WO2019041412A1 - 基于热成像的关脉识别方法 - Google Patents

Abstract

一种基于热成像的关脉识别方法，包括：获取被测者小臂和腕部的热成像影像，并通过边缘检测算法提取所述热成像影像中小臂和手腕的轮廓线；对得到的轮廓线进行预处理，提取桡骨突茎特征点的x坐标；对桡动脉进行图像分割，将桡动脉热成像图拟合成一条直线函数，该直线函数中桡骨突茎特征点所在x坐标和对应的y坐标就是关脉最终位置。本公开的方法首次提出了能够通过热成像图像处理自动识别关脉位置的算法，将识别关脉客观化、数字化，数据具有较好重复性和再现性，比超声阵列和其他类型传感器阵列接触式判别关脉方法实现上更有可行性。

Description

基于热成像的关脉识别方法 技术领域

本公开涉及脉络检测技术领域，尤其是涉及一种基于热成像的关脉识别方法。

背景技术

在中医脉诊诊断过程中，关脉的定位极为重要。能否找准关脉是能否准确判断病人疾病的前提。中医脉诊中经典的判断关脉的生物特征点是桡骨突茎(中医叫掌后高骨)和腕横纹，经典古籍中认为桡骨突茎上的桡动脉即为关脉。另一部分古籍描述了以腕横纹为原点的情况下，关脉与腕横纹之间的距离关系。尽管有着两个明显的特征点，几千年来，中医医生的诊断仍然只是依靠手的触感来判断关脉位置，由于不同人的感觉差异，造成关脉判别的主观性过强，关脉判别的再现性较差，相同人对关脉定位重复性也较差，无法保证判别精度。现存的中医自动化诊断仪器，关脉定位步骤也都是由人判断完成后，再将脉搏波探头放入寸关尺对应位置，关脉定位的客观性无法保证。

发明内容

有鉴于此，本公开的主要目的在于提供一种关脉识别算法，以至少部分地解决上述技术问题。

为了实现上述目的，本公开提供了一种关脉识别方法，包括以下步骤：

步骤S1，获取被测者小臂和腕部的轮廓线；

步骤S2，对步骤S1得到的轮廓线进行预处理，提取桡骨突茎特征点的x坐标；

步骤S3，获取被测者小臂和腕部的热成像图，将热成像图中的桡动脉影像拟合成一条直线函数，所述桡骨突茎特征点的x坐标和该x坐标在所述直线函数上对应的y坐标就是关脉最终位置。

其中，步骤S1具体包括：

获取被测者小臂和腕部的热成像影像，并通过边缘检测算法提取所述热成像影像中小臂和手腕的轮廓线。

其中，步骤S2中对步骤S1得到的轮廓线进行预处理的步骤具体包括：

步骤S21，对步骤S1得到的轮廓线进行连通域识别，判断所述轮廓线中的最大连通域是否贯穿所述红外影像左右两侧的边界，即连通域是否存在断点，如果不存在断点，则所述最大连通域为所要提取的所述小臂和腕部的轮廓线，跳转到步骤S23；

步骤S22，以最大连通域左侧断点为原点对该点上、左上、左、左下、下5个方向2个像素范围内寻找边缘片段，若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域左侧断点为原点进一步寻找其他边缘片段，直至到达图像左侧边界；

以最大连通域右侧断点为原点对该点上、右上、右、右下、下5个方向2个像素范围内寻找边缘片段，若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域右侧断点为原点进一步寻找其他边缘片段，直至到达图像右侧边界；

其中，上述向左、向右的搜寻和接续断点的步骤不分先后；

步骤S23，将基于上述最大连通域得到的二维图像的边缘轮廓线转为一维曲线，消除转换过程中产生的阶跃点，使转换的一维曲线更平滑，突出小臂和腕部的边缘特征。

其中，步骤S2中所述提取桡骨突茎特征点的步骤具体包括：

步骤S24，对转换的小臂和腕部边缘轮廓线的一维曲线进行特征提取，寻找手部与桡骨突茎之间的最低凹陷处；

步骤S25，以所述最低凹陷处为基准，在该基准左侧0～3cm范围内，在轮廓线对应的曲率波形中寻找第一个波峰，如果存在，则该波峰即识别为关脉的x坐标，如果不存在，则所述最低凹陷处即识别为关脉 的x坐标。

