基于多特征聚類的近紅外皮下靜脈分割方法
【專利摘要】本發明設計了一種基于近紅外成像的皮下靜脈血管分割方法，能夠實現靜脈血管的多特征提取及自動聚類。首先，采用NiBlack和形態學算法實現皮膚區域的分割及邊緣鏡像延拓；第二步，通過多尺度IUWT和海森矩陣分析得到血管相似性圖像、血管方向圖、血管尺度圖及初分割血管；第三步，利用初分割血管和血管方向圖提取并修補血管分支中心線，采用分段樣條擬合的方法修正分支中心線的位置和方向；第四步，基于血管分支方向計算原圖到分支輪廓圖像的坐標映射關系，在將IUWT增強圖像和血管相似度圖像分別映射到輪廓圖像空間后，提取歸一化的二階高斯特征和血管相似度特征；第五步，利用得到的血管特征采用K-means算法將輪廓圖像聚類為皮膚、血管和模糊區域3類。
【專利說明】基于多特征聚類的近紅外皮下靜脈分割方法
【技術領域】
[0001] 本發明涉及一種皮下靜脈血管分割方法，具體涉及一種基于多特征聚類的近紅外 皮下靜脈分割方法，主要應用于皮下靜脈注射、靜脈身份識別等領域。
【背景技術】
[0002] 隨著研究人員對于不可見光譜成像技術及人體組織結構光譜成像特性的不斷研 究，紅外光譜在人體組織成像，尤其是皮下靜脈成像中顯示出極佳的增強效果。與x-ray和 超聲成像相比，紅外靜脈成像更加安全和方便。紅外成像的靜脈增強顯示本質上源于血管 和皮膚的光譜響應差異，這使其應用在兒童、老年人、外傷患者、肥胖患者等靜脈注射過程 難度較大的特殊人群時依然具有穩定的靜脈增強效果。同時，靜脈血管與指紋等其他傳統 生理特征相比隱藏性高，不易偽造，具有安全性和唯一性，除非手術介入，其結構不隨時間 和年齡發生變化，具有穩定性。因此，近年來，基于紅外靜脈成像的臨床靜脈注射輔助設備 及基于靜脈血管特征的身份識別技術都是各自領域的研究熱點之一，如克里斯蒂醫療集團 (Christie Medical Holdings, Inc.)的靜脈注射輔助系統和富士通公司的手掌靜脈識別 系統等。
[0003] 紅外靜脈成像根據光譜范圍可分為800nm?IlOOnm的近紅外成像和8um?14um 的遠紅外成像2種。近紅外成像根據成像方式又可劃分為反射式和透射式成像2種。遠紅 外成像為被動成像，因時間、溫度、汗漬等環境因素的影響，其成像質量變化劇烈且成像設 備昂貴；近紅外成像為主動成像，受環境因素影響較小，其成像質量相對穩定且設備相對便 宜。近紅外成像系統中，透射式系統在合適的光源條件下具有較強的對比度，但系統適應性 較差，其成像對象局限于厚度較薄的組織，成像結果隨厚度差異灰度分布極不均勻，光源強 度需隨受測者組織厚度差異進行調整；而對于反射式系統中，反射圖像灰度分布均勻，同 時，近紅外光3?8_的穿透力可滿足大部分靜脈成像的需求。因此，在實際應用中，透射 式系統適合應用于手指靜脈的成像，而反射式成像則適合應用于手背、手臂等其他區域的 靜脈成像中。然而，除非使用昂貴的專業級近紅外成像設備，近紅外靜脈圖像總體表現為圖 像對比度較低，血管邊緣模糊且背景存在噪聲。
[0004] 為了更好地滿足輔助靜脈注射、身份識別等應用的要求，靜脈圖像的血管增強和 準確分割依然是提高應用系統性能的關鍵因素，也是領域內研究學者關注的焦點之一。然 而，由于近紅外靜脈圖像質量普遍較差，現有的靜脈分割方法往往存在以下幾方面的局限 性：
[0005] 1.由于環境因素難以避免，因此，由此產生的圖像光照非均勻性嚴重影響靜脈血 管在不同區域內的對比度，極大的增強了陰影區域內的靜脈血管增強、測量和分割難度；
[0006] 2.由于近紅外圖像成像質量較差，基于圖像灰度信息的閾值類分割方法往往難以 獲得平滑的血管邊緣，分割結果中也存在大量的噪聲，分割細節能力處理較差。單純采用形 態學算法解決以上兩類問題又會嚴重影響分割的準確性；
[0007] 3.同樣由于成像質量的原因，血管中的連接區域往往難以分割完整，血管分支間 容易出現斷裂，同時也增加了噪聲濾除的難度。
【發明內容】
[0008] 為了解決上述問題，本發明將血管結構特征應用于準確的靜脈血管分割，提出一 種基于多特征聚類的近紅外皮下靜脈分割方法，綜合考慮了圖像多尺度灰度信息和血管結 構信息，實現了靜脈血管的準確分割。
[0009] -種基于多特征聚類的近紅外皮下靜脈分割方法，包括以下步驟：
[0010] 第一步、近紅外靜脈圖像預處理：計算全局閾值以提取近紅外靜脈圖像中的皮膚 區域Mask，基于形態學算法實現Mask手背區域的邊緣延拓；
[0011] 第二步、靜脈血管增強及血管特征提取：首先通過IUWT小波分解和重構在實現非 均勻光照校正的同時進行圖像增強，隨后，基于海森計算多尺度的血管信息，通過分析海森 矩陣的特征值和特征向量血管相似性圖像、血管方向圖和初分割血管，通過尺度因子得到 尺度圖像；
[0012] 第三步、血管分支的提取和測量：基于初分割血管提取血管分支中心線，利用血管 方向圖實現斷裂血管分支間的連接，并采用樣條曲線完成血管分支的擬合；
[0013] 第四步、輪廓圖像的計算及血管特征的提取：基于修正的血管分支方向和尺度圖 像，將血管相似性圖像和IUWT增強圖像中的彎曲血管分支及鄰域區域分別映射為直線及 矩形的輪廓圖像，并在輪廓圖像中分別計算得到二階水平高斯分布和血管相似度兩種血管 特征；
[0014] 第五步、靜脈血管的分割及后處理：基于以上兩種血管特征，將輪廓圖像中各點分 為皮膚、血管和模糊區域三類，并將分割結果反映射到原圖像坐標系下實現分支融合，隨后 采用形態學算法填補反映射坐標近似產生的血管空洞。
[0015] 本發明的有益效果：
[0016] 1.利用IUWT分解和重建去除了原近紅外圖像中的非均勻光照影響，并實現了靜 脈血管的增強；
[0017] 2.采用基于海森矩陣的多尺度血管特征從整體上提取得到了包括血管相似度、 初分割血管、血管方向及血管尺度等多種血管特征，為后續的血管局部處理提供豐富的信 息；
[0018] 3.基于血管方向圖實現了血管分支中心線的修補，保證了血管分割結構完整。隨 后的中心線樣條擬合進一步修正了中心線位置及血管方向；
[0019] 4.基于修正的血管分支方向將彎曲的血管中心線及其鄰域分別映射為直線和矩 形的輪廓圖像，統一血管方向的同時極大的方便了后續中心線鄰域內血管特征的特區及分 類。
[0020] 5.用于血管分類的水平二階高斯分布響應和血管相似度可準確的提取輪廓圖像 中的管狀特征。采用K-means算法將輪廓圖像中各點分為3類在實現自適應分類的同時也 排除了模糊區域的干擾，保證了分割的準確性。
【專利附圖】
【附圖說明】
[0021] 圖1是本發明所提出的靜脈血管分割方法流程圖；
[0022] 圖2是靜脈血管增強及血管特征圖像提取流程圖；
[0023] 圖3是血管分支的提取和測量流程圖；
[0024] 圖4是血管中心線鄰域分布及血管跟蹤示意圖；
[0025] 圖5是輪廓圖像的計算及血管特征的提取流程圖。
【具體實施方式】
[0026] 如附圖1所示，基于多特征聚類的近紅外皮下靜脈血管分割方法具體包括以下幾 個步驟：
[0027] 步驟S101，近紅外靜脈圖像預處理。
[0028] 近紅外靜脈圖像包括背景、皮膚和靜脈血管三個區域。其中，皮膚及靜脈區域的灰 度值明顯高于背景區域，在圖像直方圖中體現為兩部分區域存在明顯的分界線。因此，為了 縮小圖像處理范圍并排除邊緣影響，本發明首先利用Niblack全局閾值分割得到皮膚及靜 脈血管區域，其閾值計算如公式（1):
[0029] Tb = Mean-b X std (1)
[0030] 其中，Mean和std分別為圖像的全局均值和均方差；b為閾值系數，在固定光照下， 單次手動選取即可滿足皮膚分割的要求。隨后，為了保證皮膚區域準確和完整的分割，本發 明采用連通域算法去除了分割結果中小塊的噪聲區域，并保留最大連通域作為皮膚及靜脈 血管區域。同時，采用中值濾波和形態學閉運算分別實現邊緣平滑和空洞填補，得到皮膚區 域蒙版，記為Mask。
[0031] 此外，為了簡化后續血管增強算法在蒙版的邊界處理，本發明采用一種迭代方法 實現皮膚區域的邊緣鏡像延拓。迭代次數與增強算法中鄰域操作的次數及模板大小有關， 其迭代過程如下：
[0032] 1.首先，定義一個臨時的tMask = Mask,并采用3X3模板對tMask完成一次膨脹 操作，則待延拓點集可表示為：Set(p) = dilate(tMask)_tMask;
[0033] 2.隨后，Set(P)的灰度值由鄰域中tMask內的點集的平均灰度代替；
[0034] 3?最后，更新 tMask 區域，即 tMask = dilate (tMask)。
[0035] 邊緣延拓算法在原圖像上進行處理，其輸出圖像和蒙版圖像將共同作為血管增強 及分割算法的輸入，在限制血管提取圖像處理范圍的同時又不必為蒙版邊緣點進行多余的 判斷。
[0036] 步驟S102,靜脈血管增強及血管特征圖像提取。
