基于多尺度自適應的近紅外手肘靜脈提取算法

朱翔翔，郭永洪

基于多尺度自適應的近紅外手肘靜脈提取算法

朱翔翔，郭永洪

（中國計量大學機電工程學院，浙江 杭州 310018）

由于成像質量不高，光照強度不均勻，皮下脂肪較厚等因素，近紅外手肘靜脈圖像對比度較低，不易提取到清晰的靜脈結構。針對該問題，本文提出了一種基于Hessian算子的多尺度自適應靜脈濾波提取方法。該方法通過改進的多尺度自適應濾波器從對比度限制自適應直方圖均衡化（Contrast-Limited Adaptive Histogram Equalization，CLAHE）增強后的圖像中提取靜脈。新的濾波器結構能夠根據輸入圖像自適應地確定濾波器參數，在提取靜脈的同時抑制噪聲。實驗結果表明該方法可以有效地獲得清晰完整的靜脈結構，具有更強的去噪和增強效果以及更高的準確率。

手肘靜脈圖像；CLAHE；Hessian矩陣；多尺度自適應濾波；靜脈提取

0 引言

手肘靜脈是進行靜脈穿刺、注射藥物、臨床抽血化驗的最常用靜脈之一。一方面不同的患者皮下脂肪厚度不同，靜脈粗壯程度不一，醫務人員穿刺經驗少，容易造成靜脈穿刺失??；另一方面隨著自動化產業的發展，自動化注射將成為可能。因此能夠提取到脈絡清晰的靜脈圖像至關重要。本文利用血管中的血紅蛋白對850nm左右的近紅外光具有良好吸收的特性[1]，通過波長為850nm的近紅外光照射手肘表面，利用帶有紅外濾光片的攝像頭采集手肘靜脈圖像。

皮下脂肪較厚，成像質量不高等問題，使得靜脈與皮膚之間的對比度不高，靜脈邊緣輪廓不明顯，為了更加有效地獲取可靠的靜脈信息，靜脈血管圖像增強，結構提取成為研究熱點。朱叢虎[2]等人通過加權疊加的方式，將形態學處理和對比度限制自適應直方圖均衡后的圖像分別乘以不同的系數之后疊加，對手背靜脈圖像進行增強。鄭均輝[3]等人使用改進的Niblack算法對CLAHE增強之后的手指靜脈圖像進行分割，提取到了清晰脈絡的指靜脈圖像。Chakraborti T[4]等人提出了一種自適應匹配濾波器，用于提取眼底血管，并取得了一定的效果。盡管這些方法都能夠在不同層度上對血管進行提取，但這些方法沒有考慮到血管直徑大小不一，即這些方法只進行了單一尺度的操作,具有一定的局限性。Hessian矩陣方法在數字減影血管造影（Digital Subtraction Angiography，DSA），電腦斷層血管攝影（Computed Tomography Angiography，CTA），磁共振血管造影（Magnetic Resonance Angiography，MRA）等醫學血管造影圖像中有著廣泛的應用[5-7]，結合線性多尺度空間理論[8-9]和Hessian矩陣特征值與不同幾何形狀的對應關系，構建適當的濾波器，對血管進行增強濾波，能夠有效的增強血管結構[10-11]。其中Frangi[12]等人提出的多尺度濾波方法是目前應用最為廣泛的基于Hessian矩陣的血管圖像增強方法之一。

在研究近紅外手肘靜脈圖像特征基礎上，本文提出了一種基于Hessian矩陣的多尺度自適應濾波的靜脈提取方法。

1 多尺度血管濾波器

CLAHE[13-15]是常用的用于提升圖像對比度的方法之一，對采集到的圖像使用該方法增強對比度。如圖1所示為經過CLAHE處理前后的圖像及其灰度直方圖。

圖1 對比度限制自適應直方圖均衡化處理圖像

靜脈提取的目的是增強圖像中的血管部分，抑制非血管區域特征，從而能夠得到清晰完整的血管結構。多尺度血管增強算法基于多尺度空間理論，在多個不同的尺度因子作用下，計算圖像中每個像素對應的Hessian矩陣，通過其對應特征值的特性，構建血管濾波器，使濾波器的參數與尺度因子相適應，進而對圖像進行濾波使血管區域得到增強，削弱甚至去除非血管區域。

