唐超穎

(南京航空航天大學自動化學院，南京　210016)

?

一種基于近紅外-可見光映射的快捷靜脈提取算法

唐超穎

(南京航空航天大學自動化學院，南京210016)

摘要:針對可見光圖像開發(fā)了一種快捷的靜脈提取算法．采用可見光－近紅外同步相機拍攝一組皮膚圖像，利用限制對比度自適應直方圖均衡化方法調(diào)整近紅外圖像的對比度．采用Gabor濾波器自動提取其中的靜脈信息，在此基礎上獲取可見光－近紅外圖像中靜脈及普通皮膚的對應像素值．以此作為樣本，訓練一個三層前向神經(jīng)網(wǎng)絡，模擬可見光到近紅外像素值的映射關系，實現(xiàn)對可見光圖像中靜脈的提?。槍θ肷涔鈴姸茸兓瘜梢姽鈭D像中像素值的影響，提出一種圖像亮度自適應調(diào)節(jié)算法．實驗結(jié)果表明，該方法對于不同條件下拍攝的圖像具有良好的魯棒性，對于不同時間拍攝的圖像也具有較好的穩(wěn)定性．運算過程簡單快捷，有助于開發(fā)應用于醫(yī)療的低成本便攜式靜脈顯像儀．

關鍵詞:靜脈提取;可見光圖像;近紅外圖像;神經(jīng)網(wǎng)絡; Gabor濾波器

引用本文:唐超穎．一種基于近紅外－可見光映射的快捷靜脈提取算法［J］．東南大學學報(自然科學版)，2016，46(1) : 35－41．DOI: 10．3969/j．issn．1001－0505．2016．01．007．

靜脈穿刺是醫(yī)學界廣泛采用的一種治療手段．目前，臨床使用的定位靜脈方法主要有目視法和觸摸法．有些患者的皮膚不利于尋找靜脈，如膚色較深、皮下脂肪較多、體表毛發(fā)較多等;有些患者則靜脈較細，如兒童，這就給治療帶來很大的困難，反復穿刺也給患者帶來很大的痛苦．近年來，研究人員研制出了檢測靜脈位置的儀器，但這些儀器均依賴于附加設備，如近紅外成像、多光譜相機、超聲波技術(shù)等，這就增加了儀器的體積、重量和成本．Prabhu等［1］和Kavitha等［2］都利用紅外光源照射皮膚，利用近紅外成像設備獲取靜脈圖像．周雅等［3］利用紅外光源發(fā)出一種或多種近紅外光照射在被檢測區(qū)域，2個攝像機可采集到不同角度的皮膚圖像，經(jīng)計算處理后可得到靜脈的位置與深度圖．Wieringa等［4］采用立體成像技術(shù)提取皮下淺表靜脈，利用3D顯示設備觀察靜脈．Shahzad等［5］將人體皮膚分為4類，利用多光譜相機針對每一類皮膚尋找最優(yōu)近紅外波長，使靜脈圖像的對比度達到最大．屈學民等［6］把幾兆至十幾兆的高頻超聲脈沖發(fā)射到人體，利用發(fā)射脈沖與回波脈沖之間的時間間隔決定皮膚表面和靜脈的距離．王薇等［7］利用顯微超聲的斷層成像方法將血管變化以圖像的形式表現(xiàn)出來．

本文針對可見光圖像開發(fā)了一種快捷的靜脈提取算法，不需要額外的裝置和設備，利用可見光和近紅外同步圖像中的像素對應關系，采用前向神經(jīng)網(wǎng)絡實現(xiàn)二者之間的映射，進而實現(xiàn)對靜脈的提?。?/p>

1　近紅外－可見光圖像數(shù)據(jù)庫

1．1近紅外圖像的預處理

采用JAI-AD080CL相機拍攝了一組手臂圖像．該相機同步獲取可見光－近紅外的光譜，可見光和近紅外光通過同一鏡頭進入2個感光芯片，2幅圖像完全同步．在近紅外光源的照射下，拍攝的近紅外皮膚圖像中可以看到靜脈的位置．采集了20人前臂內(nèi)側(cè)圖像(每人1組可見光－近紅外圖像)，然后選擇其中8組質(zhì)量最好、靜脈位置最清晰的圖像．盡管近紅外圖像中可以看到靜脈，但具體位置并不很清晰，因此，利用限制對比度自適應直方圖均衡化(CLAHE)方法對近紅外圖像進行預處理，每幅圖像被劃分為8×8像素的區(qū)域，將均勻分布作為目標直方圖［8］．圖1(a)為一幅前臂的近紅外圖像，圖1(b)為采用CLAHE方法對圖像進行預處理的結(jié)果．由圖可見，該方法在抑制噪聲的基礎上提升了圖像的對比度．

