基于多特征聚类的近红外皮下静脉分割方法
【专利摘要】本发明设计了一种基于近红外成像的皮下静脉血管分割方法，能够实现静脉血管的多特征提取及自动聚类。首先，采用NiBlack和形态学算法实现皮肤区域的分割及边缘镜像延拓；第二步，通过多尺度IUWT和海森矩阵分析得到血管相似性图像、血管方向图、血管尺度图及初分割血管；第三步，利用初分割血管和血管方向图提取并修补血管分支中心线，采用分段样条拟合的方法修正分支中心线的位置和方向；第四步，基于血管分支方向计算原图到分支轮廓图像的坐标映射关系，在将IUWT增强图像和血管相似度图像分别映射到轮廓图像空间后，提取归一化的二阶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算法将轮廓图像聚类为皮肤、血管和模糊区域3类。
【专利说明】基于多特征聚类的近红外皮下静脉分割方法
【技术领域】
[0001] 本发明涉及一种皮下静脉血管分割方法，具体涉及一种基于多特征聚类的近红外 皮下静脉分割方法，主要应用于皮下静脉注射、静脉身份识别等领域。
【背景技术】
[0002] 随着研究人员对于不可见光谱成像技术及人体组织结构光谱成像特性的不断研 究，红外光谱在人体组织成像，尤其是皮下静脉成像中显示出极佳的增强效果。与x-ray和 超声成像相比，红外静脉成像更加安全和方便。红外成像的静脉增强显示本质上源于血管 和皮肤的光谱响应差异，这使其应用在儿童、老年人、外伤患者、肥胖患者等静脉注射过程 难度较大的特殊人群时依然具有稳定的静脉增强效果。同时，静脉血管与指纹等其他传统 生理特征相比隐藏性高，不易伪造，具有安全性和唯一性，除非手术介入，其结构不随时间 和年龄发生变化，具有稳定性。因此，近年来，基于红外静脉成像的临床静脉注射辅助设备 及基于静脉血管特征的身份识别技术都是各自领域的研究热点之一，如克里斯蒂医疗集团 (Christie Medical Holdings, Inc.)的静脉注射辅助系统和富士通公司的手掌静脉识别 系统等。
[0003] 红外静脉成像根据光谱范围可分为800nm?IlOOnm的近红外成像和8um?14um 的远红外成像2种。近红外成像根据成像方式又可划分为反射式和透射式成像2种。远红 外成像为被动成像，因时间、温度、汗渍等环境因素的影响，其成像质量变化剧烈且成像设 备昂贵；近红外成像为主动成像，受环境因素影响较小，其成像质量相对稳定且设备相对便 宜。近红外成像系统中，透射式系统在合适的光源条件下具有较强的对比度，但系统适应性 较差，其成像对象局限于厚度较薄的组织，成像结果随厚度差异灰度分布极不均匀，光源强 度需随受测者组织厚度差异进行调整；而对于反射式系统中，反射图像灰度分布均匀，同 时，近红外光3?8_的穿透力可满足大部分静脉成像的需求。因此，在实际应用中，透射 式系统适合应用于手指静脉的成像，而反射式成像则适合应用于手背、手臂等其他区域的 静脉成像中。然而，除非使用昂贵的专业级近红外成像设备，近红外静脉图像总体表现为图 像对比度较低，血管边缘模糊且背景存在噪声。
[0004] 为了更好地满足辅助静脉注射、身份识别等应用的要求，静脉图像的血管增强和 准确分割依然是提高应用系统性能的关键因素，也是领域内研究学者关注的焦点之一。然 而，由于近红外静脉图像质量普遍较差，现有的静脉分割方法往往存在以下几方面的局限 性：
[0005] 1.由于环境因素难以避免，因此，由此产生的图像光照非均匀性严重影响静脉血 管在不同区域内的对比度，极大的增强了阴影区域内的静脉血管增强、测量和分割难度；
[0006] 2.由于近红外图像成像质量较差，基于图像灰度信息的阈值类分割方法往往难以 获得平滑的血管边缘，分割结果中也存在大量的噪声，分割细节能力处理较差。单纯采用形 态学算法解决以上两类问题又会严重影响分割的准确性；
[0007] 3.同样由于成像质量的原因，血管中的连接区域往往难以分割完整，血管分支间 容易出现断裂，同时也增加了噪声滤除的难度。
【发明内容】
[0008] 为了解决上述问题，本发明将血管结构特征应用于准确的静脉血管分割，提出一 种基于多特征聚类的近红外皮下静脉分割方法，综合考虑了图像多尺度灰度信息和血管结 构信息，实现了静脉血管的准确分割。
[0009] -种基于多特征聚类的近红外皮下静脉分割方法，包括以下步骤：
