简介：本资源是一套面向医学图像处理初学者与科研人员的MATLAB自动化工具，专为解决超声图像边缘手写标注、测量标记等干扰信息的批量去除问题而设计。适用于超声影像预处理、AI模型训练前的数据清洗及计算机辅助诊断系统开发等场景，无需深度学习基础，掌握基础MATLAB图像处理即可上手。压缩包共7个文件（6张典型超声JPG样本图 + 1个核心MATLAB脚本hitandmiss_3.m），总大小747KB，结构精简，样本覆盖B型与M型超声图像，脚本内嵌连通域分析、形态学命中-错过检测及最大目标区域提取逻辑，可直接运行完成自动裁剪与背景恢复。目前已有308人学习下载，提供即用型代码+实测图像组合，显著减少人工修图耗时，助力高效构建高质量超声数据集。 做超声图像处理这些年，接手过的第一类需求往往不是多高深的AI算法，而是最朴素的清理工作：把超声图像四周的医院名称、探头频率、增益数值、刻度标记、时间戳统统去掉。看起来是个“脏活累活”，但它恰恰是后面一切处理的地基。标注不干净，后面做分割、做测量、做AI训练集，都会被这些信息干扰，甚至直接把模型带偏。
我见过很多人手动处理这种图，一张一张用画图工具涂黑，一天搞几百张，眼睛都快花了。其实用MATLAB写个小工具，几秒钟就能自动完成，还能做成批量脚本一次处理整个文件夹。这篇文章就把我的完整思路、代码和踩坑记录都放出来，从图像分析到参数调优，再到批量落地，一次性说清楚。
1. 超声图像四周标注为什么非去不可
1.1 标注信息干扰的不只是“好看”
超声图像和普通照片不一样，设备厂商为了记录扫描条件，会在屏幕上叠加大量文本和图形信息。常见的有：机器型号和医院名称、探头型号与频率、深度标尺和增益值、患者ID和检查时间、还有屏幕四角的公司logo。这些内容在诊断时是辅助信息，但进入图像分析环节就成了噪声。
我在做乳腺超声的自动分割时，第一版算法把肿瘤边缘检测得乱七八糟，排查了半天才发现是左上角那串增益数值被当成了高回声区。还有同学做深度学习分类，训练集里每张图的右上角都带有不同亮度的标注文字，模型居然学会了“看右上角判断类别”，精度虚高，换一批真实图片直接崩掉。所以自动去除标注不是美观问题，是数据质量问题。
1.2 为什么不能直接裁剪掉四周
有人可能会说，标注在四周，直接把四边裁掉不就行了？这里有个超声图像特有的坑：超声图像的主体是扇形扫描区域，扇区外是纯黑背景，扇区的边缘往往延伸到靠近图像底部和两侧的位置，并不是规则矩形。
如果按固定像素裁剪四周，很容易把扇形边缘的组织信息切掉。不同机器、不同探头深度下，扇区大小和位置还都不一样，固定裁剪完全不可靠。真正稳妥的思路是：检测出哪些像素属于“标注文字”，只把这些像素清除，扇区内容原样保留。这就是我下面要讲的自动化方案的核心逻辑。
1.3 一个通用的需求场景清单
这几年接触到的需求，基本集中在三种场景：
- 临床科研：医生从超声机器导出图像，做回顾性研究前需要脱敏，去掉患者ID等信息，保护隐私。
- 算法开发：做目标检测、图像分割、图像增强前，先清洗训练集，避免标注文字成为虚假特征。
- 数据展示：用于论文插图、学术报告、教学幻灯片时，不希望带有设备信息和参数，版面更干净。
这三种场景要求批量处理、保留诊断区域细节、处理前后不能有肉眼可见的损伤。MATLAB在这类任务上非常顺手，图像处理工具箱的函数齐全，脚本化批处理也简单。
2. 方案选型：四种思路对比与最终选择
2.1 方法一：固定区域置黑或裁剪
最简单，直接把图像四边若干像素区域涂黑，或者按矩形裁掉。优点是代码三行搞定，缺点是完全没有适应性。换个机器、换个分辨率、改个扫描深度，标注位置全变，就得重新改参数，而且容易切到扇形区域。
这个方案只适合临时用一次、后续不会换数据源的情况，不适合做工具沉淀。
2.2 方法二：连通域分析加边界接触检测
超声图像里，扇区主体通常不会接触图像上下边界，而标注文字、刻度尺、参数块几乎都贴在图像边缘或四角。所以先把图像二值化，找出所有亮色连通域，然后判断哪些连通域与图像边界接触。接触边界、面积又处于合理范围的连通域，就是标注区域，将它们从掩膜中剔除即可。
这个方法我实际用下来最稳，它天然适应“标注在四周”这个先验知识，不需要针对每一张图调坐标。缺点是需要处理一些边缘误检情况，后面我会讲怎么过滤。
2.3 方法三：形态学顶帽变换分离文字
顶帽变换的原理是用大尺度的结构元素做开运算，得到背景估计，然后用原图减去背景，把细小的高亮结构（比如文字笔画）提取出来。理论上很巧妙，不用关心标注位置，凡是“小而亮”的结构都会被分离。
但超声图像本身纹理复杂，扇形边缘有很多高亮的细小结构，顶帽变换会把它们一起提取出来，误检率偏高。需要额外做位置过滤和面积过滤，反而多绕了一圈。
2.4 方法四：OCR加深度学习文本检测
用OCR识别文字位置，或者训练一个文本检测模型，精确找到标注文字的包围盒。如果是通用图像场景，这是首选；但对于超声图像这种高度专用、标注样式固定的场景，属于杀鸡用牛刀。
模型训练需要大量标注数据，推理还需要GPU环境，部署成本高。实际项目里，一个基于连通域的规则方法已经能解决90%以上的问题，没必要引入重型依赖。
2.5 最终选择的方案与理由
我最终采用的是“预处理加连通域加边界接触检测加掩膜膨胀”的组合方案。选择它有三个原因：
- 适应性强，不依赖固定坐标，对不同的超声机器和分辨率都能work。
- 可解释性强，每一步都能可视化，出问题时一眼能看出是哪里判断错了。
- 运行速度快，纯MATLAB脚本处理单张图几十毫秒，批量处理不吃力。
对比下来，固定裁剪太死板，顶帽变换误检太多，深度学习成本太高。连通域方案在“效果、成本、可维护性”三者之间最平衡。
3. 核心实现：连通域加边界接触检测，代码逐段拆解
3.1 图像读取与灰度化
超声图像导出的格式五花八门，常见的是JPG、PNG、BMP，也有DICOM。DICOM的话用dicomread读取，普通图片用imread就行。如果你从超声工作站导出的是彩色图（很多机器默认带彩色映射），先转成灰度，因为后续二值化只需要亮度信息。
function cleanImg = removeAnnotation(img, params) % 输入 img: HxWxC 或 HxW 的超声图像 % 输入 params: 参数结构体，可选 % 输出 cleanImg: 去除四周标注后的图像 if nargin < 2 params = struct(); end if size(img, 3) == 3 gray = rgb2gray(img); else gray = img; end gray = im2double(gray); % 统一转成 double 并归一化到 [0,1]注意，如果是伪彩色超声图（比如B型血流图叠加了彩色多普勒），直接rgb2gray可能丢失一些低对比度信息。我的建议是，对这类图像先做通道分离，在亮度最高的通道上进行标注检测，或者用单一绿色通道也行。不过大多数常规B型超声是灰度图，rgb2gray就够用了。
3.2 二值化阈值选择
标注文字在灰度图上通常是亮白色（像素值接近255），背景是纯黑（接近0），扇形区域是中间灰度。所以一个简单的思路是：灰度值大于某个阈值的像素标记为前景。
if ~isfield(params, 'threshold') params.threshold = 0.35; end bw = gray > params.threshold;这个阈值怎么定？我一般先看直方图。超声图像的灰度直方图通常有一个很明显的峰值对应黑色背景，然后是一片连续的灰度范围对应扇形组织，最右侧会有一个小尖峰对应文字和白色刻度。阈值取在背景峰值右侧、组织范围上方比较合适，经验值落在0.25到0.45之间。
这里有个实际教训：不要直接用graythresh全局大津法。大津法会把背景和扇形区域分开，但标注文字的峰值太小，容易被忽略，导致二值化后文字和扇形黏在一起，后续连通域分析就容易出问题。手动设阈值虽然“土”，但对超声图像这种亮度分布高度可预测的情况，反而稳定。
3.3 形态学去噪与文字连接
二值化的结果会有两类噪声：一类是扇形区域内部的散点噪声，另一类是文字笔画内部的细小断裂。用开运算去掉散点，用闭运算填补文字间的缝隙。
bw = imopen(bw, strel('disk', 2)); bw = imclose(bw, strel('disk', 3));结构元素选小圆盘而不是矩形，是因为文字笔画和刻度线方向各异，圆盘各向同性，不会因为方向问题把某些笔画像素误删。开运算的半径2像素太大会把细笔画“消化”掉，太小又滤不掉散点，2这个值是反复试出来的平衡点。闭运算半径3像素，用来把同一串数字里挨得近的笔画连接成同一个连通域，减少后面统计时把一个字符拆成四五块的情况。
3.4 连通域标记与分析
连通域分析是核心排查步骤，MATLAB里用bwconncomp和regionprops就能做。
