一種高精度醫(yī)學紅外熱像圖的實現(xiàn)方法

高玉寶，江 濤，胡孝成，江 瓊，楊長春，劉澤良，漆世鍇

一種高精度醫(yī)學紅外熱像圖的實現(xiàn)方法

高玉寶1，江 濤2,3，胡孝成4，江 瓊5，楊長春1，劉澤良1，漆世鍇1

（1. 九江學院電子工程學院，江西 九江 332005；2. 南昌大學醫(yī)學部，江西 南昌 330031；3. 南昌大學九江附屬醫(yī)院婦科，江西 九江 332000；4. 九江市婦幼保健院新生兒科，江西 九江 332000；5. 九江學院信息科學與技術學院，江西 九江 332005）

醫(yī)學紅外熱像設備測得的紅外數(shù)據及轉換得到的溫度數(shù)據難以直接判定其所屬的人體區(qū)域，常需將其轉為圖像數(shù)據，利用圖像處理技術得到感興趣區(qū)域并從區(qū)域內溫度數(shù)據得到生物特征，實現(xiàn)疾病的篩查或診斷。然而，從14位紅外數(shù)據轉換到8位圖像數(shù)據存在嚴重的數(shù)據精度損失，導致處理性能欠佳。本文提出一種新的熱像圖表達方法，所得到的彩色熱像圖含原精度的溫度數(shù)據信息，且含溫度觀察窗設定尺度下的彩色增強效果，同時載有溫度數(shù)據記錄和觀察窗設定規(guī)則，通過對圖像數(shù)據的逆變換，可以再現(xiàn)原始溫度數(shù)據，并可改變彩色增強效果。該方法提供的熱像圖無需額外存取溫度數(shù)據文件，在不同的紅外熱像系統(tǒng)間具有通用性，將更符合大數(shù)據和人工智能的發(fā)展趨勢。

醫(yī)學紅外熱像圖；彩色增強；溫度觀察窗；感興趣區(qū)域

0 引言

醫(yī)學紅外熱成像技術因其非侵入性，以及與CT、超聲、MIR、造影成像等影像診斷手段相比可提前篩查一些疾病的特性而獲得了廣泛研究。Bhowmik[1-9]等將其作為乳腺癌的篩查和診斷手段獲得了較好的應用效果。Fokam[10-13]等將其作為關節(jié)炎的診斷技術進行了研究。Haq[14-15]等對檢測鎖骨上皮膚溫度的應用進行了研究。Lin[16-17]等研究了其在血管疾病上的診斷性能，Carriere[18]等采用該技術對傷口愈合過程進行了研究。Knobel[19-20]等采用該技術實現(xiàn)了對新生兒監(jiān)護的應用。該技術在越來越多的醫(yī)學領域展現(xiàn)了可觀的應用前景。這些現(xiàn)有的研究主要基于兩類數(shù)據，分別是溫度數(shù)據和熱圖像數(shù)據。因溫度數(shù)據不便于直觀體現(xiàn)人體部位，一般需先在紅外熱圖像上采用人工或自動分割算法，在人體圖像上得到感興趣區(qū)域（region of interest，ROI）部位，然后在ROI區(qū)域內對溫度數(shù)據進行特征分析，從而實現(xiàn)研究目標。例如，Pereira[21-24]等采用了人工提取ROI方法，Pauk[11, 25]等采用了各種圖像分割算法。在這些研究方法中，都需要在熱圖像數(shù)據文件和溫度數(shù)據文件間多次切換數(shù)據。熱圖像數(shù)據一般為8位的灰度圖像，或是24位的偽彩色圖像，都是整數(shù)數(shù)據，而溫度數(shù)據一般是浮點數(shù)據，其存取方式與圖像數(shù)據不同。在這兩類文件間頻繁切換數(shù)據增加了分析過程的額外工作量。導致這樣結果的原因在于現(xiàn)有紅外熱成像（infrared thermography，IRT）系統(tǒng)提供的熱圖像不能通過變換得到原始精度的溫度數(shù)據，而原始溫度數(shù)據又不能提供人體區(qū)域信息。

