CN112163989A - 一种静脉穿刺采血机器人的血管影像压缩与降维方法 - Google Patents
一种静脉穿刺采血机器人的血管影像压缩与降维方法 Download PDFInfo
- Publication number
- CN112163989A CN112163989A CN202010832453.6A CN202010832453A CN112163989A CN 112163989 A CN112163989 A CN 112163989A CN 202010832453 A CN202010832453 A CN 202010832453A CN 112163989 A CN112163989 A CN 112163989A
- Authority
- CN
- China
- Prior art keywords
- matrix
- picture
- gray
- eigenvalues
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 15
- 239000008280 blood Substances 0.000 title claims abstract description 9
- 210000004369 blood Anatomy 0.000 title claims abstract description 9
- 230000006835 compression Effects 0.000 title claims abstract description 9
- 238000007906 compression Methods 0.000 title claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 12
- 210000003462 vein Anatomy 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000010241 blood sampling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G06T3/18—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G06T5/70—
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明涉及一种静脉穿刺采血机器人的血管影像压缩与降维方法,具体包括以下步骤:S1.获取手背静脉的RGB图片和预设比例,转化为灰度图片后补全为方阵;S2.方阵标准化,设置每一列为一个特征,计算每一个特征的协方差矩阵;S3.通过特征值分解计算协方差矩阵的特征值与特征向量,特征值进行排序,根据排序结果从前到后将特征值累加,计算特征比例,与预设比例对比,记录特征比例超过预设比例时的特征值的数量作为目标数量;S4.排序结果中前目标数量的特征值的特征向量作为列向量构成变换矩阵,与特征、方阵组合形成目标降维矩阵。与现有技术相比,本发明具有提高手背静脉图像的识别速度、提升血管影像识别的稳定性等优点。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种静脉穿刺采血机器人的血管影像压缩与降维方法。
背景技术
在人工智能图像识别技术快速发展的背景之下,静脉识别处于独一无二的重要地位。从静脉身份认证,到全自动静脉穿刺,更为高效、安全的高尖端技术推动了静脉图像识别技术的发展。
在静脉穿刺采血机器人进行自动采血的过程中,通常采用卷积神经网络对手背静脉图像进行图像识别。过程中需要对通过近红外(NIR)相机采集来的每一帧图像进行分析,对图像进行语义分割,标记出血管位置。因此,在处理图像过程中,对于运算速度要求很高,每秒处理图像数量至少应与相机采集帧数相同。因此,在图像预处理的过程中,除了传统的边缘识别、校正、降噪等操作之外,还需要对图像进行压缩、降维处理,以降低图像处理过程中的运算开销,提高运算速度,确保静脉穿刺采血机器人的正常运行。
中国专利CN201110213517.5公开了一种手指静脉图像预处理方法,实现了对于手指静脉图像的边缘识别、校正、降噪与图像增强。但在预处理过程中没有对图像进行降维,导致在图像识别过程中的特征维度过多,可能会产生因运算量过大导致的识别速度跟不上图像采集速度的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺少对图片进行降维导致图像识别速度与图像采集速度不匹配的缺陷而提供一种静脉穿刺采血机器人的血管影像压缩与降维方法。
本发明的目的可以通过以下技术方案来实现:
一种静脉穿刺采血机器人的血管影像压缩与降维方法,具体包括以下步骤:
S1.获取红外摄像机拍摄的手背静脉的RGB图片和预设比例,所述RGB图片转化为灰度图片,所述灰度图片的图片矩阵进行填充,补全为方阵;
S2.所述灰度图片的方阵进行标准化,将完成标准化的方阵的每一列设置为灰度图片的一个特征,并计算每一个特征的协方差矩阵;
S3.根据特征值分解算法计算所述协方差矩阵的特征值与特征向量,所述特征值进行排序,根据排序结果从前到后将特征值累加,计算相应的保留信息的特征比例并与预设比例进行对比,记录特征比例超过预设比例时的特征值的数量作为目标数量;
S4.所述排序结果中前目标数量的特征值对应的特征向量分别作为列向量构成变换矩阵,将变换矩阵转换到n个向量构建的空间中,与灰度图片的特征、方阵进行组合,形成灰度图片的目标降维矩阵。
所述步骤S1中将RGB图片转化为灰度图片的公式具体如下:
其中,Grey为灰度图片的灰度值。
所述步骤S1中灰度图片的图片矩阵通过灰度值为0的黑色图像进行填充,补全为方阵。
所述灰度图片的方阵进行标准化的公式具体如下:
其中,Aij为灰度图片的方阵的元素,Apq为标准化后的灰度图片的方阵。
所述特征的协方差矩阵具体如下所示:
其中,covi为协方差矩阵,X为灰度图片的特征。
所述步骤S3中特征值进行排列的方式为降序排列。
所述保留信息的特征比例具体公式如下所示:
其中,Ci为灰度图片特征的特征值,n为特征值的数量,x为灰度图片的初始维度。
进一步地,所述目标个数的数量与所述目标降维矩阵对应的目标维度的维度数相同。
