如何用python实现基于概率分布的超声图像与自然图像性质差异分析这一课题，需要对比两种图像的特征有颜色，纹理，形状等，差异性分析需要设计多种，包括完整详细代码

这个问题需要一定的图像处理和机器学习知识，下面是一个大致的实现思路：

1. 数据准备：准备两组数据集，一组是超声图像数据集，一组是自然图像数据集。对于每个数据集，需要进行预处理，例如图像大小的调整，颜色空间的转换等。

2. 特征提取：对于每个图像，需要提取其颜色、纹理、形状等特征。可以使用常见的特征提取算法，如LBP、HOG、SIFT等。

3. 特征选择：从提取的特征中选择最有代表性的特征，可以使用统计分析或机器学习算法进行特征选择。

4. 模型训练：使用机器学习算法，例如支持向量机（SVM）、决策树（Decision Tree）等，对特征进行训练，得到一个分类模型。

5. 模型评估：使用测试集对训练好的分类模型进行性能评估，如准确率、召回率、F1值等。

下面是一份示例代码：

import cv2
import numpy as np
from skimage.feature import greycomatrix, greycoprops
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split

# 数据准备
def load_data():
    # 加载超声图像数据集
    ultrasound_images = []
    for i in range(1, 101):
        img = cv2.imread('ultrasound/{}.png'.format(i))
        img = cv2.resize(img, (128, 128))
        ultrasound_images.append(img)
    # 加载自然图像数据集
    natural_images = []
    for i in range(1, 101):
        img = cv2.imread('natural/{}.jpg'.format(i))
        img = cv2.resize(img, (128, 128))
        natural_images.append(img)
    return np.array(ultrasound_images), np.array(natural_images)

# 特征提取
def extract_features(images):
    features = []
    for img in images:
        # 提取颜色特征
        color_feature = cv2.calcHist([img], [0, 1, 2], None, [8, 8, 8],
                                     [0, 256, 0, 256, 0, 256])
        color_feature = cv2.normalize(color_feature, color_feature).flatten()
        # 提取纹理特征
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        glcm = greycomatrix(gray, [5], [0], 256, symmetric=True, normed=True)
        contrast = greycoprops(glcm, 'contrast')[0][0]
        energy = greycoprops(glcm, 'energy')[0][0]
        homogeneity = greycoprops(glcm, 'homogeneity')[0][0]
        correlation = greycoprops(glcm, 'correlation')[0][0]
        texture_feature = np.array([contrast, energy, homogeneity, correlation])
        # 提取形状特征
        contours, _ = cv2.findContours(gray, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        area = cv2.contourArea(contours[0])
        perimeter = cv2.arcLength(contours[0], True)
        circularity = (4 * np.pi * area) / (perimeter ** 2)
        shape_feature = np.array([circularity])
        # 合并特征
        feature = np.concatenate((color_feature, texture_feature, shape_feature))
        features.append(feature)
    return np.array(features)

# 特征选择
def select_features(features, labels):
    # 使用卡方检验选择特征
    from sklearn.feature_selection import SelectKBest, chi2
    selector = SelectKBest(chi2, k=5)
    selector.fit(features, labels)
    selected_features = selector.transform(features)
    return selected_features

# 模型训练
def train_model(features, labels):
    # 划分训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(features, labels, test_size=0.2)
    # 训练SVM模型
    svm = SVC(kernel='rbf', C=1.0, gamma=0.1)
    svm.fit(x_train, y_train)
    # 预测测试集
    y_pred = svm.predict(x_test)
    # 计算准确率
    acc = accuracy_score(y_test, y_pred)
    print('Accuracy:', acc)
    return svm

# 加载数据
ultrasound_images, natural_images = load_data()
# 提取特征
ultrasound_features = extract_features(ultrasound_images)
natural_features = extract_features(natural_images)
# 标记类别
ultrasound_labels = np.zeros(len(ultrasound_features))
natural_labels = np.ones(len(natural_features))
# 合并特征和标签
features = np.concatenate((ultrasound_features, natural_features))
labels = np.concatenate((ultrasound_labels, natural_labels))
# 特征选择
selected_features = select_features(features, labels)
# 模型训练
svm = train_model(selected_features, labels)

上面的代码中，`load_data()`函数用于加载超声图像和自然图像数据集，`extract_features()`函数用于提取图像的颜色、纹理和形状特征，`select_features()`函数使用卡方检验选择最有代表性的特征，`train_model()`函数用于训练SVM模型，并计算准确率。

需要注意的是，上述代码仅仅是一个示例，实际应用中可能需要针对具体问题进行一些调整和优化。