本发明涉及图像处理，具体涉及一种超声心动图的智能检测分割方法。
背景技术：
1、超声心动图是一种无创、安全的医学成像方法，后续通过对超声心动图进行分割，可以实现准确的心脏结构分割和功能测量。由于获得的超声心动图中各帧子图像的部分特征表现并不明显，可读性较差，所以在分割之前，需要对各帧子图像进行图像增强处理，以使其更加便于阅读。
2、相关技术中，通常直接利用图像增强算法对超声心动图进行增强处理，然而，由于超声心动图中的像素点整体灰度偏低，且灰度差异较小，灰度值分布比较极端，直接对超声心动图进行增强处理会出现过增强、全局性增强的问题，不能完成对超声心动图的有效分割。
3、不难发现，传统的分割方案由于图像增强处理环节准确性较低，进而导致后续图像分割环节的精确性和可靠性较低。
技术实现思路
1、为了解决传统的分割方案在图像增强处理环节准确性较低的技术问题，本发明的目的在于提供一种超声心动图的智能检测分割方法，所采用的技术方案具体如下：
2、一种超声心动图的智能检测分割方法，所述方法包括：
3、获取待分割的超声心动图；
4、分别将所述超声心动图中每一帧子图像分割为多个目标区域；
5、将相邻帧子图像中属于同一特征区域的所有目标区域划分至同一特征组中，得到多个特征组；
6、确定每一所述目标区域的增强必要性修正值，并根据每一所述目标区域的增强必要性修正值，提取每一特征组中的待增强区域；
7、确定每一特征组对应的灰度映射范围，并依据所述灰度映射范围对每一特征组中的待增强区域进行图像增强处理，得到增强处理后的超声心动图；
8、将所述增强处理后的超声心动图输入预先建立的智能检测分割模型，得到所述智能检测分割模型输出的心动图分割结果。
9、根据本发明提供的一种超声心动图的智能检测分割方法，所述分别将所述超声心动图中每一帧子图像分割为多个目标区域，包括：
10、提取所述超声心动图中每一帧子图像内的扇形区域；
11、对每一所述扇形区域内的像素点进行聚类处理，得到多个聚类簇；
12、将每个所述聚类簇中连续相邻的像素点组成的连通域作为目标区域，得到每一帧子图像对应的多个目标区域。
13、根据本发明提供的一种超声心动图的智能检测分割方法，所述将相邻帧子图像中属于同一特征区域的所有目标区域划分至同一特征组中，包括：
14、获取相邻帧子图像中任意两个目标区域的重合面积、边缘链码的差值绝对值以及灰度交集尺寸；
15、根据所述相邻帧子图像中任意两个目标区域的重合面积、边缘链码的差值绝对值以及灰度交集尺寸，计算得到所述相邻帧子图像中任意两个目标区域属于同一特征区域的可能性评价值；
16、将所述可能性评价值大于预设评价阈值的所有目标区域划分至同一特征组中。
17、根据本发明提供的一种超声心动图的智能检测分割方法，所述确定每一所述目标区域的增强必要性修正值，包括：
18、获取每一所述目标区域内各像素点的灰度值、所述目标区域的相邻区域内各像素点的灰度值以及所述目标区域的区域面积；
19、根据每一所述目标区域内各像素点的灰度值以及所述目标区域的相邻区域内各像素点的灰度值，计算得到每一所述目标区域的特征表现程度；
20、根据每一所述目标区域的特征表现程度，计算得到每一所述目标区域的增强必要性初始值；
21、根据每一所述目标区域的增强必要性初始值、特征表现程度以及区域面积，计算得到每一所述目标区域的增强必要性修正值。
22、根据本发明提供的一种超声心动图的智能检测分割方法，所述根据每一所述目标区域内各像素点的灰度值以及所述目标区域的相邻区域内各像素点的灰度值，计算得到每一所述目标区域的特征表现程度，包括：
23、根据每一所述目标区域内各像素点的灰度值，计算得到每一所述目标区域内所有像素点的灰度均值和灰度方差；
24、根据每一所述目标区域内所有像素点的灰度均值以及所述目标区域的相邻区域内所有像素点的灰度均值，计算得到每一所述目标区域与各个相邻区域的灰度差异值；
25、根据每一所述目标区域内所有像素点的灰度均值和灰度方差，计算得到每一所述目标区域的灰度表现值；
26、将所述灰度差异值与所述灰度表现值作商，得到每一所述目标区域的特征表现程度。
27、根据本发明提供的一种超声心动图的智能检测分割方法，所述根据每一所述目标区域的特征表现程度，计算得到每一所述目标区域的增强必要性初始值，包括：
28、针对每一所述目标区域，根据每一所述目标区域的特征表现程度，分别确定所述目标区域所属聚类簇中所有目标区域的第一特征表现均值，以及所述目标区域所属子图像中所有目标区域的第二特征表现均值；
29、确定所述目标区域中所有像素点的第一灰度级数量，并确定所述目标区域所属聚类簇中各个目标区域内所有像素点的第二灰度级数量；
30、根据所述特征表现程度、所述第一特征表现均值以及所述第二特征表现均值，计算得到所述目标区域在所属子图像中的特征表现显著值；
31、将所述第一灰度级数量与所述第二灰度级数量作商，得到灰度级数量比值；
