阅读说明：本技术 一种基于乘幂法的低复杂度最小方差超声成像方法 (A kind of low complex degree minimum variance ultrasonic imaging method based on power method ) 是由 王平 孔露 王林泓 杜婷婷 孔美娅 李锡涛 柳学功 田训 石轶哲 于 2019-08-15 设计创作，主要内容包括：本发明涉及一种基于乘幂法的低复杂度最小方差超声成像方法,属于超声成像技术领域；该方法首先利用离散余弦变化,将超声回波信号由阵元域转换到波束域,提取部分波束域数据,降低样本协方差矩阵维数；其次,利用乘幂法对样本协方差矩阵求解最大的特征值及其对应的特征向量,忽略部分低能量回波信号数据,对协方差矩阵的求逆进行简化,构造新的最优加权矢量,达到降低算法复杂度的目的。本发明提出的算法成像效果优于传统的延时叠加算法(DAS),最小方差算法(MV),运行效率远高于最小方差算法(MV)和基于特征空间的最小方差算法(ESBMV),有效克服了传统自适应算法由于运行时间较长而限制了其应用范围的问题,具有较好的应用前景和价值。(The present invention relates to a kind of low complex degree minimum variance ultrasonic imaging method based on power method, belongs to ultrasonic imaging technique field；This method is transformed into Beam Domain by Element space first with long-lost cosine code, by ultrasound echo signal, extracts subwave beam numeric field data, reduces sample covariance matrix dimension；Secondly, maximum characteristic value and its corresponding feature vector are solved to sample covariance matrix using power method, ignores part low energy echo signal data, inverting for covariance matrix is simplified, new optimal weighting vector is constructed, achievees the purpose that reduce algorithm complexity.Algorithm imaging effect proposed by the present invention is better than traditional delay superposition algorithm (DAS), minimum variation algorithm (MV), operational efficiency is much higher than minimum variation algorithm (MV) and the minimum variation algorithm (ESBMV) based on feature space, effectively overcome traditional adaptive algorithm due to runing time is longer and the problem of limit its scope of application, with good application prospect and value.)

一种基于乘幂法的低复杂度最小方差超声成像方法

技术领域

本发明属于超声成像技术领域，涉及一种基于乘幂法的低复杂度最小方差超声成像方法。

背景技术

超声成像系统主要包含发射模块、接收模块、波束形成模块以及最后的图像显示模块，其中波束形成技术是成像系统的核心技术，直接决定了超声成像的聚焦精度和成像质量，波束形成的本质是一种阵列处理技术，即通过对阵列信号进行处理，有效提取出期望信号，滤除掉噪声干扰信号，实现对期望信号区域的可视化检测。目前，应用最为广泛的是延时叠加(Delay and Sum,DAS)波束形成技术，其本质是对各个阵元设置固定的延时时间，以实现发射和接收的聚焦，通过对回波信号的叠加使得焦点处的超声回波信号达到最强，焦点区域以外的超声回波相互削弱甚至抵消，进而实现对焦点区域的清晰有效成像，对区域外的干扰信号进行抑制。但传统DAS算法存在成像分辨率、对比度不足的问题，为了提高DAS算法的成像效果，自适应波束形成技术应运而生，典型的自适应波束形成技术包括最小方差算法和广义旁瓣相消算法。

最小方差算法的核心思想是：在保证期望方向上总增益不变的情况下，使得输出信号的能量达到最低，以此降低非期望方向上的干扰噪声信号，进而推导出最优的加权值。基于最小功率无失真响应波束形成器，有学者提出了广义旁瓣相消(GeneralizedSidelobe Canceller,GSC)算法用于降噪，该相消器模型包含滤波器和波束形成器，可分为上下两个通道，上通道为非自适应通道，下通道为自适应通道，该通道包含阻塞矩阵和自适应滤波器用于最小化输出功率进而抑制噪声残留分量，最后通过波束形成器进行叠加来消除非期望信号，提高成像质量。

