVariance)，根据协方差矩阵特征值大小将MV加权矢量投影到信号子空间，以进一步提高分辨率和对比度。尽管上述方法提高了波束形成质量，但仍忽略了MV波束形成器的窄带假设。然而，子带最小方差(SubbandMinimumVariance,MVS)波束形成器等频域处理方法通过离散短时傅里叶变换(Short-timeFourierTransform，STFT)将宽带超声信号转换成窄带信号，可以突破时域MV的分辨率限制。在窄带波束形成之后，通过傅里叶反变换将MVS频域输出转换为时域输出。然而，MVS波束形成器不适用于连续目标成像，并且仅对孤立目标获得显著的分辨率增益。这是因为STFT后超声信号的频谱变宽，旁瓣泄漏，使得相邻频带内的信号难以分辨，导致频谱分辨率降低，出现明显的横向伪影。综上所述，急需专利技术一种适用于超声回波信号特点，以获得更精确的窄带信号和更好的波束形成质量，从本质上提高图像分辨率和对比度，并且保持算法稳健性和对噪声鲁棒性的自适应波束形成算法，以全面整体提高超声成像质量。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种融合交替乘子迭代的谱寻求子带最小方差超声成像算法，该突破因传统最小方差窄带假设导致的分辨率限制，解决子带最小方差频域波束形成的频谱泄露问题，提高算法的成像分辨率和对比度，并同时提高算法对噪声的鲁棒性，从而全面提高超声成像质量。为达到上述目的，本专利技术提供如下技术方案：一种融合交替乘子迭代的谱寻求子带最小方差超声成像算法，包括以下步骤：S1：对超声阵元接收的回波信号进行放大、AD转换和延时聚焦处理后，获得超声回波数据；得到延时聚焦处理之后的信号x(k)，表示为x(k)＝[x1(k),x2(k),...xN(k)]，其中N表示超声阵列的阵元个数，k表示为对应采样深度的采样时刻；S2：建立超声信号的谱寻求模型，将求解超声信号的各频域子带问题转化为求解超声信号经STFT后每个时间窗频率系数的最小二乘问题；S3：引入反映超声信号频域稀疏性的惩罚函数，以消除待估计频率系数和时间窗样本数间的约束，获得改进最小二乘问题的最大后验概率解；S4：应用交替乘子迭代分步并行求解超声信号谱寻求优化模型的频率系数估计问题，获取超声时域信号的各子带频域信号；S5：利用时间窗的不重叠特性，对同一阵元的窄带子信号按窗函数滑动顺序进行重构，生成各阵元新的频域信号；S6：将接收阵列依次划分为一个具有重叠阵元的子阵，然后对相应接收子阵的频域信号进行前后向平滑和对角加载处理，以获得频域的样本协方差矩阵；S7：根据线性约束最小方差原则，计算得出融合交替乘子迭代的谱寻求子带最小方差波束形成权值；S8：通过快速傅里叶反变换对所求自适应波束形成权值进行处理，最终合成宽带时域自适应波束形成输出信号。进一步，在步骤S2中，建立超声信号的谱寻求模型，将求解超声信号的各频域子带问题转化为求解超声信号经STFT后每个时间窗频率系数的最小二乘问题，具体包括以下步骤：S21：通过建立超声信号的谱寻求模型，将求解超声信号x(k)的各频域子带问题转化为求解已观测的超声信号时间序列x∈RT经STFT后每个时间窗频率系数ω∈RK×W的最小二乘问题，其中R为实数集，∈为集合属于符号，RT表示长度为T的一维实数集，RK×W表示行为K，列为W的二维实数集，K为每个时间窗频率系数的数量，T为超声信号时间序列x的长度，W为时间序列x中长度为M的时间窗数量，等同于划分频率子带的数目，并且T＝M×W；超声信号的第j个时间窗数据xj表示为：xj＝Fjωj+vj其中，xj∈RM，RM表示长度为M的一维实数集；ωj∈RK是第j个时间窗的频率系数的集合，RK表示长度为K的一维实数集；vj～N(0，σ2)，vj表示随机高斯噪声，其定义式表示vj满足均值为0，方差为σ2的正态分布；Fj∈RM×K为逆实数傅里叶基矩阵，其元素表示为：其中，各下标定义为j＝1,2,...,W，k＝1,2,...,K/2，m＝1,2,...,M；此外，定义的谱寻求模型中存在频率系数与时间窗样本数K≤M的约束条件；S22：使用统计学方法，把谱寻求模型的目标问题描述成以下l2范数优化问题：其中，表示使目标函数取得最小值的求解变量ω的函数，表示向量的l2范数的求平方运算，∑·表示求和运算；通过求解上述最小二乘问题，得到超声信号时间序列x的离散时间傅里叶变换的闭式解，从概率角度得到原问题的最大似然估计解进一步，在步骤S3中，引入反映超声信号频域稀疏性的惩罚函数，以消除待估计频率系数和时间窗样本数间的约束，获得改进最小二乘问题的最大后验概率解，具体包括以下步骤：S31：通过加入一个反映超声信号频率稀疏性先验的惩罚函数，消除步骤S2中待估计频率系数和时间窗样本数间的约束，获取谱寻求优化模型，得到原最小二乘问题的最大后验概率解；定义惩罚函数φ(r)为相邻分析时间窗待求频率系数之差，其构造如下：其中，W为待分析信号的时窗数，K为每个时窗的频率系数的数量；所述惩罚函数定义了惩罚矩阵r∈RK×W，RK×W表示行为K列为W的二维实数集，它的每一列定义为其中xj表示超声信号的第j个时间窗数据，xj-1同理，为定义符号；j＝1,2,...,W表示矩阵的列坐标,k＝1,2,...,K表示矩阵的行坐标，rk,j表示惩罚矩阵中第k行第j列的元素；S32：从贝叶斯推理角度，应用惩罚函数φ(r)假定随机矩阵r的先验概率密度函数为：fβ(r)＝e-βφ(r)/γ其中，φ(r)为步骤S31定义的惩罚函数，β为惩罚函数在最优问题本文档来自技高网...

【技术保护点】
1.一种融合交替乘子迭代的谱寻求子带最小方差超声成像算法，其特征在于：包括以下步骤：/nS1：对超声阵元接收的回波信号进行放大、AD转换和延时聚焦处理后，获得超声回波数据；得到延时聚焦处理之后的信号x(k)，表示为x(k)＝[x

【技术特征摘要】
1.一种融合交替乘子迭代的谱寻求子带最小方差超声成像算法，其特征在于：包括以下步骤：
S1：对超声阵元接收的回波信号进行放大、AD转换和延时聚焦处理后，获得超声回波数据；得到延时聚焦处理之后的信号x(k)，表示为x(k)＝[x1(k),x2(k),...xN(k)]，其中N表示超声阵列的阵元个数，k表示为对应采样深度的采样时刻；
S2：建立超声信号的谱寻求模型，将求解超声信号的各频域子带问题转化为求解超声信号经短时傅里叶变换(Short-timeFourierTransform，STFT)后每个时间窗频率系数的最小二乘问题；
S3：引入反映超声信号频域稀疏性的惩罚函数，以消除待估计频率系数和时间窗样本数间的约束，获得改进最小二乘问题的最大后验概率解；
S4：应用交替乘子迭代分步并行求解超声信号谱寻求优化模型的频率系数估计问题，获取超声时域信号的各子带频域信号；
S5：利用时间窗的不重叠特性，对同一阵元的窄带子信号按窗函数滑动顺序进行重构，生成各阵元新的频域信号；
S6：将接收阵列依次划分为一个具有重叠阵元的子阵，然后对相应接收子阵的频域信号进行前后向平滑和对角加载处理，以获得频域的样本协方差矩阵；
S7：根据线性约束最小方差原则，计算得出融合交替乘子迭代的谱寻求子带最小方差波束形成权值；
S8：通过快速傅里叶反变换对所求自适应波束形成权值进行处理，最终合成宽带时域自适应波束形成输出信号。


