一種近紅外靜脈特征提取方法研究

楊 剛 徐學軍

(長沙理工大學物理與電子科學學院 湖南 長沙 410000)

0 引 言

無論是靜脈穿刺,還是中醫針灸,臨床上,醫護人員主要通過目測或經驗定位血管,但對部分血管過細、脂肪較厚或血管塌陷的特殊患者(例如兒童、體胖者、老人等),血管難以辨別,嚴重影響靜脈穿刺成功率[1]。而在中醫針灸中,醫生需要將針灸針一根一根施于患者的相應穴位中,在施針的時候,醫生用雙眼很難精確地去確定每個穴位的具體位置,同時還得避免扎錯地方,若是扎到了血管或其他要害部位,還會危害患者的健康[2-3]。為了使靜脈能夠被準確識別,人們通過光照顯影、紅外顯像、靜脈投影等輔助方式,提高靜脈精準定位。而近年來根據相關研究,主要利用近紅外成像技術,來區分靜脈和其他組織,有較好的實施效果和適用性[1],其靜脈圖像提取系統如圖1所示。

圖1 近紅外靜脈圖像提取系統

然而,基于近紅外成像技術采集的靜脈圖像,由于受到光照的不均勻性和個體差異性的影響,導致近紅外圖像出現對比度低、邊緣模糊和細節信息丟失等缺陷,造成了圖像分割后出現很多虛假的靜脈信息。因此,如何增強靜脈圖像的對比度以及將靜脈紋路與皮膚背景分割開來成為了研究的熱點。魯周迅等[4]提出了基于子直方圖均衡化算法,結合NiBlack分割方法對圖像進行靜脈提取。林劍等[5]提出了基于Hessian矩陣的靜脈圖像分割方法,通過Hessian矩陣的跡初次濾除了非靜脈區的像素點。王定漢等[6]提出基于靜脈灰度值特征的圖像分割與對比度增強算法。Malutan等[7]提出了將LLBP描述子與形態學算子相結合用于提取靜脈特征,有效地提取出了靜脈紋理特征。以上算法都取得了一定的效果,但是也存在一些不足。因此,探索新的靜脈圖像的對比度增強和分割方法是非常必要的。

由于人體靜脈特征網絡具有復雜性和方向高度隨機性,本文算法在基于方向濾波器的基礎上,首先提出多方向Gabor濾波算法進行靜脈圖像增強,然后將每個方向所得的靜脈圖像進行重組得到增強后的圖像。最后利用馬爾可夫隨機場分割方法對靜脈網絡進行分割,該靜脈特征提取流程如圖2所示。實驗結果表明,該方法能夠得到可靠有效的靜脈網絡特征。

1 靜脈圖像增強算法

靜脈沒有虹膜那么豐富的紋理,也不像指紋具有較多的細節點特征,其主要體現在具有復雜變化關系的血管網絡結構中[8]。人體靜脈特征通常要通過靜脈圖像區域分割來提取,而靜脈圖像分割的好壞會直接影響后續的靜脈特征提取質量。因此,本文提出一種基于多方向的Gabor濾波器的靜脈圖像增強算法。

Gabor濾波是一種眾所周知的特征提取方法,已在機器視覺領域得到廣泛研究和應用[9]。Gabor 濾波器對于方向和角度的表達類似于人類視覺系統對于方向和角度的表達[1],而在本文中引入的多方向Gabor濾波器目的是能夠檢測不同方向的靜脈血管。在空間域中,一般二維(2D)Gabor濾波器被定義為包含復正弦信號的高斯函數[10]。其表達式如下:

(1)

(2)

式中:G(x,y)是像素的坐標;σx、σy分別為沿著x和y方向的高斯包絡的標準偏差,xθ、yθ表示二維Gabor濾波器旋轉θ角后更新后的x、y坐標;*表示卷積運算符;f0代表二維Gabor濾波器的空間中心頻率。

Gabor濾波函數又分為實部和虛部,經研究發現,Gabor濾波器的實部也叫做偶對稱 Gabor濾波器,特別適合圖像中脊線的檢測,且增強了Gabor濾波器處理時間的有效性[1]。偶對稱Gabor濾波器如式(3)所示。

(3)

基于前人的經驗可知, 當濾波器的方向角θ個數超過8個時, 對靜脈的增強效果很差,故在選擇方向個數的時候, 通常會選擇4個或6個方向,一般來說, 利用Gabor濾波器的多個方向可以挖掘出更多的靜脈信息。然而, 選擇方向過多時會產生更多的冗余信息,這會大大降低Gabor 濾波器的性能,選擇方向較少時又不能挖掘出更多的靜脈信息[8]。所以本文選擇6個方向,其中i(i=1,2,3,4,5,6)表示6個方向的索引值,對應的6個方向θi為π/6、2π/6、3π/6、4π/6、5π/6。fi表示根據第i個方向的偶數對稱Gabor濾波器的空間中心頻率,其值的選擇決定了輸出濾波圖像的質量。圖3顯示了6個方向的偶對稱Gabor濾波器的空間響應。