cc = bwconncomp(bw); stats = regionprops(cc, 'BoundingBox', 'PixelIdxList', 'Area'); [H, W] = size(bw); mask = false(H, W); if ~isfield(params, 'minArea') params.minArea = 30; end if ~isfield(params, 'maxAreaRatio') params.maxAreaRatio = 0.2; end maxArea = params.maxAreaRatio * H * W;每个连通域都有面积（Area）、外接矩形（BoundingBox）和像素索引列表（PixelIdxList）。我盯住这三个量做判断。Area用来排除太小和太大的对象——太小的多半是噪声，太大的可能是扇形主体本身。maxAreaRatio设为0.2，意思是面积超过整幅图20%的连通域不会是标注，直接跳过。
3.5 边界接触检测与掩膜生成
这是整个方案的核心逻辑。超声图像的标注信息必然贴着图像边界，或者至少有一个方向靠近边界，而扇形主体通常不会填满图像。所以我判断一个连通域是否属于标注，核心条件是它的外接矩形是否与图像边界“亲密接触”。
for i = 1:numel(stats) bb = stats(i).BoundingBox; x = bb(1); y = bb(2); w = bb(3); h = bb(4); touchesBorder = (x <= 2) || (y <= 2) || ... (x + w >= W - 1) || (y + h >= H - 1); if touchesBorder && stats(i).Area > params.minArea && stats(i).Area < maxArea mask(stats(i).PixelIdxList) = true; end end这里边界接触的阈值设成2像素，而不是严格等于0，是为了避免JPG压缩造成的边缘伪影导致连通域外接矩形偏差1个像素而漏检。压缩噪声会让原本贴边的文字往外扩一圈，宽松一点反而更稳。
还有一个容易被忽略的细节：BoundingBox返回的是double类型，x+w就是外接矩形右边界的位置，和W-1比较时要注意MATLAB坐标从1开始。写成>= W - 1是因为图像最右一列索引是W，矩形如果包含W列，说明它贴到了右边界。
3.6 掩膜膨胀与图像去标注
检测到的掩膜只是文字笔画的精确区域，直接用它置黑，文字边缘会残留半像素的浅色描边，视觉上像没擦干净。解决方案是对掩膜做一次膨胀，把擦除范围往外扩几像素。
mask = imdilate(mask, strel('disk', 2)); cleanImg = img; if size(cleanImg, 3) == 3 for c = 1:3 ch = cleanImg(:, :, c); ch(mask) = 0; cleanImg(:, :, c) = ch; end else cleanImg(mask) = 0; end end膨胀半径2像素，是为了让擦除区域覆盖文字边缘的过渡带，又不至于侵入扇形区域太深。如果原图分辨率很高，比如2000x2000以上，膨胀半径可以适当加到3。
这里我把擦除值设成了0，也就是纯黑，和超声图像四角的背景色保持一致。如果你的数据集后续要做归一化，用背景均值填充也可以，但我在多个项目中对比过，对算法效果影响极小，纯黑反而让数据更“干净”。
3.7 完整函数代码
把上面的片段整合起来，就是一个可以直接用的函数。这个函数建议单独保存为removeAnnotation.m，后续批量脚本直接调用。