自适应波束形成算法相比于传统的DAS算法成像分辨率和对比度提升明显，但是由于自适应算法需要对回波数据实时进行处理，计算出动态加权量，运行过程中存在大量复杂的矩阵运算，算法复杂度高，严重影响了超声成像的实时性；运算过程繁琐易受环境噪声干扰，算法鲁棒性差。针对该问题，Asl和Mahloojifar提出了采用Toeplitz矩阵形式构造样本协方差矩阵，减少矩阵求逆的运算量来降低算法复杂度；有学者提出了通过运用QR分解技术来实现样本协方差矩阵的快速求逆；Kim等学者利用主成分分析(PrincipalComponentAnalysis,PCA)原则，选取协方差矩阵中前m个较大特征值对应的特征向量构成降维矩阵，将原始高维数据通过投影运算映射得到低维数据，同时保留了期望信号；学者提出了基于参数向量联合迭代优化的自适应空时降秩干扰抑制最小二乘算法寻求降秩处理的最佳基础集合；Albulayli提出了采用混合自适应和非自适应算法的方法来减少算法的运算负荷，首先设置CF系数的阈值，如果实时计算的CF值超过该设定阈值，即回波信号中包含较多的相干信号，则将CF系数与自适应算法相结合，否则使用传统的DAS算法；有学者提出了子空间MV波束形成器的概念，该子空间忽略了原始样本协方差矩阵中的部分行数据，使得协方差矩阵不再为方阵，由该协方差矩阵得到的加权矢量可以在降低算法复杂度的基础上保证算法的成像效果。

针对最小方差算法存在的算法复杂度高的问题，本发明提出了基于乘幂法的低复杂度最小方差算法。通过离散余弦变换降低协方差矩阵维数，利用乘幂法对矩阵的特征值分解运算进行简化，提取出最大的特征值和其对应的特征向量，忽略部分低能量信号数据，将矩阵的求逆运算近似化简为向量的乘法运算，进而降低算法的复杂度。为了验证所提算法的有效性，通过Field II超声仿真平台对DAS算法、MV算法、ESBMV算法和本文提出的IBMV算法进行了点目标和吸声斑目标成像，成像结果表明：所提算法的成像时间和成像效果均优于MV算法，相比于ESBMV算法成像效率提升明显，具有更优的成像分辨率和算法鲁棒性，在不同中心频率下能够保持更好的成像效果，证实了所提算法的优越性。

发明内容

有鉴于此，本发明的目的在于提供一种基于乘幂法的低复杂度最小方差超声成像方法，该方法能够提高原有最小方差算法的运算效率，成像的分辨率和对比度也远优于最小方差算法，有效克服了传统自适应算法由于运行时间较长而限制了其应用范围的问题。

为达到上述目的，本发明提供如下技术方案：

一种基于乘幂法的低复杂度最小方差超声成像方法，该方法包括以下步骤：

S1：对超声阵元接收的回波信号进行放大滤波处理与AD转换，获得阵元域回波数据；

S2：对阵元域回波数据进行离散余弦处理，通过数据比对确定降维参数，提取部分波束域回波数据，降低协方差矩阵维数；

S3：通过乘幂法对协方差矩阵进行处理，得到最大的特征值及其对应的特征向量，得到高能量回波信号；

S4：忽略部分低能量回波数据，对协方差矩阵求逆进行化简，将矩阵的求逆运算简化为向量的乘法运算，降低矩阵求逆的复杂度等级；

S5：通过获得的简化波束域协方差矩阵逆矩阵和波束域方向向量，得到波束域最小方差算法权矢量的表达式；

S6：将该表达式向最大特征值对应的特征向量进行投影，得到基于乘幂法的低复杂度最小方差算法的最优权矢量；

S7：利用基于乘幂法的低复杂度最小方差算法的最优权矢量对波束域回波信号进行加权求和，得到基于乘幂法的低复杂度最小方差算法的输出信号。

进一步，在步骤S2中，具体包括：

S21：利用离散余弦变换来构造(1+p)×L维的转换矩阵，具体形式如下：

矩阵T满足TT^H＝I，其中T^H为T的共轭转置矩阵，I为单位阵，L为子阵列的阵元数，参数p为降维参数，p值的选取以失真量最小为原则，需满足(p+1)＜L，通过数据比对，令降维参数p＝8；