圖3 6個方向的偶對稱Gabor濾波器的空間響應

設I(x,y)為一幅近紅外成像設備獲得的靜脈圖像,將每一方向對應的偶對稱Gabor濾波函數與原圖像進行卷積運算,獲得濾波后的靜脈圖像Oi(x,y)如下:

(4)

由于近紅外靜脈圖像中靜脈線比皮膚區域暗,因此,選擇6幅圖像中每個位置像素點灰度值最低的點構成濾波后的靜脈圖像,如圖4所示。

圖4 濾波后的靜脈圖像

2 MRF圖像分割

眾所周知,靜脈圖像分割提供了具有分離的靜脈區域的圖案分割圖像,這對于特征提取很重要[11]。對于靜脈圖像而言,分割使得靜脈紋路和皮膚背景區分開來,以便于特征提取等后續處理。傳統的圖像分割方法主要分為基于像素的方法、基于區域的方法、基于邊界的方法、基于模型的方法和多種組合算法[12]。而本文在使用Gabor濾波器靜脈圖像增強后,采用MRF隨機場用于靜脈圖像分割。實驗表明,該算法在靜脈圖像分割中取得很好的分割效果。

基于馬爾可夫隨機場理論是指圖像中的像素點與其相鄰像素相關,即相鄰像素的強度值變化不大。任何數字圖像都是由離散的像素集合構成的,這些像素可以被建模為一個隨機場。圖像中的每個像素都是一個站點,每個站點都有一個標簽X,它通常表示一個像素的強度值[13]。

由上文可知靜脈紋路暗,皮膚背景亮,可分別記為標簽“0”和“1”,這樣將大小為m×n的整幅圖像分為了兩類,表示為:

W={w1,w2,…,wm×n}

式中:W為所得點集;w(w=0,1)表示圖像各點像素值為s所屬類。

為了使得分割圖像更精準,我們需要將像素值更好地分為所屬類。P(w|s)表示在已知像素信息s的條件下屬于一個標簽的概率,也叫后驗概率。因此,該過程就是通過最大化后驗概率來尋找像素點s所屬最優標簽w。由于后驗分布是一個條件分布,我們可以用Bayes規則來估計它,根據這個規則可得后驗概率表達式[14]:

(5)

式中:P(w)是先驗概率,在此認為其符合MRF模型;P(s|w)稱為似然函數;P(s)是一個常量。

根據Hammersley-Clifford[15]定理,用 Gibbs 隨機場的概率密度函數描述馬爾可夫隨機場,則先驗概率P(w)表示為:

(6)

(7)

本文采用雙點勢團的 8 鄰域系統,像素點t為像素點鄰域s內的點。其中β為耦合系數,控制著勢團內兩點相互作用的強弱,一般取值在[0.5,1.0]區間之間,耦合系數β越小,對圖像的分割越細膩,隨著β的增大,對細碎紋理的檢測能力逐漸降低[16]。

而P(s|w)為似然函數,表示在已知分類標簽w情況下,點像素灰度值為s的概率。因此,我們需要將圖像隨機初始化分類為w,并將屬于w類的點找出來。一般認為每一類里面的所有點分布是具有不同均值和標準差的高斯函數[16],對每一類像素點建立高斯密度函數。對于靜脈圖像而言,我們得到兩類高斯密度函數。

那么已知像素點灰度值則能計算出該像素點分別屬于“0”“1”類的概率值P(s|w0)、P(s|w1)。由式(5)可知,當P(s|w)×P(w)達到最大值時,圖像分割效果最理想。具體分割算法描述如下:

(1) 獲取Gabor濾波增強后的靜脈圖像。

(2) 使用k-means聚類算法初始化圖像標簽“0”和“1”。

該礦體為浸染(星點)狀輝鉬礦，礦體呈灰白色—淺肉紅色—褐紅色，地表出露長度為142 m，厚度1.72～2.86 m，產狀310°∠69°。礦體規模不大，沿走向露頭不好。礦石金屬礦物主要有黃鐵礦、褐鐵礦、輝鉬礦、鉬華，蝕變主要為硅化。脈石礦物主要為二長花崗巖及碎裂石英巖。圍巖為二長花崗巖，礦體與圍巖界線不明顯，沿礦體兩側圍巖產生鉀化、硅化蝕變。礦石鉬品位0.038%～0.137%。

(3) 統計每個標號場8領域的相同標簽個數,獲得圖像標號場的先驗概率。

(4) 計算似然函數P(s|w)。

(5) 求取最大化后驗概率,并更新標號場。

(6) 判斷是否達到最大迭代次數,若沒有,重復步驟(2)-步驟(4),否則,算法結束。

本文在 Windows 10、64位操作系統下,通過 MATLAB 2014a實現上述算法。相關函數來自MATLAB自帶函數庫,部分主要代碼如下:

Class_num=2;

%設置分類數

Max_iter=20;

%最大迭代次數

Label=kmeans(img(:),Class_num);

for i=1:Class_num

Label_i=i*ones(size(label));

Temp=～(label_i-label_u)+～(label_i-

Label_d)……;

p_c=(i,:)=temp(:)/8;

%計算最大后驗概率

end

for j=i:Class_num

MU=repmat(mu(j),size(img,1)*

size(img,2),1);

p_sc(j,:)=1/sqrt(2*pi*sigma(j))*

exp(-(img(:)-MU).^2/2/sigma(j));

end

%計算似然概率P(s|w)

[M,label]=max(log(p_c)+log(p_sc));

%尋找最大后驗概率

分割后的靜脈圖像如圖5所示。

圖5 分割后的靜脈圖像

3 實驗結果分析

為了驗證本文方法的有效性,實驗采用Intel(R)Core(TM)i5-5200U CPU @2.20 GHz 2.20 GHz,內存為8 GB的PC機,在MATLAB 2014 a環境下完成的。

本實驗選擇了3幅實驗室自行設計的近紅外靜脈成像設備采集到的噪聲未經處理的靜脈紋路高度隨機性的分辨率為640×480像素的靜脈圖像進行測驗。在進行Gabor濾波時,為避免圖像欠增強和產生更多的冗余信息,因此將這3幅低復雜度背景的靜脈圖像選用六方向分別為30°、60°、90°、120°、150°、180°,x、y方向的高斯包絡偏差σx、σy均為2的Gabor濾波器進行靜脈圖像增強,如圖6所示,經實驗所得靜脈圖像得到了顯著增強,克服了GHE等圖像增強算法出現的局部過增強和欠增強等問題,同時也很好地抑制了處理過程中產生的噪聲、邊緣偽影等信息,為后續進行靜脈網絡特征提取提供了好的靜脈環境。

圖6 實驗所得靜脈圖像

其次,得到增強后的靜脈圖像用馬爾可夫隨機場進行分割,耦合系數β越小,對靜脈圖像的紋理與背景分離越明顯,隨著β的增大,許多靜脈細節信息丟失。在進行中值濾波去毛刺處理時,經多次實驗對比,選擇窗口為5×5的濾波模板時去毛刺效果最好。將本文方法與其他三種常用靜脈分割方法進行比較,結果如圖7所示。Otsu分割算法對靜脈圖像做分割時,分割后的圖像仍然保留了過多的噪聲。使用Niblack分割算法得到的二值圖像中對于皮膚背景信息較復雜的靜脈圖像而言,容易引進較多的偽靜脈信息。K-means聚類算法對于較高質量的靜脈圖像能夠提取到很好的靜脈信息,且殘留的噪聲較少,對于復雜背景的靜脈圖像分割依舊有噪聲存在。

圖7 各種算法對比

本文提出的靜脈圖像分割方法對低背景復雜度的靜脈圖像做分割時,能夠提取到更好地靜脈信息,沒有噪聲、偽靜脈信息的干擾。而對于背景信息相對復雜的靜脈圖像而言,能夠更好地抑制噪聲信息的產生。采用主觀評價法通過人眼來比較不同的分割結果圖像,其穩定性較差,難以定量描述,在應用中受到很大限制。為了更好地評價本文提出的靜脈特征提取模型性能,因此選擇無監督評價指標中的區域內一致性指標對圖像分割性能進行客觀評價。而區域一致性指標又分為最大對比度評價和方差評價一致性,本文使用最大對比度評價(Zeb)[18],結果如表1所示。可以看出使用本文算法所得Zeb值相比幾種傳統分割算法而言,其值更小,所得靜脈分割區域內一致性更好,所得分割圖像效果更好。因此本文方法提取出來的靜脈較為完整,提取的靜脈結構非常適合原始圖像的血管拓撲結構。

表1 不同分割算法的最大對比度評價指標

4 結 語

本文為了解決利用近紅外成像設備采集到的靜脈所存在的問題,提出一種基于多方向Gabor濾波器的靜脈圖像增強方法,系統有效地解決了靜脈信息的噪聲大、對比度低、圖像清晰度不夠的實際困難,主要采取了兩種技術手段。(1) 根據靜脈的紋理特征,采用了六維度Gabor濾波器進行濾波,獲得了滿意的增強靜脈圖像;(2) 為了實現靜脈特征提取和針灸穴位精準定位,用馬爾可夫隨機場對增強后的靜脈進行二值分割,并采用中濾波取毛刺處理。通過范例實驗結果表明,本文算法能夠有效精準地提取皮下近紅外靜脈特征和針灸穴位,可靠地增強靜脈圖案質量,為中醫針灸、西醫穿刺、生物特征識別等領域提供了新思路。