CN104688184A - 可见光皮肤图像的静脉显像方法 - Google Patents

Abstract

本发明公开了一种可见皮肤图像的快捷静脉显像方法，属于信息感知与识别领域。采集N组包含完全同步的可见光图像和近红外图像的皮肤图像构建皮肤图像库；依次选取每组可见光图像与近红外图像中的对应像素块构成训练数据库；采用三层前向神经网络模拟训练数据库中可见光像素到近红外像素值的映射关系,并进行训练调整；将待测可见光皮肤图像的RGB像素值输入到训练好的三层前向神经网络中得到此图的静脉显像。利用可见光和近红外同步图像中的像素对应关系，采用前向神经网络实现二者之间的映射，进而从能量结果图中实现对静脉的显像，其处理过程简单，易于实现，具有很强的实用和推广价值；其不需要额外的专用装置和设备，大大降低了显像成本。

Description

可见光皮肤图像的静脉显像方法

技术领域

本发明涉及一种皮肤图像的静脉显像方法，具体讲是一种针对可见皮肤图像的快捷静脉显像方法，属于信息感知与识别领域。

背景技术

一百多年前，人类的医学进步到开始运用静脉穿刺术来抽血和注射治疗，实施这种医学技术的关键是首先要设法找到人体的静脉，才能下针穿刺进行后续的治疗。目前，临床所使用的定位静脉的方法主要有两种：目视法——以裸视来寻找和定位静脉。这种方法仅适合于静脉位置较表浅且突出的病人，对于静脉的大小、弯曲与分叉的状态，实际上无法保证一目了然；触摸法——以触摸的感觉来寻找和定位静脉。这种方法是医护人员凭借多年的经验，通过触摸皮肤的感觉分辨出静脉与周围组织的质性不同，从而确定出静脉的位置及深浅。有些患者的皮肤特点不利于观察寻找静脉，如肤色较深，或者皮下脂肪较多，或者体表毛发较多；有些患者则静脉较细，如儿童。对于这些患者，用传统的目视法或者触摸法都很难快速准确地确定静脉的位置，这就给治疗带来很大的困难，反复穿刺也给患者带来很大的痛苦。

当前，国内外现有的静脉显像均依赖于附加设备，如近红外成像、多光谱相机或者超声波技术。其中，近红外静脉成像应用得最为广泛，它使用红外LED发出近红外光照射皮肤，配以CCD摄像头和图像采集卡来生成图像。由于血液中的血红蛋白对波长为0.72～1.10um的入射光线有较强的吸收特性，结合其它皮肤组织对近红外光线的反射和透射，将信息经过光电转换和图像处理，最后将静脉显示在图像或者屏幕上供医护人员实时观测。近期技术中，Prabhu[1]和Kavitha[2]等人采用红外光源照射皮肤，利用近红外成像设备获取静脉图像，然后采用不同的图像处理算法提取其中的静脉。2012年12月12日，中国发明专利申请CN 102813504A公开了一种多光谱三维静脉图像显示装，其利用红外光源发出一种或多种近红外光并照射在被检测区域，该红外光经过皮肤反射后经可见光截止红外透过滤光片进入摄像机，两个摄像机可采集到不同角度的皮肤图像，经计算处理后可得到静脉的位置与深度图。

有的研究人员利用多光谱相机拍摄不同波长下的皮肤图像从而检测静脉。Wieringa[3]等采用立体成像技术提取皮下浅表静脉，利用两台相机分别拍摄多光谱皮肤图像，通过调整图像对比度增强其中的静脉信息，利用3D显示设备观察静脉。Shahzad[4]等将人体皮肤分为四类，利用多光谱相机针对每一类皮肤寻找最优近红外波长，使静脉图像的对比度达到最大。

另有研究人员开发了基于超声波的静脉显像技术。屈学民[5]等利用超声波在传播中的反射散射特性，把几兆至十几兆的高频超声脉冲发射到人体，在超声波传播过程中，遇到声阻抗不同的组织界面时，有部分能量透射过去，也有部分能量被反射回来。这样，发射脉冲与回波脉冲之间的时间间隔决定了皮肤表面和静脉的距离。赵兰平等[6]利用高分辨B型超声仪检测桡动脉或其他浅表动脉的横切面和纵切面，形成二维血管运动图像，采用复合压力与B超的检测装置，同步采集桡动脉等处浅表动脉的压力脉图和超声脉图。但该方法检测的是桡动脉图像，而不是静脉图像。

