企业官网建设流程全解析

简介：RF（Radio Frequency）数据是超声成像中最原始的信号形态，记录着声波在组织界面反射后的完整信息，其质量直接决定图像分辨率与诊断价值。这份资源针对超声成像学习者与信号处理研究者，提供读取与预处理 RF 数据的 MATLAB 脚本，覆盖时间序列分析、滤波去噪、FFT 时频转换、动态范围压缩等关键环节，帮助用户从原始信号到可视化超声图像快速上手。压缩包内含 1 个 m 文件，体积仅 2KB，轻量实用。已有 148 人学习下载。通过该脚本，读者可以掌握 RF 数据加载、预处理及时间序列可视化的完整思路，结合描述中的方法可进一步探索声速估计、多普勒血流分析与组织弹性成像等高级应用，适合作为超声信号处理入门与科研验证的参考工具，脚本结构简洁，便于二次修改与功能扩展。

1. RF 超声时间序列：为什么 ReadRFdata.m 是读懂超声原始信号的第一关

RF 超声时间序列是超声成像里最接近原始物理量的数据形态。探头接收到的回声电压没有经过任何显示处理，直接落盘就是它；这份 ReadRFdata.zip 里的 ReadRFdata.m 就是专门把这类数据读进 MATLAB 的脚本。很多拿到 .raw 文件的人第一反应是 imshow，结果看出一片噪声，其实不是数据坏了，而是缺了从时间序列到图像的那几步。它适合做超声成像课题、医学信号处理作业的工程师和研究生。别指望一个脚本能直接输出 B 超图，它只是把数据从黑匣子里取出来，后面的滤波、包络检波、动态范围压缩还得自己接。

2. RF 数据与显示图像的差距：从探头电压到 MATLAB 矩阵的完整链路

2.1 RF 信号、IQ 数据和 B 超图像：三者差在了相位

做超声成像的人常把 RF、IQ、B 模式图像混着叫，但三者的信息量差一个层级。RF 是探头收到的原始电压序列，中心频率通常在 3.5 MHz 到 10 MHz 之间，采样率按奈奎斯特条件一般取中心频率的 4 到 8 倍。IQ 数据是 RF 经过正交解调后的基带复数形式，采样率可以降下来，但相位信息完整保留。B 超图像则是把 RF 或 IQ 做包络检测、对数压缩、扫描转换之后的结果，相位信息已经丢光了。

所以当你手里只有 B 超图时，多普勒血流方向、组织弹性这类需要相位信息的分析基本没法做。RF 时间序列的价值就在这：它在固定扫描位置连续采集多帧，每一帧都是一个（采样点 × 扫描线）的矩阵，第三维是时间。ReadRFdata.m 这类脚本的实质工作，就是把这个三维矩阵从二进制文件里还原出来。

这里要强调一个常见误区：不要把 RF 时间序列和普通的生理时间序列混为一谈。心电、脑电是一维标量随采样时刻变化，而 RF 时间序列是「每个采样深度、每条扫描线都各自有一条随帧号变化的时间曲线」。后面做 LSTM 输入时，这个结构直接决定你怎么 reshape。

2.2 读取 RF 文件前的四个假设：尺寸、字节序、交错方式和头部长度

在跑脚本之前，必须先确认文件的原始存储约定。常见做法是先用一个小工具把文件头 256 字节 dump 成十六进制，看有没有 ASCII 关键字段；没有的话，就得按采集设备的参数反推。四个关键假设是：

1. 每帧由 samplesPerLine × numLines 个采样点组成；
2. 采样点一般是 int16 或 float32；
3. 数据可能按帧连续存放，也可能按扫描线交错存放；
4. 文件开头可能有自定义头，长度从几十字节到几千字节不等。

ReadRFdata.m 能帮上忙的前提是你已经知道前两个值。一般会先看采集软件导出的配置，或者用下面这段 MATLAB 试探文件长度和采样点的关系：

% 先用 dir 拿到字节数，再反推帧数 info = dir('rf_data.raw'); bytes = info.bytes; samplesPerLine = 4096; % 每条线采样点，由 AD 时钟和成像深度决定 numLines = 128; % B 模式一帧的扫描线数 headerBytes = 0; % 未知时先置 0，有余数再改 frameBytes = samplesPerLine * numLines * 2; % int16 每样本 2 字节 numFrames = floor((bytes - headerBytes) / frameBytes);

这段代码的逻辑是：从总字节数里减去可能的头部，再除以一帧的字节数，得到合法帧数。参数说明里，headerBytes 需要你从文件头分析得到；置 0 时，如果算出的 numFrames 带小数、或者乘回总字节数对不上，就说明文件确实有自定义头，或者 samplesPerLine 不是你以为的值。算出来的 numFrames 如果能与采集时设置的帧数互相印证，脚本的读法才可靠。

