CN103519787B - 一种光照对生物组织照明效果的检测方法 - Google Patents

Abstract

本发明提供了一种光照对生物组织照明效果的检测方法，对某种光源照明下的生物组织进行成像分析、评价。评价值同时结合了图像熵以及灰度对比度，评价范围同时包含图片中的两个目标区域，且灰度值选取时应结合两部分目标区域中的点进行评价。本发明的检测方法具有高的可执行性，同时，其结合了组织清晰度和对比度两个指标，使得评判标准多元化，稳定性和重复性好。

Description

一种光照对生物组织照明效果的检测方法

技术领域

本发明涉及生物医学光子学领域，尤其涉及一种光照对生物组织照明效果的检测方法。

背景技术

近年，光学的发展给很多产业带来了革命性的变革。光子学及其技术也已广泛应用或渗透到生物科学和医学的诸多方面，由此形成了生物医学光子学这一新兴学科。生物医学光子学作为用光子来对生命进行研究的学科，它是光子学和生命科学相互交叉、互相渗透而产生的边缘学科。其研究对象主要包括生物学研究与医学研究，将服务于病人的诊断和治疗。生光技术发展迅速，俨然成为国际光学界和生物医学界备受关注的一个重要的研究领域。

应用于临床医疗中的光学特性服务于人体活体组织，因此，目前光学领域研究的重点是如何将现有的复杂的光学系统及理论的光学技术带到医疗站中。然而，医疗用灯很大程度上干扰着医生们的临床发挥，不同医疗环境中对灯的选取成为手术成功的关键因素。手术灯的主要功能是照明，但照明质量的好坏又取决于其照明条件下的生物组织对比度。因此，一种能够评价不同光源下生物组织对比度的体系显得尤为重要。

目前，本领域中缺乏一种完善的生物组织对比度的检测方法，传统的检测方法往往集中在灰度对比层面上，理论单薄而且评价效果不佳。

发明内容

本发明就是为了克服现有技术的不足，提供一种简便、高效的光照对生物组织照明效果的检测方法。

一种光照对生物组织照明效果的检测方法，包括以下步骤：

1）在光照下对包含多种生物组织的生物样品成像，获得对应光照下的生物样品图，每种生物组织在所述的生物样品图中具有相应的图像区域；

2）将所述的生物样品图转换为灰度图，并计算所述灰度图的图像熵评价值R_a1；

3）在所述灰度图中提取不同生物组织所对应的两个图像区域，并计算两个图像区域的灰度对比度评价值R_b1；

4）更换光照所需的光源，重复步骤1）～3），得到与各光源相对应的图像熵评价值R_ai和灰度对比度评价值R_bi，i为光源的序号；

5）利用公式k为权重系数，计算每种光源所对应的生物组织比度评价值F，根据F值的大小测试各光源对生物组织的照明效果。

在步骤1）中，利用CCD或单反相机对生物样品成像，得到所述生物样品图。

所述步骤2）中的图像熵评价值R_a大小代表生物组织用于观察时的清晰度，其计算公式为

$R_a=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i$

式中，p_i表示灰度图中灰度值为i的像素所占的比例。

图像熵是一幅图片中细节丰富程度的表征量，它是一种特征的统计形式，反映了图像中平均信息量的多少。图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，令p_i表示图像中灰度值为i的像素所占的比例，若i从0到255取值，那么R_a便可以表征图像灰度分布的聚集特征。若p_i=1，则图片为纯色，没有任何细节可言。R_a值大小代表了图像信息的多少，值越大，说明细节信息越丰富。

在所述的步骤3）中，设定两个图像区域分别为图像区域M和图像区域N，并分别在图像区域M和图像区域N中提取m²和n²个像素点，再分别计算所提取的像素点的平均值和然后用数值大的平均值除以数值小的平均值，得到所述的灰度对比度评价值R_b。

例如：若 $\frac{{\mathrm{\Σ}}_{\mathrm{\α},\mathrm{\β}=1}^m{I}_{\mathrm{\α\β}}}{m^2}>\frac{{\mathrm{\Σ}}_{x,y=1}^n{I}_{\mathrm{xy}}}{n^2},$ 则

$R_b=\frac{\frac{{\mathrm{\Σ}}_{\mathrm{\α\β}=1}^m{I}_{\mathrm{\α\β}}}{m^2}}{\frac{{\mathrm{\Σ}}_{x,y=1}^n{I}_{\mathrm{xy}}}{n^2}}$