實際上，溫度數(shù)據和熱圖像數(shù)據都源自紅外熱像儀的紅外數(shù)據，在紅外熱像系統(tǒng)內各種數(shù)據的產生過程是：首先通過非制冷紅外焦平面探測器得到14位的紅外數(shù)據，然后通過非線性變換得到溫度數(shù)據，隨后將溫度數(shù)據或紅外數(shù)據通過預先設定的最低溫度、最高溫度閾值轉為灰度圖像[26]，則設定的最低溫度閾值對應灰度圖像的最小值0，最高溫度閾值對應灰度圖像的最大值255，最后，通過預先設定的調色板，將灰度圖像轉為偽彩色圖像。在從14位的紅外數(shù)據或與其對應的溫度數(shù)據轉為8位的灰度圖像過程中，因數(shù)據位數(shù)的降低，必然存在溫度數(shù)據精度損失問題，例如，一般醫(yī)學熱成像系統(tǒng)設定的溫度范圍為10℃～50℃，溫度數(shù)據的原始分辨率目前較高的可達0.02℃，當將10℃～50℃范圍內的溫度數(shù)據轉為0～255的灰度圖像數(shù)據時，灰度圖像數(shù)據所表示的溫度最小分辨率變?yōu)椋?50－10)/256＝0.15625℃，其分辨精度遠低于0.02℃?？梢姡叶葓D像數(shù)據會嚴重損失原始溫度數(shù)據的精度。從灰度圖像得到的偽彩色圖像只是增強了人的視覺分辨效果，并不能提高已受損的溫度精度。與可見光譜圖像相比，紅外熱圖像像素值主要映射的是溫度幅值，在溫度精度已受損的熱圖像上進行分析，會影響分析結果的精確性。雖然文獻[27-29]等提出了一些熱圖像增強方法，但這些方法是基于紅外熱像系統(tǒng)提供的灰度圖及其偽彩色圖像，而非原始的高精度溫度數(shù)據，在已受損的信息上進行增強無法還原已損失的精度。

當前的醫(yī)學熱成像系統(tǒng)，在將灰度圖像轉為偽彩色圖像過程中，一般是采用調色板方法?，F(xiàn)有的調色板都是8位的，最多只有256種顏色，同樣地，對于10℃～50℃范圍內的溫度數(shù)據，相鄰兩種顏色能區(qū)分的溫度差為0.15625℃，不能滿足0.02℃的溫度分辨率的需求。因此，在色彩分辨率的維度上，現(xiàn)行的偽彩色熱像圖同樣存在溫度精度損失問題。為彌補該缺陷，在人工分析熱像過程中，常采用一種溫度窗的方式增強顯示預先設定的一小段溫度范圍內的溫度數(shù)據，常需要反復修改溫度窗口的位置，以在不同溫度區(qū)間獲得較高的色彩分辨效果。然而，采用不同的調色板和溫度觀察窗口，得到的偽彩色圖像不同，而這些偽彩色圖像并未載有所采用的調色板和溫度觀察窗的有關信息，從而無法通過變換實現(xiàn)在同等設置下進行圖像對比，這嚴重制約了這些圖像在不同熱像系統(tǒng)或圖像庫間的通用性。

簡而言之，現(xiàn)有的醫(yī)學熱像圖數(shù)據存在的問題主要有：①溫度數(shù)據和熱像圖數(shù)據需要在不同的文件中分別存取，文件的數(shù)據類型不同，增加了人工或自動分析的工作量；②熱像圖數(shù)據損失了溫度數(shù)據的原始精度，在此基礎上進行分析，會導致分析結果精確度不高；③現(xiàn)行的偽彩色圖像數(shù)據的顏色種類較少，在色彩分辨維度上也存在精度損失，導致分析過程中需要人工反復調整溫度窗口位置；④偽彩色圖像因采用不同調色板或溫度觀察窗口而存在差異，而現(xiàn)行偽彩色圖像未載有相關的參數(shù)設置信息，導致偽彩色圖像缺乏通用性；⑤不能直接利用現(xiàn)行的溫度數(shù)據直觀分析人體部位；⑥現(xiàn)有的研究中，關于熱像圖的灰度圖像或偽彩色圖像與溫度數(shù)據間存在問題的探討較為少見。為解決這些問題，本文提出了一種新的醫(yī)學熱像圖數(shù)據的彩色圖像表示方法，所呈現(xiàn)的彩色圖像含有可設定的溫度觀察窗信息，以實現(xiàn)對感興趣的溫度段進行圖像增強，從而可直觀分析人體特定溫度區(qū)域的溫度分布，同時，彩色圖像包含原始溫度數(shù)據信息，使得后續(xù)的分析過程無需再另取溫度數(shù)據。此外，圖像還載有圖像增強的有關參數(shù)信息，使得不同增強方式的圖像可通過設置相同的參數(shù)以進行對比。通過本文提出的方法，可將彩色圖像的直觀視覺效果、溫度觀察窗、圖像增強及其參數(shù)信息、原始溫度數(shù)據這4個特性融合在同一個彩色圖像文件內。

1 實現(xiàn)方法和測試實驗

1.1 實驗裝置

IR263紅外熱像機（武漢高德紅外股份有限公司），采用非制冷紅外焦平面探測器，像素分辨率為800×600，測溫精度為±0.5℃，溫度分辨率0.03為℃@37℃，帶黑體校正，黑體溫控精度±0.3℃@37℃，測溫距離2m，紅外熱像機放置高度1m，測試小隔間寬2m、長4m、高3m。測溫環(huán)境：無陽光等干擾光源直射，無空氣流動，空調在測溫小隔間外，以避免空調的氣流擾動引起的測溫隔間內的溫度不均勻?？照{調溫穩(wěn)定1h以上，以確保測溫隔間內溫度分布一致。通過溫濕度計測定室內溫度20℃，濕度60%。

1.2 紅外熱像數(shù)據獲取和處理方法

紅外熱像機通過網線與PC機相連，在高德公司提供的庫函數(shù)基礎上，采用VC編程實現(xiàn)原始溫度數(shù)據的獲取，該溫度數(shù)據由14位的紅外數(shù)據通過給定的紅外-溫度變換矩陣得到，溫度數(shù)據存儲的文件格式為.dat，溫度數(shù)據格式為浮點數(shù)，精確到小數(shù)點后兩位，溫度范圍為0～50℃。此外，同時獲取通過庫函數(shù)直接得到的灰度圖像及其偽彩色增強圖像。再用MATLAB（R2012b版本）軟件編程，對溫度數(shù)據進行讀取與后續(xù)處理。

令原始溫度數(shù)據為0(,)，其中,分別為像素點行、列位置，范圍為1≤≤800，1≤≤600。0(,)為浮點數(shù)，有效小數(shù)位數(shù)為2。令_＝100，則r＝1/_＝0.01表示溫度數(shù)據所能表示的最小分辨率r為0.01℃。當前醫(yī)用紅外熱像機的溫度分辨率≥0.02℃，小于0.01℃的小數(shù)沒有真實物理意義。因人體表面溫度大于20℃且小于40℃，因此，可取閾值Th1＝20℃，Th2＝40℃，對0(,)處理為：

則1(,)可去除大部分無關的背景溫度數(shù)據。

再令：

2(,)＝1(,)×_×f, 1≤2(,)≤65535 (2)

式中：f表示彩色色階值的變化步長，即彩色值的增量。式(2)表示先將1(,)的小數(shù)放大_倍轉換為整數(shù)形式，然后再放大f倍。當Th2－Th1＝20℃時，則f≤32，2的取值范圍為：

1≤2(,)≤(Th2－Th1)×100×32＝64000 (3)

再令：

T(,)＝1(2(,)/256) (4)

T(,)＝2(2(,)/256) (5)

式中：1為向下取整函數(shù)；2表示取余數(shù)函數(shù)。

最后，采用RGB格式的24位真彩色圖像格式，、、表示3個顏色分量，則可將T，T分別賦給、、中的任意兩個，令剩下的一個量為常量b，（0≤b≤255），例如，令：

式中：,分別為像素點行、列位置，范圍為1≤≤800, 1≤≤600。

通過式(1)～(6)，可將原始溫度數(shù)據0轉換為RGB格式的24位真彩色圖像RGB，RGB可表示的溫度數(shù)據分辨率為0.01℃，溫度范圍為Th1～Th2，每0.01℃的RGB值間隔為f，RGB顏色的基值由常量b決定。當紅外熱像機的實際溫度分辨率p_d是0.01℃的m_d倍時，則p_d對應的RGB值間隔為m_d倍f，例如，本文的p_d＝0.03℃，則對應的RGB值間隔為3f。p_d也可由下式得到：