S22：对回波信号进行空间平滑后得到阵元域回波信号，再乘以转换矩阵T可以得到波束域的回波信号，提取部分波束数据得到的样本协方差矩阵由原来的L×L维矩阵变为(p+1)×(p+1)维矩阵，以第l个子阵列为例，按下式进行转换：

其中k表示第k个采样点，表示第l个阵元域子阵列接收的回波信号，向量维数为L×1，T_(1+p)×L表示(1+p)×L维的转换矩阵，表示波束域子阵列回波信号；

S23：由S22得到波束域子阵列回波信号后，样本协方差矩阵相应变为：

其中为(p+1)×(p+1)维的波束域样本协方差矩阵，N表示探头阵元数，T_(1+p)×L表示(1+p)×L维的转换矩阵，为L×L维的阵元域样本协方差矩阵，E[·]表示协方差运算，x_n表示阵元域回波信号，[·]^H表示共轭转置。

进一步，在步骤S3中，具体包括：

S31：通过改进乘幂法对波束域协方差矩阵进行特征值分解简化运算，求取协方差矩阵的最大特征值和其对应的特征向量，即λ_max和e_max，设定e₀＝[1,1,…,1]，按照下式进行迭代求解：

其中，e_i+1是迭代i+1次后的特征向量，λ_i+1为其对应的特征值，max(·)为最大元素求解运算，每次迭代运算后，对得到的向量进行归一化处理进入下一次迭代，以第i次迭代为例，得到向量e_i后对其进行归一化，即e_i＝e_i/max(e_i)，归一化处理结束后再次执行迭代运算，迭代运算终止的判断条件为|λ_i+1-λ_i|/|λ_i+1|＜ε，根据精度要求选定ε值，取ε＝0.001。

进一步，在步骤S4中，具体包括：

S41：超声信号中协方差矩阵的特征值表征信号的能量，特征值越大表征对应的信号能量越强，低能量部分对应的特征向量构成噪声子空间，为了简化矩阵求逆运算，忽略部分低能量信号，噪声子空间对应的特征值在协方差矩阵迹不变的情况下取相同值，保证超声回波信号的能量恒定，即：

其中，q为信号子空间中特征向量的个数，trace(·)为矩阵的求迹运算；

S42：令则波束域样本协方差矩阵的逆矩阵可以化简为：

其中，I为单位矩阵，e_i为第i个特征向量，λ_i为其对应的特征值；

S43：进一步化简S42的求解过程，忽略部分波束信号，取q＝1将矩阵的求逆运算转换为一次向量的乘法运算，即：

上式只取到最大的特征值和其对应的特征向量，即λ₁＝λ_max，e₁＝e_max，I为单位矩阵，将矩阵求逆运算简化为向量的乘法运算，其运算复杂度由Ο(L³)降低为Ο((p+1)²)，其中，L为阵元域子阵列的阵元个数，p为波束域降维参数。