2.根据权利要求1所述的融合交替乘子迭代的谱寻求子带最小方差超声成像算法，其特征在于：在步骤S2中，建立超声信号的谱寻求模型，将求解超声信号的各频域子带问题转化为求解超声信号经STFT后每个时间窗频率系数的最小二乘问题，具体包括以下步骤：
S21：通过建立超声信号的谱寻求模型，将求解超声信号x(k)的各频域子带问题转化为求解已观测的超声信号时间序列x∈RT经STFT后每个时间窗频率系数ω∈RK×W的最小二乘问题，其中R为实数集，∈为集合属于符号，RT表示长度为T的一维实数集，RK×W表示K行，W列的二维实数集，K为每个时间窗频率系数的数量，T为超声信号时间序列x的长度，W为时间序列x中长度为M的时间窗数量，等同于划分频率子带的数目，并且T＝M×W；超声信号的第j个时间窗数据xj表示为：
xj＝Fjωj+vj
其中，xj∈RM，RM表示长度为M的一维实数集；ωj∈RK是第j个时间窗的频率系数的集合，RK表示长度为K的一维实数集；vj～N(0,σ2)，vj表示随机高斯噪声，其定义式表示vj满足均值为0，方差为σ2的正态分布；Fj∈RM×K为逆实数傅里叶基矩阵，其元素表示为：其中，各下标定义为j＝1,2,...,W，k＝1,2,...,K/2，m＝1,2,...,M；此外，定义的谱寻求模型中存在频率系数与时间窗样本数K≤M的约束条件；
S22：使用统计学方法，把谱寻求模型的目标问题转化成以下l2范数优化问题：



其中，表示使目标函数取得最小值的求解变量ω的函数，表示向量的l2范数的求平方运算，∑·表示求和运算；通过求解上述最小二乘问题，得到超声信号时间序列x的离散时间傅里叶变换的闭式解，从概率角度得到原问题的最大似然估计解


3.根据权利要求1所述的融合交替乘子迭代的谱寻求子带最小方差超声成像算法，其特征在于：在步骤S3中，引入反映超声信号频域稀疏性的惩罚函数，以消除待估计频率系数和时间窗样本数间的约束，获得改进最小二乘问题的最大后验概率解，具体包括以下步骤：
S31：通过加入一个反映超声信号频率稀疏性先验的惩罚函数，消除步骤S2中待估计频率系数和时间窗样本数间的约束，获取谱寻求优化模型，得到原最小二乘问题的最大后验概率解；定义惩罚函数φ(r)为相邻分析时间窗待求频率系数之差，其构造如下：



其中，W为待分析信号的时窗数，K为每个时窗的频率系数的数量；所述惩罚函数定义了惩罚矩阵r∈RK×W，RK×W表示K行W列的二维实数集，它的每一列定义为其中xj表示超声信号的第j个时间窗数据，xj-1同理，为定义符号；j＝1,2,...,W表示矩阵的列坐标,k＝1,2,...,K表示矩阵的行坐标，rk,j表示惩罚矩阵中第k行第j列的元素；
S32：从贝叶斯推理角度，应用惩罚函数φ(r)假定随机矩阵r的先验概率密度函数为：
fβ(r)＝e-βφ(r)/γ
其中，φ(r)为步骤S31定义的惩罚函数，β为惩罚函数在最优问题中所占比重，β>0，也称为正则化常数；γ为归一化常数；对于任意r∈RK×W，有fβ(r)≥0；
S33：加入惩罚函数后，改进的估计时间序列频率系数的最小二乘问题为：



该式定义了超声信号的谱寻求优化模型；其中subjectto表示上式的约束条件，通过求解该改进的最小二乘问题，获得待求频...

【专利技术属性】
技术研发人员：王平，杜婷婷，李锡涛，孔露，王林泓，柳学功，孔美娅，田训，梁家祺，王慧悦，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50