為用彩色增強顯示某一段溫度數(shù)據，可利用式(6)中原來是常數(shù)值的作為色彩增強參數(shù)，引入溫度觀察窗操作，即設定一個溫度段作為觀察窗口，該窗內不同的溫度用不同的值對應，因值取值范圍為0～255，當選定中間值127對應溫度觀察窗設定的中間溫度值時，則值最大可做±127的變化，代表溫度觀察窗可從中心點向兩側最多各拓展127個觀測點，從而有如下定義：

令m表示溫度觀測窗的中心溫度值，_ls表示從溫度觀測窗中心向兩邊拓展的點數(shù)，取值范圍為[1,127]，有：

式中：f1( )表示向下取整函數(shù)。

注意，m通過_ls向兩側拓展得到的溫度觀察窗的溫度范圍應在Th1～Th2之內。

將式(8)替換式(6)的(,)，即：

通過式(9)所得到的RGB彩色圖像，其、分量組合的16位數(shù)包含了原始溫度數(shù)據，分量包含了根據設置的溫度觀察窗進行彩色增強的信息。

為在圖像內記錄圖像的溫度觀察窗等設置信息，可利用圖像的第一行前8個像素的值，即令：

式中：RGBec表示、、三分量的排列方式，根據排列組合方式，有6種排列方式，式(6)、(9)中根據不同的排列順序賦值，得到的彩色圖像結果不同。

定義RGBec取值與、、三分量的排列方式關系如下：

一般地，紅外熱圖像邊緣數(shù)據因受鏡頭畸變等影響，其第一行數(shù)據不作為處理對象，因此，采用式(10)的方式，不影響紅外熱圖數(shù)據的分析。至此，可在紅外熱圖數(shù)據內部同時裝載溫度數(shù)據記錄所采用的規(guī)則信息，包括：所能表示的最小溫度分辨率、最小溫度分辨率對應的RGB值間隔、紅外熱像機溫度實際分辨率對本數(shù)據所能表示最小溫度分辨率的倍數(shù)、溫度觀察窗的中心溫度、溫度觀察窗的步長數(shù)、RGB三分量排列方式編碼、背景溫度分割的上下限閾值。通過這種方式，無需額外數(shù)據信息或文件信息，單個RGB彩色圖像數(shù)據即可包含分析所需的全部信息：原始溫度數(shù)據、記錄該溫度數(shù)據所采用的規(guī)則、彩色圖像的增強方法信息、溫度觀察窗的設置信息，以及彩色圖像增強后的直觀視覺效果。

1(,)＝[(,)×256＋(,)]/(_×f) (12)

最后，通過下式，可得到原始的溫度數(shù)據：

0(,)＝1(,)＋Th1(13)

此外，可以通過下式將RGB彩色圖像轉為灰度圖像：

gray(,)＝(,)×0.299＋(,)×0.587＋

(,)×0.114 (14)

對式(14)得到的灰度圖像可進一步測試邊緣檢測算法，以對比IRT系統(tǒng)通過常規(guī)方式提供的灰度圖像的邊緣檢測效果。

為使得圖像內包含的溫度數(shù)據精度保持不變，本文涉及的參數(shù)在設置時需滿足條件式(15)：

2 實驗結果

根據本文所采用的紅外熱像機及實驗條件，設置式(10)的相關參數(shù)值為：

_＝100，f＝32，m_d＝3，m＝31，_ls＝127，RGBec＝1，Th1＝20℃，Th2＝40℃，即溫度數(shù)據能表示的最小溫度分辨率為0.01℃，對應的RGB增量為32，實際的溫度分辨率為0.03℃，溫度觀測窗的中心為31℃，步長為127，RGB三分量排列順序為（、、），背景溫度分割的上、下限分別為20℃、40℃。

直接通過IR263紅外熱像機的庫函數(shù)得到測試者背部和側部的灰度圖像及其偽彩色增強圖像如圖1。

圖1 紅外熱像機輸出的原灰度圖和偽彩色圖

圖1(a)、(c)所示的灰度圖像是IRT系統(tǒng)通過捕獲的紅外數(shù)據經變換得到溫度數(shù)據，再由溫度數(shù)據轉為0～255的灰度值，圖1(b)、(d)是由灰度圖像經過選用的調色板得到的偽彩色圖像，常用的IRT系統(tǒng)主要采用這種方式。