32、根据所述特征表现显著值和所述灰度级数量比值，计算得到每一所述目标区域的增强必要性初始值。
33、根据本发明提供的一种超声心动图的智能检测分割方法，所述根据每一所述目标区域的增强必要性初始值、特征表现程度以及区域面积，计算得到每一所述目标区域的增强必要性修正值，包括：
34、根据每一所述目标区域的特征表现程度和区域面积，分别确定所述目标区域所属特征组中所有目标区域的第三特征表现均值和区域面积均值；
35、根据每一所述目标区域的特征表现程度、区域面积、第三特征表现均值以及区域面积均值，计算得到每一所述目标区域的表现权重值；
36、根据每一所述目标区域的增强必要性初始值和表现权重值，计算得到所述目标区域的增强必要性修正值。
37、根据本发明提供的一种超声心动图的智能检测分割方法，所述确定每一特征组对应的灰度映射范围，包括：
38、根据每一特征组中所有目标区域的增强必要性修正值，计算得到每一特征组的增强必要性均值；
39、确定每一目标区域中像素点的最小灰度值，根据所述最小灰度值，计算得到每一特征组中所有目标区域的最小灰度均值；
40、将每一特征组的所述增强必要性均值与所述最小灰度均值相乘，得到范围下限值；
41、确定每一特征组中所有目标区域内像素点的最大灰度值，将所述最大灰度值作为范围上限值；
42、根据所述范围下限值和所述范围上限值，得到每一特征组对应的灰度映射范围。
43、根据本发明提供的一种超声心动图的智能检测分割方法，在分别将所述超声心动图中每一帧子图像分割为多个目标区域之前，所述方法还包括：
44、分别对所述超声心动图中每一帧子图像进行去噪处理。
45、根据本发明提供的一种超声心动图的智能检测分割方法，所述依据所述灰度映射范围对每一特征组中的待增强区域进行图像增强处理，得到增强处理后的超声心动图，包括：
46、通过直方图均衡化算法确定每一待增强区域内至少部分像素点的灰度修正值；
47、若所述灰度修正值未在所述待增强区域所属特征组对应的灰度映射范围内，则将所述灰度映射范围内与所述灰度修正值差异最小的灰度映射值作为灰度更新值；
48、依据所述灰度更新值对每一特征组中待增强区域内至少部分像素点的灰度值进行更新，得到增强处理后的超声心动图。
49、本发明具有如下有益效果：
50、通过获取待分割的超声心动图，分别将超声心动图中每一帧子图像分割为多个目标区域，将相邻帧子图像中属于同一特征区域的所有目标区域划分至同一特征组中，得到多个特征组，确定每一目标区域的增强必要性修正值，并根据每一目标区域的增强必要性修正值，提取每一特征组中的待增强区域，确定每一特征组对应的灰度映射范围，并依据灰度映射范围对每一特征组中的待增强区域进行图像增强处理，得到增强处理后的超声心动图，最后将增强处理后的超声心动图输入预先建立的智能检测分割模型，得到智能检测分割模型输出的心动图分割结果。由于将超声心动图中的每一帧子图像分割为多个目标区域，通过增强必要性修正值量化各个目标区域的增强必要性，确保了每个目标区域的增强程度与其局部特征相匹配，并为属于同一特征组的目标区域确定统一的灰度映射范围，以限制不同帧子图像间的增强差异，提高了超声心动图中各帧子图像的可读性，使得增强处理环节更加准确，进而提高了心动图分割结果的精确性和可靠性。
1.一种超声心动图的智能检测分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种超声心动图的智能检测分割方法，其特征在于，所述分别将所述超声心动图中每一帧子图像分割为多个目标区域，包括：
3.根据权利要求1所述的一种超声心动图的智能检测分割方法，其特征在于，所述将相邻帧子图像中属于同一特征区域的所有目标区域划分至同一特征组中，包括：
4.根据权利要求1所述的一种超声心动图的智能检测分割方法，其特征在于，所述根据每一所述目标区域内各像素点的灰度值以及所述目标区域的相邻区域内各像素点的灰度值，计算得到每一所述目标区域的特征表现程度，包括：
5.根据权利要求1所述的一种超声心动图的智能检测分割方法，其特征在于，所述根据每一所述目标区域的特征表现程度，计算得到每一所述目标区域的增强必要性初始值，包括：
6.根据权利要求1所述的一种超声心动图的智能检测分割方法，其特征在于，所述根据每一所述目标区域的增强必要性初始值、特征表现程度以及区域面积，计算得到每一所述目标区域的增强必要性修正值，包括：
7.根据权利要求1所述的一种超声心动图的智能检测分割方法，其特征在于，所述确定每一特征组对应的灰度映射范围，包括：
8.根据权利要求1所述的一种超声心动图的智能检测分割方法，其特征在于，在分别将所述超声心动图中每一帧子图像分割为多个目标区域之前，所述方法还包括：
9.根据权利要求1所述的一种超声心动图的智能检测分割方法，其特征在于，所述依据所述灰度映射范围对每一特征组中的待增强区域进行图像增强处理，得到增强处理后的超声心动图，包括：