以上这些血管显像技术均需附加额外的设备或者装置，如超声波发射和接收装置、红外光发射和成像装置、多光谱相机，等等，这就增加了显像仪器的体积、重量，并且也大大提高了成本。例如，目前市场上出售的静脉红外显像仪价格均高达9000人民币左右。也有学者针对可见光图像研究皮肤及血管，如蒋大林等[7]采用数字图像处理的方法对皮肤表面毛细血管图像进行处理和检测，利用此方法对雀斑治疗效果进行了分析。虽然其算法的处理对象也是可见光图像，但是检测的目标是皮肤表面的毛细血管，而不是静脉。通常毛细血管位于皮肤表层，是可以用肉眼观察到的，而静脉则位于人体皮肤的真皮层以下，从可见光图像中通常是无法直接观察，导致此种方法无法对静脉图像进行处理和检测。

[1]Prabhu V D,Mohanavelu K,Sundersheshu B S,and Padaki V C,Vein Identification and Localization for Automated Intravenous Drug Delivery System[A].Communications in Computer and Information Science[C],Springer Verlag,Tiergartenstrasse,2012:270-281；

[2]Kavitha R,Localization of Palm Dorsal Vein Pattern Using Image Processing for Automated Intra-venous Drug Needle Insertion[J].International Journal of Engineering Science and Technology,2011,3(6):4833-4838；

[3]Wieringa F P,Mastik F,Cate F J,et al.Remote Non-Invasive Stereoscopic Imaging of Blood Vessels:First In-Vivo Results of A New Multispectral Contrast Enhancement Technology[J].Analysis of Biomedical Engineering,2006,34(12):1870-1878；

[4]Shahzad A,Walter N,Saeed M A,et al.Multispectral Venous Images Analysis for Optimum Illumination Selection[A].in Proceedings of the IEEE International Conference on Image Processing[C],2013:2383-2387；

[5]屈学民，卞正中.静脉血管超声定位检测仪的研制[J].中国医学物理学杂志，2000，17(1)：32-33；

[6]赵兰平，杨学智，牛欣.桡动脉等浅表动脉脉动信息的检测及应用价值[A].中国生理学会第23届全国会员代表大会暨生理学学术大会论文摘要文集[C]，2010：389-390；

[7]蒋大林，张泓.皮肤表面毛细血管图像的检测与分析[J].北京工业大学学报，2006(06)：501-505。

发明内容

本发明所要解决的技术问题在于克服现有技术缺陷，提供一种无需额外的装置和设备，能快速处理并显示可见光皮肤图像中静脉的方法。

为了解决上述技术问题，本发明提供的可见光皮肤图像的静脉显像方法，包括以下步骤：

1)、采集N组包含完全同步的可见光图像和近红外图像的皮肤图像，构建皮肤图像库；

2)、依次选取每组可见光图像与近红外图像中的对应像素块构成训练数据库；

3)、采用三层前向神经网络模拟步骤2)训练数据库中可见光像素到近红外像素值的映射关系,并通过三层前向神经网络的隐含层和输出层对三层前向神经网络进行训练调整；

4)、将待测可见光皮肤图像的RGB像素值输入到步骤3)训练好的三层前向神经网络中，其输出的映射图像即为此图的静脉显像。

本发明中，所述步骤2)的具体过程为：

21)、采用限制对比度自适应直方图均衡化方法对近红外图像进行预处理后，采用双向滤波进行去噪声处理；

22)、采用Gabor滤波器提取预处理后近红外图像中的静脉信息；

23)、将经步骤22)处理后图像中每个像素点(x,y)附近的局部图像能量从滤波结果中除去得到能量结果图；

24)、采用Ostu阈值分割算法对能量结果图进行二值化处理，然后对二值图进行细化，得到静脉线状图；

25)、将静脉线状图分别叠加于近红外图像上和可见光图像上，提取得到M组可见光/近红外对应像素块；同时，在静脉线状图的空白区域提取中同样数量的空白区域可见光/近红外对应像素块；

26)、重复执行步骤21)至步骤25)提取各组皮肤图像数量相同的可见光/近红外图像的对应像素块和空白区域可见光/近红外对应像素块，得到M×2×N组像素块，构成训练数据库。