將圖1對應的原始溫度數(shù)據，通過式(1)～(6)，得到RGB彩色圖像如圖2(a)、(b)，根據GB（＝0）的值從0～64000，每個色帶的RGB值間隔32，共有2000個色帶，其所采用的色帶如圖2(c)，對應的溫度范圍為20℃～40℃，每個色帶對應0.01℃，顏色越綠亮的表示溫度越高，顏色越藍暗的溫度越低。

圖2 新方法得到的紅外熱圖像及其色帶

圖2中人體周圍的深藍色，是因為環(huán)境溫度是20℃，導致背景布的部分溫度也接近20℃，在人體散熱作用下，人體周圍部分空氣也可能呈現(xiàn)20℃。若設置Th1高于20℃可去除這些藍色，但可能會損失手指和腳趾等末端的部分信息。

再通過式(7)～(9)，得到對應的增強彩色圖像如圖3(a)、(b)，通過值調節(jié)后的GB（＞0）值從0～64000對應的色帶如圖3(c)。與圖2相比，圖3中不同的色帶即為溫度觀測窗內的溫度數(shù)據對應的色帶。

圖3 對新的紅外熱像圖通過溫度觀察窗進行增強

通過圖3(c)可知，圖3(a)、(b)中亮黃色為通過設定的溫度觀察窗進行圖像增強的區(qū)域，對應的溫度范圍為31±3.81℃，在該增強區(qū)域內，顏色越黃亮表示溫度越高。亮綠色為高于31＋3.81＝34.81℃的區(qū)域，其中的綠色越亮表示溫度越高。

再通過式(14)，得到對應的灰度圖像如圖4(a)、(b)，其局部放大效果如圖4(c)、(d)。

圖4 新的紅外熱像圖的灰度圖像

圖4(c)、(d)可見，圖4的灰度圖比圖1的灰度圖具有更豐富的紋理細節(jié)信息，這些紋理代表不同的溫度分布區(qū)域，而一般的IRT系統(tǒng)直接提供的圖像則不能提供這樣的細節(jié)信息?？梢?，常規(guī)的IRT系統(tǒng)直接提供的灰度圖像及其偽彩色圖像已損失了溫度更微觀的細節(jié)信息。

最后，將溫度數(shù)據的設置信息通過式(10)裝載入彩色圖像第一行的前8個像素的分量字節(jié)內，因所占的圖像空間非常小，且圖像邊緣的GB分量一般等于0使得其主色為暗深色，可忽略其對視覺的影響。目標圖像因一般位于圖像空間的中央，在分析和處理中不受這8個像素的影響。

分別對圖1(a)、圖1(c)、圖4(a)、圖4(b)的灰度圖像用MATLAB進行邊緣檢測測試，采用Canny算子和相同的參數(shù)0.08，得到的邊緣檢測結果分別如圖5(a)、圖5(c)、圖5(b)、圖5 (d)。

圖5 原灰度圖像和新灰度圖像的邊緣檢測對比

圖5(a)、(c)中，人體外的邊緣線是背景布的邊緣，由圖5(a)、(c)可見，對IR263相機直接提供的灰度圖像進行邊緣檢測，不能檢測出人體區(qū)域內不同溫度區(qū)域的邊界。而由圖5(b)、(d)可見，通過本文提出的方法得到的灰度圖像，能有效檢測出人體區(qū)域內部存在不同溫度區(qū)域。雖然兩種圖像的邊緣檢測都會受到背景干擾，如圖5(a)、(c)、(d)所示，但因本文提出的彩色圖像內包含原始溫度數(shù)據，可以按式(1)提高Th1值，即可直接將背景信息去除，例如設置Th1＝23℃時，則圖2(b)、圖3(b)、圖5(d)內的背景干擾可完全去除，結果如圖6所示。而要去除圖5(a)、(c)中的背景干擾，則需要通過復雜的圖像處理算法，例如要通過分析每幅圖像的直方圖獲得背景與目標間的分割閾值，不同背景和目標可能需要不同的閾值，降低了算法的通用性。

圖6 新圖像去除背景信息的效果圖

對圖3(a)的彩色圖像，按式(11)的后5種、、三分量的賦值順序，得到新的偽彩色圖像如圖7所示。

對比圖3和圖7的彩色效果，可見圖3的色彩更符合人體的真實膚色。

圖7 不同RGB排列方式得到的新的紅外熱像圖的效果圖

僅改變式(10)中的f值，即改變GB色帶的階值，其它參數(shù)值保持不變，分別對f取值24、16、8、4，得到圖3(a)的彩色圖像為圖8(a)～(d)，可見，f值越小，人體內不同溫度的色彩差異越小，溫度邊界特征越弱，但色彩因更連貫顯得更細膩。此外，f值會改變圖3(c)的色帶，f值越小，會導致GB的值越小，使得溫度窗外的顏色向藍色增強，而溫度窗內因值占比增加，使得溫度窗內的顏色向紅色逐漸增強。

對比圖8(a)～(d)可見，在f＝4時，在人體上的溫度邊界和色彩對比上仍然都有較好的顯示效果，根據式(15)的條件0＜(Th2－Th1)×_×f＜65536，在f＝4、Th1＝23℃，Th2＝39.3℃時，_可取值1000，即溫度數(shù)據的最小分辨率r可達到0.001℃，遠高于當前的主流溫度分辨率0.05℃，因此，本文提出的方法在未來的溫度分辨率發(fā)展中將有很好的可拓展空間。

圖8 新的紅外熱圖在不同色階和不同溫度觀察尺度下的效果圖

僅改變式(10)中的_ls值，即改變溫度觀察窗向兩側拓展的步數(shù)，其它參數(shù)保持不變，分別取_ls值為100、80、50、20，得到圖3(a)的彩色圖像為圖8(e)～(h)，根據31±_ls×0.03℃，圖8(e)～(h)內黃色增強顯示的溫度范圍分別為31±3℃、31±2.4℃、31±1.5℃、31±0.6℃。

由式(1)～(9)可知，式(10)的參數(shù)在改變時只要滿足式(15)，圖像內包含的溫度數(shù)據將保持不變，圖8的結果驗證了這個性能。

3 實驗結果分析

紅外熱成像系統(tǒng)的核心數(shù)據是溫度數(shù)據，溫度數(shù)據的測溫精度和溫度分辨精度決定了整個系統(tǒng)的性能。而目前采用的紅外熱圖像的自動分析算法中，多采用基于可見光的圖像分析算法，如基于灰度直方圖的圖像增強和目標與背景圖像分割，基于灰度圖像的邊緣提取等，在這些自動分析算法中沒有充分利用溫度這個重要生物特性，僅在圖像自動分析完成后，再在ROI區(qū)域內采用溫度數(shù)據作為特征值。這種基于可見光譜的圖像處理算法，其處理結果易因調色板和溫度觀察窗的不同而受影響，且易因不同IRT系統(tǒng)所采用的溫度數(shù)據轉灰度圖像的算法差異而出現(xiàn)不同結果。而且，還需要分別讀寫圖像文件和對應的溫度數(shù)據文件，需要建立文件間的嚴格對應規(guī)則，這些因素都對紅外熱圖像自動分析的性能和通用性產生不利影響。

紅外熱圖像與普通可見光譜圖像存在明顯區(qū)別，可見光譜圖像在像素值的強度上對比度明顯，易于視覺識別，而紅外熱圖像并不具有這樣的點，相反地，人體紅外熱圖像在像素值的強度上對比度非常低。將可見光圖像的分析方法直接應用于紅外熱圖像，就需要先將其進行圖像增強，然而，現(xiàn)有的紅外圖像增強方法是先在灰度級上進行對比度增強，再通過偽彩色變換增強視覺效果，在此過程中，因灰度級只有0～255級，采用256級的灰度圖要表達20℃～40℃，每級表達的溫度分辨率約0.08℃，而當前的醫(yī)學紅外熱像相機分辨率通?！?.03℃。因此，當前普遍采用的圖像增強方法在增強對比度的同時會明顯損失溫度數(shù)據的精度，可見，這種方式不適合于醫(yī)學紅外熱像圖數(shù)據的分析。