式中，α,β=1,2,…m，I_αβ表示坐标为αβ的像素点的灰度值；

      x,y=1,2,…n，I_xy表示坐标为xy的像素点的灰度值。

在步骤5）， $k=\frac{B_{\max }}{A_{\max }};$ 其中 $A=R_{\mathrm{ai}}^2,$ $B=R_{\mathrm{bi}}^2.$

A_max表示所有图像熵评价值中的最大值，B_max表示所有灰度对比度评价值中的最大值。

为保证灰度对比度评价值R_b的准确度，所提取的像素点不处于对应图像区域的边界，优选为所提取的像素点的灰度值处于整个图像区域的灰度值平均值上下。

本发明与现有技术相比，具有更高的可执行性，同时，其结合了组织清晰度和对比度两个指标，使得评判标准多元化，稳定性和重复性好。

附图说明

图1为通过光谱对比法所测得的样品组织对比度随波长变化关系；

图2为组织对比度评价体系的流程示意图；

图3为8幅白光下样品的函数评价结果；

图4（a）为使用光谱对比法所获得的8种单色光对比度图；

图4（b）为使用本检测方法所获得的F值与波长关系图。

具体实施方式

本发明的基本思想是融合了图像熵与灰度对比从而实现了完善的生物组织对比度评价体系。

本发明的主要目的是对不同光照下的生物组织对比度做出合理评价，为此，首先采用光谱对比的方法获取理论上较优的单色光波长信息，以此为基础，结合实验室条件配制白光，观察复合白光下组织对比度评价值是否优于自然白光。

实验所用生物样品为成年羊的羊血和羊肉组织。

首先，采用相同的入射光分别照射羊血和羊肉组织，利用PR655测试二者的反射强度。相同入射光情况下，其反射强度之比可以直接视为反射光谱之比（以下直接称反射光谱）。影响血管与周围组织对比度的主要因素是血和肉的反射光谱比，因此，二者的测量也成为关键。本实施例中所用的血为未凝固的羊血，而肉则是羊心血管周围的心头肉。获得血和肉的反射光谱后，通过光谱对比分析，其对比度随波长变化的关系见附图1。

根据附图1，选取对比度较大的四种单色光作为原光进行复合白光配制。四种单色LED波长分别为479、506、522和593nm。同时，配制色温分别为3000K、4000K、5000K、5500K、6000K下的白光与色温为3000K、4000K、6000K的自带白光同时对生物样品进行照明，获取每种光照下生物组织对比度评价值F，具体步骤详见图2：

第一步：利用色温为3000K、4000K、5000K、5500K、6000K的白光和色温为3000K、4000K、6000K的自带白光，分别单独对生物样品进行照明，并使用CCD对生物样品成像，得到对应光照下的八幅生物样品图；

第二步：将八幅生物样品图转换为对应的灰度图，并分别计算每幅灰度图的图像熵评价值R_a，具体计算公式为：

$R_a=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i$

式中，p_i表示灰度图中灰度值为i的像素所占的比例；

第三步：针对每幅生物样品图的灰度图，用MATLAB读取灰度图的灰度矩阵，分别提取羊血和羊肉组织在灰度图中对应的图像区域，分别记为图像区域M和图像区域N。在图像区域M内寻找一个灰度值较低且其周围m²个点灰度总和最低的点作为血管中灰度的波谷点。相反，在图像区域N中则选取一个灰度值较大且其周围n²个点的灰度值总和高的点作为血管外组织的灰度波峰点。将波谷点和波峰点作为比较对象的两个参考点，在其周围分别选取m²和n²个点，取其灰度平均值计算灰度对比度评价值R_b。

m和n的选取可以根据具体需要而定，在本实施例中，血管比较细，管内某一点附近灰度变化比较快，使用灰度软件初步探测灰度变化后发现，3×3个点左右为宜。而在血管外的组织中，由于灰度变换比较均匀，在参考点附近可以选取较多点进行灰度平均，例如5×5，结果更准确。

第四步：利用公式每种光照下生物组织对比度评价值F。

R_a的大小代表生物组织用于观察时的清晰度，而R_b的大小代表生物组织中两部分目标区域的灰度对比度，因此，k值可根据具体要求进行选取，其值的选取直接影响图像清晰度在评价体系中的权重。