本发明中，所述步骤22)的具体过程为：

221)、采用16个含有不同尺度和方向的Gabor滤波器的实部对近红外图像进行处理，其空域中的数学表达式为：

$G(x,y,{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ})=\frac{\mathrm{\γ}}{2\mathrm{\π}{\mathrm{\σ}}_m^2}\exp \left(\frac{x^{\′2}+{\mathrm{\γ}}^2{y}^{\′2}}{2{\mathrm{\σ}}_m^2}\right)\cos \left(\frac{{2\mathrm{\πx}}^{\′}}{{\mathrm{\σ}}_{\mathrm{mk}}}\right)---\left(1\right)$

式(1)中，x′＝x cosθ_k+y sinθ_k，y′＝-x sinθ_k+y cosθ_k，θ_k＝kπ/8为滤波器方向，λ_mk为正弦分量的波长，σ_m为椭圆形高斯窗口沿x′方向的标准方差，γ为空域中的比例，m∈{1,2}为滤波器的尺度集合；k∈{1,2,…,8}为滤波器的方向集合；

222)、将各个Gabor滤波器的直流分量去除，得到不含直流分量的滤波器G_DC，设NIR(x,y)为处理后的近红外图像，通过式(2)对该图像进行Gabor滤波：

$F_{{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ}}(x,y)=-G_{\mathrm{DC}}(x,y,{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ})*\mathrm{NIR}(x,y)---\left(2\right)$

式(2)中，*表示二维卷积运算，为卷积结果。

本发明中，所述步骤4)包括待待测可见光皮肤图像RGB的像素值输入三层前向神经网络前的亮度自适应调节步骤：

41)、建立待待测可见光皮肤图像亮度自适应调节模型：

NIR＝f(V/a)   (3)

式(3)中，V为待测的可见光皮肤图像，a为图像亮度调整算子，f代表了神经网络映射函数，NIR为神经网络输出的映射图像；

42)、调整映射图像的局部方差求得a的最优值： 

$a^{*}=\arg {\max }_{a\∈A}\left\{\frac{1}{M}{\mathrm{\Σ}}_{i=1}^M{\mathrm{var}}_{(x,y){\∈S}_{b_i}}\right[{\mathrm{NIR}}_{b_i}(x,y)\left]\right\}---\left(4\right)$

式(4)中，A为算子待选值集合，NIR_bi为映射近红外图像中第i个5×5的邻域，M为邻域总数，(x,y)为像素的位置，S_bi为NIR_bi中皮肤像素的集合。

本发明的有益效果在于：(1)、本发明利用可见光和近红外同步图像中的像素对应关系，采用前向神经网络实现二者之间的映射，进而从能量结果图中实现对静脉的显像，其处理过程简单，易于实现，具有很强的实用和推广价值；(2)、本发明能从普通数码相机或手机拍摄的可见光皮肤图像中检测出静脉，不需要额外的专用装置和设备，大大降低了显像成本；将本发明方法的编入软件植入医护人员的智能手机中，即可变成小巧便携的静脉显像仪，以便于在具体的医疗活动中快速使用；(3)、本发明能显著提高首次静脉穿刺成功率，从而减少患者的创伤和疼痛，大大提高医护人员的工作效率；(4)、本发明尤其适合肤色较黑、皮肤粗糙患者的静脉定位。

附图说明

图1为人体前臂内侧图像的静脉显像实验结果图；

图2为人体其它身体部位图像的静脉显像实验结果图。

具体实施方式

下面结合具体实施例对本发明作进一步详细说明。

1、采用JAI-AD080CL可见光/近红外同步相机拍摄手臂的图像。该相机可同步获取手臂图像的可见光/近红外的光谱，可见光和近红外光通过一个单一的镜头、进入了两个感光芯片。其中，第一块芯片使用Bayer彩色技术，只获取可见光，即常规影像；第二个芯片为一个单色的近红外成像芯片，在近红外光源的照射下，其拍摄的近红外皮肤图像中可以看到静脉的位置；两幅图像完全同步。为了提高采集静脉位置的定位的准确性，本例首先采集20个人的前臂内侧图像(每个人1组可见光/近红外图像，共20组)，然后选择8组质量最好、静脉位 置最清晰的图像，构成了一个图像库。为了保证图像库的精确性图像组数不宜过少，同时为了简化处理过程图像组数也不宜过多，通常选择6-10组。

2、依次从图像库中各组可见光图像选取近红外图像中与可见光图像中的对应像素构成训练数据库。在拍摄的手臂图像中尽管近红外图像可以看到静脉分布，但是其具体位置往往不是很清晰，所以需要对其进行预处理，然后自动提取静脉。

首先，利用限制对比度自适应直方图均衡化(CLAHE)方法对近红外图像进行预处理，每幅图像被划分为8×8的区域，将均匀分布作为目标直方图，该方法可在抑制噪声的基础上提升图像的对比度；之后，采用双向滤波对图像噪声进行了平滑处理。

其次，利用Gabor滤波器自动提取经预处理后近红外图像中的静脉信息。由于近红外图像中静脉为黑色线条，此例采用16个含有不同尺度和方向的Gabor滤波器的实部对近红外图像进行处理，其空域中的数学表达式为：

$G(x,y,{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ})=\frac{\mathrm{\γ}}{2\mathrm{\π}{\mathrm{\σ}}_m^2}\exp \left(\frac{x^{\′2}+{\mathrm{\γ}}^2{y}^{\′2}}{2{\mathrm{\σ}}_m^2}\right)\cos \left(\frac{{2\mathrm{\πx}}^{\′}}{{\mathrm{\σ}}_{\mathrm{mk}}}\right)---\left(1\right)$

式(1)中，x′＝x cosθ_k+y sinθ_k，y′＝-x sinθ_k+y cosθ_k，θ_k＝kπ/8为滤波器方向，λ_mk为正弦分量的波长，σ_m为椭圆形高斯窗口沿x′方向的标准方差，γ为空域中的比例，m∈{1,2}为滤波器的尺度集合；k∈{1,2,…,8}为滤波器的方向集合，因此一共有16个含有不同尺度和方向的Gabor滤波器。

为了提高滤波器对图像亮度变化的鲁棒性，将各个Gabor滤波器的直流分量去除，得到不含直流分量的滤波器G_DC。设NIR(x,y)为处理后的近红外图像，通过式(2)对该图像进行Gabor滤波：

$F_{{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ}}(x,y)=-G_{\mathrm{DC}}(x,y,{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ})*\mathrm{NIR}(x,y)---\left(2\right)$

式(2)中，*表示二维卷积运算，为卷积结果，由此一共得到16幅滤波结果图。

第三，近红外图像中，若某一像素位于静脉之上，那么这个像素的位置就包含了该静脉的方向和尺度(即静脉线条的宽度)信息。在16幅滤波结果图中，与该静脉方向和尺度相对应滤波器的输出将为最大。因此，在某一个像素位置， 响应最大的滤波器的方向和尺度即可用来表示该位置静脉的方向和尺度信息。由于静脉具有连续性，从滤波结果图中就可以观察到静脉信息。

此外，滤波结果会进一步受到光照和拍摄角度的影响，需要将经滤波后图中每个像素点(x,y)附近的局部图像能量从滤波结果中除去，得到即去除像素点(x,y)后的能量结果图。

第四，为了自动提取静脉像素，采用Ostu阈值分割算法对能量结果图进行二值化处理，接着对二值图进行细化，得到静脉线状图，图中黑色线条即与静脉中轴相对应。

第五，将静脉线状图叠加于近红外图像上，沿着黑色线条提取9×9的近红外像素块；同理，将静脉线状图叠加于可见光图像上，沿着黑色线条提取9×9×3的可见光像素块(RGB三个颜色通道)，最终得到一组可见光/近红外对应像素块，它们表征了含有静脉的皮肤在可见光和近红外图像中像素值的对应关系。利用上述方法，针对图像库中的每一组可见光/近红外手臂图像分别提取100组可见光/近红外对应像素块。

仅有静脉像素的特征还不能构成有效的训练数据，为此，在静脉线状图的空白区域(对应了非静脉位置的普通皮肤)利用上述方法同样提取得到一组空白区域的可见光/近红外对应像素块；同理，针对图像库中的每一组可见光/近红外手臂图像分别提取100组空白区域的可见光/近红外对应像素块。最终得到100×2×8即1600组像素块，构成了训练数据库。

3、采用三层前向神经网络模拟可见光到近红外像素值的映射关系；三层前向神经网络包含输入层、隐含层和输出层，其中，输入层包含3个神经元，以训练数据库中的可见光像素值为输入；输出层包含1个神经元，以近红外像素值为输出；隐含层包含5个神经元。三层前向神经网络中的隐含层和输出层分别采用tan-sigmoid和线性函数，利用Levenberg-Marquardt反向传播法对网络权值进行训练和调整。