进一步，在步骤S5中，具体包括：

S51：利用S21得到的波束域转换矩阵，获得波束域的方向向量：

a_b＝Ta

其中，a＝[1,1,…,1]^T是N×1维的阵元域方向向量，T为转换矩阵，a_b为波束域方向向量；

S52：利用S43求得的波束域样本协方差矩阵逆矩阵和S51求得的波束域方向向量，得到基于乘幂法的低复杂度最小方差超声成像方法的权矢量：

其中，w_ib是基于乘幂法的低复杂度最小方差超声成像方法的加权矢量，是简化的波束域协方差矩阵逆矩阵，a_b为波束域方向向量。

进一步，在步骤S6中，具体包括：

S61：基于乘幂法的低复杂度最小方差超声成像方法的最优权矢量表达式：

其中，w_ibmv为基于乘幂法的低复杂度最小方差超声成像方法的最优加权矢量，e_max为最大的特征值对应的特征向量，[·]^H表示共轭转置运算。

进一步，在步骤S7中，自适应输出波束信号按下式计算：

式中，为权矢量w_ibmv的共轭转置，x_b(k)为子阵列波束域回波信号空间平滑后的波束域信号，y_ibmv(k)即为所提算法的输出波束信号。

进一步，所述子阵阵元数目L的取值为L≤N/2。

本发明的有益效果在于：

本发明采用了一种基于乘幂法的低复杂度最小方差超声成像算法，通过对计算复杂度最高的矩阵求逆运算和矩阵特征值分解运算进行了改进，引入离散余弦变换构造转换矩阵，将回波数据由阵元域转换到波束域，比对选取部分波束域数据，保证算法的成像效果，降低了样本协方差矩阵维数。并在矩阵求逆方面进行了改进，通过对特征值的特殊选取将矩阵求逆运算转换为向量乘法运算，降低了矩阵求逆的复杂度等级。利用乘幂法对矩阵特征值分解进行改进，求取协方差矩阵的最大特征值和其对应的特征向量，降低运算复杂度。点目标、吸声斑目标成像结果表明：相比MV算法，IBMV在点目标和吸声斑目标成像时间上分别降低了23.92％和27.65％，且具有较好的成像分辨率和对比度；较于ESBMV算法，IBMV算法在点目标和吸声斑目标成像时间上分别缩短了71.46％和70.31％，点目标成像的分辨率优于ESBMV算法且具有较好的鲁棒性；在不同中心频率情况下，IBMV可保持较低的成像伪影，成像分辨率优于其它算法，具有更好的实用性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述方法的流程图；

图2为不同降维参数对比图；

图3为无噪声点目标成像对比图；

图4为加噪声点目标成像对比图；

图5为轴向距离40mm处分辨率对比图；

图6为无噪声吸声斑成像对比图；

图7为加噪声吸声斑成像对比图；

图8为不同中心频率成像对比图；

图9为中心频率5.0MHz分辨率对比图。

具体实施方式

下面结合附图对本发明的具体实施例进行详细说明。

图1为本发明的算法流程图，如图1所示，本发明提供一种在超声成像中的低复杂度最小方差算法，包括以下步骤：

步骤S1：对超声阵元接收的回波信号进行放大滤波处理与AD转换，获得阵元域回波数据；

步骤S2：对阵元域回波数据进行离散余弦处理，通过数据比对确定降维参数，提取部分波束域回波数据，降低协方差矩阵维数，具体包括以下步骤：

S21：利用离散余弦变换来构造(1+p)×L维的转换矩阵，其中L为子阵列的阵元数，具体形式如下：

矩阵T满足TT^H＝I，其中T^H为T的共轭转置矩阵，I为单位阵，参数p为降维参数，p值的选取以失真量最小为原则，保证波束域算法的成像效果，为了降低算法运算的复杂度，需满足(p+1)＜L，通过数据比对，令降维参数p＝8，不仅可以有效降低算法的运算复杂度，而且扫描线数据与原始数据相比差距较小，可以保证算法的成像效果，故本发明提出的算法取降维参数p＝8。

S22：对空间平滑后得到的阵元域回波信号乘以转换矩阵T后可以得到波束域的回波信号，提取部分波束数据得到的样本协方差矩阵由原来的L×L维矩阵变为(p+1)×(p+1)维矩阵，以第l个子阵列为例，按下式进行转换：

其中k表示第k个采样点，表示第l个阵元域子阵列接收的回波信号，向量维数为L×1，T_(1+p)×L表示(1+p)×L维的转换矩阵，表示波束域子阵列回波信号。

S23：由S22得到波束域子阵列回波信号后，样本协方差矩阵相应变为：

其中k表示第k个采样点，为L×L维的阵元域样本协方差矩阵，T_(1+p)×L表示(1+p)×L维的转换矩阵，为(p+1)×(p+1)维的波束域样本协方差矩阵，[·]^H表示共轭转置。