圖1　Gabor濾波及靜脈提取結(jié)果

1．2近紅外圖像中靜脈的提取

Gabor濾波器與人類視覺系統(tǒng)的紋理認知機制一致，能很好地表達紋理的方向特征，因此被廣泛應用于計算機視覺的許多領域，如紋理分割、邊緣檢測等［9］．本文利用Gabor濾波器自動提取預處理后近紅外圖像中的靜脈信息，由于近紅外圖像中靜脈為黑色線條，故采用16個含有不同尺度和方向的Gabor濾波器的實部對圖像進行處理［10］，其空域數(shù)學表達式為

式中，x' = xcosθk+ ysinθk，y' =－xsinθk+ ycosθk;θk= kπ/8為濾波器方向角;λmk為正弦分量的波長; σm為橢圓形高斯窗口沿x'方向的標準方差;γ為空域中的比例; m∈{ 1，2}為濾波器的尺度集合; k∈{ 1，2，…，8}為濾波器的方向集合．為了提高對圖像亮度變化的魯棒性，去除濾波器的直流分量，得到濾波器GDC．設N(x，y)為一幅近紅外圖像，利用下式對該圖像進行Gabor濾波:

式中，*表示二維卷積運算．通過式(2)計算共得到16幅濾波結(jié)果圖．

由于每個濾波器能感受到特定方向和尺度的信息，因此在每一個像素位置，選用響應最大的濾波器的方向和尺度來表示該位置的方向和尺度信息．靜脈具有連續(xù)性，因而可從濾波結(jié)果圖中觀察到靜脈位置．為了消除光照和拍攝角度對濾波的影響，將點(x，y)附近的局部圖像能量Pm從Fλmk，θk，σm，γ中除去，即用Fλmk，θk，σm，γ/Pm(x，y)來估計圖像中的局部信息［10］．因此，Gabor濾波得到的方向圖和能量圖分別為

圖1給出了一組Gabor濾波的結(jié)果圖，其中，圖1(c)和(d)分別為對圖1(b)進行Gabor濾波后得到的能量和方向結(jié)果圖．從圖中可以觀察到靜脈的位置．

在Gabor濾波的基礎上，進一步對靜脈位置進行增強［10］．為了自動提取靜脈像素，采用Otsu閾值分割算法對結(jié)果圖進行二值化處理，結(jié)果如圖1 (e)所示．對二值圖進行細化，得到靜脈的線狀表示圖，如圖1(f)所示．

2　近紅外－可見光映射模型

將靜脈線狀圖疊加于近紅外圖像上，沿著黑色線條提取9×9像素的近紅外像素塊;同理，將靜脈線狀圖疊加于可見光圖像上，沿著黑色線條提取9 ×9×3像素的可見光像素塊(RGB三個顏色通道)．得到一組可見光/近紅外對應像素塊，這些像素塊表征了含有靜脈的皮膚在可見光和近紅外圖像中像素值的對應關系．針對圖像庫中的每一組可見光/近紅外手臂圖像，提取100組對應像素塊．僅有靜脈像素的特征還不能構(gòu)成有效的訓練數(shù)據(jù)，為此，在靜脈線狀圖的空白區(qū)域(對應了非靜脈位置的普通皮膚)提取了同樣數(shù)量的可見光/近紅外對應像素塊．最終得到1 600組像素塊，構(gòu)成了訓練數(shù)據(jù)庫．

采用一個三層前向神經(jīng)網(wǎng)絡來模擬可見光到近紅外像素值的映射關系，輸入層包含3個神經(jīng)元，以訓練數(shù)據(jù)庫中的可見光像素值作為輸入;輸出層包含1個神經(jīng)元，以近紅外像素值作為輸出;隱含層包含5個神經(jīng)元．隱含層和輸出層分別采用tan-sigmoid和線性函數(shù)，利用Levenberg-Marquardt反向傳播法進行訓練［11］．對于一幅待測可見光圖像，將其RGB三個通道的像素值輸入給訓練好的神經(jīng)網(wǎng)絡，從其輸出的映射圖像中即可實現(xiàn)對靜脈的提?。?/p>

3　圖像亮度自適應調(diào)節(jié)算法

可見光圖像中RGB三個通道的像素值是由入射光、皮膚反射率和相機響應函數(shù)共同決定的，即

式中，R，G，B分別為RGB三個通道的像素值; I(λ)為入射光光譜; R123(λ)為皮膚反射率; SR(λ)，SG(λ)，SB(λ)為數(shù)碼相機的響應函數(shù)．可見，入射光的強度變化對可見光圖像中的像素值有很大的影響．在不同光照條件下，相同的皮膚和相機會產(chǎn)生不同亮度值的圖像，這將影響靜脈提取的結(jié)果．設I(λ)和aI(λ)為2個具有相同光譜但是不同強度的光源，根據(jù)式(5)～(7)，由這2種光源產(chǎn)生的顏色值分別為和，其中τ= { R，G， B}．本文采用一種圖像亮度自適應調(diào)節(jié)算法來降低光照強度的影響，即