4、用普通数码相机拍摄一张人体手臂图像作为待测可见光图像。因在不同光照条件下，相同的皮肤和相机会产生不同亮度值的图像，这将影响静脉显像的结果。为了降低光照强度的影响，采用图像亮度自适应调节模型进行亮度调节：

NIR＝f(V/a)   (3)

式(3)中，V为待测的可见光图像，a为图像亮度调整算子，f代表了神经网络映射函数，NIR为神经网络输出的映射图像。当映射图像的局部方差最大的时候，其中静脉的位置也将最为清晰，因此，通过调整映射图像的局部方差求得a的最优值：

$a^{*}=\arg {\max }_{a\∈A}\left\{\frac{1}{M}{\mathrm{\Σ}}_{i=1}^M{\mathrm{var}}_{(x,y){\∈S}_{b_i}}\right[{\mathrm{NIR}}_{b_i}(x,y)\left]\right\}---\left(4\right)$

式(4)中，A为算子待选值集合，NIR_bi为映射近红外图像中第i个5×5的邻域，M为邻域总数，(x,y)为像素的位置，S_bi为NIR_bi中皮肤像素的集合。

5、将调整后的待测可见光图像中RGB三个通道的像素值输入给训练好的神经网络，从其输出的映射图像中即可实现待测可见光皮肤图像中静脉的显像。

接下来通过对一批可见光皮肤图像对本发明进行了验证，下列所有实验图像的采集对象均不在训练数据库人员中。如图1所示，前臂内侧图像的静脉显像实验结果，图中第一列为用于测试的可见光图像a1,b1,c1,d1，第二列为通过本发明得到的静脉显像结果图a2,b2,c2,d2，第三列为与第一列对应的近红外图像a3,b3,c3,d3，用于对第二列静脉显像结果进行验证。利用限制对比度自适应直方图均衡化方法对结果图像的对比度进行了调整，同时采用了双向滤波对噪声进行了平滑。双向滤波不仅考虑像素在空间距离上的关系，同时加入了像素间的相似程度比较，因而可以保持原始图像的大体分块进而保持边缘，特别适用于含有线条信息的静脉显像结果图的去噪。每一行为一组实验的结果，分别为a1,a2,a3、b1,b2,b3、c1,c2,c3、d1,d2,d3。

第一组实验图像的采集对象为中国人，其皮肤黑色素含量较少，皮下脂肪层薄，所以其静脉位置较浅，尽管如此，要用目视法从可见光图像a1中寻找全部的静脉仍然不易。用本发明方法可以得到很好的静脉显像结果a2，与近红外图像a3比较后发现，从静脉显像结果图a2中可以清晰地看到所有静脉的位置，包括一些细小的静脉。

第二组实验图像的采集对象也为中国人，但是其静脉位置较深，从可见光图像b1中很难确定静脉，其近红外图像b3中的静脉位置也比较模糊，通过上述方法的处理在静脉显像结果图b2中却可以清晰地看到静脉的位置。

第三组实验图像的采集对象为伊朗人，其皮肤上有浓密的毛发，严重影响了目视法对静脉的观测效果。从可见光图像c1中无法确定静脉位置，其近红外图 像c3中的静脉位置模糊不清，但通过上述方法处理在静脉显像结果图c2中可以清晰地看到静脉的位置。

第四组实验图像的采集对象为印度人，其皮肤黑色素含量较高，肤色很深，目视法几乎无法找到静脉。与第三组实验一样，近红外图像d3中的静脉不是很清楚，经处理后在静脉显像结果图d2却可以清楚地看到静脉的位置。

为了验证本发明方法的通用性，现用不同相机所拍摄的不同部位的皮肤图像对其进行实验，部分结果如图2所示，每一行为一组实验的结果，分别为e1,e2,e3、f1,f2,f3、g1,g2,g3。第一组实验图像采集自上臂的外侧，第二组实验图像采集自大腿的前侧，第三组实验图像采集自小腿的前侧，其中可见光图像是由Nikon D70相机拍摄的(与近红外图像非同步对应)，相机型号和光照条件都与训练数据有很大差别。三组实验中，从可见光图像e1,f1,g1中很难观察到静脉位置，而从处理后的静脉显像结果图e2,f2,g2中可以清晰地看到静脉的位置，部分静脉甚至比近红外图像e3,f3,g3还要清晰。可见，本发明具有较强的鲁棒性，对于不同人种和身体部位在不同光照条件和相机特性下拍摄的皮肤都能有较好的显像结果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (4)