步骤S3：通过改进的乘幂法对协方差矩阵进行处理，得到最大的特征值和其对应的特征向量，得到高能量回波信号，具体步骤如下：

S31：通过改进乘幂法对波束域协方差矩阵进行特征值分解简化运算，求取协方差矩阵的最大特征值和其对应的特征向量，即λ_max和e_max，设定e₀＝[1,1,…,1]，按照下式进行迭代求解：

其中，e_i+1是迭代i+1次后的特征向量，λ_i+1为其对应的特征值，max(·)为最大元素求解运算，每次迭代运算后，对得到的向量进行归一化处理进入下一次迭代，以第i次迭代为例，得到向量e_i后对其进行归一化，即e_i＝e_i/max(e_i)，归一化处理结束后再次进入上式的迭代运算，迭代运算终止的判断条件为|λ_i+1-λ_i|/|λ_i+1|＜ε，可根据精度要求选定ε值，本发明取ε＝0.001。

步骤S4：忽略部分低能量回波数据，对协方差矩阵求逆进行化简，将矩阵的求逆运算简化为向量的乘法运算，降低矩阵求逆的复杂度等级，具体步骤如下：

S41：超声信号中协方差矩阵的特征值表征信号的能量，特征值越大表征对应的信号能量越强，低能量部分对应的特征向量构成噪声子空间，为了简化矩阵求逆运算，忽略部分低能量信号，噪声子空间对应的特征值在协方差矩阵迹不变的情况下取相同值，保证超声回波信号的能量恒定，即：

其中，q为信号子空间中特征向量的个数，trace(·)为矩阵的求迹运算；

S42：令则波束域样本协方差矩阵的逆矩阵可以化简为：

其中，I为单位矩阵，e_i为第i个特征向量，λ_i为其对应的特征值。

S43：为进一步化简S42的求解过程，忽略部分波束信号，取q＝1将矩阵的求逆运算转换为一次向量的乘法运算，降低循环次数，即：

上式只取到最大的特征值和其对应的特征向量，即λ₁＝λ_max，e₁＝e_max，I为单位矩阵。将矩阵求逆运算简化为向量的乘法运算，其运算复杂度由Ο(L³)降低为Ο((p+1)²)，其中，L为阵元域子阵列的阵元个数，p为波束域降维参数。

