超声速度分析方法、装置、设备及存储介质

技术领域

本申请涉及医学超声成像领域，尤其涉及一种超声速度分析方法、装置、设备及存储介质。

背景技术

大多数超声成像系统利用一个恒定声速进行成像，然而人体组织的声速是非均匀的，当声速和真实声速之间的不匹配会引起相差畸变，导致超声图像的空间偏移和散焦，降低超声图像的聚焦性和质量。同时，超声声速也是生物组织中脂肪含量的重要生物标志物，一般脂肪组织的声速低于乳腺、肌肉和肝脏的腺体或纤维组织，因此超声声速分析可以辅助特定疾病的临床诊断。

在相关技术中，可以基于不同射线路径之间的走时差异来重建介质中的声速，称为声速的层析重建方法。

由于声速的层析重建方法需要处理大量的射线路径的走时差，因此该方法计算复杂度较高，导致超声声速分析效率较低。

发明内容

本申请提供一种超声速度分析方法、装置、设备及存储介质，用以解决相关技术中，由于声速的层析重建方法需要处理大量的射线路径的走时差，计算复杂度较高，导致超声声速分析效率较低的问题。

第一方面，本申请提供一种超声速度分析方法，应用于合成孔径超声速度分析；包括：

获取目标介质对应的超声通道数据，并根据超声通道数据获取多个共中心点道集；

利用倾角估计算法获取每一共中心点道集对应的倾角估计结果；

根据倾角估计结果，计算激发点和接收点为零偏移距时对应的双程旅行时和速度，并计算基于双程旅行时和速度联合概率密度分布的多条叠加速度谱，双程旅行时用于表征激发点和接收点为零偏移距时，超声波从激发点到接收点经过的时间；

通过聚类算法和目标追踪算法，根据叠加速度谱得到叠加速度模型，并基于叠加速度模型得到超声波在目标介质中的层速度模型。

第二方面，本申请提供一种超声速度分析装置，包括：

获取模块，用于获取目标介质对应的超声通道数据，并根据超声通道数据获取多个共中心点道集；

获取模块，还用于利用倾角估计算法获取每一共中心点道集对应的倾角估计结果；

处理模块，用于根据倾角估计结果，计算激发点和接收点为零偏移距时对应的双程旅行时和速度，并计算基于双程旅行时和速度联合概率密度分布的多条叠加速度谱，双程旅行时用于表征激发点和接收点为零偏移距时，超声波从激发点到接收点经过的时间；

处理模块，还用于通过聚类算法和目标追踪算法，根据叠加速度谱得到叠加速度模型，并基于叠加速度模型得到超声波在目标介质中的层速度模型。

第三方面，本申请提供一种超声速度分析设备，包括：处理器、存储器，存储器中存储代码，处理器运行存储器中存储的代码，以执行如第一方面中任一项的方法。

第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面任一项的方法。

本申请提供一种超声速度分析方法、装置、设备及存储介质，获取目标介质对应的超声通道数据，根据超声通道数据获取多个共中心点道集。利用倾角估计算法获取每一共中心点道集对应的倾角估计结果，根据倾角估计结果计算激发点和接收点为零偏移距时对应的双程旅行时和速度，并计算基于双程旅行时和速度联合概率密度分布的多条叠加速度谱。通过聚类算法和目标追踪算法，根据叠加速度谱得到叠加速度模型，并基于叠加速度模型获取超声波在目标介质中对应的层速度模型。本申请基于超声通道数据，通过倾角估计算法、聚类算法以及目标追踪算法即可确定相应的层速度模型，无需计算大量射线路径的走时差，简化了超声声速的分析过程，从而有效提高了超声声速分析效率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种基于合成孔径超声成像的超声速度分析的场景示意图；

图2为本申请实施例提供的一种超声速度分析方法流程图；

图3为本申请实施例提供的一种根据超声通道数据得到的共中心点道集的示意图；

图4为本申请实施例提供的一种基于PWD滤波器得到的倾角估计结果示意图；

图5为本申请实施例提供的一种基于倾角估计结果进行正常时差校正的结果；

图6为本申请实施例提供的一种待测的离体的五花肉图像和层速度模型示意图；

图7为本申请实施例提供的一种在离体五花肉上手动拾取的深度位置示意图；

图8为本申请实施例提供的一种在时间域超声图像上手动拾取的时间位置示意图；

图9为本申请实施例提供的一种根据手动拾取的深度位置和时间位置计算得到的平均速度曲线示意图；

图10为本申请实施例提供的一种根据手动拾取得到的平均速度曲线计算得到的层速度曲线与本申请的层速度曲线的对比示意图；

图11为本申请实施例提供的一种根据叠加速度谱得到叠加速度模型的方法流程图；

图12为本申请实施例提供的一种叠加速度谱以及使用加速密度聚类算法得到的聚类中心点示意图；

图13为本申请实施例提供的一种关键点集合的确定方法流程图；

图14为本申请实施例提供的一种追踪点分布情况示意图；

图15为本申请实施例提供的一种基于偏移速度模型的层速度模型的确定方法流程图；

图16为本申请实施例提供的一种基于聚类算法得到的时间域偏移速度模型示意图；

图17为本申请实施例提供的一种由关键点插值得到的时间域偏移速度模型；

图18为本申请实施例提供的一种超声速度分析装置示意图；

图19为本申请实施例提供的一种超声速度分析设备示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

大多数超声成像系统利用一个恒定声速进行成像，恒定声速可以是1540m/s。然而人体组织的声速是非均匀的，当声速和真实声速之间的不匹配会引起相差畸变，导致超声图像的空间偏移和散焦，降低超声图像的聚焦性和质量。

同时，超声声速(Sound of Speed，SoS)也是生物组织中脂肪含量的重要生物标志物，一般脂肪组织的声速(≈1400m/s)低于乳腺、肌肉和肝脏的腺体或纤维组织，因此超声声速分析可以辅助特定疾病的临床诊断，例如通过肝脏的声速分布估计肝脏的脂肪分数，进而辅助脂肪肝的诊断。

医学脉冲回波超声成像中的声速估计是一个不断发展的研究领域。在相关技术中，可以基于不同射线路径之间的走时差异来重建介质中的声速，称为声速的层析重建方法。由于癌性囊肿的声速比介质的其余部分要高，因此这种层析方法主要用于检测癌性囊肿。由于该方法需要处理大量的射线路径的走时差，因此计算复杂度较高，导致超声声速分析效率较低。

本申请基于共中心点(Common Middle Point，CMP)道集的地震速度分析方法，提出一种超声速度分析方法。具体的，可基于CMP道集局部倾角的地震速度分析方法应用于超声声速估计。根据超声通道数据，通过局部倾角估计、速度谱估计、聚类算法以及目标追踪算法自动得到超声声速分析的结果。通过局部倾角映射得到的速度谱相比于常规叠加速度谱的分辨率更高，并且无需计算大量射线路径的走时差，简化了超声声速分析的过程，提高了超声声速分析效率。

同时，基于CMP道集局部倾角进行叠加速度分析的方法还可以扩展到偏移速度分析中，结合共偏移距(Common Offset Gathers，COG)道集上估计的倾角，进一步估计偏移速度谱，因此该方法也能处理存在横向变速的情况，从而有利于提高超声声速分析的准确率。

图1为本申请实施例提供的一种基于合成孔径超声成像的超声速度分析的场景示意图，如图1所示，在合成孔径超声成像中，通常可由一个激发点向目标介质发射超声波，由接收点接收超声波的回波，进而可获取合成孔径超声通道数据。其中，接收点的数量为多个。

获取到合成孔径超声通道数据后，可利用倾角估计算法计算局部倾角，生成倾角估计结果。根据倾角估计结果进一步得到基于概率密度映射的叠加速度谱。通过聚类算法和目标追踪算法自动获取层速度模型，以表征超声波在目标介质中的层速度分布情况，实现超声速度分析。

下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图2为本申请实施例提供的一种超声速度分析方法流程图，该方法应用于合成孔径超声速度分析。本实施例的方法可以由超声速度分析设备执行，可以通过硬件、软件、或者硬件和软件相结合的方式实现。如图2所示，该方法可以包括：

S201：获取目标介质对应的超声通道数据，并根据超声通道数据获取多个共中心点道集。

在一些实施例中，目标介质可以是脂肪、乳腺、肌肉、肝脏的腺体或纤维组织等组织，超声通道数据可以是射频(Radio Frequency，RF)数据。

共中心点(Common Middle Point，CMP)道集可以看作对同一成像点的多次重复观测，成像点可以理解为共中心点。多个CMP道集可以记为：S＝{S

在一些实施例中，根据超声通道数据获取多个共中心点道集时，可从超声通道数据中抽取具有同一中心点的数据，获取多个共中心点道集，并根据偏移距的远近对多个共中心点道集进行排列。

S202：利用倾角估计算法获取每一共中心点道集对应的倾角估计结果。

在一些实施例中，倾角估计算法可以是PWD(Plane-Wave Decomposition，平面波分解)滤波器、Hilbert变换方法和倾角估计网络等算法。

图4为本申请实施例提供的一种基于PWD滤波器得到的倾角估计结果示意图。CMP道集对应的倾角估计结果可包含多个倾角，倾角也可以称为局部倾角。CMP道集对应的倾角估计结果可以记为：p

S203：根据倾角估计结果，计算激发点和接收点为零偏移距时对应的双程旅行时和速度，并计算基于双程旅行时和速度联合概率密度分布的多条叠加速度谱，双程旅行时用于表征激发点和接收点为零偏移距时，超声波从激发点到接收点经过的时间。

在一些实施例中，倾角估计结果包含多个倾角，接收点的数量为多个。根据倾角估计结果，计算激发点和接收点为零偏移距时对应的双程旅行时和速度时，可基于双曲走时关系进行计算，双曲走时关系的一种表达方式具体如下所示：

其中，t表示超声波从激发点到接收点经过的时间，t

基于上述的双曲走时关系，在得到第i个CMP道集对应的倾角p

在一些实施例中，上述的速度可以是正常时差校正速度。一种双程旅行时和正常时差校正(Normal Moveout，NMO)速度的计算方式可参考如下所示：

上述公式中，τ

图5为本申请实施例提供的一种基于倾角估计结果进行正常时差校正的结果，由图5可知，同相轴能够被较好地拉平。

在一些实施例中，可利用2D直方图函数统计双程旅行时和速度的联合概率密度，即f(τ

S204：通过聚类算法和目标追踪算法，根据叠加速度谱得到叠加速度模型，并基于叠加速度模型得到超声波在目标介质中的层速度模型。

在一些实施例中，聚类算法可以是加速密度聚类算法，通过加速密度聚类算法得到每条叠加速度谱上的聚类中心点。

在一些实施例中，目标追踪算法可以是匈牙利算法和零均值归一化互相关值。基于匈牙利算法和零均值归一化互相关值获取每条叠加速度谱上的关键点，进一步可通过对关键点进行插值处理得到拾取的叠加速度模型。

在一些实施例中，基于叠加速度模型得到超声波在目标介质中的层速度模型，可基于迪克斯公式，对叠加速度模型进行迪克斯反变换，得到目标介质的层速度模型，一种计算方式可参考如下所示：

上式中，V

在一些实施例中，本申请使用的迪克斯公式，可以是带平滑约束的迪克斯公式。

层速度模型能够直观反映超声波在目标介质中的声速分布情况，为临床相关医学评估提供了定量参数指标。为验证根据本申请的方法分析得到的超声速度，在离体五花肉上进行了实际数据实验，基于从离体五花肉上采集的超声通道数据进行速度分析。图6为本申请实施例提供的一种待测的离体的五花肉图像和层速度模型示意图，由图6可获取超声波在离体五花肉不同深度和水平位置处对应的速度，具体的，可以看出离体五花肉的脂肪层与低速层存在良好的对应结果。

同时，图7为本申请实施例提供的一种在离体五花肉上手动拾取的深度位置示意图，图8为本申请实施例提供的一种在时间域超声图像上手动拾取的时间位置示意图。

基于图7示出的手动拾取的深度位置和图8示出的手动拾取的时间位置可计算得到对应的平均速度曲线，具体可参考图9所示。图9为本申请实施例提供的一种根据手动拾取的深度位置和时间位置计算得到的平均速度曲线示意图。

基于图9给出的平均速度曲线可计算得到对应的层速度曲线，具体可参考图10所示，图10为本申请实施例提供的一种根据手动拾取得到的平均速度曲线计算得到的层速度曲线与本申请的层速度曲线的对比示意图。

根据图10可以看到本申请得到的层速度曲线可以很好地捕捉超声波在离体五花肉进行传播的整体速度趋势，同时与低速层位置能够很好吻合，因此可表明本申请的超声速度分析方法分析超声波在目标介质中传播速度的准确率较高。

本申请实施例提供一种超声速度分析方法，获取目标介质对应的超声通道数据，并根据超声通道数据获取多个共中心点道集。利用倾角估计算法获取每一共中心点道集对应的倾角估计结果。根据倾角估计结果，计算激发点和接收点为零偏移距时对应的双程旅行时和速度，并计算基于双程旅行时和速度联合概率密度分布的多条叠加速度谱。通过聚类算法和目标追踪算法，根据叠加速度谱得到对应的叠加速度模型，并基于叠加速度模型得到超声波在目标介质中的层速度模型。本申请的方法基于局部倾角估计，能够根据超声通道数据确定出超声波在组织的声速分布，无需计算大量射线路径的走时差，简化了超声声速的分析过程，有效提高了超声声速分析效率。同时，基于局部倾角得到的叠加速度谱相较于常规叠加速度谱的分辨率更高。

图11为本申请实施例提供的一种根据叠加速度谱得到叠加速度模型的方法流程图。在本申请的一个或多个实施例中，通过聚类算法和目标追踪算法，根据叠加速度谱得到叠加速度模型，包括如图11所示的步骤：

S1101：通过聚类算法提取每条叠加速度谱上的聚类中心点，得到对应的聚类中心点集合，聚类中心点用于表征关键反射面位置和对应的速度。

在一些实施例中，聚类算法可以是加速密度聚类算法，使用加速密度聚类算法可以高效提取叠加速度谱上的聚类中心点。图12为本申请实施例提供的一种叠加速度谱以及使用加速密度聚类算法得到的聚类中心点示意图，由图12可知，聚类中心点能够表征超声波在某一时刻对应的速度，且图12中的所示的三条白色曲线用于指示速度的最大变化范围，黑色曲线为叠加速度谱。其中，图12中纵坐标的时间能够反映对应的关键反射面位置。

对于叠加速度谱上的任一数据点i，定义其局部密度ρ

上述公式中，ρ

基于数据点i的局部密度ρ

在一些实施例中，可利用加速密度聚类算法通过对模型参数空间进行粗网格剖分，通过局部直方图计算局部密度ρ，并通过密度聚类得到近似聚类中心点，通过面元内的密度最高点更新聚类中心点的位置。

相较于密度聚类算法，加速密度聚类算法对其进行了一定的改进。加速密度聚类算法无需聚类个数的先验知识即可快速对数据进行聚类，从而有利于提高确定聚类中心点的效率。

S1102：通过目标追踪算法对每条叠加速度谱上的聚类中心点进行追踪，得到关键点集合，对关键点集合中的每一关键点进行插值处理得到叠加速度模型。

在确定每条叠加速度谱上的聚类中心点后，可通过目标追踪算法来追踪不同叠加速度谱上的聚类中心点，以有效地考虑临近道集的影响，从而增强速度的横向连续性，有利于提高超声速度分析的准确率。

在一些实施例中，可基于匈牙利算法和零均值归一化互相关值(zero meannormalized cross correlation，ZNCC)来进行目标追踪。具体的，可通过匈牙利算法和零均值归一化互相关值，从每条叠加速度谱上的聚类中心点中确定叠加速度谱上的追踪点，进而将每条叠加速度谱上的追踪点作为关键点，生成关键点集合，以根据关键点得到叠加速度模型。其中，关键点沿反射层位分布。

得到叠加速度模型后，可进一步根据叠加速度模型确定对应的层速度模型。

综上，通过聚类算法得到每条叠加速度谱上的聚类中心点，并通过目标追踪算法对每条叠加速度谱上的聚类中心点进行追踪，得到关键点集合，进而对关键点集合中的每一关键点进行插值处理得到叠加速度模型。由于利用目标追踪算法对不同的叠加速度谱上的聚类中心点进行追踪，有效地考虑了临近CMP道集的影响，增强了速度的横向连续性，有利于提高超声速度分析的准确率。

图13为本申请实施例提供的一种关键点集合的确定方法流程图。在本申请的一个或多个实施例中，通过目标追踪算法对每条叠加速度谱上的聚类中心点进行追踪，得到关键点集合，包括如图13所示的步骤：

S1301：获取当前叠加速度谱的追踪点集合以及较于当前叠加速度谱的下一叠加速度谱上的聚类中心点集合。

追踪点是需要进行追踪的点，对当前叠加速度谱上的追踪点进行追踪，以确定追踪点在下一叠加速度谱上的具体位置。

在一些实施例中，由于叠加速度谱是多条速度谱，可将第一条叠加速度谱上的聚类中心点集合作为该叠加速度谱的追踪点集合，以在第二条叠加速度谱上对追踪点集合包含的追踪点进行追踪，进一步确定第二条叠加速度谱上的追踪点集合。

确定第二条叠加速度谱上的追踪点集合后，在第三条叠加速度谱上对第二条叠加速度谱上的追踪点进行追踪，进一步确定第三条叠加速度谱上的追踪点集合。以此类推，直至确定最后一条叠加速度谱上的追踪点集合，结束目标追踪过程。

确定除第一条叠加速度谱上的追踪点集合的具体过程可参考步骤S1302-S1304。

S1302：计算追踪点集合到下一叠加速度谱上的聚类中心点集合的距离矩阵，并利用匈牙利算法得到与每一追踪点相匹配的下一叠加速度谱上的聚类中心点，将与追踪点相匹配的聚类中心点作为下一叠加速度谱的追踪点。

在一些实施例中，将第i个叠加速度谱S

S1303：确定当前叠加速度谱中存在的追踪点，且追踪点在下一叠加速度谱中没有相匹配的聚类中心点，并根据追踪点与下一叠加速度谱的零均值归一化互相关值对当前叠加速度谱的追踪点集合进行更新。

在一些实施例中，由于当前叠加速度谱上存在多个追踪点，下一叠加速度谱上不一定存在与每一追踪点相匹配的聚类中心点，因此此时可对当前追踪点的位置进行更新。

在一些实施例中，可利用与追踪点为中心的局部速度谱计算追踪点与下一叠加速度谱的零均值归一化互相关值，并将零均值归一化互相关值最大的点作为当前叠加速度谱的追踪点，更新当前叠加速度谱的追踪点集合。

S1304：确定下一叠加速度谱上存在的聚类中心点，且聚类中心点与当前叠加速度谱的追踪点不匹配，并根据聚类中心点更新下一叠加速度谱上的追踪点。

在一些实施例中，确定聚类中心点与下一叠加速度谱上的追踪点的最小距离，若最小距离大于预设阈值，将聚类中心点作为下一叠加速度谱的追踪点，更新下一叠加速度谱的追踪点。

由上可知，下一叠加速度谱的追踪点可包含两部分，一部分是与当前叠加速度谱上的追踪点相匹配的聚类中心点，一部分是与当前叠加速度谱的追踪点不匹配，且与下一叠加速度谱上追踪点的最小距离小于预设阈值的聚类中心点。

在另一种实施场景下，若下一叠加速度谱上存在聚类中心点与当前叠加速度谱的追踪点不匹配，且该聚类中心点与下一叠加速度谱上的追踪点的最小距离大于预设阈值时，表明该聚类中心点与其他追踪点关联较小，因此无需将该聚类中心点作为下一叠加速度谱的追踪点。

其中，预设阈值可根据实际情况进行调整，本申请对此不作限制。

需要说明的是，由于叠加速度谱为多条，因此需要重复执行步骤S1301-S1304，确定每条叠加速度谱的追踪点，完成追踪过程。图14为本申请实施例提供的一种追踪点分布情况示意图。

S1305：将确定的每一叠加速度谱上的追踪点作为关键点，生成关键点集合。

在一些实施例中，关键点集合可记为

综上，通过目标追踪算法对每条叠加速度谱上的聚类中心点进行追踪，以根据追踪后确定的关键点集合构建速度模型，从而有效地考虑了临近CMP道集的影响，增强了速度的横向连续性，有利于提高超声速度分析的准确率。

在一种相关技术中，还可以通过假设介质中的声速只在轴向上发生变化，并在声速重建过程中应用分层介质模型。这种基于分层介质模型的方法通常能够在声速随组织层变化的介质中进行较为准确的声速估计，主要应用于肝脏成像，以估计基于肝脏声速的肝脂肪分数。但是由于该方法是基于假设声速仅沿轴向变化，无法捕捉横向的声速变化，导致超声声速分析准确率较低。

基于上述问题，在上述实施例的基础上，本申请提供一个实施例，可基于上述实施例的根据CMP道集局部倾角进行叠加速度分析的方法，扩展到偏移速度分析中，以处理超声波横向变速的情况，从而提高超声声速分析的准确率。

图15为本申请实施例提供的一种基于偏移速度模型的层速度模型的确定方法流程图，如图15所示，该方法可以包括：

S1501：根据超声通道数据获取多个共偏移距道集，并计算每一共偏移距道集对应的倾角估计结果。

计算共偏移距(COG)道集的倾角估计结果，也可利用倾角估计算法进行计算。其中，倾角估计算法包括但不限于：PWD滤波器、Hilbert变换方法和倾角估计网络等。

COG道集对应的倾角估计结果可以记为：p

S1502：根据共中心点道集对应的倾角估计结果和共偏移距道集对应的倾角估计结果，获取时间偏移的走时、对应的成像点位置以及速度。

在一些实施例中，一种计算时间偏移的走时、成像点位置以及速度的计算方式如下所示：

上述公式中，τ表示时间偏移的走时，x表示成像点位置，v表示速度，t表示超声波从激发点到接收点经过的时间，p

S1503：计算基于时间偏移的走时、对应的成像点位置以及速度的联合概率密度分布的偏移速度谱。

在一些实施例中，可利用3D直方图函数计算时间偏移的走时τ、成像点位置x以及速度v的联合概率密度，进而得到对应的偏移速度谱。

S1504：根据聚类算法提取每条偏移速度谱上的聚类中心点，得到聚类中心点集合。

在一些实施例中，聚类算法可以是加速密度聚类算法，利用加速密度聚类算法提取每条偏移速度谱上的聚类中心点，可参考上述实施例利用加速密度聚类算法提取叠加速度谱上聚类中心点的具体过程，其实现原理基本一致，此处不再赘述。

图16为本申请实施例提供的一种基于聚类算法得到的时间域偏移速度模型示意图，可以看出此时速度模型的横向连续性较差。同时，图16的时间域偏移速度模型是基于图12所示的聚类中心点得到的，图16中的虚线位置可指示图12中聚类中心点对应的CMP道集的计算位置。

S1505：通过目标追踪算法对每条偏移速度谱上的聚类中心点进行追踪，得到关键点集合，对关键点集合中的每一关键点进行插值处理得到偏移速度模型。

由图16可知基于聚类算法得到的时间域偏移速度模型的横向连续性较差，因此为增强速度的横向连续性，可利用目标追踪算法来追踪不同偏移速度谱上的聚类中心点，有效考虑临近道集的影响，从而提高速度的横向连续性。

图17为本申请实施例提供的一种由关键点插值得到的时间域偏移速度模型，与图16相比而言，经过目标追踪后，图17给出的时间域偏移速度模型的横向分布更加合理。

在一些实施例中，可利用匈牙利算法以及零均值归一化互相关值对每条偏移速度谱上的聚类中心点进行追踪，得到关键点集合，可参考上述实施例利用匈牙利算法以及零均值归一化互相关值对叠加速度谱上的聚类中心点进行追踪，得到对应关键点集合的过程，其实现原理基本一致，本申请此处也不再赘述。

S1506：基于迪克斯公式，对偏移速度模型进行迪克斯反变换，得到目标介质的层速度模型。

在一些实施例中，基于迪克斯(Dix)公式，层速度模型的一种计算方式如下所示：

上式中，此时V

综上，本申请通过超声通道数据获取多个共偏移距道集，并计算对应的倾角估计结果。基于共中心点道集对应的倾角估计结果和基于共偏移距道集对应的倾角估计结果确定对应的偏移速度谱，进而根据聚类算法和目标追踪算法确定偏移速度谱对应的层速度模型。由于本申请的层速度模型是基于共偏移距道集对应的局部倾角得到的，能够捕捉到超声波横向的声速变化，相较于相关技术中假设介质的声速只在轴向上发生变化，进一步提高了超声速度分析的准确率。

图18为本申请实施例提供的一种超声速度分析装置示意图。如图18所示，本申请实施例提供一种超声速度分析装置1800，可以包括获取模块1801和处理模块1802。

获取模块1801，用于获取目标介质对应的超声通道数据，并根据超声通道数据获取多个共中心点道集；

获取模块1801，还用于利用倾角估计算法获取每一共中心点道集对应的倾角估计结果；

处理模块1802，用于根据倾角估计结果，计算激发点和接收点为零偏移距时对应的双程旅行时和速度，并计算基于双程旅行时和速度联合概率密度分布的多条叠加速度谱，双程旅行时用于表征激发点和接收点为零偏移距时，超声波从激发点到接收点经过的时间；

处理模块1802，还用于通过聚类算法和目标追踪算法，根据叠加速度谱得到叠加速度模型，并基于叠加速度模型得到超声波在目标介质中的层速度模型。

本实施例的设备，可用于执行上述所示的方法实施例，其实现原理和技术效果类似，此处不再赘述。

图19为本申请实施例提供的一种超声速度分析设备示意图。如图19所示，本申请实施例提供一种超声速度分析设备1900包括处理器1901和存储器1902，其中，处理器1901、存储器1902通过总线1903连接。

在具体实现过程中，存储器1902中存储代码，处理器1901运行存储器1902中存储的代码，以执行上述方法实施例的方法。

处理器1901的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图19所示的实施例中，应理解，处理器1901可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器1902可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线1903可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线1903可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线1903并不限定仅有一根总线或一种类型的总线。

本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述方法实施例的方法。

上述的计算机可读存储介质，可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。

本申请实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述本申请实施例中任意实施例提供的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。