4 結論

本研究提出的彩色紅外熱像圖不是由灰度圖像變換而來，而是直接從原始溫度數(shù)據變換得到，在變換過程中未損失溫度數(shù)據精度，對這樣的圖像進行后續(xù)的圖像分析則不存在溫度精度丟失的問題。通過對該彩色圖像的反變換，可以獲得原始溫度數(shù)據，無需另外讀取溫度數(shù)據文件。此外，該彩色圖像還附加了溫度觀測窗口的視覺增強效果，并裝載有溫度數(shù)據記錄的規(guī)則信息，以便于后續(xù)處理時可通過這些信息改變彩色增強方式。本文提出的方法在溫度數(shù)據分辨率上可實現(xiàn)0.001℃，具有很好的可拓展性。最終，通過單個的彩色圖像文件，即可融合原始溫度數(shù)據、視覺增強的人體圖像數(shù)據、溫度觀察窗、溫度數(shù)據記錄規(guī)則的信息，為后續(xù)分析過程提供便利。

[1] Bhowmik M K, Gogoi U R, Majumdar G, et al. Designing of Ground-Truth-Annotated DBT-TU-JU Breast Thermogram Database Toward Early Abnormality Prediction[J]., 2018, 22: 1238-1249.

[2] De Santana M A, Pereira J M S, Da Silva F L, et al. Breast cancer diagnosis based on mammary thermography and extreme learning machines[J]., 2018, 34: 45-53.

[3] Dua G, Mulaveesala R. Applicability of active infrared thermography for screening of human breast: a numerical study[J]., 2018, 23: 9.

[4] Mambou S J, Maresova P, Krejcar O, et al. Breast Cancer Detection Using Infrared Thermal Imaging and a Deep Learning Model[J]., 2018, 18: 19.

[5] Morales-Cervantes A, Kolosovas-Machuca E S, Guevara E, et al. an Automated Method for the Evaluation of Breast Cancer Using Infrared Thermography[J]., 2018, 17: 989-998.

[6] Santana M A d, Pereira J M S, Silva F L d, et al. Breast cancer diagnosis based on mammary thermography and extreme learning machines[J]., 2018, 34: 45-53.

[7] Wahab A A, Salim M I M, Yunus J, et al. Comparative evaluation of medical thermal image enhancement techniques for breast cancer detection[J]., 2018, 50: 40-52.

[8] Abdel-Nasser M, Moreno A, Puig D. Breast Cancer Detection in Thermal Infrared Images Using Representation Learning and Texture Analysis Methods[J]., 2019, 8: 18.

[9] Singh D, Singh A K. Role of image thermography in early breast cancer detection- Past, present and future[J]., 2020, 183: 61-69.

[10] Fokam D, Lehmann C. Clinical assessment of arthritic knee pain by infrared thermography[J]., 2018, 30: 21-25.

[11] Pauk J, Wasilewska A, Ihnatouski M. Infrared thermography sensor for disease activity detection in Rheumatoid arthritis patients[J].(Switzerland), 2019, 19: 34-48.

[12] Pauk J, Ihnatouski M, Wasilewska A. Detection of inflammation from finger temperature profile in rheumatoid arthritis[J]., 2019, 57: 2629-2639.

[13] Gatt A, Mercieca C, Borg A, et al. A comparison of thermographic characteristics of the hands and wrists of rheumatoid arthritis patients and healthy controls[J]., 2019, 9: 172-180.

[14] Haq T, Crane J D, Kanji S, et al. Optimizing the methodology for measuring supraclavicular skin temperature using infrared thermography; implications for measuring brown adipose tissue activity in humans[J]., 2017, 7: 9.

[15] Jimenez-Pavon D, Corral-Perez J, Sanchez-Infantes D, et al. Infrared Thermography for Estimating Supraclavicular Skin Temperature and BAT Activity in Humans: A Systematic Review[J]., 2019, 27: 1932-1949.

[16] LIN P H, Echeverria A, Poi M J. Infrared thermography in the diagnosis and management of vasculitis[J]., 2017, 3: 112-114.

[17] Gauci J, Falzon O, Formosa C, et al. Automated Region Extraction from Thermal Images for Peripheral Vascular Disease Monitoring[J]., 2018, 2018: 14.

[18] Carriere M E, de Haas L E M, Pijpe A, et al. Validity of thermography for measuring burn wound healing potential[J]., 2019, 10: 1-8.

[19] Knobel-Dail R B, Holditch-Davis D, Sloane R, et al. Body temperature in premature infants during the first week of life: Exploration using infrared thermal imaging[J]., 2017, 69: 118-123.

[20] Topalidou A, Ali N, Sekulic S, et al. Thermal imaging applications in neonatal care: a scoping review[J]., 2019, 19: 14.

[21] Pereira T, Nogueira-Silva C, Simoes R. Normal range and lateral symmetry in the skin temperature profile of pregnant women[J]., 2016, 78: 84-91.

[22] Martini G, Cappella M, Culpo R, et al. Infrared thermography in children: a reliable tool for differential diagnosis of peripheral microvascular dysfunction and Raynaud's phenomenon?[J]., 2019, 17: 9.

[23] Garcia-Porta N, Gantes-Nunez F J, Tabernero J, et al. Characterization of the ocular surface temperature dynamics in glaucoma subjects using long-wave infrared thermal imaging[J]., 2019, 36: 1015-1021.

[24] Debiec-Bak A, Wojtowicz D, Pawik L, et al. Analysis of body surface temperatures in people with Down syndrome after general rehabilitation exercise[J]., 2019, 135: 2399-2410.

[25] Hernandez-Contreras D A, Peregrina-Barreto H, Rangel-Magdaleno J D, et al. Plantar Thermogram Database for the Study of Diabetic Foot Complications[J]., 2019, 7: 161296-161307.

[26] 丁德紅. 16 位高精度在線式紅外熱像儀的技術方案與實現(xiàn)[J]. 紅外技術, 2017, 39(9): 841-847.

Dehong D. Online Temperature Measurement Technology Solutions and Implementationof 16 bit Infrared Thermal Imager[J]., 2017, 39(9): 841-847.

[27] Tan J H, Acharya U R. Pseudocolours for thermography-Multi-segments colour scale[J]., 2015, 72: 140-147.

[28] Kermani S, Samadzadehaghdam N, EtehadTavakol M. Automatic color segmentation of breast infrared images using a Gaussian mixture model[J]., 2015, 126: 3288-3294.

[29] LI T J, WANG Y Y, CHANG C, et al. Color-appearance-model based fusion of gray and pseudo-color images for medical applications[J]., 2014, 19: 103-114.

Method of High Precision Medical Infrared Thermography

GAO Yubao1，JIANG Tao2,3，HU Xiaocheng4，JIANG Qiong5，YANG Changchun1，LIU Zeliang1，QI Shikai1

(1.332005,;2.330031,;3.332000,;4.332000;5.332005,)

It is difficult to directly distinguishthe human body area identified bythe infrared data measured by medical infrared thermal imaging equipment fromthe temperature data obtained by conversion. It is often necessary to convert itinto image data anduse image processing technology to obtain the region of interest and the biological characteristics from the temperature data in the given area. Accordingly,disease screening or diagnosis can be realized. However, conversion from 14-bit infrared data to 8-bit image data incursa serious loss of data accuracy, resulting in poor processing performance. In this paper, a new expression method for thermal images is proposed. The obtained color thermal image contains the original precision temperature data information and the color enhancement effect under the setting scale of the temperature observation window. At the same time, it contains the temperature data record and the setting rules of the observation window. Through the inverse transformation of the image data, the original temperature data can be reproduced and the color enhancement effect can be changed. The thermal image provided by this method can be used in different infrared thermal image systems without requiring additional access to temperature data files. This will be more aligned with the development trend of big data and artificial intelligence.

medical infrared thermography, color enhancement, temperature observation window, region of interest

TP391

A

1001-8891(2020)11-1111-08

2020-06-07；

2020-11-09.

高玉寶（1978-），男，江西九江人，副教授，博士，研究方向：圖像處理技術在中西醫(yī)學上的應用、醫(yī)學儀器的研制。E-mail:ybgao_jju@163.com。

國家自然科學基金項目（51667009）、江西省教育廳科技項目（GJJ161083）、江西省青年自然科學基金項目（20192BAB217001）、江西省衛(wèi)生計生委科技項目（20164028）。