Hessian矩陣能夠用于分析圖像中特定的形狀，檢測圖像方向特征，還可以根據特征值和特征向量的大小和方向計算曲率的強度和方向。對于二維圖像中某點的Hessian矩陣，較大特征值和其對應的特征向量反應出了該點領域內二維曲線最大曲率的強度和方向，較小特征值對應的特征向量反應最小曲率的強度和方向。因此可以根據Hessian矩陣特征值的大小來建立合適的濾波器，用于提取管狀結構的血管，過濾掉非管狀的結構。

由于手肘靜脈圖像中，靜脈直徑存在變化，不適合采用在單一尺度下的增強方法。多尺度空間理論可用于表示同一空間不同尺度的信號特征。在該理論基礎上，將Hessian矩陣的差分運算與高斯函數結合，即求解Hessian矩陣的二階微分運算轉換為原始圖像數據與高斯函數二階導數的卷積：

式中：為輸入圖像矩陣；偏導矩陣；二元高斯函數為：

式中：為高斯函數的標準差，同時也是尺度空間理論中的尺度因子。

二維圖像中像素點()的Hessian矩陣定義為：

式中：I，I，I，I分別為圖像的高斯二階導數，其中I＝I，利用其特征值1,2，（|1|≤|2|）可以構建增強濾波器。其中，濾波器的局部特性分析窗口的半寬為3，若血管的直徑小于窗口的寬和高，那么具有管狀的血管結構的Hessian矩陣特征值為|1|≈0，|1|?|2|。特征值與圖像中不同的幾何結構中的對應關系如表1所示。

表1 兩個特征值與圖像中不同幾何結構的對應關系

(Note: H=high, L=low, N=Noise(generally small values), +/- sign for eigenvalues and they were sorted by|1|≤|2|)

借由表中的對應關系Frangi等人給出了兩個用于定義特征值的算子：

進而提出了血管增強濾波函數為：

式中：濾波器響應為(,;)，其取值范圍為0≤(,;)≤1。，為影響B和的比例因子。

對于線性管狀結構，當尺度因子與血管直徑相等的時候，濾波器的響應最大，因此要使得血管部分被加強，盡量使得尺度因子與想要被增強的血管直徑相匹配，通過迭代尺度因子獲得該尺度下濾波器的最大響應，然后篩選出同一像素點在不同尺度因子作用下的最大響應作為最終的輸出，如式(6)所示：

2 多尺度自適應血管濾波器

在對圖像進行CLAHE增強之后，圖像中血管部分得到加強，但同時由于該操作將圖像中的灰度拉伸使得噪聲被放大。通過Frangi濾波器增強之后，盡管能夠提取到血管圖像，但依然帶有較多的噪聲（灰度值翻轉后的圖像中更加明顯）。如圖2所示為不同參數作用下Frangi濾波后的效果。

Frangi濾波器中的比例因子和沒有標準的取值協議，大多數情況下根據應用背景經過反復的實驗給出。由文獻[5]給出的結果當中，可取固定值0.5，而比例因子需要根據進行濾波的圖像灰度范圍得到。通過改變比例因子的值，可以使得濾波器的濾波半徑發生變化，對比圖2(a)，圖2(c)，圖2(e)可以發現隨著取值的增大，濾波器的輸出變小，血管結構逐漸變的模糊，對比圖2(b)，圖2(d)，圖2(f)可以觀察到隨著取得的值逐漸增大，圖像中的噪聲慢慢減少。因此在多尺度濾波過程中，將設置為某一固定值是不合適的，這會限制濾波器的帶寬，在不同圖像輸入的情況下無法得到較好的濾波增強效果，因此需要一個能夠隨著輸入圖像灰度范圍以及在多尺度迭代過程中自適應改變的比例因子。針對Frangi濾波器應用于近紅外手肘靜脈圖像存在的這些不足，本文提出了一種改進的多尺度濾波方法，濾波函數為：

在血管區域上，沿著血管方向上的像素灰度值變化不明顯，相對應的該方向上的特征值的絕對值|1|為較小值（接近于0），相反垂直于血管方向上的灰度值變化較為明顯，因此|2|為較大值。近紅外血管圖像中，血管通常是明亮背景下的較暗結構，因此根據表1中的2＜0，對應的是較亮的結構，此時將濾波器響應設置為0，能夠有效地去除圖像背景，同時可以將手肘上的皮膚和肌肉組織等圖像去除。

對于式(7)中2≥0的部分，第一項用于增強血管結構，其中B＝|1|/|2|，當在血管區域時B取得較小值，第一項整體取得較大值，利用兩個特征值在不同的幾何形狀上對應的數值大小關系，通過其比值所構成的算子B可以用于增強血管區域，削弱非血管部分，使得整體的血管結構更加清晰。

第二項中的＝(12＋22)為Hessian矩陣的二范數，即為Hessian矩陣在當前尺度因子作用下的模，并且隨著尺度因子的變化，也會發生相應的變化。當為較小值時，高斯函數的濾波半徑較小，對應的為較小值，濾波器對直徑較小的血管有著較好的增強效果；當為較大值時，高斯函數的濾波半徑較大，對應的為較大值，濾波器對直徑較大的血管有著較好的增強效果。并且在相同尺度因子作用下，的值隨著不同幾何結構所對應的特征值發生變化，在非血管位置取得相對較大的值，能夠有效地抑制非血管結構。

第二項中的為能夠自適應調整的比例因子，可以控制濾波器對不同尺度下的輸出大小，值越大，濾波器對該部分的抑制強度也就越大。參數的取值與輸入圖像的灰度范圍有關，灰度范圍越大，相應的值就為一個較大的值，反之，灰度范圍越小，取一個較小的值。通過統計原圖像灰度直方圖中像素點在各灰度級中的分布來獲得該圖像的灰度范圍，即統計直方圖中像素個數不為0的灰度級個數rank，且0≤rank≤255，則參數為式(8)所示：

＝rank/(7)

式中：為當次迭代的尺度因子，值隨著每次迭代取得不同的值；當為較小值時，能夠取得相對較大的值，可以加強濾波器在濾波尺度較小時對小尺寸形狀的抑制作用，即加強對非血管部分的噪聲的抑制。在近紅外血管圖像中，通過CLAHE增強之后的血管的直徑比噪點的直徑大的多，因此并不會對較小尺寸的血管產生影響。隨著迭代次數的增加，值逐漸增大，也隨著減小，使得直徑較大的血管得到更好的加強。

第三項內容主要用于加強在血管位置上濾波器的響應，提高濾波器輸出血管結構的對比度。其中＝(22－12)1/2，當輸入像素點為血管位置時，能夠取得相對較大的值；輸入像素點為非血管區域時，取得相對較小值，可增大血管區域與背景區域之間像素值的方差，用于增強血管結構與非血管結構的對比度，為比例因子用于控制算子在濾波器輸出中所占的比例。

3 實驗結果

本文所述近紅外手肘靜脈圖像濾波增強算法實現流程如圖3所示，在該算法中，尺度因子的迭代范圍為[1,10]，迭代步長D＝2比例因子設置為0.5。

實驗所采用的計算機硬件配置為英特爾i7-7700hq，CPU頻率為2.8GHz，8GB內存，1TB＋128GB硬盤，4GB顯存gtx1050顯卡，開發環境為Visual Studio Ultimate 2013。圖像通過850nm近紅外光照射，用帶有紅外濾光片的攝像頭在實驗室內拍攝，其中濾光片中心波長為850±10nm，峰值透射率＞86%。采集到的圖像為640×480的8位圖像。

比例因子由輸入圖像的灰度范圍與每一次迭代的尺度因子的比值得到，通過該參數能夠使濾波器在每一次迭代過程中，增強該尺度下的血管區域，抑制噪聲。如表2所示為迭代過程中比例因子取值的變化。

圖3 靜脈提取流程圖

表2 不同尺度因子作用下d的取值

對于比例因子為一經驗值，其取值為20，50和80的圖像如圖4所示。

對比圖4(a)，圖4(b)可以發現當的取值過小時，血管中心會出現空洞，影響血管圖像質量；對比圖4(b)和圖4(c)，當的取值過大時，血管部分清晰度降低。對于不同的圖像實驗中采集了15人左右手各5幅一共150幅手肘靜脈圖像進行測試，當和設置為固定值即＝0.5，＝50均可取得較為理想的結果。如圖5所示為本文算法在不同手肘靜脈圖像上運行的效果。

圖4 w取不同值時算法輸出圖像

圖5 不同圖像上算法運行效果

如圖6所示為本文算法與Frangi算法的對比圖，圖6(a)為Frangi算法結果圖，圖6(c)為本文算法結果圖。在圖6(a)和圖6(c)中可以觀察到與Frangi算法相比本文算法能夠增強像素點在血管位置的輸出從而提高靜脈結構的清晰度。圖6(b)和圖6(d)為對兩種算法處理后的結果圖像采用閾值分割后的圖像，其中閾值分割方式為自適應閾值分割，自適應方法為領域加權和，領域大小為25×25，權重為一個高斯窗口。對比圖6(b)與圖6(d)可以發現，圖6(b)中在靜脈周圍依然存在著較多的噪點，以及非血管區塊，圖6(d)中的噪聲得到抑制。

圖6 本文算法與Frangi算法對比圖

如圖7所示為本文算法與其他靜脈提取算法的對比圖像，其中圖7(a)為手肘靜脈圖像原圖，圖7(b)為原圖像經過CLAHE增強之后的圖像。圖7(c)為文獻[3]中靜脈分割提取方法，其中Niblack分割的窗口為25×25。觀察圖7(c)可以發現圖像中存在大量的噪聲，并且有部分靜脈丟失。圖7(d)為文獻[16]中所述方法，根據靜脈的灰度值特征對圖像進行分割提取靜脈，可以發現該方法容易導致靜脈段的缺失。圖7(e)為本文提出的多尺度自適應增強濾波經過閾值分割之后的圖像，能夠提取到完整的靜脈。

利用上文中所述的圖像采集方法，在實驗室中采集了30幅共15人（其中男性10人，女性5人，年齡在20～45之間）左右手肘部位的近紅外圖像，通過labelme圖像標注工具將靜脈及手臂輪廓進行標注并將其填充為黑色，其余部分填充為白色。如圖7(f)所示為圖7(a)手動提取的靜脈圖像。將手動提取的手肘靜脈圖像作為標準進行對照實驗。對比了幾種血管增強方法和本文采用的多尺度自適應增強濾波方法，以算法耗時，準確率，過分割率，欠分割率，在這部分樣本中進行實驗取其平均值進行評估。準確率表示靜脈提取圖像中正確提取到的靜脈像素與標準靜脈圖像中的重疊像素面積和標準圖像中準確的面積相除。過分割率表示靜脈提取圖像中存在但標準圖像中不存在的這部分像素面積和靜脈提取圖像中靜脈像素面積相除。欠分割率為標準圖像中存在但靜脈提取圖像中不存在的這部分面積和靜脈提取圖像中靜脈像素面積相除[17-18]。表3所示為幾種算法的對比結果。

表3 幾種血管圖像增強效果對比結果

(Note: Method 1 is an improved NIBLACK method, which is derived from reference[3]. Method 2 is a vein gray value feature segmentation method, which is derived from reference[16])

從以上結果中分析可知，本文方法有更高的準確率，較低的欠割率，能夠將靜脈結構提取完整，但在算法耗時上稍遜于Frangi算法，過割率上略高于文獻[16]中靜脈灰度值特征分割的方法，后續還需對算法耗時進行優化，同時增強算法的去噪能力。

4 結束語

為了能夠獲得更加清晰的手肘靜脈圖像，輔助臨床穿刺治療以及對未來能夠實現自動化注射的美好展望，本文提出了一種基于Hessian矩陣的多尺度自適應近紅外手肘靜脈濾波提取算法，首先對手肘靜脈圖像使用對比度限制自適應直方圖均衡方法改善近紅外手肘圖像低對比度的特點，但與之而來的是大量的噪聲，增加了對靜脈血管提取的難度。在此基礎上，本文構造了基于Hessian矩陣的多尺度自適應濾波器對肘部靜脈圖像進行濾波增強。新的算法通過結合輸入圖像自身的灰度范圍以及當次迭代的尺度因子能夠自適應的調整濾波器參數，避免了對不同輸入圖像采用同一固定參數，在增強血管的同時有效地抑制了噪聲。并且針對濾波器響應與圖像背景區分不夠明顯的問題，在濾波器中增加了對比度增強的設計。由實驗結果得出，本文算法有較高的提取準確率，能夠提取到更完整的靜脈結構。

[1] 李威, 苑瑋琦. 不同波長近紅外光下手掌靜脈圖像質量分析[J]. 計算機工程與應用, 2011, 47(30): 15-18.

LI Wei, YUAN Weiqi. Image quality analysis of palm veins under different wavelengths of near-infrared light[J]., 2011, 47(30): 15-18.

[2] 朱叢虎, 王華彬, 陶亮. 低對比度手背靜脈圖像的增強和分割[J]. 計算機技術與發展, 2011, 21(5): 52-55+59.

ZHU Conghu, WANG Huabin, TAO Liang. Enhancement and segmentation of low-contrast dorsal vein image[J]., 2011, 21(5): 52-55+59.

[3] 鄭均輝, 甘泉. NIBLACK 改進算法在手指靜脈識別中的應用研究[J]. 微型電腦應用, 2015, 31(5): 36-38.

ZHENG Junhui, GAN Quan. Research on Application of Improved NIBLACK Algorithm in Finger Vein Recognition[J]., 2015, 31(5): 36-38.

[4] Chakraborti T, Jha D K, Chowdhury A S, et al. A self-adaptive matched filter for retinal blood vessel detection[J]., 2015, 26(1): 55-68.

[5] YANG J, MA S, SUN Q, et al. Improved Hessian multiscale enhancement filter[J]., 2014, 24(6): 3267-3275.

[6] SUN T, SUN N, WANG J, et al. Iterative CBCT reconstruction using Hessian penalty[J]., 2015, 60(5): 1965.

[7] ZHU C, WANG X, CHEN S, et al. Automatic centerline extraction of cerebrovascular in 4D CTA based on tubular features[J]., 2018, 63(12): 125-129.

[8] LIU J, FANG N, XIE Y J, et al. Scale-space theory-based multi-scale features for aircraft classification using HRRP[J]., 2016, 52(6): 475-477.

[9] WANG H, JIANG Y, JIANG X, et al. Automatic vessel segmentation on fundus images using vessel filtering and fuzzy entropy[J]., 2018, 22(5): 1501-1509.

[10] 丘立, 蔣先剛, 熊娟. 基于Hessian算子的多尺度視網膜血管增強濾波方法[J]. 計算機應用與軟件, 2014, 31(9): 201-205.

QIU Li, JIANG Xiangang, XIONG Juan. Multi-scale retinal vascular enhancement filtering method based on Hessian operator[J]., 2014, 31(9): 201-205.

[11] 張新紅, 張帆, 崔延斌. 基于多尺度自適應濾波的DSA血管增強[J].計算機工程與應用, 2015, 51(14): 179-185.

ZHANG Xinhong, ZHANG Fan, CUI Yanbin. DSA vascular enhancement based on multi-scale adaptive filtering[J]., 2015, 51(14): 179-185.

[12] Frangi A F, Niessen W J, Vincken K L, et al. Multiscale vessel enhancement filtering[C]//, 1998: 130-137.

[13] Gonzalez R C, Woods R E.[M]. Publishing house of electronics industry, 2002: 72-73.

[14] 張平. Opencv算法精解：基于Python與C++[M]. 北京: 電子工業出版社, 2017: 118-119.

ZHANG Pin.:++[M]. BeiJing: Electronic Industry Press, 2017: 118-119.

[15] Singh R P, Dixit M. Histogram equalization: a strong technique for image enhancement[J]., 2015, 8(8): 345-352.

[16] 王定漢, 馮桂蘭, 王雄, 等. 基于靜脈灰度值特征的圖像分割算法研究[J]. 光電工程, 2018, 45(12): 15-21.

WANG Dinghan, FENG Guilan, WANG Xiong, et al. Research on Image Segmentation Algorithm Based on Vein Gray Value Feature[J]., 2018, 45(12): 15-21.

[17] Pont-Tuset J, Marques F. Supervised evaluation of image segmentation and object proposal techniques[J]., 2015, 38(7): 1465-1478.

[18] Jyothirmayi T, Rao K S, Rao P S, et al. Performance evaluation of image segmentation method based on doubly truncated generalized Laplace Mixture Model and hierarchical clustering[J]., 2017, 9(1): 41-45.

Near-Infrared Elbow Vein Extraction Algorithm Based on Multiscale Adaptive Filter

ZHU Xiangxiang，GUO Yonghong

(College of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou 310018, China)

A near-infrared elbow vein image has low contrast because of low image quality, uneven illumination intensity, and thicker subcutaneous fat. Therefore, it is difficult to extract a clear vein structure. To address this problem, a multiscale adaptive vein filtering enhancement method based on the Hessian operator is proposed. The method extracts veins from an image enhanced by contrast-limited adaptive histogram equalization with the use of an improved multiscale adaptive filter. The new filter structure can adaptively determine filter parameters based on the input image and suppress noise while extracting veins. The experimental results show that the method can effectively obtain a clear and complete vein structure, and it has stronger denoising, better enhancement effects, and higher accuracy.

elbow vein image, CLAHE, Hessian matrix, multi-scale adaptive filter, vein extraction

TP391

A

1001-8891(2020)05-0494-07

2019-04-24；

2020-04-13.

朱翔翔（1994-），男，浙江金華人，碩士研究生，研究方向為圖像處理、模式識別。E-mail:zhuxiangxiang6144@gmail.com。

郭永洪（1967-），女，副教授，博士，研究方向為檢測技術、信息管理與信息系統。E-mail: guoyonghong@cjlu.edu.cn。

國家重點研發項目（2018YFF0214700）。