所述变换矩阵具体如下所示:
P=[P1 P2 P3 P4 … Pn]
其中,P为变换矩阵,Pn为灰度图片特征的特征向量。
所述步骤S4中变换矩阵与灰度图片的特征、方阵的组合公式具体如下:
其中,Y为目标降维矩阵。
与现有技术相比,本发明具有以下有益效果:
本发明通过将原始灰度图片提取出特征,转换成协方差矩阵,由特征值分解算法计算得到协方差矩阵的特征值与特征向量,根据需要降维的目标维度选择相应目标个数的特征值,与特征、方阵组合形成灰度图片的目标降维矩阵,降维过程更加快速,同时完成对原始灰度图片的压缩,降低了图像处理过程中的运算开销,并且得到的目标降维矩阵具有较高的稳定性,提高了手背静脉图像的图像识别速度,使其与图像采集速度匹配,从而提升了血管影像识别的稳定性和准确性。
附图说明
图1为本发明的流程示意图;
图2为本发明实施例一中的红外手背图片;
图3为本发明实施例一中红外手背图片降维后的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示,一种静脉穿刺采血机器人的血管影像压缩与降维方法,具体包括以下步骤:
S1.获取红外摄像机拍摄的376*240像素的红外手背图片和预设比例,本实施例中预设比例为99%,红外手背图片转化为灰度图片,灰度图片的图片矩阵通过灰度值为0的黑色图像进行填充,补全为376*376像素的方阵,具体如图2所示;
S2.灰度图片的方阵进行标准化,将完成标准化的方阵的每一列设置为灰度图片的一个特征,并计算每一个特征的协方差矩阵;
S3.根据特征值分解算法计算协方差矩阵的特征值与特征向量,特征值进行排序,根据排序结果从前到后将特征值累加,计算相应的保留信息的特征比例并与预设比例进行对比,记录特征比例超过0.99时的特征值的数量作为目标数量;
S4.排序结果中前目标数量的特征值对应的特征向量分别作为列向量构成变换矩阵,将变换矩阵转换到n个向量构建的空间中,与灰度图片的特征、方阵进行组合,形成灰度图片的目标降维矩阵。
步骤S1中将RGB图片转化为灰度图片的公式具体如下:
其中,Grey为灰度图片的灰度值。
灰度图片的方阵进行标准化的公式具体如下:
其中,Aij为灰度图片的方阵的元素,Apq为标准化后的灰度图片的方阵。
特征的协方差矩阵具体如下所示:
其中,covi为协方差矩阵,X为灰度图片的特征。
步骤S3中特征值进行排列的方式为降序排列。
保留信息的特征比例具体公式如下所示:
其中,Ci为灰度图片特征的特征值,n为特征值的数量。
进一步地,目标个数的数量与目标降维矩阵对应的目标维度的维度数相同。
变换矩阵具体如下所示:
P=[P1 P2 P3 P4 … Pn]
其中,P为变换矩阵,Pn为灰度图片特征的特征向量。
步骤S4中将变换矩阵转换到n个向量构建的空间中,变换矩阵与灰度图片的特征、方阵的组合公式具体如下:
其中,Y为目标降维矩阵。
如图3所示,图片特征维度从原始的红外手背图片的374维降低到了59维,在有限的信息损失下,具有显著的降维效果。红外手背图片的正中央的静脉图像信息被保留,损失的信息集中在边缘黑部与少部分手背侧面细小血管,同时红外手背图片上的汗毛也被淡化处理,应证了本降维方法的降噪点作用,证明了本发明在实际应用中的可行性。
此外,需要说明的是,本说明书中所描述的具体实施例子,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种静脉穿刺采血机器人的血管影像压缩与降维方法,其特征在于,具体包括以下步骤:
S1.获取红外摄像机拍摄的手背静脉的RGB图片和预设比例,所述RGB图片转化为灰度图片,所述灰度图片的图片矩阵进行填充,补全为方阵;
S2.所述灰度图片的方阵进行标准化,将完成标准化的方阵的每一列设置为灰度图片的一个特征,并计算每一个特征的协方差矩阵;
S3.根据特征值分解算法计算所述协方差矩阵的特征值与特征向量,所述特征值进行排序,根据排序结果从前到后将特征值累加,计算相应的保留信息的特征比例并与预设比例进行对比,记录特征比例超过预设比例时的特征值的数量作为目标数量;
S4.所述排序结果中前目标数量的特征值对应的特征向量分别作为列向量构成变换矩阵,将变换矩阵转换到n个向量构建的空间中,与灰度图片的特征、方阵进行组合,形成灰度图片的目标降维矩阵。
3.根据权利要求1所述的一种静脉穿刺采血机器人的血管影像压缩与降维方法,其特征在于,所述步骤S1中灰度图片的图片矩阵通过灰度值为0的黑色图像进行填充,补全为方阵。
6.根据权利要求1所述的一种静脉穿刺采血机器人的血管影像压缩与降维方法,其特征在于,所述步骤S3中特征值进行排列的方式为降序排列。
8.根据权利要求7所述的一种静脉穿刺采血机器人的血管影像压缩与降维方法,其特征在于,所述目标个数的数量与所述目标降维矩阵对应的目标维度的维度数相同。
9.根据权利要求1所述的一种静脉穿刺采血机器人的血管影像压缩与降维方法,其特征在于,所述变换矩阵具体如下所示:
P=[P1 P2 P3 P4 ... Pn]
其中,P为变换矩阵,Pn为灰度图片特征的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832453.6A CN112163989A (zh) | 2020-08-18 | 2020-08-18 | 一种静脉穿刺采血机器人的血管影像压缩与降维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832453.6A CN112163989A (zh) | 2020-08-18 | 2020-08-18 | 一种静脉穿刺采血机器人的血管影像压缩与降维方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163989A true CN112163989A (zh) | 2021-01-01 |
Family