2.3 从单帧到时间序列：第三维的物理含义

很多超声设备支持「高帧率序列采集」。心脏这类运动组织，帧率通常是 30 到 100 fps；剪切波弹性成像则要求数千 fps。第三维的物理含义就是慢时间（slow time），它对应组织随时间的运动，而第一维是快时间（fast time），对应声波在深度方向往返的时间差。

读入之后，rf(: , :, 1)是第一帧、rf(:, 64, 3)是第三帧第 64 条扫描线。想要观察某个深度点的波形随帧号变化，直接squeeze(rf(depthIndex, lineIndex, :))。但要提醒一句：慢时间的采样率是帧率，不是 AD 采样率。做多普勒 FFT 时用的窗口，是沿第三维切出来的，千万不要和第一维混在一起。

3. 把 RF 时间序列读进 MATLAB：ReadRFdata.m 的 reshape 逻辑与参数校验

3.1 三个核心参数：采样率、扫描线数、成像深度怎么联动

读取脚本能不能一次跑对，取决于填入的三个参数：采样率 fs、扫描线数 numLines、每条扫描线采样点数 samplesPerLine。它们之间的关系是：

samplesPerLine 的估算公式是：

depth = 0.10; % 成像深度 10 cm c = 1540; % 软组织声速 m/s fs = 40e6; % AD 采样率 Hz samplesPerLine = ceil(2 * depth / c * fs);

这个公式来自声波往返时间。深度 10 cm、声速 1540 m/s 时，往返时间约 130 微秒，按 40 MHz 采样就是约 5200 个点。实际操作中，设备往往按最大深度固定一个长度，常见的 4096、5120 都可能出现。如果脚本里写死 4096，而你用的是 5120，读进来第一帧就会串入好几条线。

3.2 一次标准的读取：fopen、fread、reshape 三步

ReadRFdata.m 这类脚本最核心的部分可以收敛成一个函数：

function rf = ReadRFdata(filename, samplesPerLine, numLines, numFrames, headerBytes) % 读取原始 RF 二进制文件，返回 (samplesPerLine, numLines, numFrames) fid = fopen(filename, 'rb'); if fid == -1 error('打不开文件: %s', filename); end fseek(fid, headerBytes, 'bof'); % 跳过自定义文件头 rf = fread(fid, [samplesPerLine, numLines * numFrames], '*int16'); fclose(fid); rf = reshape(rf, samplesPerLine, numLines, numFrames); end

这里的关键点在fread的尺寸是用[samplesPerLine, numLines * numFrames]表示的。文件连续存放时，第一条扫描线的采样点连续排列，第二条紧接着开始；MATLAB 的 fread 按列填矩阵，正好一列是一条扫描线。先把二维读出来，再用reshape恢复成三维，顺序是「列优先」，也就是第一维采样点、第二维扫描线、第三维帧。如果采集设备是 float32，把'*int16'改成'*float32'，但帧字节数也要从 2 改成 4。

另外建议不要在脚本里直接覆盖原始变量。读取后立刻执行：

rf_raw = rf;

这样后面处理坏了还有后悔药可吃。MATLAB 里被覆盖的变量可没有撤销键，临时文件一旦被清理，就得重新解压读取。

3.3 快速校验：一帧包络图能看出 reshape 对不对

读对了不代表万事大吉，还得校验一次。最直接的办法是取第一帧，沿深度方向做包络检测，再看图像是否符合超声解剖结构：

frameEnv = abs(hilbert(double(rf(:, :, 1)), [], 1)); imagesc(20*log10(frameEnv / max(frameEnv(:)) + eps)); axis image; colormap gray; colorbar;

RF 是 int16 时，直接传给 hilbert 会丢失精度，而且直流偏置会影响包络，所以先double(rf(:, :, 1))。hilbert(..., [], 1)里的第三个参数表示沿第一维操作，也就是沿深度方向做解析信号变换。如果 reshape 正确，这张图应该有明显的深浅层次，组织边界是连续曲线；如果看到斜向条纹、整块错位，多半是 samplesPerLine 或 numLines 填反了。没有 Signal Processing Toolbox 时，可以退而求其次做滑动 RMS 近似包络，但相位精度比不上希尔伯特，后面做多普勒就别省这个工具箱。

4. 从滤波到灰度映射：RF 时间序列变成超声图像的四个处理环节

4.1 带通滤波：去掉带外噪声再谈信号

原始 RF 信号里除了组织回声，还有探头振铃、电路热噪声和低频漂移。直接做包络检测，噪声会被一起放大，图像看起来脏。标准做法是先做一个以中心频率 fc 为中心的带通滤波器，带宽一般取 fc 的 40% 到 80%：

fs = 40e6; % AD 采样率 fc = 5e6; % 探头中心频率 fbw = 0.6 * fc; % 带宽 3 MHz [b, a] = butter(4, [(fc - fbw/2) / (fs/2), (fc + fbw/2) / (fs/2)], 'bandpass'); rfLine = double(rf(:, 64, 1)); rfLineF = filtfilt(b, a, rfLine); % 零相位滤波，避免时间延迟

butter(4, ...)设计的是 4 阶巴特沃斯滤波器，括号里的截止频率必须归一化到奈奎斯特频率 fs/2 的 0 到 1 区间。计算带外噪声的幅度时，用filtfilt比filter稳。filter有相位延迟，会在包络峰值位置上偏移几十个采样点；filtfilt双向滤波消除相位偏差，代价是计算量翻倍，处理大矩阵时要注意内存。

如果发现滤波后的信号幅度整体变小，先检查归一化截止频率是不是写错了。比如 fc=10 MHz、fs=20 MHz 时，上限已经顶到奈奎斯特频率，带通滤波器会变得很尖，甚至数值不稳定。

4.2 包络检测：为什么要用希尔伯特而不是直接取绝对值

RF 信号是高频载波乘以组织反射系数，直接看波形，正负交替非常快。取绝对值只能得到半个周期的脉冲，仍然带着载波振荡，放到图像上就是条纹状伪影。希尔伯特变换构造解析信号后，取模得到的是瞬时幅度包络，这才是 B 超需要的低频幅度信息：

envLine = abs(hilbert(rfLineF)); plot((0:length(envLine)-1)/fs*1e6, envLine); xlabel('时间/us'); ylabel('包络幅度');

包络峰值对应组织界面的强反射，宽度由脉冲长度决定，而不是由载波周期决定。想看中心频率是否漂移，可以在滤波后做一次 FFT：

f = (0:1023) / 1024 * fs; plot(f, abs(fft(rfLineF, 1024))); xline(fc, '--');

这里补零到 1024 点只是为了画图平滑，不是提高频率分辨率。如果频谱峰值明显偏离 fc，可能探头中心频率和标称值不一致，也可能滤波器的中心频率设错了。

4.3 对数压缩与灰度映射：动态范围参数怎么调

组织回声强度跨度很大，最强反射和最弱散射之间可以相差 60 到 80 dB，线性灰度早就饱和了。所以要把包络幅度转成对数尺度，再做灰度映射：

env = abs(hilbert(double(rf(:, :, 1)), [], 1)); dB = 20*log10(env / max(env(:)) + eps); dB(dB < max(dB(:)) - 45) = max(dB(:)) - 45; % 45 dB 显示窗 img = uint8(255 * (dB - min(dB(:))) / (max(dB(:)) - min(dB(:)))); imshow(img);

这段代码里，20*log10 把幅度比换算成 dB；eps为了防止取对数时出现零。45 这个参数是显示动态范围，它决定你保留多少弱的散射信号。调到 60，图像里能看到大量斑点噪声，但微弱组织的边界也更清楚；调到 30，图像干净，但浅表弱回声可能直接消失。实际调试时，我会先设 50，再根据浅表区域和深部区域的对比度微调 5 到 10 dB。

5. 避坑指南：RF 时间序列读取与成像的五个常见翻车点

5.1 reshape 出斜条纹：帧交错方式搞反了

现象：按前面脚本读出来，单帧包络图是一堆斜向条纹，组织边界是断裂的，甚至图上能看到明显接缝。

原因：fread 按物理文件顺序填矩阵，但采集设备有时不是「帧内逐线连续」存储，而是把多帧数据按「帧间交错」存放。先存每一帧的第一条扫描线，再存第二条。这样直接用 [samplesPerLine, numLines * numFrames] 读，每一列里混了不同帧的数据。

解决：先看采集软件有没有「interleaved」这个选项；有的话，读入后需要按帧做一次 permute。常见做法是先读成二维矩阵，再重排三维顺序：

tmp = fread(fid, [samplesPerLine, numLines * numFrames], '*int16'); rf = reshape(tmp, samplesPerLine, numLines, numFrames); % 若出现斜纹，尝试换顺序： rf = permute(reshape(tmp, [numFrames, numLines, samplesPerLine]), [3 2 1]);

不要死记某一种顺序，要以第 3.3 节的包络图能否出现连续光滑边界为准。每换一种组合就重画一次，哪个维度组合能出正常结构，就用哪一种。

5.2 满屏噪声或全 0：字节序和采样位数不对

现象：读出来的矩阵最大值只有个位数，或者全是 ±1 的假脉冲，包络图看不出任何组织层次。

原因：文件可能是 16 位小端格式，脚本却用了'*int8'；也可能是大端字节序，fread 默认按本机小端解析，于是每个采样点的两个字节被交换，幅值变成随机数。

解决：明确指定字节序：

rf = fread(fid, [samplesPerLine, numLines * numFrames], '*int16', 'ieee-le');