步骤S5：通过获得的简化波束域协方差矩阵逆矩阵和波束域方向向量，得到波束域最小方差算法权矢量的表达式；

S51：利用S21得到的波束域转换矩阵，获得波束域的方向向量：

a_b＝Ta

其中，a＝[1,1,…,1]^T是N×1维的阵元域方向向量，T为转换矩阵，a_b为波束域方向向量。

S52：利用S43求得的波束域样本协方差矩阵逆矩阵和S51求得的波束域方向向量，得到基于乘幂法的低复杂度最小方差超声成像方法的权矢量：

其中，w_ib是基于乘幂法的低复杂度最小方差超声成像方法的加权矢量，是简化的波束域协方差矩阵逆矩阵，a_b为波束域方向向量。

步骤S6：将该表达式向最大特征值对应的特征向量进行投影，得到基于乘幂法的低复杂度最小方差算法的最优权矢量；

S61：基于乘幂法的低复杂度最小方差超声成像方法的最优权矢量表达式：

其中，w_ibmv为基于乘幂法的低复杂度最小方差超声成像方法的最优加权矢量，e_max为最大的特征值对应的特征向量，[·]^H表示共轭转置运算。

步骤S7中的自适应输出波束信号按下式计算：

式中，为权矢量w_ibmv的共轭转置，x_b(k)为子阵列波束域回波信号空间平滑后的波束域信号，y_ibmv(k)即为所提算法的输出波束信号。

本发明中子阵阵元数目L的取值为L≤N/2。

为了验证本发明的有效性，在本实施例中，利用Field II对医学成像中常用的点散射目标和斑散射目标进行成像并对不同中心频率的点目标进行了仿真成像。Field II是基于线性系统空间响应原理，它的仿真结果与实际成像很接近，已被国际上广泛认同为仿真超声系统的标准。在点目标仿真中，设定了15个目标点，轴向距离分布在30mm～80mm，每隔5mm设定目标点，其中40mm和60mm处分布3个目标点，其余位置各有1个目标点。仿真采用线性阵列发射超声信号，发射为定点聚焦，发射焦点在轴向距离50mm处，接收模式设置为动态聚焦，成像的动态范围是60dB，成像方式为线扫描成像。吸声斑成像的目标区域设置为中心在轴向距离25mm处，半径为3mm的圆形区域，背景区域随机分布着100000个噪声散射点，成像算法采用了空间平滑和对角加载技术。分别采用动态发射定点接收方式对4种算法进行成像，并比较各种成像算法的分辨率、对比度和算法的运行时间。图2为不同降维参数对比图。

图3和图4分别给出了无噪声和加噪声情况下动态发射定点接收的4种算法点目标仿真成像结果。图5给出了轴向距离为40mm处4种算法点目标侧向分辨率。由图3可以看出，传统DAS成像效果最差，横向伪像严重；MV算法相比DAS算法成像效果提升较大；ESBMV算法在MV的基础上成像分辨率得到进一步提升，成像伪影显著降低；本文提出的IBMV算法无论在近场或远场区域分辨率均明显优于MV算法；从点目标的成像效果上来看，相比ESBMV算法成像分辨率相近，在远场区域成像目标点略小于ESBMV。由图4可以看出，对回波信号增加信噪比10dB的高斯白噪声后，背景区域出现明显的噪声白斑，成像对比度变差。图5(b)相比于(a)而言，由于增加了噪声信号，因此回波信号的总体能量差有所降低，噪声旁瓣与无噪声时相比更加杂乱无章，且旁瓣峰值相比之前不加噪声时有所提升。由图4可以看出，添加噪声信号后，背景区域噪声白斑明显增多，背景区域与目标点的区分度降低，本文选取归一化幅值为-6dB处的主瓣宽度和旁瓣峰值来表征点目标的成像效果，详细的数值计算结果如表1所示。

表1轴向距离40mm处主瓣宽度计算结果

从表1可得，传统DAS算法的主瓣宽度和旁瓣峰值明显大于自适应算法，IBMV算法的主瓣宽度在无噪声的情况下分别低于MV算法和ESBMV算法0.47mm和0.32mm，主瓣宽度降低明显；增加噪声信号后，不同算法的主瓣宽度均有提升，本发明所提的IBMV算法仍明显优于其它算法，点目标成像分辨率相比MV算法和ESBMV算法提升显著。旁瓣峰值的变化类似于-6dB处的主瓣宽度，本发明所提算法相比原始MV算法在有无噪声的情况下分别降低3.64dB和2.31dB；综上所述，由点目标成像对比可得，本发明所提IBMV算法的成像分辨率优于MV算法；其中主瓣宽度优于ESBMV算法，旁瓣峰值近似于ESBMV算法。

图6和图7分别给出了无噪声和加噪声情况下动态发射定点接收的4种算法吸声斑成像结果。由图6和图7可以看出，传统DAS算法相比自适应算法成像对比度不足，在圆形吸声斑边缘区域存在明显的背景区域噪声；MV算法与ESBMV和IBMV算法相比，吸声斑区域存在少量的噪声白斑，算法抑制噪声信号能力稍显不足；相比之下，ESBMV算法和提出的IBMV算法噪声抑制能力较强，吸声斑区域几乎不存在噪声干扰，成像对比度提升明显。相比于ESBMV算法，本文提出的IBMV算法在背景噪声区域成像效果更暗，表征算法抑制噪声信号的能力优于ESBMV算法。增加10dB的高斯白噪声后，成像效果下降明显，目标区域明显出现了噪声白斑，成像对比度显著下降。为了更加直观地说明算法成像的对比度，表2和表3分别列出了无噪声和有噪声情况下不同算法成像对比度的具体数值结果。