函数中的k值为自定义系数，可以根据具体要求来选取。函数的第一部分表征了图像的清晰度，而第二部分为比较对象的亮度对比度评价值。k值越大，图像细节的比重越大；而k值越小，对比度信息权重加大。由于A和B的取值可能相差较大，于是k同时也起到归一化调节的作用。例如，本文中k选值如下：

$k=\frac{B_{\max }}{A_{\max }},$ $A=R_a^2,$ $B=R_b^2$

式中：A_max表示多组图像中的熵最大值，B_max多组图像中的对比度最大值。

通过这样的选值可以保证函数第一部分的最大值和第二部分的最大值相等，使二者在相同的极值标准中进行比较。

图3为利用本评价体系对8幅白光下的羊心图进行分析处理后的实验结果。图中，前5个柱状图为配光之后的不同色温下的照片分析函数值，而后3种为未配光的实验室自带白色LED照明所得函数值（图中对二者F值都做了归一化处理）。结果显示，配光之后所得的对比度评价值在80-100之间，而未配光的情况下对比度函数只能达到60-70。由此可见，本评价体系具有较高的可行性和理想的评价效果。

上述所得的对比度随波长变化图1是通过光谱对比所得的，为了验证本评价体系的稳定性，这里使用8种单色LED对羊心样品进行照明，使用评价函数对其进行分析，观察函数F值随波长的变化趋势。

用评价函数对8种单色LED下的样品图进行对比度分析，可得分析结果见图4。

图4（a）代表通过光谱对比的方法所得的对比度波长函数关系图，而4（b）代表单色LED照明下通过本发明评价所得的F值与波长关系图。图中可以看出，两厢的变化关系一致。由此既验证了评价函数的稳定性，又保证了评价体系的可靠性。

以上所述仅为本发明的优选实施方式，但本发明保护范围并不局限于此。任何人在本发明公开的技术范围内，对其进行适当的改变或变化，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种光照对生物组织照明效果的检测方法，其特征在于，包括以下步骤：

1)在光照下对包含多种生物组织的生物样品成像，获得对应光照下的生物样品图，每种生物组织在所述的生物样品图中具有相应的图像区域；

2)将所述的生物样品图转换为灰度图，并计算所述灰度图的图像熵评价值R_a1；

3)在所述灰度图中提取不同生物组织所对应的两个图像区域，并计算两个图像区域的灰度对比度评价值R_b1；

4)更换光照所需的光源，重复步骤1)～3)，得到与各光源相对应的图像熵评价值R_ai和灰度对比度评价值R_bi，i为光源的序号；

5)利用公式k为权重系数，计算每种光源所对应的生物组织比度评价值F，根据F值的大小测试各光源对生物组织的照明效果。

2.如权利要求1所述的光照对生物组织照明效果的检测方法，其特征在于，在步骤1)中，利用CCD对生物样品成像，得到所述生物样品图。

3.如权利要求1所述的光照对生物组织照明效果的检测方法，其特征在于，图像熵评价值R_a，R_a为R_a1、R_a2、…R_ai的统称；

$R_a=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i$

式中，p_i表示灰度图中灰度值为i的像素所占的比例；

所述R_a1和R_ai分别表示第一个光源和第i个光源对应的图像熵评价值。

4.如权利要求1所述的光照对生物组织照明效果的检测方法，其特征在于，在所述的步骤3)中，设定两个图像区域分别为图像区域M和图像区域N，并分别在图像区域M和图像区域N中提取m²和n²个像素点，再分别计算所提取的像素点的平均值和I_αβ表示坐标为αβ的像素点的灰度值，I_xy表示坐标为xy的像素点的灰度值，然后用数值大的平均值除以数值小的平均值，得到灰度对比度评价值R_b；

所述的R_b1和R_bi分别表示第一个光源和第i个光源对应的灰度对比度评价值，R_b为R_b1、R_b2、…R_bi的统称。

5.如权利要求4所述的光照对生物组织照明效果的检测方法，其特征在于，所提取的像素点不处于对应图像区域的边界上。

6.如权利要求1所述的光照对生物组织照明效果的检测方法，其特征在于，在步骤5)，其中 A_max为A的最大值，B_max为B的最大值。