[0010] 第一步、近红外静脉图像预处理：计算全局阈值以提取近红外静脉图像中的皮肤 区域Mask，基于形态学算法实现Mask手背区域的边缘延拓；
[0011] 第二步、静脉血管增强及血管特征提取：首先通过IUWT小波分解和重构在实现非 均匀光照校正的同时进行图像增强，随后，基于海森计算多尺度的血管信息，通过分析海森 矩阵的特征值和特征向量血管相似性图像、血管方向图和初分割血管，通过尺度因子得到 尺度图像；
[0012] 第三步、血管分支的提取和测量：基于初分割血管提取血管分支中心线，利用血管 方向图实现断裂血管分支间的连接，并采用样条曲线完成血管分支的拟合；
[0013] 第四步、轮廓图像的计算及血管特征的提取：基于修正的血管分支方向和尺度图 像，将血管相似性图像和IUWT增强图像中的弯曲血管分支及邻域区域分别映射为直线及 矩形的轮廓图像，并在轮廓图像中分别计算得到二阶水平高斯分布和血管相似度两种血管 特征；
[0014] 第五步、静脉血管的分割及后处理：基于以上两种血管特征，将轮廓图像中各点分 为皮肤、血管和模糊区域三类，并将分割结果反映射到原图像坐标系下实现分支融合，随后 采用形态学算法填补反映射坐标近似产生的血管空洞。
[0015] 本发明的有益效果：
[0016] 1.利用IUWT分解和重建去除了原近红外图像中的非均匀光照影响，并实现了静 脉血管的增强；
[0017] 2.采用基于海森矩阵的多尺度血管特征从整体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种血管特征，为后续的血管局部处理提供丰富的信 息；
[0018] 3.基于血管方向图实现了血管分支中心线的修补，保证了血管分割结构完整。随 后的中心线样条拟合进一步修正了中心线位置及血管方向；
[0019] 4.基于修正的血管分支方向将弯曲的血管中心线及其邻域分别映射为直线和矩 形的轮廓图像，统一血管方向的同时极大的方便了后续中心线邻域内血管特征的特区及分 类。
[0020] 5.用于血管分类的水平二阶高斯分布响应和血管相似度可准确的提取轮廓图像 中的管状特征。采用K-means算法将轮廓图像中各点分为3类在实现自适应分类的同时也 排除了模糊区域的干扰，保证了分割的准确性。
【专利附图】
【附图说明】
[0021] 图1是本发明所提出的静脉血管分割方法流程图；
[0022] 图2是静脉血管增强及血管特征图像提取流程图；
[0023] 图3是血管分支的提取和测量流程图；
[0024] 图4是血管中心线邻域分布及血管跟踪示意图；
[0025] 图5是轮廓图像的计算及血管特征的提取流程图。
【具体实施方式】
[0026] 如附图1所示，基于多特征聚类的近红外皮下静脉血管分割方法具体包括以下几 个步骤：
[0027] 步骤S101，近红外静脉图像预处理。
[0028] 近红外静脉图像包括背景、皮肤和静脉血管三个区域。其中，皮肤及静脉区域的灰 度值明显高于背景区域，在图像直方图中体现为两部分区域存在明显的分界线。因此，为了 缩小图像处理范围并排除边缘影响，本发明首先利用Niblack全局阈值分割得到皮肤及静 脉血管区域，其阈值计算如公式（1):
[0029] Tb = Mean-b X std (1)
[0030] 其中，Mean和std分别为图像的全局均值和均方差；b为阈值系数，在固定光照下， 单次手动选取即可满足皮肤分割的要求。随后，为了保证皮肤区域准确和完整的分割，本发 明采用连通域算法去除了分割结果中小块的噪声区域，并保留最大连通域作为皮肤及静脉 血管区域。同时，采用中值滤波和形态学闭运算分别实现边缘平滑和空洞填补，得到皮肤区 域蒙版，记为Mask。
[0031] 此外，为了简化后续血管增强算法在蒙版的边界处理，本发明采用一种迭代方法 实现皮肤区域的边缘镜像延拓。迭代次数与增强算法中邻域操作的次数及模板大小有关， 其迭代过程如下：
[0032] 1.首先，定义一个临时的tMask = Mask,并采用3X3模板对tMask完成一次膨胀 操作，则待延拓点集可表示为：Set(p) = dilate(tMask)_tMask;
[0033] 2.随后，Set(P)的灰度值由邻域中tMask内的点集的平均灰度代替；
[0034] 3?最后，更新 tMask 区域，即 tMask = dilate (tMask)。