[0037] 為了實現精細的血管分割，本發明采用結合IUWT和海森矩陣分析的多尺度增強 方法，對靜脈圖像分別從局部灰度分布和管狀結構分析兩方面進行血管增強，最終得到血 管特征圖像，其流程如圖2所示。
[0038] IUWT包括圖像分解和重建兩個過程，分解過程可從圖像中分解得到各尺度的細節 信息，重建過程則是將各尺度的細節信息選擇性組合。
[0039] 圖像分解過程首先需要通過多尺度低通濾波器得到尺度圖像Ci,計算過程如下公 式：
【權利要求】
1. 一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征在于，包括以下步驟： 第一步、近紅外靜脈圖像預處理：計算全局閾值以提取近紅外靜脈圖像中的皮膚區域 Mask，基于形態學算法實現Mask手背區域的邊緣延拓； 第二步、靜脈血管增強及血管特征提取：首先通過IUWT小波分解和重構在實現非均勻 光照校正的同時進行圖像增強，隨后，基于海森計算多尺度的血管信息，通過分析海森矩陣 的特征值和特征向量血管相似性圖像、血管方向圖和初分割血管，通過尺度因子得到尺度 圖像； 第三步、血管分支的提取和測量：基于初分割血管提取血管分支中心線，利用血管方向 圖實現斷裂血管分支間的連接，并采用樣條曲線完成血管分支的擬合； 第四步、輪廓圖像的計算及血管特征的提取：基于修正的血管分支方向和尺度圖像，將 血管相似性圖像和IUWT增強圖像中的彎曲血管分支及鄰域區域分別映射為直線及矩形的 輪廓圖像，并在輪廓圖像中分別計算得到二階水平高斯分布和血管相似度兩種血管特征； 第五步、靜脈血管的分割及后處理：基于以上兩種血管特征，將輪廓圖像中各點分為皮 膚、血管和模糊區域三類，并將分割結果反映射到原圖像坐標系下實現分支融合，隨后采用 形態學算法填補反映射坐標近似產生的血管空洞。
2. 如權利要求1所述的一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征在 于，所述第二步的具體步驟如下： [1] 對預處理圖像進行IUWT小波分解得到各尺度細節圖像； [2] 選擇適當個數的尺度圖像進行小波重建，增強血管并去除光照干擾； [3] 在多尺度下計算IUWT增強圖像的海森矩陣圖像，并在每一點計算不同尺度下的海 森矩陣的特征值和特征向量； [4] 計算多尺度下的血管相似度； [5] 根據特征向量的反向得到血管方向圖； [6] 根據多尺度血管相似度計算中尺度信息得到血管尺度圖； [7] 選擇合適的閾值，得到血管初分割結果。
3. 如權利要求1或2所述的一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征 在于，所述第三步的具體步驟如下： [1] 基于血管初分割結果提取血管中心線； [2] 采用血管跟蹤的方法將中心線劃分為血管分支； [3] 基于血管方向圖和血管分支中心線信息，對分支中心線進行修補； [4] 對修補的分支中心線采用分段樣條擬合進一步實現位置修正； [5] 基于樣條曲線的函數形式，計算修正后血管方向。
4. 如權利要求1或2所述的一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征 在于，所述第四步的具體步驟如下： [1] 根據分支中心線方向計算其鄰域到矩形輪廓圖像的坐標映射關系； [2] 利用該坐標映射關系分別得到iuwt血管增強圖像和血管相似度圖像的分支輪廓 圖像； [3] 將IUWT增強的圖像對應的分支輪廓圖像按行進行灰度歸一化處理； [4] 用二階水平高斯函數卷積歸一化的結果，得到分支血管的二階高斯響應； [5]分別對分支輪廓圖像的血管相似度和二階高斯響應進行全局歸一化處理即可得到 兩個血管特征。
5.如權利要求4所述的一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征在 于，所述的輪廓圖像坐標映射關系公式如下：
其中，（x，y)表示采樣點坐標，（x^yd)表示切面對應的血管中心線坐標，t表示（x，y) 與（&，％)間的距離；n表示切面半寬度，與血管段尺度有關；0表示血管法線方向。
【文檔編號】G06K9/46GK104408453SQ201410515436
【公開日】2015年3月11日 申請日期:2014年9月29日 優先權日:2014年9月29日
【發明者】楊健, 王涌天, 劉越, 宋憲政 申請人:北京理工大學