1.一种可见光皮肤图像的静脉显像方法，其特征在于包括以下步骤：

1)、采集N组包含完全同步的可见光图像和近红外图像的皮肤图像，构建皮肤图像库；

2)、依次选取每组可见光图像与近红外图像中的对应像素块构成训练数据库；

3)、采用三层前向神经网络模拟步骤2)训练数据库中可见光像素到近红外像素值的映射关系,并通过三层前向神经网络的隐含层和输出层对三层前向神经网络进行训练调整；

4)、将待测可见光皮肤图像的RGB像素值输入到步骤3)训练好的三层前向神经网络中，其输出的映射图像即为此图的静脉显像。

2.根据权利要求1所述的可见光皮肤图像的静脉显像方法，其特征在于所述步骤2)的具体过程为：

21)、采用限制对比度自适应直方图均衡化方法对近红外图像进行预处理后，采用双向滤波进行去噪声处理；

22)、采用Gabor滤波器提取预处理后近红外图像中的静脉信息；

23)、将经步骤22)处理后图像中每个像素点(x,y)附近的局部图像能量从滤波结果中除去得到能量结果图；

24)、采用Ostu阈值分割算法对能量结果图进行二值化处理，然后对二值图进行细化，得到静脉线状图；

25)、将静脉线状图分别叠加于近红外图像上和可见光图像上，提取得到M组可见光/近红外对应像素块；同时，在静脉线状图的空白区域提取中同样数量的空白区域可见光/近红外对应像素块；

26)、重复执行步骤21)至步骤25)提取各组皮肤图像数量相同的可见光/近红外图像的对应像素块和空白区域可见光/近红外对应像素块，得到M×2×N组像素块，构成训练数据库。

3.根据权利要求2所述的可见光皮肤图像的静脉显像方法，其特征在于所述步骤22)的具体过程为：

221)、采用16个含有不同尺度和方向的Gabor滤波器的实部对近红外图像进行处理，其空域中的数学表达式为：

$G(x,y,{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ})=\frac{\mathrm{\γ}}{2\mathrm{\π}{\mathrm{\σ}}_m^2}\exp (-\frac{x^{\′2}-{\mathrm{\γ}}^2{y}^{\′2}}{2{\mathrm{\σ}}_m^2})\cos \left(\frac{{2\mathrm{\πx}}^{\′}}{{\mathrm{\σ}}_{\mathrm{mk}}}\right)---\left(1\right)$

式(1)中，x′＝xcosθ_k+ysinθ_k，y′＝-xsinθ_k+ycosθ_k，θ_k＝kπ/8为滤波器方向，λ_mk为正弦分量的波长，σ_m为椭圆形高斯窗口沿x′方向的标准方差，γ为空域中的比例，m∈{1,2}为滤波器的尺度集合；k∈{1,2,…,8}为滤波器的方向集合；

222)、将各个Gabor滤波器的直流分量去除，得到不含直流分量的滤波器G_DC，设NIR(x,y)为处理后的近红外图像，通过式(2)对该图像进行Gabor滤波：

$F_{{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ}}(x,y)=-G_{\mathrm{DC}}(x,y,{\mathrm{\λ}}_{\mathrm{mk}},{\mathrm{\θ}}_k,{\mathrm{\σ}}_m,\mathrm{\γ})*\mathrm{NIR}(x,y)---\left(2\right)$

式(2)中，*表示二维卷积运算，为卷积结果。

4.根据权利要求1至3任一项所述的可见光皮肤图像的静脉显像方法，其特征在于所述步骤4)包括待待测可见光皮肤图像RGB的像素值输入三层前向神经网络前的亮度自适应调节步骤：

41)、建立待待测可见光皮肤图像亮度自适应调节模型：

NIR＝f(V/a)   (3)

式(3)中，V为待测的可见光皮肤图像，a为图像亮度调整算子，f代表了神经网络映射函数，NIR为神经网络输出的映射图像；

42)、调整映射图像的局部方差求得a的最优值：

$a^{*}=\arg {\max }_{a\∈A}\left\{\frac{1}{M}{\mathrm{\Σ}}_{i=1}^M{\mathrm{var}}_{(x.y)\∈S_{b_i}}\right[{\mathrm{NIR}}_{b_i}(x,y)\left]\right\}---\left(4\right)$

式(4)中，A为算子待选值集合，NIR_bi为映射近红外图像中第i个5×5的邻域，M为邻域总数，(x,y)为像素的位置，S_bi为NIR_bi中皮肤像素的集合。