function cleanImg = removeAnnotation(img, params) %REMOVEANNOTATION 自动去除超声图像四周标注 % 输入： % img - HxWxC 或 HxW 图像 % params - 可选结构体，包含字段： % threshold 二值化阈值，默认0.35 % minArea 最小连通域面积，默认30 % maxAreaRatio 最大面积占比，默认0.2 % dilateRadius 掩膜膨胀半径，默认2 % 输出： % cleanImg - 去除标注后的图像 if nargin < 2 params = struct(); end if ~isfield(params, 'threshold'), params.threshold = 0.35; end if ~isfield(params, 'minArea'), params.minArea = 30; end if ~isfield(params, 'maxAreaRatio'), params.maxAreaRatio = 0.2; end if ~isfield(params, 'dilateRadius'), params.dilateRadius = 2; end if size(img, 3) == 3 gray = rgb2gray(img); else gray = img; end gray = im2double(gray); bw = gray > params.threshold; bw = imopen(bw, strel('disk', 2)); bw = imclose(bw, strel('disk', 3)); cc = bwconncomp(bw); stats = regionprops(cc, 'BoundingBox', 'PixelIdxList', 'Area'); [H, W] = size(bw); mask = false(H, W); maxArea = params.maxAreaRatio * H * W; for i = 1:numel(stats) bb = stats(i).BoundingBox; x = bb(1); y = bb(2); w = bb(3); h = bb(4); touchesBorder = (x <= 2) || (y <= 2) || ... (x + w >= W - 1) || (y + h >= H - 1); if touchesBorder && stats(i).Area > params.minArea && stats(i).Area < maxArea mask(stats(i).PixelIdxList) = true; end end mask = imdilate(mask, strel('disk', params.dilateRadius)); cleanImg = img; if size(cleanImg, 3) == 3 for c = 1:3 ch = cleanImg(:, :, c); ch(mask) = 0; cleanImg(:, :, c) = ch; end else cleanImg(mask) = 0; end end这个函数直接拿走就能用，我建议第一次跑之前，先给函数加一段可视化代码，把mask叠加在灰度图上，确认检测出来的区域确实是文字标注而不是扇形边缘。
4. 批量落地：参数校准、文件夹处理与扩展思路
4.1 新数据到手后的参数校准
我发现一个规律：凡是直接从网上找来的代码，直接跑在自己的数据上，大概率效果打折扣。原因很简单，不同超声机器的标注样式不一样，有的显示在左上角，有的四角全占满，有的机器标注是白色高亮，有的偏灰偏暗。
所以我习惯在批量处理前先跑一个“校准模式”。具体做法是抽3到5张代表性图像，用默认参数跑一次，把检测出来的掩膜用彩色叠加显示出来，肉眼确认有没有漏检或误检。
function inspectAnnotation(img) gray = im2double(rgb2gray(img)); mask = detectAnnotationMask(gray); % 里面是二值化+连通域分析的逻辑 overlay = cat(3, gray, gray, gray); overlay(:, :, 1) = max(overlay(:, :, 1), double(mask) * 0.8); figure; imshow(overlay); title('红色区域为检测到的标注'); end校准这一步花不了几分钟，但能避免你对着500张处理完的图片后悔。我踩过最大的坑就是：一批图处理完了，训练了好几天模型，最后发现有一类图的左下角logo亮度低，没被检测到，模型学到了一堆无用特征，只能回炉重做。
4.2 批量处理脚本
校准没问题后，就可以做批量处理。脚本本身不复杂，核心是遍历文件夹和调用上面的函数。