[0035] 边缘延拓算法在原图像上进行处理，其输出图像和蒙版图像将共同作为血管增强 及分割算法的输入，在限制血管提取图像处理范围的同时又不必为蒙版边缘点进行多余的 判断。
[0036] 步骤S102,静脉血管增强及血管特征图像提取。
[0037] 为了实现精细的血管分割，本发明采用结合IUWT和海森矩阵分析的多尺度增强 方法，对静脉图像分别从局部灰度分布和管状结构分析两方面进行血管增强，最终得到血 管特征图像，其流程如图2所示。
[0038] IUWT包括图像分解和重建两个过程，分解过程可从图像中分解得到各尺度的细节 信息，重建过程则是将各尺度的细节信息选择性组合。
[0039] 图像分解过程首先需要通过多尺度低通滤波器得到尺度图像Ci,计算过程如下公 式：
【权利要求】
1. 一种基于多特征聚类的近红外皮下静脉分割方法，其特征在于，包括以下步骤： 第一步、近红外静脉图像预处理：计算全局阈值以提取近红外静脉图像中的皮肤区域 Mask，基于形态学算法实现Mask手背区域的边缘延拓； 第二步、静脉血管增强及血管特征提取：首先通过IUWT小波分解和重构在实现非均匀 光照校正的同时进行图像增强，随后，基于海森计算多尺度的血管信息，通过分析海森矩阵 的特征值和特征向量血管相似性图像、血管方向图和初分割血管，通过尺度因子得到尺度 图像； 第三步、血管分支的提取和测量：基于初分割血管提取血管分支中心线，利用血管方向 图实现断裂血管分支间的连接，并采用样条曲线完成血管分支的拟合； 第四步、轮廓图像的计算及血管特征的提取：基于修正的血管分支方向和尺度图像，将 血管相似性图像和IUWT增强图像中的弯曲血管分支及邻域区域分别映射为直线及矩形的 轮廓图像，并在轮廓图像中分别计算得到二阶水平高斯分布和血管相似度两种血管特征； 第五步、静脉血管的分割及后处理：基于以上两种血管特征，将轮廓图像中各点分为皮 肤、血管和模糊区域三类，并将分割结果反映射到原图像坐标系下实现分支融合，随后采用 形态学算法填补反映射坐标近似产生的血管空洞。
2. 如权利要求1所述的一种基于多特征聚类的近红外皮下静脉分割方法，其特征在 于，所述第二步的具体步骤如下： [1] 对预处理图像进行IUWT小波分解得到各尺度细节图像； [2] 选择适当个数的尺度图像进行小波重建，增强血管并去除光照干扰； [3] 在多尺度下计算IUWT增强图像的海森矩阵图像，并在每一点计算不同尺度下的海 森矩阵的特征值和特征向量； [4] 计算多尺度下的血管相似度； [5] 根据特征向量的反向得到血管方向图； [6] 根据多尺度血管相似度计算中尺度信息得到血管尺度图； [7] 选择合适的阈值，得到血管初分割结果。
3. 如权利要求1或2所述的一种基于多特征聚类的近红外皮下静脉分割方法，其特征 在于，所述第三步的具体步骤如下： [1] 基于血管初分割结果提取血管中心线； [2] 采用血管跟踪的方法将中心线划分为血管分支； [3] 基于血管方向图和血管分支中心线信息，对分支中心线进行修补； [4] 对修补的分支中心线采用分段样条拟合进一步实现位置修正； [5] 基于样条曲线的函数形式，计算修正后血管方向。
4. 如权利要求1或2所述的一种基于多特征聚类的近红外皮下静脉分割方法，其特征 在于，所述第四步的具体步骤如下： [1] 根据分支中心线方向计算其邻域到矩形轮廓图像的坐标映射关系； [2] 利用该坐标映射关系分别得到iuwt血管增强图像和血管相似度图像的分支轮廓 图像； [3] 将IUWT增强的图像对应的分支轮廓图像按行进行灰度归一化处理； [4] 用二阶水平高斯函数卷积归一化的结果，得到分支血管的二阶高斯响应； [5]分别对分支轮廓图像的血管相似度和二阶高斯响应进行全局归一化处理即可得到 两个血管特征。
5.如权利要求4所述的一种基于多特征聚类的近红外皮下静脉分割方法，其特征在 于，所述的轮廓图像坐标映射关系公式如下：
其中，（x，y)表示采样点坐标，（x^yd)表示切面对应的血管中心线坐标，t表示（x，y) 与（&，％)间的距离；n表示切面半宽度，与血管段尺度有关；0表示血管法线方向。
【文档编号】G06K9/46GK104408453SQ201410515436
【公开日】2015年3月11日 申请日期:2014年9月29日 优先权日:2014年9月29日
【发明者】杨健, 王涌天, 刘越, 宋宪政 申请人:北京理工大学