表2无噪声吸声斑成像对比度

表3加噪声吸声斑成像对比度

其中对比度为中心暗斑平均功率和背景区域平均功率之差的绝对值，背景区域方差表征算法的鲁棒性，其值越小算法鲁棒性越好，对比噪声比是对比度与背景区域方差之商，表2、3中的平均功率值越小，表明信号的强度越弱，在成像图像中呈现的亮度越暗。由表3和表4可得，自适应算法在无噪声情况下相比传统DAS算法在成像对比度方面提升明显，背景区域和目标区域成像区分度较大，ESBMV和提出的IBMV算法相比MV算法对比度分别提升了6.93dB和4.83dB。由成像区域的平均功率值可知，IBMV算法相比ESBMV算法抑制噪声能力得到了提升，背景区域噪声信号的抑制作用相比于吸声斑区域更强，表现为背景区域的平均功率值下降更为明显，所以成像对比度与ESBMV算法相比稍显不足。在算法鲁棒性方面，传统DAS算法优于自适应算法，因此在增加了10dB噪声信号后，自适应算法成像效果下降明显，对比度不及传统DAS算法。

表4列出了不同算法的点目标和吸声斑目标成像时间对比结果，本发明仿真在Matlab R2015a下运行，使用的计算机配置如下：Intel i74GHz CPU，8GB RAM。

表4成像时间对比表

在本发明的仿真成像中，点目标的探测范围在30mm～80mm，吸声斑成像的检测范围是20mm～35mm，两种仿真成像的采样点数相差明显，因此在相同的运行环境下，吸声斑目标成像时间少于点目标成像时间。由表4可以看出，传统DAS算法无论是点目标成像还是吸声斑目标成像运行时间都远优于自适应算法；IBMV相比于MV算法由于降低了样本协方差矩阵的维数同时简化了矩阵求逆，运行效率有所提升；相比于ESBMV算法，IBMV算法简化了矩阵求逆和矩阵特征值求解运算，运行效率提升明显。综上所述，本发明提出的IBMV算法在成像分辨率、对比度和运行效率方面均优于MV算法。

在实际超声检测过程中，常因为检测部位的不同而选用不同中心频率的超声探头，例如应用于腹部的凸阵探头频率通常为2.5MHz、3.5MHz和5.0MHz，腔内探头一般是6.5MHz，血管探测的线性探头通常为7.5MHz，高频的线性探头能达到10MHz和12MHz。为了说明本发明所提算法的实用性，选取了4种具有代表性的探头频率进行点目标仿真成像，声速设为1540m/s，纵坐标表示探测深度，具体成像结果如图8所示。

由图8可以直观看出，IBMV算法成像结果优于ESBMV算法，具有较少的横向伪影，成像目标点更小，聚焦更加精确；MV算法的成像效果优于传统DAS算法，不及ESBMV和IBMV算法；随着中心频率的增加，不同算法的成像分辨率均有提高，成像伪影明显降低，但中心频率越高，超声波在介质中的衰减越严重，回波信号的强度也越弱，图像中表现为点目标亮度的降低；与其他算法相比，IBMV算法能够在不同中心频率下保持更好的成像效果，适用于多种检测对象，具有较强的稳定性和实用性。选取中心频率为5.0MHz的成像数据，做出成像分辨率对比图，进一步说明算法成像效果，结果如图9所示。

图9选取轴向距离20.5mm处的成像数据进行归一化处理，采样点选取横向等间距的40个点。由图9可以看出，自适应算法的成像分辨率优于传统DAS算法，主瓣宽度有明显下降。提出的IBMV算法与原始MV算法和ESBMV算法相比分辨率曲线更窄，主瓣宽度明显优于MV算法，与图8成像结果一致。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。