CN109377473A - 一种定位目标取脉点的方法及装置 - Google Patents
一种定位目标取脉点的方法及装置 Download PDFInfo
- Publication number
- CN109377473A CN109377473A CN201811069164.4A CN201811069164A CN109377473A CN 109377473 A CN109377473 A CN 109377473A CN 201811069164 A CN201811069164 A CN 201811069164A CN 109377473 A CN109377473 A CN 109377473A
- Authority
- CN
- China
- Prior art keywords
- image
- radial artery
- gray level
- line
- rectangle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000001367 artery Anatomy 0.000 title claims abstract description 84
- 210000003462 vein Anatomy 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 77
- 210000002321 radial artery Anatomy 0.000 claims abstract description 107
- 210000000707 wrist Anatomy 0.000 claims abstract description 46
- 230000003447 ipsilateral effect Effects 0.000 claims abstract description 8
- 210000003813 thumb Anatomy 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims description 40
- 230000009466 transformation Effects 0.000 claims description 27
- 210000004204 blood vessel Anatomy 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000002583 angiography Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 101100056299 Mus musculus Arl10 gene Proteins 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000011426 transformation method Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 15
- 238000003384 imaging method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 239000003814 drug Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 1
- 230000005457 Black-body radiation Effects 0.000 description 1
- 102100022595 Broad substrate specificity ATP-binding cassette transporter ABCG2 Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 101000823298 Homo sapiens Broad substrate specificity ATP-binding cassette transporter ABCG2 Proteins 0.000 description 1
- 108010064719 Oxyhemoglobins Proteins 0.000 description 1
- 101100079104 Schizosaccharomyces pombe (strain 972 / ATCC 24843) arm1 gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 108010002255 deoxyhemoglobin Proteins 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种定位目标取脉点的方法,包括:获取腕部的包括桡动脉血管的红外图像;获得手臂两侧与外部背景的边界线;将两条边界线的中心点的连线作为手臂的参考中线;获取手臂与大拇指同侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;根据图像中桡动脉的特征,确定桡动脉所在位置,将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点,解决了当前数字化诊疗中定位目标取脉点不准确的问题。
Description
技术领域
本申请涉及数字化诊疗领域,具体涉及一种定位目标取脉点的方法,同时涉及一种定位目标取脉点的装置。
背景技术
数字化脉诊通过贴在桡动脉上的压力传感器采集得到脉波信号。这一技术使脉诊逐步走向定量化、标准化,为中医脉诊更加客观、准确地进行临床诊断、辅助诊断、疗效判定提供技术支持,进而推动中医现代化的进程。
当前的数字化脉诊仪绝大多数都是通过腕带进行佩戴的。在佩戴时,由于脉诊仪机盒或腕带遮挡了眼睛对腕部的视野,需要人工的用眼睛估计寸口位置。由于每个人的手臂形态及桡动脉的位置、深浅、肤色不同,对于普通人群来说,识别准确的目标取脉位置是有难度的。
这种方式,一方面导致了佩戴不便,从而引发取脉点定位不准确的问题,如果定位不准确,将无法采集到质量合格的脉波信号,而无法进行准确的数字化脉诊分析,多次佩戴不好,甚至会导致使用者的心情受到影响,从而影响脉波的跳动节律,导致脉诊误判;另一方面,寻找桡动脉的目标取脉位置依赖于对中医、解剖学知识的了解及一定的使用经验,这为普通人群使用脉诊仪带来了极大的不便。所以,目前脉象的数字化诊疗存在定位目标取脉点不准确的问题。自动识别桡动脉的目标取脉点,准确有效的采集脉象信息进而为脉象的数字化诊疗提供保障,成为脉象数据高效采集需要解决的关键问题。
