CN103593829A - 基于数学形态学运算的手背静脉显像方法 - Google Patents

Abstract

本发明公开了一种基于数学形态学运算的手背静脉显像方法，首先对通过近红外采集得到的手背静脉原始图像采用直方图均衡化方法进行对比度增强，再对得到的图像进行高通滤波以去除噪声，然后采用开运算的数学形态学处理方法对图像进行处理，去除图像中的纹理特征，再用连续测地膨胀方法进行图像重构，最后采用高斯掩模运算去除开运算和图像重构带来的二次噪声，从而得到清晰的手背静脉图像。本发明还可采用原始图像进行对比度增强之后的图像与结果图像进行图像融合，进一步提高手背静脉图像的清晰度。

Description

基于数学形态学运算的手背静脉显像方法

技术领域

本发明属于静脉成像技术领域，更为具体地讲，涉及一种基于数学形态学运算的手背静脉显像方法。

背景技术

静脉穿刺是一种常见的医疗手段，例如日常医疗中广泛应用的静脉注射。但是在临床上，准确、迅速地进行静脉穿刺却并非易事。国外统计资料表明：普通成人静脉注射的首次穿刺失败率为28%；儿童静脉注射的首次穿刺失败率为44%；儿童中需尝试穿刺3次以上才能进行静脉注射的比例为43%；静脉注射时，发生“漏针”现象的比例为23-28%；癌症患者中穿刺完全失败的比例为12%；住院病人中，患者入院三天后发生穿刺困难的比例为25%；穿刺成功率低还是许多人不愿献血的最大原因之一。

随着科学技术的发展和国民生活水平的提高，人们就医时对医疗条件和服务水平的要求也越来越高。而静脉成像技术能够显著提高静脉穿刺的成功率，其意义在于减轻医护人员的劳动强度、减轻病患者痛苦和缓解其紧张情绪、缩短开放静脉通道的时间以便提高危重伤病员的救治存活率、皮下血管成像的一些成果还可以用于生物信息安全领域。

红外成像系统是指采用近红外成像技术，利用摄像机的成像器件来记录观测目标的辐射信息，经过相应的图像处理后，显示在终端上。因此，红外成像显示系统可以丰富观察内容，通过它人们可以看得到许多仅凭肉眼无法得到的有用信息。

传统的静脉显像大多是通过图像增强、二值化处理然后再通过滤波去噪进行静脉显像，然而针对采集的图像纹理较多的时候，这种方式并不能得到很好的效果。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于数学形态学运算的手背静脉显像方法，提高手背静脉显像的清晰度。

为实现上述发明目的，本发明基于数学形态学运算的手背静脉显像方法，包括以下步骤：

S1：对通过近红外采集得到的手背静脉原始图像采用直方图均衡化方法进行处理，增强原始图像的对比度；

S2：采用高通滤波器对步骤S1得到的图像进行滤波；

S3：采用开运算的数学形态学处理方法对步骤S2得到的图像进行处理，去除图像中的纹理特征；

S4：采用连续测地膨胀方法对步骤S3得到的图像进行图像重构；

S5：确定高斯掩模模板，对步骤S4得到的图像进行高斯掩模运算，去除步骤S3和S4带来的二次噪声。

进一步地，步骤S2中的高通滤波器采用巴特沃斯高通滤波器。

进一步地，步骤S2中的高通滤波器采用高频强调滤波器。

进一步地，步骤S3中的开运算中采用阶数小于等于5的结构矩阵。

进一步地，本发明还包括步骤S6：对原始图像重新进行对比度增强，再将得到的图像与步骤S5中得到的图像进行图像融合，得到最终图像。

进一步地，步骤S6中的对比度增强采用对比度拉伸方法。

进一步地，步骤S6中的图像融合采用图像相加融合。

本发明基于数学形态学运算的手背静脉显像方法，首先对通过近红外采集得到的手背静脉原始图像采用直方图均衡化方法进行对比度增强，再对得到的图像进行高通滤波以去除噪声，然后采用开运算的数学形态学处理方法对图像进行处理，去除图像中的纹理特征，再用连续测地膨胀方法进行图像重构，最后采用高斯掩模运算去除开运算和图像重构带来的二次噪声，从而得到清晰的手背静脉图像。本发明还可采用原始图像进行对比度增强之后的图像与结果图像进行图像融合，进一步提高手背静脉图像的清晰度。

附图说明

图1是本发明基于数学形态学运算的手背静脉显像方法的一种具体实施方式流程图；

图2是近红外原始图像示例图；

图3为图2所示图像的直方图；

图4是直方图均衡化后得到的图像；

图5是图4所示图像的直方图；

图6是对图4高频强调滤波后的图像；

图7是对图6膨胀后的图像；

图8是对图6腐蚀后的图像；

图9是对图像6开运算后的图像；

图10是三种结构矩阵对图像6开运算后的图像；

图11是对图9重构后得到的图像；

图12是对图11进行高斯掩模后的图像；

图13是对图12进行图像融合后的图像。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于数学形态学运算的手背静脉显像方法的一种具体实施方式流程图。如图1所示，本发明包括以下步骤：

S101：直方图均衡化：

对通过近红外采集得到的手背静脉原始图像采用直方图均衡化方法进行处理，增强原始图像的对比度。

由于采集设备的缘故，目前通过近红外采集的图片大多对比度不高，采集的图像灰度级大多集中在某个区域。图2是近红外原始图像示例图。图3为图2所示图像的直方图。如图3所示，本实施例的原始图像中，灰度值的阶数为256，灰度值集中在100-150之间。这样的图像反差小，看起来比较暗淡。本发明通过改变直方图的形状来达到改善视觉效果，增强图像的目的。

记原始图像中某像素(x,y)的灰度值为f，直方图均衡化后将该灰度值映射为g，直方图均衡化即是提供从f到g的映射函数。采用累积分布函数(Cumulative distribution function，CDF)即可实现原始图像的直方图均衡化，其映射函数为：

$g_k=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_i}{n}=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}p\left(i\right)$

其中，k＝0,1,…,L-1，L为灰度图的阶数，g_k表示原始图像中灰度值为k的像素均衡后的灰度值，n_i为原始图像中灰度值为i的像素个数，n为原始图像中像素的总个数，表示频数。

根据映射函数即可根据原始图像直方图计算得到直方图均衡化后各像素的灰度值，在实际应用中还需要对g_k值取整以满足数字图像的要求。

图4是直方图均衡化后得到的图像。图5是图4所示图像的直方图。如图4和图5所示，根据直方图均衡化后得到的图像对比度明显增强，直方图中的灰度值分布均匀。

S102：高通滤波：

原始图像中存在一定的噪声，经过直方图均衡化后这些噪声仍然存在。并且由于图像中的边缘对应高频分量，因此采用高通滤波对图像对行锐化，消除对应图像中灰度值缓慢变化区域的低频分量。

一个2-D理想高通滤波器的传递函数H(u,v)需要满足如下条件：

$H(u,v)=\left\{\begin{array}{cc}0& D(u,v)\≤D_0\\ 1& D(u,v)>D_0\end{array}\right.$

其中，D(u,v)表示频率函数，D₀表示截断频率。

理想高通滤波器存在振铃现象明显的问题，在图像处理中应该尽量避免这种现象出现。在实际应用中，可以采用巴特沃斯高通滤波器，巴特沃斯滤波器的特点是高低频率间的过渡比较光滑，这样就避免了振铃效应。一个阶为Q、截断频率为D₀的巴特沃斯高通滤波器的传递函数为：