srcDir = 'D:\ultrasound\raw'; dstDir = 'D:\ultrasound\clean'; if ~exist(dstDir, 'dir') mkdir(dstDir); end files = dir(fullfile(srcDir, '*.png')); for i = 1:numel(files) img = imread(fullfile(srcDir, files(i).name)); cleanImg = removeAnnotation(img); imwrite(cleanImg, fullfile(dstDir, files(i).name)); if mod(i, 50) == 0 fprintf('已处理 %d / %d\n', i, numel(files)); end end如果图片格式是jpg，就把匹配改成'*.jpg'；如果是dicom，用dicomread配合dicomwrite，但注意dicomwrite需要保留原始元数据时要用dicomuid等函数处理，比普通图片麻烦一点。超声工作站导出的图绝大多数是png或jpg，直接imread、imwrite就够。
大量图片处理时可以用parfor加速，但有几个注意点：一是removeAnnotation函数要保证内部没有随机变量或交互命令；二是如果用了figure做可视化，不能放进parfor；三是内存有限时，建议分批处理，比如每处理200张清理一次。我实测过一张1600x1200的图单张耗时约60毫秒，用parfor在四核机器上可以跑到20毫秒左右，处理1000张图从一分钟缩短到二十秒。
4.3 处理结果验证：不只是看一眼“干净了”
处理完批图片，除了肉眼抽看，还建议做一个量化验证。思路是：计算每张图处理前后，图像四个边界区域的平均亮度变化。标注被去除后，边界区域亮度应该明显下降，而中心扇形区域亮度几乎不变。
before = double(img); after = double(cleanImg); borderBefore = mean(before([1:50, end-49:end], :), 'all'); borderAfter = mean(after([1:50, end-49:end], :), 'all'); fprintf('边界亮度变化: %.2f -> %.2f\n', borderBefore, borderAfter);这个验证能帮你发现阈值设得过高导致标注没擦干净的情况。如果处理后的边界区域平均亮度还很高，说明有大量白色像素残留，得回去调threshold和dilateRadius。
4.4 扩展：形态学顶帽差分法的备选实现
如果你的图像标注不是亮白色，而是反白块或半透明带阴影的文字，连通域方案的检测效果会打折扣。这时候可以试试形态学顶帽差分法，原理我前面提过，代码也不复杂。
gray = im2double(gray); se = strel('disk', 15); textMask = imsubtract(gray, imopen(gray, se)); textMask = textMask > 0.15;这段代码的思路是：用一个半径为15的圆盘做开运算，得到“没有细小结构”的背景估计，再用原图减去背景，剩下的大多是文字和细小高亮结构。结构元素半径要大于文字笔画宽度，但小于扇形区域的特征尺寸，15在大多数超声图上表现不错，图片分辨率高时可以适当加到20。
这个方案不需要边界接触判断，对“标注不在角落”的情况更友好，但副作用是扇形边缘的细小高亮也会被分离出来。我一般只在连通域方案效果不好时作为补充，两套方法结合使用更稳。
4.5 扩展：逐行扫描投影法
还有一个思路，特别适合标注集中在上下两端的机器。对每一行统计该行中灰度大于阈值的像素个数，会看到一段“文字密集区”，这些连续的行就是标注所在的区域，把整段区域置黑即可。列方向同理。
这个方案的优势是简单直观、计算量极小，缺点是无法精细到单个字符，如果标注和扇形区域在同一行，就会误伤。我对超声图像的观察是，大多数机器的参数标注都在图像最上面一行或最下面一行，和扇形区域不重叠，所以投影法在某些场景下是够用的。
5. 常见问题排查与实战避坑指南
5.1 典型问题速查表
| 问题现象 | 可能原因 | 解决方法 |
|---|---|---|