其中，在步骤S24的寻找手部与桡骨突茎之间的最低凹陷处的步骤中，是基于桡骨突茎在手腕凹陷到小臂的边缘轮廓线上存在一个曲率最大点。

其中，步骤S3中将热成像图中的桡动脉影像拟合成一条直线函数的步骤具体包括：

步骤S31，对所述热成像图构建桡动脉区域，设置阈值，用于为二值化所述桡动脉区域提供阈值参考；

步骤S32，二值化所述桡动脉区域，将桡动脉的图像与热成像图中的其它部分分离；

步骤S33，将步骤S32中得到的桡动脉图像拟合成直线函数。

其中，步骤S31中对热成像图构建桡动脉区域，设置阈值的步骤具体包括：

用步骤S2中预处理后生成的轮廓线上的每一个像素为原点构建一个区域；

根据桡动脉边界位置的区域像素均值和方差的统计规律，设定均值和方差的阈值。

其中，步骤S32中的二值化所述桡动脉区域的步骤具体包括：

计算每个边缘像素区域中像素的均值和方差；

将生成的每个边缘像素区域中像素的均值和方差逐次与阈值作比较，二值化符合阈值条件的区域。

其中，步骤S33中的将步骤S32中得到的桡动脉图像拟合成直线函数的步骤具体包括：

对二值化的桡动脉图像像素纵坐标求平均，获得描述桡动脉图像的曲线；

对曲线进行直线拟合，得到包含桡动脉走势的直线函数。

附图说明

图1是携带桡动脉信息的手臂腕部的红外热成像图；

图2是手臂边缘断点连接示意图；

图3是手臂和腕部边缘图像；

图4是转化为一维曲线的边缘和经过滤波或高阶多项式拟合过的手臂腕部曲线；

图5是手臂腕部边缘与对应的曲率曲线图；

图6是带有桡动脉信息的手臂腕部边缘图像；

图7是分割出的桡动脉图像；

图8是桡动脉像素纵坐标平均化和直线拟合曲线；

图9是桡动脉的坐标显示图；

图10是本公开的红外热成像的非接触式手腕成像平台的结构示意图；

图11是腕横纹与关脉x坐标的关系示意图；

图12是图像相邻像素紧凑连接的示意图；

图13是图像相邻像素宽松连接的示意图；

图14是图像边缘检测任意角度组成形式的示意图；

图15是超出图像边界的部分对图像进行补0扩增的示意图。

具体实施方式

本公开的目的是提供一种能够去除人主观性差异的关脉自动识别方法，该方法通过图像边缘识别技术结合桡动脉热成像特点，对人体手腕关脉进行非接触式识别。在对手臂腕部热成像时，红外热成像光谱范围远于可见光谱范围，可见光谱范围内的图像均不显示，生成的图像有效的简化图像背景的复杂度。因为桡动脉温度高于其他皮肤温度，所以热成像光谱可以凸显桡动脉，为桡动脉图像分割和直线拟合提供了图像基础，如图1所示。

为实现上述目的，本公开公开了一种关脉识别方法，包括以下步骤：

1、边缘检测算法提取手腕轮廓；

2、对手腕边缘进行预处理，提取桡骨突茎特征点x坐标；

3、对桡动脉进行图像分割，将桡动脉热成像图拟合成一条直线函 数，该直线函数中桡骨突茎特征点所在x坐标和对应的y坐标就是关脉最终位置。

更具体地，本公开的关脉识别方法包括以下步骤：

1、对待检测的手臂和腕部的边缘进行识别，生成手臂和腕部的边缘线条。识别手臂和腕部边缘的算法可以为后文所述的本申请的任意角度边缘检测算法，或者也可以是现有的其它类型的边缘检测算法。其中，为了描述的方便，拍摄时以左手为例进行描述，将手腕置于照片的右侧，连接肘部的手臂位于照片的左侧，以此建立上下左右的平面方位坐标。但需要说明的是，这仅是为了描述的方便，并不用于限制本公开。

2、对手臂和腕部的边缘预处理，将手臂和腕部的边缘进一步优化，为后续腕部关脉的识别提供保障。该步骤具体包括识别手臂边缘最大连通域、手臂边缘断点连接、手臂腕部曲线拟合，如下所示：

(1)识别手臂边缘最大连通域：

对生成的边缘图像进行连通域识别，找出图像右侧边界最大连通域。若最大连通域贯穿图像左右两侧边界，即连通域不存在断点，该最大连通域即可认为是手臂腕部边缘。

(2)手臂边缘断点连接：

将手臂边缘片段连接起来，形成一个贯穿图像左右边界的手臂腕部整体边缘。在边缘存在断点情况下，最大连通域只是手臂腕部边缘的一部分，因此需要将其他手臂腕部边缘片段连接起来。以最大连通域左侧断点为原点对该点上、左上、左、左下、下5个方向2个像素范围内寻找边缘片段。若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值或者其它拟合方式在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域左侧断点为原点进一步寻找其他边缘片段，直至到达图像左侧边界；此外，也包括以最大连通域右侧断点为原点对该点上、右上、右、右下、下5个方向2个像素范围内寻找边缘片段，若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域右侧断点为原点进一步寻找其他边缘片段，直至 到达图像右侧边界；上述向左、向右的搜寻和接续断点的步骤不分先后。

(3)手臂腕部曲线拟合：

消除二维图像边缘转为一维曲线过程中产生的阶跃点，使转换的一维手臂边缘曲线更平滑，突出手臂腕部边缘特征。

3、识别桡骨突茎算法用于识别桡骨突茎特征点：

首先对提取的手臂腕部边缘进行特征提取，识别手部与桡骨突茎之间的凹陷处，寻找凹陷处的最低点。桡骨突茎在表皮顶部曲率变化特点是手腕凹陷到其左侧两个手指的距离范围(大概是0～3cm或0～4cm)内存在几个曲率局部峰值点，即边界变化弯曲幅度较大的点。其次，寻找该距离里离凹陷处最远的那个曲率局部峰值点(也就是几个曲率局部峰值点里的第一个峰值点)。最后，在该曲率局部峰值点识别为关脉x坐标；如果没有峰，则该凹陷处识别为关脉x坐标。

4、桡动脉图像分割和关脉识别用于分割桡动脉图像并拟合成能够反映桡动脉走势的直线函数，具体步骤包括：

(1)区域构建和阈值设置，用于为二值化桡动脉提供阈值参考；

(2)二值化桡动脉区域，用于将桡动脉图像和其他图像分离；

(3)桡动脉直线拟合用于获得反映桡动脉走势的直线函数和最终的关脉坐标。

在一个具体实施方式中，本公开的关脉识别方法包括以下步骤：

首先对整个图像进行边缘识别，生成手臂腕部边缘。

之后对手臂腕部边缘进行预处理，进一步优化手臂腕部边缘，为后续腕部关脉识别提供保障。预处理过程包括识别手臂边缘最大连通域、手臂边缘断点连接、手臂腕部曲线拟合。

(1)识别手臂边缘最大连通域：对生成的边缘图像进行连通域识别，找出图像右侧边界最大连通域。若最大连通域贯穿图像左右两侧边界，即连通域不存在断点，该最大连通域即可认为是手臂腕部边缘。

(2)如图2所示，手臂边缘断点连接包括以下步骤：将手臂边缘片段连接起来，形成一个贯穿图像左右边界的手臂腕部整体边缘。在边缘存在断点情况下，最大连通域只是手臂腕部边缘的一部分，因此需要 将其他手臂腕部边缘片段连接起来。以最大连通域左侧断点为原点对该点上、左上、左、左下、下5个方向2个像素范围内寻找边缘片段。若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值或者其它拟合方式在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域左侧断点为原点进一步寻找其他边缘片段，直至到达图像左侧边界。

(3)如图3和图4所示，手臂腕部曲线拟合包括以下步骤：用低通滤波器或者多项式曲线拟合消除二维图像边缘转为一维曲线过程中产生的阶跃点，使转换的一维手臂边缘曲线更平滑，突出手臂腕部边缘特征。

识别桡骨突茎算法用于识别桡骨突茎特征点。如图5所示，首先对提取的手臂腕部边缘进行特征提取，识别手部与桡骨突茎之间的凹陷处，寻找凹陷处的最低点。桡骨突茎在表皮顶部曲率变化特点是手腕凹陷到其左侧两个手指该距离范围内存在几个曲率局部峰值点，即边界变化弯曲幅度较大的点。其次，寻找该距离里离凹陷处最远的那个曲率局部峰值点(也就是几个曲率局部峰值点里的第一个峰值点)。最后，在该曲率局部峰值点识别为关脉x坐标。

接着进行桡动脉图像分割和关脉识别。用之前生成的边缘图像(图6)中每一个像素为原点构建一个区域。根据桡动脉边界位置的区域像素均值和方差的统计规律，设定均值和方差的阈值。计算每个边缘像素区域中像素的均值和方差。将生成的每个边缘像素区域中像素的均值和方差逐次与阈值作比较，二值化符合阈值条件的区域(图7)。对二值化的桡动脉图像像素纵坐标求平均，获得描述桡动脉图像的曲线。对曲线进行二次多项式直线拟合，得到包含桡动脉走势的直线函数(图8)，将关脉x坐标代入该直线函数得到关脉的纵坐标。关脉在图像中位置即可确定，如图9所示。

基于上述技术方案可知，本公开的关脉识别方法相对于现有技术具有如下有益效果：

1、依据的是中医认可的两个生理特征，为中医脉诊提供了新的关 脉识别方法；

2、首次提出了能够通过热成像图像处理自动识别关脉位置的算法；

3、首次将识别关脉客观化、数字化，数据具有较好重复性和再现性；

4、在关脉判断上，消除了人的主观干扰因素；

5、非接触式的关脉判别方法，比超声阵列和其他类型传感器阵列接触式判别关脉方法实现上更有可行性；

6、其中的边缘检测算法可以实现任意角度边缘检测；

7、首次提出了桡骨突茎判别方法。

本公开还公开了一种基于红外热成像的非接触式关脉自动识别系统，包括基于红外热成像的非接触式手腕成像平台和关脉提取算法单元；其中，该基于红外热成像的非接触式手腕成像平台的固定架结构能够保证测量人每次手腕以固定姿势进入成像区域，平台的一字激光标志提供了手腕腕横纹对准参照位置；该基于红外热成像的非接触式手腕成像平台，将携带桡动脉图像信息的手腕热成像图像传送给关脉提取单元，关脉提取单元采用上述的关脉识别方法步骤提取关脉。

具体地，该基于红外热成像的非接触式手腕成像平台包括三维移动台、红外热成像仪、点状激光、一字线激光、手与腕部固定架、仪器支架和显示器。其中仪器支架与三维移动台、红外热成像仪、点状激光、一字线激光、手与腕部固定架一侧相连，用于支持整个系统。

三维移动台另一侧与点状激光一侧相连用于搭载点状激光指示手腕关脉位置，其中三维移动台控制部分可以与计算机通信获得关脉坐标，将点状激光移动到关脉坐标处。三维移动台还可以连接脉搏波传感器，用于将脉搏波传感器送到关脉位置采集脉搏波。红外热成像仪一侧与仪器支架相连用于拍摄携带桡动脉信息的手腕图像。一字线激光一侧与仪器支架相连，用于为腕横纹提供对准位置。手与腕部固定架一侧与仪器支架连接用于保证被测者每次测试手型以及手臂位置基本不变。计算机用于计算和显示最终关脉位置并传送坐标信号给三维移动平台。

在一个实施例中，本公开的基于红外热成像的非接触式关脉自动识别系统如图10所示，被试者手腕放在手与腕部固定架上并将腕横纹与一字线激光对齐。手与腕部固定架包含了一个把手状或指套装置，被试者在每次测试中需要握住把手状装置，该装置可使被试者手部和腕部在每次测试中保持相同姿势，并在图像中保持相同的位置。一字线激光投射位置为热成像图像右侧边界，这个热成像图像坐标是最左侧为原点，腕横纹对应的是图像右侧最大坐标，被测者手腕腕横纹与一字线激光对齐，手腕腕横纹即与图像右侧边界基本对应，如图11所示。启动关脉识别程序，热成像仪采集腕部图像和桡动脉图像。由于红外热成像光谱范围远于可见光谱范围，可见光谱范围内的图像均不显示，有效的简化图像背景的复杂度。另外因为桡动脉温度高于其他皮肤温度，所以热成像光谱可以对桡动脉进行成像，为桡动脉图像分割和直线拟合提供了图像基础，如图10所示。之后热成像仪将携带桡动脉热成像信息的腕部图像传送给计算机。计算机的关脉提取单元对图像中关脉位置进行识别，并将生成的关脉坐标传送给三维移动台的控制部分，控制部分再控制三维移动平台携带点激光移动到图像关脉坐标对应的实际位置上，点状激光所指示的位置就是计算出的关脉实际位置。采用该方法计算出在图像中关脉的x坐标与图像右侧边界坐标的差值就是以腕横纹为原点距离关脉的距离了。另外，该平台有效保证了在该系统的测试结果的重复性。

对于识别手臂和腕部边缘的算法，本公开还公开了一种任意角度的边缘检测方法，其包括以下步骤：

(1)构建边缘检测角度区间边界

将图像的相邻像素点关系分为紧凑连接和宽松连接，以每行两个像素为例，紧凑连接如图12所示：从图像最左侧列的像素为起点，相邻行的像素点首尾像素垂直相连，每两行组成一个紧凑连接单元。根据这种方式若干紧凑连接单元连接成一条线直到图像边界，这条直线与它的y轴方向投影的夹角就是边缘检测角度。其矩阵Q_θ2L表示方式为：

其边缘检测角度

宽松连接如图13所示：从图像左上角顶点起，以最左侧列和最上侧行的像素为起点，相邻行的像素点首尾像素对角相连，每两行组成一个宽松连接单元。根据这种方式若干宽松连接单元连接成一条线直到图像边界，这条直线与它的y轴方向投影的夹角就是边缘检测方向。其矩阵Q_θ2R表示方式为：

其边缘检测角度

因此两像素的紧凑连接单元组成的边缘检测角度

为该段角度区间的左边界。两像素的宽松连接单元组成的边缘检测角度

为该段角度区间的右边界。所以该角度区间为(θ_2L，θ_2R)。

当像素个数为k个像素时，其矩阵Q_θkL表示方式为：

k个像素的紧凑连接单元组成的边缘检测角度区间的左边界

其矩阵Q_θkR表示方式为：

k个像素的紧凑连接单元组成的边缘检测角度区间的右边界

因此，检测角度区间边界角度为θ_2L，θ_2R，θ_3L，θ_3R，…θ_nL，θ_nR，该角度边界形成的角度区间为若干子区间的并集(θ_2L，θ_2R)∪(θ_3L，θ_3R)∪…∪(θ_nL，θ_nR)。该并集的范围为(45°，90°)。

(2)构建边缘检测角度区间中的任意角度

以两像素相连的单元为例，区间中的任意角度组成形式如下：

如图14所示，明确需要进行边缘检测的角度，构建一个单元。该单元由i个紧凑连接和j个宽松连接组成，其中i和j的个数与检测的角度对应。该单元重复出现r次直至超过图像边界，其行数m和列数n与i、j和r关系为：

r(i+j)+1＝m    (1)

ri(k-1)+krj+k＝n    (2)

因此每个角度区间里的边缘检测角度

另外，每个边界条件也符合上式。

所以通过上述方法能够将图像中的像素根据所需角度进行组合，对于算法实现超出图像边界的部分对图像进行补0扩增，如图15所示。

(3)将按上述方法构建的若干像素直线分别与高斯函数的一阶导数fσ(t)作卷积运算，并对卷积运算结果取绝对值，并对绝对值取局部极大值；以紧凑连接生成的边缘检测上界角度为例解释若干像素直线，以左侧边界为起点生成若干像素直线为X₁、X₂…X_m，以上侧边界为起点生成的若干像素直线为Y₁…Y_m-1。其中m为行，k为连接像素个数。

以宽松连接生成的边缘检测下界角度为例解释若干像素直线，以左侧边界为起点生成若干像素直线为X′₁、X′₂…X′_m，以上侧边界为起点生成的若干像素直线为Y′₁…Y′_m-1其中m为行，k为连接像素个数。

每一个像素直线都分别与高斯函数的一阶导数f_σ(t)作卷积运算，并对卷积运算结果取绝对值得到：|f_σ(t)*X₁|，|f_σ(t)*X₂|，…|f_σ(t)*X_m||f_σ(t)*X′₁|，|f_σ(t)*X′₂|，…|f_σ(t)*X′_m|和|f_σ(t)*Y₁|，…|f_σ(t)*Y_m-1| |f_σ(t)*Y′₁|，…|f_σ(t)*Y′_m-1|。通过对构建的若干像素直线作卷积和取绝对值的运算，使边缘检测角度从[0°，360°]缩减到[0°，180°]。因此只需对边缘检测角度[0°，180°]的区间里对图像进行处理。

(4)对得到的|f_σ(t)*X₁|，|f_σ(t)*X₂|，…|f_σ(t)*X_m|和|f_σ(t)*Y₁|，…|f_σ(t)*Y_m-1|进行局部极大值运算赋灰度值，其他非局部极大值像素灰度设为0，其灰度值为(255/边缘检测角度个数)。根据像素下标将具有灰度值的图像像素替换到原图像中相同像素下标位置上；

(5)将不同边缘检测角度方向得到的若干图像进行灰度叠加，根据实际所需边缘图像要求对多次叠加后图像的灰度设二值化阈值，根据该二值化阈值对图像进行二值化处理。(这里的阈值也是没有固定要求的)最终得到所需边缘。

上述边缘检测角度范围为(45°，90°)，45°边缘检测角度就是一个像素依次连接组成的像素直线，即k＝1时候。90°方向就是垂直分割图像，每列像素分别组成像素直线。因此，该检测角度范围[45°，90°]可以实现。

通过将图像矩阵转置和翻转可以将角度范围为[45°，90°]映射到[0°，45°]，[90°，135°]和[135°，180°]。具体方法如下：

将图像矩阵水平翻转，边缘检测角度区间为从[45°，90°]映射为[90°，135°]。将图像矩阵转置后，边缘检测角度区间为从[45°，90°]映射为[135°，180°]。将图像矩阵水平翻转和转置后边缘检测角度区间为从[45°，90°]映射为[0°，45°]。基于以上方法，实现[0°，360°]角度区间的边缘检测只需应用[45°，90°]边缘检测角度即可实现。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改讲等，均应包含在本公开的保护范围之内。

Claims (9)

1. 一种基于热成像的关脉识别方法，包括以下步骤：

   步骤S1，获取被测者小臂和腕部的轮廓线；

   步骤S2，对步骤S1得到的轮廓线进行预处理，提取桡骨突茎特征点的x坐标；

   步骤S3，获取被测者小臂和腕部的热成像图，将热成像图中的桡动脉影像拟合成一条直线函数，所述桡骨突茎特征点的x坐标和该x坐标在所述直线函数上对应的y坐标就是关脉最终位置。
2. 根据权利要求1所述的方法，其特征在于，步骤S1具体包括：

   获取被测者小臂和腕部的热成像影像，并通过边缘检测算法提取所述热成像影像中小臂和手腕的轮廓线。
3. 根据权利要求1所述的方法，其特征在于，步骤S2中对步骤S1得到的轮廓线进行预处理的步骤具体包括：

   步骤S21，对步骤S1得到的轮廓线进行连通域识别，判断所述轮廓线中的最大连通域是否贯穿所述红外影像左右两侧的边界，即连通域是否存在断点，如果不存在断点，则所述最大连通域为所要提取的所述小臂和腕部的轮廓线，跳转到步骤S23；

   步骤S22，以最大连通域左侧断点为原点对该点上、左上、左、左下、下5个方向2个像素范围内寻找边缘片段，若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域左侧断点为原点进一步寻找其他边缘片段，直至到达图像左侧边界；

   以最大连通域右侧断点为原点对该点上、右上、右、右下、下5个方向2个像素范围内寻找边缘片段，若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域右侧断点为原点进一步寻找其他边缘片段，直至到达图像右侧边界；

   其中，上述向左、向右的搜寻和接续断点的步骤不分 先后；

   步骤S23，将基于上述最大连通域得到的二维图像的边缘轮廓线转为一维曲线，消除转换过程中产生的阶跃点，使转换的一维曲线更平滑，突出小臂和腕部的边缘特征。
4. 根据权利要求3所述的方法，其特征在于，步骤S2中所述提取桡骨突茎特征点的步骤具体包括：

   步骤S24，对转换的小臂和腕部边缘轮廓线的一维曲线进行特征提取，寻找手部与桡骨突茎之间的最低凹陷处；

   步骤S25，以所述最低凹陷处为基准，在该基准左侧0～4cm范围内，在轮廓线对应的曲率波形中寻找第一个波峰，如果存在，则该波峰即识别为关脉的x坐标，如果不存在，则所述最低凹陷处即识别为关脉的x坐标。
5. 根据权利要求4所述的方法，其特征在于，在步骤S24的寻找手部与桡骨突茎之间的最低凹陷处的步骤中，是基于桡骨突茎在手腕凹陷到小臂的边缘轮廓线上存在一个边界变化弯曲幅度最大点来实现的。
6. 根据权利要求1所述的方法，其特征在于，步骤S3中将热成像图中的桡动脉影像拟合成一条直线函数的步骤具体包括：

   步骤S31，对所述热成像图构建桡动脉区域，设置阈值，用于为二值化所述桡动脉区域提供阈值参考；

   步骤S32，二值化所述桡动脉区域，将桡动脉的图像与热成像图中的其它部分分离；

   步骤S33，将步骤S32中得到的桡动脉图像拟合成直线函数。
7. 根据权利要求6所述的方法，其特征在于，步骤S31中对热成像图构建桡动脉区域，设置阈值的步骤具体包括：

   用步骤S2中预处理后生成的轮廓线上的每一个像素为原点构建一个区域；

   根据桡动脉边界位置的区域像素均值和方差的统计规律，设定均值和方差的阈值。
8. 根据权利要求7所述的方法，其特征在于，步骤S32中的二值 化所述桡动脉区域的步骤具体包括：

   计算每个边缘像素区域中像素的均值和方差；

   将生成的每个边缘像素区域中像素的均值和方差逐次与阈值作比较，二值化符合阈值条件的区域。
9. 根据权利要求7所述的方法，其特征在于，步骤S33中的将步骤S32中得到的桡动脉图像拟合成直线函数的步骤具体包括：

   对二值化的桡动脉图像像素纵坐标求平均，获得描述桡动脉图像的曲线；

   对曲线进行直线拟合，得到包含桡动脉走势的直线函数。

Images