ID=73859594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010832453.6A Pending CN112163989A (zh) | 2020-08-18 | 2020-08-18 | 一种静脉穿刺采血机器人的血管影像压缩与降维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163989A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140307074A1 (en) * | 2013-04-11 | 2014-10-16 | BC Portal, Inc. | Portable Biometric Identification Device Using A Dorsal Hand Vein Pattern |
CN106022218A (zh) * | 2016-05-06 | 2016-10-12 | 浙江工业大学 | 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法 |
CN106250814A (zh) * | 2016-07-15 | 2016-12-21 | 中国民航大学 | 一种基于超球粒化商空间模型的手指静脉图像识别方法 |
CN108280417A (zh) * | 2018-01-18 | 2018-07-13 | 苏州折衍光电科技有限公司 | 一种手指静脉快速识别方法 |
CN110516595A (zh) * | 2019-08-27 | 2019-11-29 | 中国民航大学 | 基于卷积神经网络的手指多模态融合识别方法 |
-
2020
- 2020-08-18 CN CN202010832453.6A patent/CN112163989A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140307074A1 (en) * | 2013-04-11 | 2014-10-16 | BC Portal, Inc. | Portable Biometric Identification Device Using A Dorsal Hand Vein Pattern |
CN106022218A (zh) * | 2016-05-06 | 2016-10-12 | 浙江工业大学 | 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法 |
CN106250814A (zh) * | 2016-07-15 | 2016-12-21 | 中国民航大学 | 一种基于超球粒化商空间模型的手指静脉图像识别方法 |
CN108280417A (zh) * | 2018-01-18 | 2018-07-13 | 苏州折衍光电科技有限公司 | 一种手指静脉快速识别方法 |
CN110516595A (zh) * | 2019-08-27 | 2019-11-29 | 中国民航大学 | 基于卷积神经网络的手指多模态融合识别方法 |
Non-Patent Citations (2)
Title |
---|
吕鹏宇: "基于指静脉识别的考试认证系统的研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)-信息科技辑》 * |
胡阳阳: "基于嵌入式的指静脉识别系统的研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8213691B2 (en) | Method for identifying faces in images with improved accuracy using compressed feature vectors | |
US8638993B2 (en) | Segmenting human hairs and faces | |
CN108090511B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN107220624A (zh) | 一种基于Adaboost算法的人脸检测方法 | |
CN109101913A (zh) | 行人重识别方法和装置 | |
CN108875623B (zh) | 一种基于图像特征融合对比技术的人脸识别方法 | |
CN109035274A (zh) | 基于背景估计与u型卷积神经网络的文档图像二值化方法 | |
CN106778786A (zh) | 基于对数频域分层梯度方向直方图的苹果病害识别方法 | |
CN112258545A (zh) | 一种烟叶图像在线背景处理系统及在线背景处理方法 | |
CN107730476A (zh) | 一种基于压缩感知的图像增强方法及装置 | |
CN104573673A (zh) | 一种人脸图像年龄的识别方法 | |
CN107516083A (zh) | 一种面向识别的远距离人脸图像增强方法 | |
CN111310703B (zh) | 基于卷积神经网络的身份识别方法、装置、设备及介质 | |
CN112163989A (zh) | 一种静脉穿刺采血机器人的血管影像压缩与降维方法 | |
Bugeau et al. | Influence of color spaces for deep learning image colorization | |
CN111611940A (zh) | 一种基于大数据处理的快速视频人脸识别方法 | |
CN111429416A (zh) | 一种人脸色素斑识别方法、装置及电子设备 | |
KR100488014B1 (ko) | YCrCb 칼라 기반 얼굴 영역 추출 방법 | |
CN110545414A (zh) | 一种图像锐化方法 | |
CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 | |
CN110222599B (zh) | 一种基于高斯映射的步态识别方法 | |
KR100893086B1 (ko) | 조명 변화에 강인한 얼굴 검출 방법 | |
CN112541471A (zh) | 一种基于多特征融合的遮挡目标识别方法 | |
Tamilselvi et al. | Color based K-Means Clustering For Image Segmentation to Identify the Infected Leaves |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |