1. 研究目的与意义
血管内超声(ivus)图像序列的分割对冠状动脉疾病的临床诊断和治疗有着重要意义。首先分析ivus图像的成像过程及其特点，然后介绍了近年来提出的典型ivus图像序列分割方法，给出了这些方法的基本原理，并对其优缺点进行分析，最后展望了该领域的研究发展方向。
血管内超声(intra vascular ultrasound，ivus)是近年来应用于临床诊断血管病变的一项新技术，它是无创伤的超声技术和有创伤的导管介入技术相结合的新型诊断方法，不仅能够反映血管内腔的变化，同时也能反映含斑块在内的管腔横断面结构、血管壁厚度、形态以及斑块成分(包括钙化、纤维化、脂质池的有无)等，目前已成为冠心病诊断的弥补影像技术。尽管x射线冠状动脉造影也能提供血管解剖结构的二维信息，但是它只能反映血管腔被造影剂充填后的投影轮廓，是根据造影剂充盈缺损影像来诊断的。所以在我们今后的研究过程中研究类似这样的课题可以更多的和我们的生产实际相结合，最大程度的将所学和实际相联系。
2. 国内外研究现状分析
1. 周姜滨, 袁建平, 罗建军等[1]提出一种基于联邦滤波的sins/gps全组合导航系统方案,推导了姿态角误差和平台失准角之间的变换关系,建立了sins/gps全组合导航系统数学模型,最后采用联邦滤波算法进行组合导航仿真计算。
2. 陈远, 于兴旺, 叶聪云等[2]提出一种基于多特征自适应融合的mean shift 跟踪方法，该方法将多个特征通过线性加权的方式集成于mean shift 跟踪中，在各个特征的似然图特征空间中利用fisher 准则度量每一特征对目标与背景的可分性，进而在跟踪中建立基于可分性的多特征的权值自适应机制，实现目标在变化场景下的特征自适应综合。
3. 马颂德, 张正友[3]利用adaboost 组合弱分类器实现特征自适应融合，并产生置信图，在置信图上利用meanshift 跟踪目标，该方法虽然提高了mean shift 跟踪的鲁棒性，但是它的实时性较差。
3. 研究的基本内容与计划
目前，关于mean shift 算法的基础研究主要有三个方面：mean shift 算法的形式、带宽参数的选择、算法的收敛性。同时，mean shift 算法已广泛应用于聚类分析、目标跟踪、图像分割、图像平滑、滤波、图像边缘提取等领域，而且基于mean shift 算法的运动目标跟踪技术已经成功地应用于对实时性要求较高的目标跟踪领域中。图像分割是图像处理的基础领域之一，是图像视觉分析和模式识别的前提，而分割效果会直接影响到图像分析、识别和解释的质量，所以对于图像分割方法的研究具有重要意义。经典的图像分割方法有阈值法、区域长法、松弛法、边缘检测法、分裂合并法等。现代流行的方法有神经网络法、小波变换分割法和模糊聚类法等。当前也有很多关于图像分割方法及其应用的研究。
mean shift 算法已广泛地应用于图像分割领域，它按照概率密度梯度方向进行搜索，可快速地搜索到概率密度函数的模式点，具有快速性和准确性。然而算法也存在一个缺陷，即带宽参数的选取会直接影响到算法的收敛速度和收敛结。为解决这一问题，本文提出了一种可自动搜索优化带宽参数的策略。
4. 研究创新点
更多的将数学的理论运算和计算机图像跟踪处理结合起来，让我们在超声血管图像定位上有了新的途径，也有了一种更为行之有效的途径，是一次多种学科共同结合形成的新成果，并且可以取得比较好的实际效果。
1. 该算法利用多个视图的颜色核函数直方图的加权组合作为目标模型进行mean shift 跟踪。