| 扇形区域边缘被擦除 | 扇形接触了图像边界被误判为连通域 | 调低maxAreaRatio，增大minArea，或加一个“外接矩形中心远离图像中心”的过滤条件 |
| 标注文字残留半截 | 阈值过高导致部分笔画二值化后太淡 | 把threshold从0.35降到0.25，检查处理后的边界区域亮度 |
| 擦除区域有黑色空洞 | 标注文字内部有暗色像素导致连通域断裂 | 增大闭运算半径，或对掩膜做imfill填充孔洞 |
| 检测到很多散点噪声 | 图像压缩噪声太多 | 增大开运算半径，或提升minArea过滤 |
| DICOM图像读取后全黑 | DICOM存储是16位，直接转double溢出 | 用dicomread后先查看dicomlookup或做窗口映射，再转8位 |
| 处理时间太长 | 图像尺寸大且没有并行 | 用parfor，或先缩小图像检测掩膜再在原图应用 |
5.2 关于maxAreaRatio的坑
这个参数我最开始没加，结果遇到过一次事故。某医院的超声机器屏幕比例特殊，扇形区域大到几乎填满整张图像，底部边缘直接接触了图像边界，扇形最下方的连通域被判定为“标注”，一次性擦掉了一大片有诊断价值的区域。
加了maxAreaRatio之后，面积超过整图20%的连通域直接跳过，就规避了这类问题。如果你处理的图像分辨率比较低，比如只有640x480，20%的阈值可能偏大，建议改成绝对面积值，比如50000像素，这样更可控。
5.3 不同机器标注样式的适配建议
我总结了几类最常见的标注布局，以及对应的适配策略：
- 四角型：左上、右上、左下、右下都有信息。连通域方案默认就能良好适配。
- 顶部横条型：整条横向区域都是文字或logo。可以配合投影法，把顶部连续文字行整行处理。
- 侧边刻度型：扇区两侧有刻度尺或深度标记。膨胀半径要适当调大，否则刻度线残留会非常明显。
- 半透明阴影型：文字背后有半透明色块。建议先对图像做对比度拉伸或CLAHE增强，让文字与背景的亮度差拉开。
我的做法是：把不同来源的图像按文件夹区分，先对每个文件夹做校准，得到一组最优参数，再用每组参数分别处理对应文件夹。千万别指望一套参数打天下，超声图像的质量差异比你想的大。
5.4 处理结果对后续算法的影响
我专门做过一个对比实验：同一批乳腺超声数据，一组直接训练分割模型，一组先去标注再训练。结果去标注组的Dice系数提升了大约3%到5%，而且训练的收敛速度明显更快，验证集损失也更稳定。
原因不复杂。标注信息虽然只占图像面积的一小部分，但它的亮度极高、边缘锐利，在卷积神经网络的特征提取阶段会被赋予很大的激活值。模型为了降低损失，会倾向于从这些容易识别的区域学习特征，反而忽略了真正的组织纹理。把标注清干净，模型被迫去学更有意义的结构特征，训练出来的模型泛化能力也更强。
这个实验给了我一个习惯：以后接到超声图像分析任务，第一件事永远是先看图像有没有标注需要清洗，而不是直接开始建模。
5.5 一个被忽略的细节：原图备份与命名规范
批量处理最容易出的事故就是覆盖了原始文件。我建议处理流程分为两个文件夹，raw放原始数据，clean放处理后数据，绝不原地覆盖。命名上把处理参数写进文件名，比如clean_th035_dil2.png，这样后续想复现处理流程、排查问题都能追根溯源。
另外，如果图像要用于学术发表，很多期刊要求标注去除后不能有任何篡改痕迹。纯黑填充四角是最稳妥的，但万一要求保留原始背景灰度，可以把mask区域填充为该图背景灰度的均值。这个需求可以用代码简单实现：
bgVal = mean(gray(gray < 0.05), 'all'); cleanImg(mask) = bgVal;超声图像四角背景几乎是纯黑，bgVal通常接近0.01以下，和直接置黑差别不大，但对于要求严格的场景，这是一个更“保守”的选择。
5.6 如果让我重新做一遍，我会怎么做
回到开头那个问题：自动去除超声图像四周标注，看起来是个小工具，但做好它其实需要把“图像特征理解、规则设计、参数调优、批处理工程化”全链路走通。踩过几次坑之后，我现在做这类任务都会按固定节奏来：先抽图看分布、再做参数校准、先跑小批量验证、最后全量跑批，一步都不省。
这套方法不只适用于超声图像。X光片、CT胶片扫描件、内窥镜截图，甚至手机拍屏幕的图片，只要标注信息分布在图像四周，且与主体的亮度有差异，都可以用同样的思路去处理。只是阈值和形态学参数需要重新校准而已。希望这份记录能帮你少走点弯路。
本文还有配套的精品资源，点击获取
)