发明内容
本申请提供一种定位目标取脉点的方法,用于解决当前数字化诊疗中定位目标取脉点不准确的问题。
本申请提供的一种定位目标取脉点的方法,包括:
获取腕部的包括桡动脉血管的红外图像;
根据所述红外图像的颜色值将所述红外图像转换为对应的灰度图像,对所述灰度图像进行增强处理,获得所述腕部血管的对比度增强的灰度图像;
对所述对比度增强的灰度图像进行锐化处理,获得手臂两侧与外部背景的边界线;将两条边界线的中心点的连线作为手臂的参考中线;
获取手臂与大拇指同侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;
根据图像中桡动脉的特征,确定桡动脉所在位置,将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点。
优选的,所述腕部的包括桡动脉血管的红外图像中:手掌部分位于所述红外图像的上侧,手臂部分位于所述红外图像的下侧。
优选的,
若所述红外图像为左手,则获取手臂左侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;
若所述红外图像为右手,则将所述红外图像进行水平翻转后,获取手臂左侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽。
优选的,所述根据所述红外图像的颜色值将所述红外图像转换为对应的灰度图像,包括:
使用血管显像仪器获取腕部包括桡动脉血管的红外图像;
读取所述红外图像的颜色值;
采用均值法将所述红外图像转换为灰度图像,计算公式为:
gray=((r+g+b)/3)/255
grap表示灰度值,r、g、b分别表示红、绿、蓝三种颜色的值。
优选的,所述采用均值法将所述红外图像转换为灰度图像,还可以采用如下的三种方法将所述红外图像转换为灰度图像:
A、采用基于亮度的方法将红外图像转换为灰度图像,计算公式为:
Lightness=(max(r,g,b)+min(r,g,b))/2
B、采用基于照度的方法将红外图像转换为灰度图像,计算公式为:
(HDTV-BT.709)lumonoaity=r*0.0722+g*0.7152+b*0.2126
(SDTV-BT.601)lumonoaity=r*0.114+g*0.587+b*0.299
C、采用彩色转灰度的心理学的方法将红外图像转换为灰度图像,计算公式为:
gray=r*0.299+g*0.587+b*0.114。
优选的,将所述红外图像转换为对应的灰度图像之后,对所述灰度图像进行增强处理之前,还包括:
使用维纳滤波去除所述灰度图像的噪声,获得无干扰的灰度图像。
优选的,还包括:
维纳滤波的卷积窗口的取值范围为[3,3]~[3,7]。
优选的,还包括:
使用高斯滤波或平滑卷积去除所述灰度图像的噪声,获得无干扰的灰度图像。
优选的,所述灰度图像进行增强处理,获得所述腕部血管的对比度增强的灰度图像,包括:
对所述无干扰的灰度图像使用底帽变换和灰度均衡化的方法,获得所述腕部血管的对比度增强的灰度图像。
优选的,所述底帽变换的方法,具体为:
对所述无干扰的灰度图像进行底帽变换,并用无干扰的灰度图像减去底帽变换的结果,将变换前的灰度图像记作f,对f进行底帽变换,定义[2,3]为f的闭操作减去f:Bhat(f)=(f·b)-f),选择的结构为圆形,且圆半径的取值范围为[5,20]像素;
增强图像的计算公式为:result=f-Bhat(f)。
优选的,所述灰度均衡化的方法,具体为:
对进行底帽变换后的灰度图像使用灰度直方图的方法进行灰度均衡化,设原始图像在(x,y)处的灰度为f,l为图像的灰度级数,均衡化后的图像为g,则灰度直方图均衡化处理中对图像的映射函数可定义为:g=EQ(f)。EQ(f)必须满足如下两个条件:
(1)同序性:EQ(f)在0<=f<=L-1范围内为单调增函数;
(2)一致性:对于0<=f<=L-1有0<=g<=L-1,变换前后灰度值动态范围的一致性;
基于累积分布函数满足上述两个条件,则映射函数为:
Gk=EQ(fk)=(ni/n)=pf(fi),(k=0,1,2,……,L-1),求和区间为[0,k]
根据以上方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值同,对原始图像的灰度值进行统计分析,并计算出原始直方图的分布,然后根据计算出的累计直方图分布求出fk到gk的灰度映射关系,计算得到原始图像所有灰度级别到目标图像灰度级别的映射关系,按照该映射关系进行灰度转换。
优选的,所述对所述对比度增强的灰度图像进行锐化处理,包括:
设计锐化算子增强亮度差异大的边界位置并同时弱化亮度差异小的其他位置,设原灰度图像为f,分别计算f的纵向和横向累加矩阵c1,c2,定义diff为锐化结果,(i,j)为像素所在的行数和列数,基于局部亮度的锐化算子如下:
diff(i,j)=(abs(c1(i,j)*2-c1(i-d,j)-c1(i+d,j))+abs(c2(i,j)*2-c2(i,j-d)-c2(i,j+d)))
其中,d为算子的卷积窗口,并且锐化算子根据图像的大小调整卷积窗口的半径。
优选的,所述将两条边界线的中心点的连线作为手臂的参考中线,包括:
对边界锐化后的图像使用sobel算子或canny算子进行边缘检测,边缘检测的结果记作BW;
在BW每行上计算边缘点的平均位置;
对所有行的平均位置进行等间隔采样;
将采样后的点拟合成一条直线,记作line_ref,line_ref为获得的手臂参考中线。
优选的,所述若所述红外图像为左手,则获取所述手臂的外边缘直线,包括:
使用霍夫变换识别diff上左侧的直线并共线融合,得到直线集合lines;
根据直线距离、直线亮度、以及直线长度,选择直线集合lines中line_ref附近的直线,作为手臂边界line_arm。
优选的,还包括:
检测BW上的联通区域,根据所述联通区域的大小、形状、复杂度以及位置,筛选得出手臂边界line_arm。
优选的,所述并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长度与所述参考中线的平均距离作为提取桡动脉所在矩形的宽,包括:
将获取的手臂左侧的外边缘直线向上延伸至图像顶端,得到线段记作line_arm1,作为提取桡动脉所在矩形的长,顶端的端点为左上角;
将line_arm1到line_ref的平均距离作为矩形的宽,记作w,计算公式为,w=d(line_arm1,line_ref),其中d为line_arm1,line_ref上纵坐标相同的点的距离的平均值。
优选的,所述据图像中桡动脉的特征,确定桡动脉所在位置,包括:
将桡动脉所在矩形进行纵向累加获得特征feature_h,将桡动脉所在矩形进行横向累加获得特征feature_w;
遍历feature_h,获得最小值位置vx0,将vx0作为桡动脉的纵坐标位置;遍历feature_w,获得最大值位置vy0,将vy0作为桡动脉的横坐标的位置。
优选的,所述将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点,包括:
对(vx0,vy0)按预先设定的比例缩小,获得桡动脉的目标取脉点(vx,vy)。
本申请同时提供一种用于定位目标取脉点的装置,包括:
红外图像获取单元,用于获取腕部的包括桡动脉血管的红外图像;
对比度增强的灰度图像获取单元,用于根据所述红外图像的颜色值将所述红外图像转换为对应的灰度图像,对所述灰度图像进行增强处理,获得所述腕部血管的对比度增强的灰度图像;
参考中线获取单元,用于对所述对比度增强的灰度图像进行锐化处理,获得手臂两侧与外部背景的边界线;将两条边界线的中心点的连线作为手臂的参考中线;
矩形获取单元,用于获取手臂与大拇指同侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;
目标取脉点定位单元,用于根据图像中桡动脉的特征,确定桡动脉所在位置,将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点。
本申请提供的定位目标取脉点的方法,通过对腕部的包括桡动脉血管的红外图像进行处理,获得对比度增强的灰度图像,基于手臂两侧与外部背景的边界线,获得手臂的参考中线,进而获取腕部桡动脉所在的矩形,根据桡动脉的特征,获得桡动脉所在的取脉点,解决了当前数字化诊疗中定位目标取脉点不准确的问题。
附图说明
图1是本申请实施例提供的定位目标取脉点的方法示意图;
图2是本申请实施例涉及的腕部血管的成像原图;
图3是本申请实施例涉及的中医把脉及数字化脉诊仪的取脉位置示意图;
图4是本申请实施例涉及的维纳滤波去噪后的腕部血管图像;
图5是本申请实施例涉及的经过底帽变换对比度增强后的图像效果图;
图6是本申请实施例涉及的灰度直方图均衡化腕部血管成像图;
图7是本申请实施例涉及的灰度图像的局部亮度的边界锐化图;
图8是本申请实施例涉及的对锐化边界后的图像进行边缘检测后的效果图;
图9是本申请实施例涉及的基于边缘图像提取的手臂参考中线;
图10是本申请实施例涉及的基于霍夫变换检测出的手臂外侧边缘;
图11是本申请实施例涉及的腕部血管图上截取的桡动脉所在的矩形;
图12是本申请实施例涉及的基于矩形区域计算得到的桡动脉特征;
图13是本申请实施例涉及的取脉点坐标还原变换原理图;
图14是本申请实施例提供的定位目标取脉点的装置示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
图1是本申请实施例提供的定位目标取脉点的方法示意图,下面结合图1对本申请实施例提供的方法进行详细说明。
步骤S101,获取腕部的包括桡动脉血管的红外图像。
获取腕部包括桡动脉血管的红外图像,可以使用红外血管显示仪对腕部进行拍摄,拍摄时,将手掌部分位于图像的上侧,手臂部分位于图像的下侧,这样就获取了腕部的包括桡动脉血管的红外图像。一般情况下,拍摄的红外图像的彩色为8位rgb伪彩色,仪器对腕部血管的成像原图如图2所示。从图2中可以看出,腕部的红外血管成像可以显示出腕部血管的轮廓,但是图像还存在明暗不一,有的地方相对比较模糊等问题,所以使用仪器拍摄的血管的红外图像的清晰程度还不是很高。
红外血管的显像原理如下,由于黑体辐射的存在,任何物体都依据温度的不同对外进行电磁波辐射。波长为2.0~1000微米的部分称为热红外线。热红外成像通过对热红外敏感CCD对物体进行成像,能反映出物体表面的温度场。人体是一个自然的生物红外辐射源,能够不断向周围发射和吸收红外辐射。正常人体的温度分布具有一定的稳定性和特征性,机体各部位温度不同,形成了不同的热场。当人体某处发生疾病或功能改变时,该处血流量会相应发生变化,导致人体局部温度改变,表现为温度偏高或偏低。热成像系统根据这一原理采集人体红外辐射并转换为数字信号,形成伪色彩热图,经专业医师对热图分析,判断出人体病灶的部位、疾病的性质和病变的程度,为临床诊断提供可靠依据。血管显像根据血红蛋白对红外光吸收能力强的原理设计而成。氧合血红蛋白以及去氧血红蛋白相对于其他组织,吸收红外光的能力较强,故通过能够感知反射的红外光强弱,同时经过一系列信号处理,可在显示器上显示血管的走向。
获取腕部的包括桡动脉血管的红外图像,是为了通过拍摄的图像经过计算获取桡动脉所在的位置,然后进行数字化诊脉。而传统的中医把脉时,在手臂外边缘的桡动脉上取脉。取脉位置分为寸、关、尺三个部位。而数字化脉诊仪通常是通过压力传感器在寸的位置取脉,并将桡动脉的波动转化成数字信号。如图3所示,图3为本申请实施例涉及的中医把脉及数字化脉诊仪的取脉位置示意图,从图3中可以看出,现有技术下的诊脉仪取脉位置的确认,完全是凭主观经验进行确认,而每个人手腕的尽寸不同,所以在取脉时会存在取脉位置定位不准确的问题。
步骤S102,根据所述红外图像的颜色值将所述红外图像转换为对应的灰度图像,对所述灰度图像进行增强处理,获得所述腕部血管的对比度增强的灰度图像。
在上一步骤中通过红外血管显示仪获取的腕部包括桡动脉血管的红外图像还存在一些问题,例如,由于光线、曝光等问题造成红外图像明暗不一、模糊等的问题,所以还需要对初步获得的红外图像进行处理,首先,根据红外图像的颜色值将红外图像转换为对应的灰底图像。由于红外图像原图为rgb伪彩色,将其三个色彩通道分别记作(r,g,b),并读取红外图像原图的三个色彩通道的值,将红外图像转换为灰度图像有多种算法,本申请中采用均值法进行灰度转换,计算公式为:gray=((r+g+b)/3)/255,grap表示灰度值,r、g、b分别表示红、绿、蓝三种颜色的值。
另外,将红外图像转换为灰度图像还可以采用下面的三个方法,其中第一个方法采用基于亮度的方法,计算公式为:
Lightness=(max(r,g,b)+min(r,g,b))/2,Lightness表示亮度值,r、g、b分别表示红、绿、蓝三种颜色的值,max(r,g,b)表示取r,g,b三个颜色中的最大值,min(r,g,b)表示取r,g,b三个颜色中的最小值。
第二种方法是采用基于照度的方法,计算公式为:
(HDTV-BT.709)lumonoaity=r*0.0722+g*0.7152+b*0.2126
(SDTV-BT.601)lumonoaity=r*0.114+g*0.587+b*0.299
其中HDTV-BT.709和SDTV-BT.601,分别指的是两种不同的图像格式,会对不同的图像格式可以采用上述两种不同的计算方法,其中,r、g、b分别表示红、绿、蓝三种颜色的值。
第三种方法是采用彩色转灰度的心理学的方法将红外图像转换为灰度图像,计算公式为:
gray=r*0.299+g*0.587+b*0.114
其中gray表示灰度值,r、g、b分别表示红、绿、蓝三种颜色的值。
红外图像可以通过上面的任意一种方法转换为灰度图像,在将红外图像转换为对应的灰度图像之后,对灰度图像进行增强处理之前,还需要对灰度图像去噪,一般情况下,图像在成像或传输过程中会受到成像设备与外部环境噪声干扰等的影响,使图像含有噪声,影响图像的质量,这种图像称为含噪图像或噪声图像,所以在处理图像时需要将噪场去除,以防止图像噪声对后期的识别造成干扰。在本申请中,可以使用维纳滤波去除灰度图像的噪声,获得无干扰的灰度图像。维纳滤波(wiener filtering)是一种基于最小均方误差准则、对平稳过程的最优估计器。这种滤波器的输出与期望输出之间的均方误差为最小,因此,它是一个较好的滤波系统。它可用于提取被平稳噪声所污染的信号。对于运动引起的图像模糊,最简单的方法是直接做逆滤波,但是逆滤波对加性噪声特别敏感,使得恢复的图像几乎不可用。最小均方差(维纳)滤波用来去除含有噪声的模糊图像,其目标是找到未污染图像的一个估计,使它们之间的均方差最小,可以去除噪声,同时清晰化模糊图像。
在本申请中,维纳滤波的卷积窗口的取值为3x3,对于不同型号的设备采集的图像,窗口半径可能需要调整,但是,为了兼顾运算效率,卷积窗口不宜选择过大,建议维纳滤波的卷积窗口的取值范围为[3,3]~[3,7]。
经过维纳滤波去噪后的腕部血管图像如图4所示。图像去噪还可以使用高斯滤波或平滑卷积去除所述灰度图像的噪声,获得无干扰的灰度图像。也可以使用其他的数字去噪方法。
通过去噪处理,获得了无干扰的灰度图像,接下来就对无干扰的灰度图像进行对比度增强处理,增强处理包括对无干扰的灰度图像使用底帽变换的方法和灰度均衡化的方法,获得所述腕部血管的对比度增强的灰度图像。
虽然经过去噪处理获得了无干扰的灰度图像,但是图像在成像时,一般都会受光照的影响,使成像存在光照不均匀的问题,光照不均匀也就造成了图像有的部分对比度不明显,所以首先使用底帽变换的方法来增强图像的对比度。对去噪后的无干扰的灰度图像进行底帽变换,并用无干扰的灰度图像减去底帽变换的结果,将变换前的灰度图像记作f,对f进行底帽变换,定义[2,3]为f的闭操作减去f:Bhat(f)=(f·b)-f),选择的结构为圆形,且圆半径的取值范围为[5,20]像素。
对比度增强图像的计算公式为:result=f-Bhat(f)
经过底帽变换对比度增强后的图像效果如图5所示。
在对图像进行闭运算处理时同,需要选择运算的结构元参数,在本申请中使用的结构元为圆形,而在实际的使用中,可能会由于不同的成像效果采用不同的圆半径,所以,建议的半径参考范围为[5,20]像素。
图像对比度增强的接下来的步骤是对经过底帽变换对比度增强的灰度图像进行灰度均衡化,具体的方法是,对进行底帽变换后的灰度图像使用灰度直方图的方法进行灰度均衡化,设原始图像在(x,y)处的灰度为f,l为图像的灰度级数,均衡化后的图像为g,则灰度直方图均衡化处理中对图像的映射函数可定义为:g=EQ(f)。EQ(f)必须满足如下两个条件:
(1)同序性:EQ(f)在0<=f<=L-1范围内为单调增函数;
(2)一致性:对于0<=f<=L-1有0<=g<=L-1,变换前后灰度值动态范围的一致性;
基于累积分布函数满足上述两个条件,则映射函数为:
Gk=EQ(fk)=(ni/n)=pf(fi),(k=0,1,2,……,L-1),求和区间为[0,k]
根据以上方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值同,对原始图像的灰度值进行统计分析,并计算出原始直方图的分布,然后根据计算出的累计直方图分布求出fk到gk的灰度映射关系,计算得到原始图像所有灰度级别到目标图像灰度级别的映射关系,按照该映射关系进行灰度转换。灰度直方图均衡化腕部血管成像如图6所示。
增强图像可能会由于光线过强而导致曝光过度问题。此时,可以通过计算当前图像的反相(255-image),然后取当前图像和反相图像的较小者为当前像素位置的值。另外,需要考虑高反差保留,将图像中颜色、明暗反差较大两部分的交界处保留下来,其他大面积无明显明暗变化的地方则生成中灰色。
在本申请中,还可以使用基于拉普拉斯算子的增强算法、基于伽马变换的增强算法、对数或指数图像增强算法对使用底帽变换后对比度增强的图像进行灰度均衡化。
步骤S103,对所述对比度增强的灰度图像进行锐化处理,获得手臂两侧与外部背景的边界线;将两条边界线的中心点的连线作为手臂的参考中线。
对桡动脉目标取脉点的识别,基于桡动脉附近的局部手臂图像所包含的信息。获得准确的局部手臂图像是桡动脉目标取脉点识别的基础。提取精准的手臂边界才能获得准确的局部手臂图像。在灰度图像的腕部血管显像图上提取手臂边界时,手臂肌肉的亮度与外部背景的亮度在手臂边界处呈现出明显差异。因此,设计锐化算子增强亮度差异大的边界位置并同时弱化亮度差异小的其他位置,设原灰度图像为f,分别计算f的纵向和横向累加矩阵c1,c2,定义diff为锐化结果,(i,j)为像素所在的行数和列数,基于局部亮度的锐化算子如下:
diff(i,j)=(abs(c1(i,j)*2-c1(i-d,j)-c1(i+d,j))+abs(c2(i,j)*2-c2(i,j-d)-c2(i,j+d)))
其中,d为算子的卷积窗口,并且锐化算子根据图像的大小调整卷积窗口的半径。所以,建议的参考范围为[5,30]。经过边界锐化处理后的灰度图像的局部亮度的边界锐化图如图7所示。
经过锐化处理后的手臂肌肉的亮度与外部背景的亮度在手臂边界处呈现出明显差异,接下来就通过手臂与背景的边界寻找手臂的参考中线。首先获取手臂的参考中线时首先对边界锐化后的图像sobel算子或canny算子进行边缘检测,获得手臂与背景的边界线,将边缘检测的结果记作BW,检测结果如图8所示。然后在在BW每行上计算边缘点的平均位置,接下来对所有行的平均位置进行等间隔采样,将采样后的点拟合成一条直线,记作line_ref,line_ref为获得的手臂参考中线。手臂的参考中线如图9所示,图9中的点为拟合的样本点,样本点的连线就为手臂的参考中线。
步骤S104,获取手臂与大拇指同侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽。
桡动脉的位置靠近大拇指同侧的手臂,若所述红外图像为左手,则获取手臂左侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;若所述红外图像为右手,则将所述红外图像进行水平翻转后,获取手臂左侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽。如果在获取腕部的包括桡动脉血管的红外图像时为左手,那么获取手臂左侧的外边缘线,在本申请实施例中,均以红外图像为左手,对本申请进行说明。获取外边缘线的方法为使用霍夫变换识别diff上左侧的直线并共线融合,得到直线集合lines,根据直线距离、直线亮度、以及直线长度,选择直线集合lines中line_ref附近的直线,作为手臂边界line_arm。基于霍夫变换检测出的手臂外侧边缘如图10所示。
本申请在直线集合中选择手臂外侧线时,选择的准则可以是综合了亮度、直线长度等的综合指标,可以优先考虑距离。本申请使用霍夫变换检测直线,还可以通过检测BW上的联通区域,并根据区域的大小、形状、复杂度及位置来筛选出手臂外侧线。
接着将获取的手臂左侧的外边缘直线向上延伸至图像顶端,得到线段记作line_arm1,作为提取桡动脉所在矩形的长,顶端的端点为左上角,将line_arm1到line_ref的平均距离作为矩形的宽,记作w,计算公式为,w=d(line_arm1,line_ref),其中d为line_arm1,line_ref上纵坐标相同的点的距离的平均值。通过上面的方法就获得了桡动脉所在的矩形,如图11所示。
本申请中,将手臂外侧边缘直线延伸至图像顶端,而在实际的拍摄环境中需要根据亮度的变化进行调整,所以延伸截止到亮度变暗至图像平均亮度即可。
步骤S105,根据图像中桡动脉的特征,确定桡动脉所在位置,将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点。
桡动脉的特征,通过桡动脉所在矩形的区域计算桡动脉的特征,在矩形区域中纵向观察,发现手臂边界向手掌方向的红外亮度逐渐变弱,桡动脉处平均亮度最小;横向观察,发现当手臂桡动脉位于灯光附近时,桡动脉由寸到尺逐渐变亮,再变暗。那么,将桡动脉所在矩形进行纵向累加获得特征feature_h,将桡动脉所在矩形进行横向累加获得特征feature_w,那么基于矩形区域计算得到的桡动脉特征如图12所示,其中纵向的曲线为feature_h,横向的曲线为feature_w。遍历feature_h,获得最小值位置vx0,将vx0作为桡动脉的纵坐标位置;遍历feature_w,获得最大值位置vy0,将vy0作为桡动脉的横坐标的位置。通过上述方法,获得初步识别的桡动脉的位置如图12所示,图中,纵坐标上的点即为初步识别的取脉位置,但是该位置并非目标取脉点,还需要进行校准。
取脉位置校准的方法为,对(vx0,vy0)按预先设定的比例缩小,获得桡动脉的目标取脉点(vx,vy)。本申请使用的比例缩小方法是一种简单有效的方法,还可以使用局部搜索等方法进行校准。
在本申请实施例中,获取目标取脉点时获取腕部的包括桡动脉血管的红外图像为左手,如果获取目标取脉点为右手,则将所述红外图像进行水平翻转后提取桡动脉的目标取脉点。
通过桡动脉所在的矩形获取了桡动脉的目标取脉点后,还需要将矩形中的坐标变换到原图像中,即为目标取脉点在图像中对应的坐标,如图13所示,图13是取脉点坐标还原变换原理图。在图13中,O为坐标原点,对应于图像的第一行第一列像素。Y轴及X轴方向对应图像的像素行、列的递增方向。图中的矩形ABCP为矩形的子矩形,边BA为line_arm,P为算法定位的取脉点。为计算P的坐标,作辅助线并给出如下定义:
D0D为经过B点垂直于X轴的直线,且垂直于PD;
P0为PB延长线与X轴的交点;
A0为AB延长线与X轴的交点;
theta=∠D0P0B
beta=∠ABP
yita=∠D0P0B=∠DPB
B(bx,by),P(px,py)
坐标还原变换的计算公式如下:
r=sqrt(vx^2+vy^2)*c
beta=atan(vx/vy)
yita=pi/2-(theta-beta)
px=bx-r*cos(yita)
py=by+r*sin(yita)
其中,c为比例缩小系数。
与本申请提供的一种定位目标取脉点的方法相对应,本申请同时提供一种定位目标取脉点的装置1400,如图14所示,包括:
红外图像获取单元1410,用于获取腕部的包括桡动脉血管的红外图像;
对比度增强的灰度图像获取单元1420,用于根据所述红外图像的颜色值将所述红外图像转换为对应的灰度图像,对所述灰度图像进行增强处理,获得所述腕部血管的对比度增强的灰度图像;
参考中线获取单元1430,用于对所述对比度增强的灰度图像进行锐化处理,获得手臂两侧与外部背景的边界线;将两条边界线的中心点的连线作为手臂的参考中线;
矩形获取单元1440,用于获取手臂与大拇指同侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;
目标取脉点定位单元1450,用于根据图像中桡动脉的特征,确定桡动脉所在位置,将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点。
本申请虽然实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (19)
1.一种定位目标取脉点的方法,其特征在于,包括:
获取腕部的包括桡动脉血管的红外图像;
根据所述红外图像的颜色值将所述红外图像转换为对应的灰度图像,对所述灰度图像进行增强处理,获得所述腕部血管的对比度增强的灰度图像;
对所述对比度增强的灰度图像进行锐化处理,获得手臂两侧与外部背景的边界线;将两条边界线的中心点的连线作为手臂的参考中线;
获取手臂与大拇指同侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;
根据图像中桡动脉的特征,确定桡动脉所在位置,将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点。
2.根据权利要求1所述的方法,其特征在于,所述腕部的包括桡动脉血管的红外图像中:手掌部分位于所述红外图像的上侧,手臂部分位于所述红外图像的下侧。
3.根据权利要求1所述的方法,其特征在于,
若所述红外图像为左手,则获取手臂左侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;
若所述红外图像为右手,则将所述红外图像进行水平翻转后,获取手臂左侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽。
4.根据权利要求1所述的方法,其特征在于,所述根据所述红外图像的颜色值将所述红外图像转换为对应的灰度图像,包括:
使用血管显像仪器获取腕部包括桡动脉血管的红外图像;
读取所述红外图像的颜色值;
采用均值法将所述红外图像转换为灰度图像,计算公式为:
gray=((r+g+b)/3)/255
grap表示灰度值,r、g、b分别表示红、绿、蓝三种颜色的值。
5.根据权利要求4所述的方法,其特征在于,所述采用均值法将所述红外图像转换为灰度图像,还可以采用如下的三种方法将所述红外图像转换为灰度图像:
A、采用基于亮度的方法将红外图像转换为灰度图像,计算公式为:
Lightness=(max(r,g,b)+min(r,g,b))/2
B、采用基于照度的方法将红外图像转换为灰度图像,计算公式为:
(HDTV-BT.709) lumonoaity=r*0.0722+g*0.7152+b*0.2126
(SDTV-BT.601) lumonoaity=r*0.114+g*0.587+b*0.299
C、采用彩色转灰度的心理学的方法将红外图像转换为灰度图像,计算公式为:
gray=r*0.299+g*0.587+b*0.114。
6.根据权利要求1所述的方法,其特征在于,将所述红外图像转换为对应的灰度图像之后,对所述灰度图像进行增强处理之前,还包括:
使用维纳滤波去除所述灰度图像的噪声,获得无干扰的灰度图像。
7.根据权利要求6所述的方法,其特征在于,还包括:
维纳滤波的卷积窗口的取值范围为[3,3]~[3,7]。
8.根据权利要求6所述的方法,其特征在于,还包括:
使用高斯滤波或平滑卷积去除所述灰度图像的噪声,获得无干扰的灰度图像。
9.根据权利要求1或6所述的方法,其特征在于,所述灰度图像进行增强处理,获得所述腕部血管的对比度增强的灰度图像,包括:
对所述无干扰的灰度图像使用底帽变换和灰度均衡化的方法,获得所述腕部血管的对比度增强的灰度图像。
10.根据权利要求9所述的方法,其特征在于,所述底帽变换的方法,具体为:
对所述无干扰的灰度图像进行底帽变换,并用无干扰的灰度图像减去底帽变换的结果,将变换前的灰度图像记作f,对f进行底帽变换,定义[2,3]为f的闭操作减去f:Bhat(f)=(f·b)-f),选择的结构为圆形,且圆半径的取值范围为[5,20]像素;
增强图像的计算公式为:result=f-Bhat(f)。
11.根据权利要求9所述的方法,其特征在于,所述灰度均衡化的方法,具体为:
对进行底帽变换后的灰度图像使用灰度直方图的方法进行灰度均衡化,设原始图像在(x,y)处的灰度为f,l为图像的灰度级数,均衡化后的图像为g,则灰度直方图均衡化处理中对图像的映射函数可定义为:g=EQ(f)。EQ(f)必须满足如下两个条件:
(1)同序性:EQ(f)在0<=f<=L-1范围内为单调增函数;
(2)一致性:对于0<=f<=L-1有0<=g<=L-1,变换前后灰度值动态范围的一致性;
基于累积分布函数满足上述两个条件,则映射函数为:
Gk=EQ(fk)=(ni/n)=pf(fi),(k=0,1,2,……,L-1),求和区间为[0,k]
根据以上方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值同,对原始图像的灰度值进行统计分析,并计算出原始直方图的分布,然后根据计算出的累计直方图分布求出fk到gk的灰度映射关系,计算得到原始图像所有灰度级别到目标图像灰度级别的映射关系,按照该映射关系进行灰度转换。
12.根据权利要求1所述的方法,其特征在于,所述对所述对比度增强的灰度图像进行锐化处理,包括:
设计锐化算子增强亮度差异大的边界位置并同时弱化亮度差异小的其他位置,设原灰度图像为f,分别计算f的纵向和横向累加矩阵c1,c2,定义diff为锐化结果,(i,j)为像素所在的行数和列数,基于局部亮度的锐化算子如下:
diff(i,j)=(abs(c1(i,j)*2-c1(i-d,j)-c1(i+d,j))+abs(c2(i,j)*2-c2(i,j-d)-c2(i,j+d)))
其中,d为算子的卷积窗口,并且锐化算子根据图像的大小调整卷积窗口的半径。
13.根据权利要求1所述的方法,其特征在于,所述将两条边界线的中心点的连线作为手臂的参考中线,包括:
对边界锐化后的图像使用sobel算子或canny算子进行边缘检测,边缘检测的结果记作BW;
在BW每行上计算边缘点的平均位置;
对所有行的平均位置进行等间隔采样;
将采样后的点拟合成一条直线,记作line_ref,line_ref为获得的手臂参考中线。
14.根据权利要求1所述的方法,其特征在于,所述若所述红外图像为左手,则获取所述手臂的外边缘直线,包括:
使用霍夫变换识别diff上左侧的直线并共线融合,得到直线集合lines;
根据直线距离、直线亮度、以及直线长度,选择直线集合lines中line_ref附近的直线,作为手臂边界line_arm。
15.根据权利要求14所述的方法,其特征在于,还包括:
检测BW上的联通区域,根据所述联通区域的大小、形状、复杂度以及位置,筛选得出手臂边界line_arm。
16.根据权利要求1所述的方法,其特征在于,所述并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长度与所述参考中线的平均距离作为提取桡动脉所在矩形的宽,包括:
将获取的手臂左侧的外边缘直线向上延伸至图像顶端,得到线段记作line_arm1,作为提取桡动脉所在矩形的长,顶端的端点为左上角;
将line_arm1到line_ref的平均距离作为矩形的宽,记作w,计算公式为,w=d(line_arm1,line_ref),其中d为line_arm1,line_ref上纵坐标相同的点的距离的平均值。
17.根据权利要求1所述的方法,其特征在于,所述据图像中桡动脉的特征,确定桡动脉所在位置,包括:
将桡动脉所在矩形进行纵向累加获得特征feature_h,将桡动脉所在矩形进行横向累加获得特征feature_w;
遍历feature_h,获得最小值位置vx0,将vx0作为桡动脉的纵坐标位置;遍历feature_w,获得最大值位置vy0,将vy0作为桡动脉的横坐标的位置。
18.根据权利要求1所述的方法,其特征在于,所述将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点,包括:
对(vx0,vy0)按预先设定的比例缩小,获得桡动脉的目标取脉点(vx,vy)。
19.一种定位目标取脉点的装置,其特征在于,包括:
红外图像获取单元,用于获取腕部的包括桡动脉血管的红外图像;
对比度增强的灰度图像获取单元,用于根据所述红外图像的颜色值将所述红外图像转换为对应的灰度图像,对所述灰度图像进行增强处理,获得所述腕部血管的对比度增强的灰度图像;
参考中线获取单元,用于对所述对比度增强的灰度图像进行锐化处理,获得手臂两侧与外部背景的边界线;将两条边界线的中心点的连线作为手臂的参考中线;
矩形获取单元,用于获取手臂与大拇指同侧的外边缘直线,并将直线延伸至图像顶端,作为提取桡动脉所在矩形的长;将所述矩形的长与所述参考中线的平均距离作为提取桡动脉所在矩形的宽;
目标取脉点定位单元,用于根据图像中桡动脉的特征,确定桡动脉所在位置,将桡动脉所在位置根据预先设定的比例缩小,获得桡动脉的目标取脉点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811069164.4A CN109377473B (zh) | 2018-09-13 | 2018-09-13 | 一种定位目标取脉点的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811069164.4A CN109377473B (zh) | 2018-09-13 | 2018-09-13 | 一种定位目标取脉点的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377473A true CN109377473A (zh) | 2019-02-22 |
CN109377473B CN109377473B (zh) | 2023-09-26 |
Family
ID=65405168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811069164.4A Active CN109377473B (zh) | 2018-09-13 | 2018-09-13 | 一种定位目标取脉点的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377473B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113171062A (zh) * | 2021-04-29 | 2021-07-27 | 中国科学院微电子研究所 | 识别寸、关、尺的方法、终端、系统、介质及计算机设备 |
CN113303771A (zh) * | 2021-07-30 | 2021-08-27 | 天津慧医谷科技有限公司 | 脉搏采集点的确定方法、装置和电子设备 |
CN113344833A (zh) * | 2021-05-31 | 2021-09-03 | 电子科技大学中山学院 | 一种图像增强方法、装置、电子设备及存储介质 |
CN113744145A (zh) * | 2021-08-20 | 2021-12-03 | 武汉瓯越网视有限公司 | 提升图像清晰度的方法、存储介质、电子设备及系统 |
CN115005782A (zh) * | 2022-06-06 | 2022-09-06 | 杭州新瀚光电科技有限公司 | 一种人体健康的评估方法、系统、终端设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0512438A (ja) * | 1991-07-05 | 1993-01-22 | A T R Shichiyoukaku Kiko Kenkyusho:Kk | ハフ変換による線分抽出方法 |
CN1759804A (zh) * | 2005-11-02 | 2006-04-19 | 浙江大学 | 中医四诊合参智能辨证方法 |
CN102222229A (zh) * | 2011-07-28 | 2011-10-19 | 陈庆武 | 手指静脉图像预处理方法 |
CN105279756A (zh) * | 2015-10-19 | 2016-01-27 | 天津理工大学 | 基于自适应区域分割的缺口圆弧零件尺寸视觉检测方法 |
CN105550660A (zh) * | 2015-12-26 | 2016-05-04 | 河北工业大学 | 一种机织物组织结构种类的识别方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN106651818A (zh) * | 2016-11-07 | 2017-05-10 | 湖南源信光电科技有限公司 | 基于改进的直方图均衡化低照度图像增强算法 |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
CN107451406A (zh) * | 2017-07-28 | 2017-12-08 | 海纳医信(北京)软件科技有限责任公司 | 血管分析方法、装置、存储介质和处理器 |
CN107529646A (zh) * | 2017-05-02 | 2018-01-02 | 广东工业大学 | 一种基于欧拉影像放大的无接触式心率测量方法及装置 |
-
2018
- 2018-09-13 CN CN201811069164.4A patent/CN109377473B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0512438A (ja) * | 1991-07-05 | 1993-01-22 | A T R Shichiyoukaku Kiko Kenkyusho:Kk | ハフ変換による線分抽出方法 |
CN1759804A (zh) * | 2005-11-02 | 2006-04-19 | 浙江大学 | 中医四诊合参智能辨证方法 |
CN102222229A (zh) * | 2011-07-28 | 2011-10-19 | 陈庆武 | 手指静脉图像预处理方法 |
CN105279756A (zh) * | 2015-10-19 | 2016-01-27 | 天津理工大学 | 基于自适应区域分割的缺口圆弧零件尺寸视觉检测方法 |
CN105550660A (zh) * | 2015-12-26 | 2016-05-04 | 河北工业大学 | 一种机织物组织结构种类的识别方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN106651818A (zh) * | 2016-11-07 | 2017-05-10 | 湖南源信光电科技有限公司 | 基于改进的直方图均衡化低照度图像增强算法 |
CN107529646A (zh) * | 2017-05-02 | 2018-01-02 | 广东工业大学 | 一种基于欧拉影像放大的无接触式心率测量方法及装置 |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
CN107451406A (zh) * | 2017-07-28 | 2017-12-08 | 海纳医信(北京)软件科技有限责任公司 | 血管分析方法、装置、存储介质和处理器 |
Non-Patent Citations (1)
Title |
---|
吕佩卓 等: "人体手背静脉血管图像增强与特征匹配", vol. 28, no. 15, pages 3623 - 3635 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113171062A (zh) * | 2021-04-29 | 2021-07-27 | 中国科学院微电子研究所 | 识别寸、关、尺的方法、终端、系统、介质及计算机设备 |
CN113171062B (zh) * | 2021-04-29 | 2024-03-26 | 中国科学院微电子研究所 | 识别寸、关、尺的方法、终端、系统、介质及计算机设备 |
CN113344833A (zh) * | 2021-05-31 | 2021-09-03 | 电子科技大学中山学院 | 一种图像增强方法、装置、电子设备及存储介质 |
CN113344833B (zh) * | 2021-05-31 | 2023-12-15 | 电子科技大学中山学院 | 一种图像增强方法、装置、电子设备及存储介质 |
CN113303771A (zh) * | 2021-07-30 | 2021-08-27 | 天津慧医谷科技有限公司 | 脉搏采集点的确定方法、装置和电子设备 |
CN113303771B (zh) * | 2021-07-30 | 2021-11-05 | 天津慧医谷科技有限公司 | 脉搏采集点的确定方法、装置和电子设备 |
CN113744145A (zh) * | 2021-08-20 | 2021-12-03 | 武汉瓯越网视有限公司 | 提升图像清晰度的方法、存储介质、电子设备及系统 |
CN113744145B (zh) * | 2021-08-20 | 2024-05-10 | 武汉瓯越网视有限公司 | 提升图像清晰度的方法、存储介质、电子设备及系统 |
CN115005782A (zh) * | 2022-06-06 | 2022-09-06 | 杭州新瀚光电科技有限公司 | 一种人体健康的评估方法、系统、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109377473B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377473A (zh) | 一种定位目标取脉点的方法及装置 | |
Fleming et al. | Automatic detection of retinal anatomy to assist diabetic retinopathy screening | |
Welfer et al. | Segmentation of the optic disk in color eye fundus images using an adaptive morphological approach | |
KR101439412B1 (ko) | 영상에서 종괴의 경계 검출 방법 | |
CN107451998A (zh) | 一种眼底图像质量控制方法 | |
Youssif et al. | Comparative study of contrast enhancement and illumination equalization methods for retinal vasculature segmentation | |
Antohe et al. | Implications of digital image processing in the paraclinical assessment of the partially edentated patient | |
CN109993731A (zh) | 一种眼底病变分析方法及装置 | |
Kumari et al. | Blood vessel extraction using wiener filter and morphological operation | |
Rakshitha et al. | Comparative study of imaging transforms on diabetic retinopathy images | |
Dikkala et al. | A comprehensive analysis of morphological process dependent retinal blood vessel segmentation | |
JP7278445B2 (ja) | 光コヒーレンストモグラフィ画像を用いた3次元解析 | |
CN110675325B (zh) | 一种增强眼底图像的方法和装置 | |
CN111192208B (zh) | 一种基于边窗滤波器的牙齿cr图像增强方法及装置 | |
CN109492587A (zh) | 图像处理方法及装置 | |
Joshi et al. | Review of preprocessing techniques for fundus image analysis | |
Yerramneni et al. | A generalized grayscale image processing framework for retinal fundus images | |
CN115984206A (zh) | 图像分类方法、装置和电子设备 | |
CN106937864B (zh) | 皮肤组织估计方法及应用其的系统 | |
CN109859165B (zh) | 一种取脉点的定位方法及装置 | |
CN114677713A (zh) | 一种基于近红外光的手臂静脉采血点的识别方法及系统 | |
CN116491892B (zh) | 近视眼底改变评估方法、装置和电子设备 | |
Vinodhini et al. | Swarm Based Enhancement Optimization Method for Image Enhancement for Diabetic Retinopathy Detection | |
Saravanan et al. | Design and development of pervasive classifier for diabetic retinopathy | |
CN114387191B (zh) | 一种内窥镜图像增强方法及内窥镜装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |