基于近紅外靜脈圖像的血管立體定位方案

沈俊杰 呂勇 朱東瑩

摘 要：為了提高改進近紅外靜脈圖像中血管定位的準確度，提出一種不局限于二維的血管定位方案，在平面上，利用對靜脈圖像特征的提取，經(jīng)灰度圖像修正、邊緣提取細化等操作，完成其在二維上的定位。且將RGB-D數(shù)據(jù)集的深度信息與算法取得圖像的信息相匹配，在不借助其他硬件設(shè)備輔助的條件下從單張圖片轉(zhuǎn)換、推測出其三維特征信息。最后對圖像進行平滑、細化等處理，仿真結(jié)果顯示，能夠得到更為精確的靜脈血管定位圖像。

關(guān)鍵詞：近紅外靜脈圖像；二值化；深度估計；定位

中圖分類號：TP391.4 文獻標志碼：A 文章編號：2095-2945（2018）22-0044-03

Abstract： In order to improve the accuracy of vessel localization in improved near infrared vein images， a method of vessel localization is proposed， which is not limited to two dimensions. On the plane， the features of vein images are extracted， and the gray-scale images are corrected and the edges are extracted and thinned. To complete its positioning in two dimensions. The depth information of the RGB-D dataset is matched with the image information obtained by the algorithm. Without the aid of other hardware devices， the 3D feature information of the RGB-D dataset is transformed and deduced from the single image. Finally， the image is smoothed and thinned， and the simulation results show that more accurate positioning images can be obtained.

Keywords： near infrared vein image； binarization； depth estimation； location

引言

靜脈穿刺是臨床最為常見的基礎(chǔ)護理操作，是臨床護理工作的重要內(nèi)容，也是醫(yī)院治療搶救患者的重要手段。然而，在日常護理操作過程中，要通過醫(yī)護人員眼看和手觸來判斷血管的位置。醫(yī)護人員也會因為各種客觀因素致使判斷患者靜脈血管位置失誤，從而導(dǎo)致穿刺失敗不得不反復(fù)穿刺，既加重了醫(yī)療工作者的作業(yè)量，同時也給患者帶來了痛苦。為了更好的完成靜脈血管穿刺的工作，血管可視化技術(shù)得到了發(fā)展。

目前靜脈血管成像儀器多為采用紅外線投影式設(shè)備，近紅外成像原理是在720～1100nm近紅外光的照射下，血管血液中的血紅蛋白對近紅外光的吸收能力強于周圍組織對近紅外光的吸收，通過光成像系統(tǒng)可以觀察到血管部分對應(yīng)的光強度低于非血管區(qū)域，形成了靜脈血管圖像。圖1為紅外光穿透示意圖。

而靜脈穿刺的難點不僅限于準確查找定位靜脈血管位置，還依賴于醫(yī)護人員的臨床經(jīng)驗判斷進針深度，因此投影式血管成像設(shè)備功能不應(yīng)簡單的局限于呈現(xiàn)靜脈血管位置形狀，但紅外圖像沒有色彩和陰影效果，缺乏立體感，其實質(zhì)是灰度圖像，對比度較低，故對人眼而言，分辨率較低，視覺效果偏模糊。因此，將取得的皮下靜脈血管圖像信息經(jīng)過適當且便捷的算法標注出推薦進針點，并通過不同的色彩區(qū)分各點深度，將大大提高紅外圖像的視覺理解效果。目前可見定位深度設(shè)備基本為高分辨超聲定位設(shè)備，使得靜脈血管成像設(shè)備復(fù)雜化、生產(chǎn)難度制造成本上升，同時使得操作繁瑣化，基于目前設(shè)備特點，本文提出一種更有效率的方案。

1 紅外靜脈圖像在二維上的定位識別

對靜脈紅外圖像的形態(tài)特征提?。?/p>

確定紅外圖像中靜脈的位置還受到采集時的光線、皮膚鱗片的反射、手臂靜脈的圖像灰度分布不均勻影響，采集的圖像不一定全部都可以識別出來靜脈位置，此時必須進行灰度標準化。目前常用的圖像灰度修正方法主要有以下3種[1]：

（1）針對不均勻圖像對圖像逐點進行灰度級調(diào)整，使

得目標圖像灰度級均勻。

（2）針對圖像某部分或整體曝光不足的情況下而進行灰度級校正，目的是增強圖像的灰度對比度。

（3）直方圖修正，直方圖修正使圖像具有期望的灰度分布，從而有選擇的突出所需要的圖像特征。

為了使圖像灰度值分布均勻，針對圖像進行不同程度的灰度級調(diào)整。由于血管圖像的特殊性，圖像灰度值均勻后，還需要提取邊緣，采用一般的增強算子如平滑算法效果不佳，故采用效果較為良好的微分直方圖法二值化。微分直方圖法閾值的選擇要考慮到有關(guān)靜脈血管圖像與背景之間的關(guān)系，在目標較為突出，背景單一的情況下匹配效果較為理想。閾值確定[2]分為兩步：（1）運用Laplacian算子計算其直方圖。（2）用p-參數(shù)法選出閾值t。由于二值化后的血管圖像周圍充滿毛刺，需要再對圖像進行中值濾波，消除毛刺，使邊界光滑。最后對圖像進行細化處理，將二值化圖像輪廓邊界上的點逐層剝?nèi)?，變成只有一個像素點的骨架圖像。在更具骨架圖像建立分類器，以方便尋找目標的特征點?？紤]到算法的時間復(fù)雜度[3]和空間復(fù)雜度，在處理過程中通過設(shè)定算子（Operator）和函數(shù)來求得感興趣區(qū)域（ROI），繼而減少處理時間，增加精度，如圖2為本文相關(guān)算法運行效果圖。