不确定时，读入前先看文件前 8 个字节：如果十六进制是5831 7A2B这种明显高低字节交换过的样子，就把ieee-le改成ieee-be。换一次字节序，包络峰值位置和幅度都会恢复正常。

5.3 包络图横向拉丝：希尔伯特沿错了维

现象：包络图看起来是一行一行横向条纹，深度方向反而没有纹理，边界全部模糊。

原因：hilbert(frame)不指定维度时，默认沿第一个非单一维度操作。RF 矩阵第一维是深度采样点，第二维是扫描线；如果你写成hilbert(double(rf(:, :, 1)))，MATLAB 沿第二维做解析信号变换，等于把相邻扫描线的相位信息混进了包络。

解决：强制沿深度维：

envFrame = abs(hilbert(double(rf(:, :, 1)), [], 1));

多帧循环里同样要写全第三个参数。这一点对时间序列尤其重要，因为每帧都要做一次包络，循环体里很容易因为图省事漏掉维度参数，结果整批帧都错。

5.4 文件长度算不清：自定义头和数据尾

现象：numFrames 算出来带小数，或者读到最后一帧时 fread 报错，说文件已经到末尾。

原因：采集端在前面写了配置头，尾部还附带了时间戳或 CRC 校验字段。只按数据长度整除，当然对不上。

解决：先用 dir 拿总字节数，再尝试减去不同的 headerBytes，直到整除：

bytesNoHeader = info.bytes - headerBytes; framesExact = bytesNoHeader / (samplesPerLine * numLines * 2);

如果 framesExact 不是整数，就拿floor的结果做帧数，并接受最后一帧之后可能还有几个字节的尾部数据。更稳的做法是让采集软件直接导出带明文头的格式，比如 Verasonics 的 .bin 就有完整配置头；头解析不对时，先用十六进制工具确认头长度，而不是反复试 numFrames。

5.5 处理完的临时变量把原始数据覆盖了

现象：调试到一半，发现 rf 已经被滤波后的数据覆盖，想重新看原始波形，只能从头解压。

原因：脚本里写了rf = filtfilt(b, a, rf)这种原地操作，MATLAB 工作区又没有备份。

解决：读取后立刻留底：

rf_raw = rf; % 备份原始数据

之后的滤波、包络、压缩全部写到新变量名里，比如rf_filt、envSeq。如果内存吃紧，也可以只保存原始文件路径和读取参数，需要原始数据时重跑一次读取函数；这比重下整个压缩包快得多。

6. 进阶验证：用合成 RF 信号测试脚本，再谈 LSTM 时间序列预测的入口

6.1 没有实测数据时，先造一个已知答案的 RF 序列

新拿到一个读取脚本，最怕的是连数据本身是不是坏的都不知道。我的习惯是先合成一条 RF 信号，把峰值位置算出来，再用脚本读真实的 .raw，对照包络峰值是否符合同样的物理规律。

fs = 40e6; fc = 5e6; N = 4096; t = (0:N-1)' / fs; centerDelay = 10e-6; rfSynth = cos(2*pi*fc*t) .* exp(-((t - centerDelay).^2) / (2*(0.5e-6)^2)); envSynth = abs(hilbert(rfSynth)); [~, idx] = max(envSynth); fprintf('包络峰值在 %.2f us，应约为 %.2f us\n', idx/fs*1e6, centerDelay*1e6);

高斯包络的中心时刻就是回波延时，合成信号跑通后，再拿真实 RF 数据走同样的包络流程。如果真实数据的第一条线看不出明确的脉冲峰值，就要回头检查 5.1 到 5.4 的任何一个环节。这个方法不挑设备，所有 RF 数据都能用。

6.2 RF 时间序列特征怎么给 LSTM 用

ReadRFdata.m 读出来的是三维矩阵，但 LSTM 的输入通常是（序列长度 × 特征维度）的二维矩阵。常见做法是把每帧的扫描线维度压缩成一个特征向量：取固定一条线，或者取所有线的平均包络。

seqData = zeros(numFrames, samplesPerLine); for k = 1:numFrames envFrame = abs(hilbert(double(rf(:, :, k)), [], 1)); seqData(k, :) = mean(envFrame, 2); % 每帧一条深度包络特征 end

这样组织出来的 seqData，每一行是一帧，列是深度位置；直接可以接sequenceInputLayer和lstmLayer做时间序列预测或异常检测。注意一点：平均包络已经丢掉了相位信息，做血流多普勒、组织弹性这类任务不能用这个特征，应该改用 IQ 数据或复数 RF 的相位项。从那以后，我每次拿到新的 RF 数据集，都会先跑一遍第 6.1 节里的合成对照，再读真实文件，确认 reshape 和包络峰值都对得上才开始下面的处理。希望帮到你。

本文还有配套的精品资源，点击获取