$H_b(u,v)=\frac{1}{1+{[D_0/D(u,v)]}^{2Q}}$

但是一般的高通滤波容易偏离直流项，从而把图像的平均值降低到了零。因此本实施例采用了高频强调滤波，这种方法是将高通滤波器乘以一个大于1的常量，在此基础上再加上一个偏移量。该方法通过采用常量乘数突出高频部分，虽然这个常量乘数也增加了低频部分的幅度，但是只要偏移量与乘数相对较小，低频增强的影响就弱于高频增强的影响。本实施例中采用的是基于巴特沃斯高通滤波器的高频强调滤波器，其传递函数为：

H_hfe(u,v)＝α+βH_b(u,v)

其中，α为偏移量，β为大于1的常量。

图6是对图4高频强调滤波后的图像。如图6所示，该图像相对比图4有了一定程度的锐化，但是由于滤波的影响，出现了较多的纹理干扰。

S103：数学形态学开运算：

对于图6中的纹理干扰，由于干扰点较多，传统的滤波较难处理这些干扰信息，实验发现通过频域中的处理也不能得到很好的效果。本发明采用了数学形态学处理后再进行滤波的方法，得到了较良好的效果。

膨胀、腐蚀、开、闭运算是数学形态学最基本的变换。膨胀以

表示，采用向量加法对两个集合进行合并。用X表示源图像，B表示结构矩阵，对源图像X的膨胀即可表示为：

其中，ε²表示二维欧氏空间。

膨胀可用来填补物体中小的空洞和狭窄的缝隙，它使物体的尺寸增加。如若需要保持物体原来的尺寸，则膨胀应与腐蚀相结合。腐蚀

对集合元素采用向量减法，将两个集合合并，腐蚀是膨胀的对偶运算。腐蚀和膨胀都不是可逆运算。对源图像X的腐蚀即可表示为：

在图像处理中，单纯采用膨胀和腐蚀算法效果并不理想。图7是对图6膨胀后的图像。如图7所示，膨胀后图像存在黑白对比不清晰，图片曝光过高等问题，后续处理效果不理想，同时还存在局部失真现象。图8是对图6腐蚀后的图像。如图8所示，腐蚀后图像对比度变小，图片整体过暗，不能够满足后续处理要求。

在图像的数学形态学处理中很少单一的使用腐蚀和膨胀算法，更多的是将膨胀和腐蚀结合使用，例如开运算和闭运算。本发明中采用的是开运算。开运算指的是先腐蚀再膨胀，定义为：

图9是对图像6开运算后的图像。如图9所示，与图6相比，开运算后的图像中的纹理特征基本去除，但是图像中杂点较多，还需要对图像进行进一步后续处理。

在开运算中，结构矩阵的选择非常重要，过大的结构矩阵可能导致图像模糊，不能辨别基本信息。图10是三种结构矩阵对图像6开运算后的图像。如图10所示，本实施例采用了三种不同大小的结构矩阵进行开运算，包括10×10、5×5、3×3。对于10×10的结构矩阵，处理后得到的图像原有界限不清晰，使原有静脉图像分辨较困难；对于5×5的结构矩阵，原有静脉可见，但整体效果不太明显；对于3×3的结构矩阵，原有静脉明显可见。可见采用阶数小于等于5的结构矩阵可以得到相对较好的效果。图9是采用阶数等于3的结构矩阵的开运算得到的图像。

S104：图像重构：

假定要从一幅阈值化二值图像中重构出一个给定形状的物体。图像中的所有连通子区域构成了集合U，但是只有某些连通子区域被标记标定出来，这些子区域就构成了集合V。现有研究表明，通过在集合U中对集合V进行连续测地膨胀，就可以重构出U中由V标记的连通子区域。当膨胀由标记开始时，不可能得到那些在V中没有标记的子区域，也就是说这些子区域消失了。

测地膨胀的终止条件是集合U中所有被V标记的子区域都已经被重构出来，即达到幂等，用

表示集合U的子集V上大小为K的测地膨胀，则有：

$\∀K>K_0,{\mathrm{\δ}}_U^{\left(K\right)}\left(V\right)={\mathrm{\δ}}_U^{\left(K_0\right)}\left(V\right)$

上述运算称为重构，记为ρ_U(V)。形式化地写为：

${\mathrm{\ρ}}_U\left(V\right)=\underset{K\→\∞}{\lim }{\mathrm{\δ}}_U^{\left(K\right)}\left(V\right)$

在步骤S103的开运算中，腐蚀通常会去除小的对象，而随后的膨胀往往会还原所保留对象的形状。但是这种还原的精度取决于形状和结构矩阵之间的相似性。而通过采用连续测地膨胀对开运算后的图像进行重构，能够准确地恢复腐蚀之后的对象形状。图11是对图9重构后得到的图像。如图11所示，与图9相比，图11中的图像杂点明显减少。

S105：高斯掩模处理：

图像在步骤S103和步骤S104的处理后会带来二次噪声，此时图像中的噪声类似于高斯噪声，因此采用高斯掩模运算对图像进行处理，以便去除二次噪声。在高斯掩模运算中，首先需要找到合适的模板，本实施例通过实验找到的模板为25*25的模板。

图12是对图11进行高斯掩模后的图像。如图12所示，与图11相比，图像中的噪声明显减少。与近红外原始图像图2相比，图12中的静脉明显清晰，可见本发明能够有效的提高静脉显像的清晰度。

为了更好地显示图像，将静脉信息完整的展现出来。本发明还可以将步骤S105得到的图像与原始图像进行融合。但是由于原图像亮度较暗，对比度较差，通常在融合前对原始图像进行对比度增强。

S106：对比度增强：

如果采用直方图均衡化进行对比度增加，会在颜色上存在一定的失真。因此一种优选的方式是采用对比度拉伸进行对比度增强，对比度拉伸的函数公式为：

$s=T\left(r\right)=\frac{1}{1+{(m/r)}^E}$

其中，r表示原始图像中某像素的灰度值，s是处理后该像素的灰度值，m是原始图像的灰度阶数，E为函数的斜率控制参数。

S107：图像融合：

将经过步骤S106对比度增强的图像与步骤S105得到的图像进行融合。本实施例中采用的是图像相加融合。图13是对图12进行图像融合后的图像。如图13所示，与图12相比，图13所示的静脉图像的清晰度有了进一步提升。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (7)

1.一种基于数学形态学运算的手背静脉显像方法，其特征在于包括以下步骤：

S1：对通过近红外采集得到的手背静脉原始图像采用直方图均衡化方法进行处理，增强原始图像的对比度；

S2：采用高通滤波器对步骤S1得到的图像进行滤波；

S3：采用开运算的数学形态学处理方法对步骤S2得到的图像进行处理，去除图像中的纹理特征；

S4：采用连续测地膨胀方法对步骤S3得到的图像进行图像重构；

S5：确定高斯掩模模板，对步骤S4得到的图像进行高斯掩模运算，去除步骤S3和S4带来的二次噪声。

2.根据权利要求1所述的手背显像方法，其特征在于，所述步骤S2中的高通滤波器采用巴特沃斯高通滤波器。

3.根据权利要求1所述的手背静脉显像方法，其特征在于，所述步骤S2中的高通滤波器采用高频强调滤波器。

4.根据权利要求1所述的手背静脉显像方法，其特征在于，所述步骤S3中的开运算中采用阶数小于等于5的结构矩阵。

5.根据权利要求1至4任一所述的手背静脉显像方法，其特征在于，还包括步骤S6：对原始图像重新进行对比度增强，再将得到的图像与步骤S5中得到的图像进行图像融合，得到最终图像。

6.根据权利要求5所述的手背静脉显像方法，其特征在于，所述步骤S6中的对比度增强采用对比度拉伸方法。

7.根据权利要求5所述的手背静脉显像方法，其特征在于，所述步骤S6中的图像整合采用图像相加融合。

Images