2 基于紅外靜脈圖像的血管深度分析

2.1 紅外靜脈圖像的深度特征提取與匹配

紅外圖像具有對比度低、 局部信息量少的特點。如圖3深度不同的靜脈血管在紅外圖像上呈現(xiàn)不同特點。本文利用輸入圖像中提取的Gist特征[4]來衡量與數(shù)據(jù)圖集中的圖像的全局相似度，進而完成匹配，同時采用SIFT特征匹配算法[5]來描述圖像中的局部特征，該算法由于其對視角變換、仿射變換、噪聲有一定抗干擾能力，在旋轉(zhuǎn)、尺度縮放、亮度變化等情況下能夠基本保持不變等優(yōu)點。

Gist特征能夠反映圖像的全局輪廓信息，其運算方法是通過幾種尺度的多個方向的Gabor濾波器[6]組實現(xiàn)的，Gabor濾波器是一種在二維空間使用一個三角函數(shù)與Gaussian函數(shù)疊加而成，其表達式為：

針對適合紅外圖像局部深度估計的深度特征的篩選結(jié)果，每個像素用一個10維的特征向量fi來表示，選取像素點i，將i所屬圖像塊A0，和其所屬圖像塊上下左右相同大小的4個圖像塊A1、A2、A3、A4 5個圖像塊的清晰度值作為紅外圖像的深度特征，如圖4所示，單尺度取得能夠用于計算機識別的深度線索類型有所不足，本文采用“多尺度”信息提取的方法來崎嶇圖像特征，取得紅外圖像中的某個像素點。確保每個像素點都與相鄰近的點進行比較，同時為了確保其在同尺度空間和二維圖像空間都檢測到相應(yīng)特征點，將在該像素點同尺度空間的8個相鄰點和上下相鄰尺度兩個3×3個點相比較。如圖4中的尺度1、尺度2。

2.2 靜脈血管紅外圖像深度信息提取試驗效果

靜脈血管近紅外圖由于其特殊性，目前尚缺少完善的RGBD數(shù)據(jù)集，這一原因?qū)е律疃刃畔⑵ヅ洳⒉粶蚀_，所得深度估計模型有其不完善性，從圖6中可以觀察得出，相關(guān)深度估計的樣本取到較少，手臂與地面的深度關(guān)系并沒有很清楚地展現(xiàn)出來，但本文著重靜脈血管紅外圖像的計算機算法分析，由圖中可較為直觀的觀察到圖中臂靜脈血管紅外圖像中主血管與其分支的深度特征關(guān)系，因缺少可靠訓(xùn)練用紅外圖集，導(dǎo)致得出深度數(shù)據(jù)模型準確度受到影響，雖然圖中部分場景圖像深度信息有一定的失真，就該方法在識別靜脈血管在單張紅外圖中深度信息而言， 其反映信息還是較為準確的。但本文論述匹配算法時間成本較大，仍有優(yōu)化空間，且此方案對RGBD數(shù)據(jù)集有一定的依賴性，在RGBD數(shù)據(jù)集不完善的情況下，如適當?shù)脑黾涌扇藶榭刂茀?shù)變量因子可大大提高該算法的可行性，以上問題為文本所述方案指明了今后進一步研究改進方向。

3 結(jié)束語

圖7為本文所述方案流程示意圖，較目前使用超聲判別靜脈血管深度的設(shè)備，本文所述方案利用軟件算法替代了高分辨超聲設(shè)備，將深度信息判斷和靜脈定位判斷集成于軟件系統(tǒng)中，降低了靜脈血管成像設(shè)備的生產(chǎn)成本，同時也利于量產(chǎn)。在設(shè)備操作方面，由于功能的集成度提高，更易于在實際生活中應(yīng)用，為此類設(shè)備在生產(chǎn)實踐中的推廣打下了良好的基礎(chǔ)。

參考文獻：

[1]王瑛楠.車牌自動識別系統(tǒng)的研制與開發(fā)[D].西北工業(yè)大學(xué)，2007.

[2]張會林，簡獻忠.人體手背靜脈血管圖像增強處理算法研究[J].儀器儀表學(xué)報，2005（S1）：729-731.

[3]楊文元.數(shù)據(jù)結(jié)構(gòu)與算法項目化教程[M].西安：西安電子科技大學(xué)出版社，2011.

[4]朱堯，喻秋.基于非參數(shù)化采樣的單幅圖像深度估計[J].計算機應(yīng)用研究，2017，34（06）：1876-1880.

[5]陸園園，張明.基于SIFT算法的紅外圖像拼接方法改進[J].計算機系統(tǒng)應(yīng)用，2015，24（08）：165-170.

[6]于海鵬，魏濤.基于RGB-D數(shù)據(jù)集的無參數(shù)圖像深度估計算法[J].計算機工程與設(shè)計，2014，35（04）：1336-1340.