式中，V為待測的可見光圖像; a為圖像亮度調(diào)整算子; f為神經(jīng)網(wǎng)絡映射函數(shù); C為神經(jīng)網(wǎng)絡輸出的映射圖像．當映射圖像的局部方差最大時，靜脈的位置也最為清晰，因此，通過調(diào)整映射圖像的局部方差求得a的最優(yōu)值，即

式中，A為算子待選值集合; Cb，i為映射近紅外圖像中第i個5×5像素的鄰域; M為鄰域總數(shù); (x，y)為像素的位置; Sb，i為Cb，i中皮膚像素的集合．

4　實驗結(jié)果和討論

4．1近紅外圖像中靜脈提取方法的比較

在建立近紅外－可見光訓練數(shù)據(jù)庫時，本文利用Gabor濾波器自動提取預處理后近紅外圖像中的靜脈線條．首先對這種提取方法進行比較驗證，通過簡單的閾值方法分割靜脈．圖2(a)～(c)分別為對圖1(b)采用Otsu方法、區(qū)域增長法和水平集法進行分割的結(jié)果圖．對比圖1(f)可見，這些簡單的閾值分割方法無法有效地提取近紅外圖像中的靜脈．

4．2靜脈提取算法的主觀評價

用一批可見光皮膚圖像對本文所提算法進行驗證．首先對圖像亮度進行自適應調(diào)節(jié)，然后將其輸入神經(jīng)網(wǎng)絡進行靜脈提?。袑嶒瀳D像的采集對象均不在訓練數(shù)據(jù)庫人員中．前臂內(nèi)側(cè)圖像的部分實驗結(jié)果如圖3所示，圖中的近紅外圖像用于對提取結(jié)果進行驗證．利用限制對比度自適應直方圖均衡化方法對結(jié)果圖像的對比度進行了調(diào)整，同時采用了雙邊濾波對噪聲進行平滑．第1組實驗圖像的采集對象為中國人，其皮膚黑色素含量較少，皮下脂肪層較薄，所以其靜脈位置較淺，盡管如此，用目視法還是不容易從可見光圖像中尋找全部的靜脈(見圖3(a) )．用本文所提算法可以得到很好的提取結(jié)果(見圖3(b) )，與近紅外圖像(見圖3 (c) )比較后發(fā)現(xiàn)，從圖3(b)中可以清晰地看到所有靜脈的位置，包括一些細小的靜脈．第2組實驗圖像的采集對象為伊朗人，其皮膚上有濃密的毛發(fā)，嚴重影響了目視法對靜脈的觀測效果(見圖3 (d) )．第3組實驗圖像的采集對象為印度人，其皮膚黑色素含量較高，膚色很深，目視法幾乎無法找到靜脈(見圖3(g) )，這2組實驗近紅外圖像中的靜脈都不是很清楚(見圖3(f)、(i) )，但在圖3 (e)、(h)的提取結(jié)果中可以看到靜脈的位置．

圖2　靜脈提取方法的比較驗證

圖3　前臂的靜脈提取實驗結(jié)果

本文所用的訓練數(shù)據(jù)采集自前臂內(nèi)側(cè)的圖像，為了驗證該算法的通用性，用不同相機拍攝的不同部位的皮膚圖像對其進行實驗，部分結(jié)果見圖4．第1組實驗圖像采集自上臂的外側(cè)(見圖4(a) )，第2組實驗圖像采集自大腿的前側(cè)(見圖4(d) )，第3組實驗圖像采集自小腿的前側(cè)(見圖4(g) )，其中可見光圖像是由Nikon D70相機拍攝的(與近紅外圖像非同步對應)，相機型號和光照條件都與訓練數(shù)據(jù)有很大差別．3組實驗中，由提取結(jié)果可以清晰地找到靜脈的位置(見圖4(b)、(e)、(h) )，部分靜脈甚至比近紅外圖像還要清晰(見圖4(c)、(f)、(i) )．從上述實驗結(jié)果可見，本文所提的靜脈提取算法對于不同人種、不同身體部位、不同光照條件和不同特性相機拍攝的圖像都能有較好的提取結(jié)果．

4．3靜脈提取算法的客觀評價

為了對本文算法進行更好的驗證，設計了如下的客觀評價方法．首先針對一幅可見光手臂圖像(見圖5(a) )獲得提取結(jié)果圖(見圖5(d) )，接著利用前述Gabor濾波器提取靜脈位置二值圖(見圖5(g) )．同時，針對與可見光圖像對應的近紅外圖像(見圖5(b) )也提取其靜脈位置二值圖(見圖5(e) )，進一步可以得到該近紅外圖像與提取結(jié)果中靜脈位置的交集(見圖5(h) )．作為對比，選取另一幅手臂的近紅外圖像(見圖5(c) )，提取其靜脈位置二值圖(見圖5(f) )，并得到其與提取結(jié)果中靜脈位置的交集(見圖5(i) )．觀察2幅交集圖像可以發(fā)現(xiàn)，提取結(jié)果與對應的近紅外圖像有著很高的重合度，而與其他近紅外圖像的重合區(qū)域極少．將交集圖像與近紅外圖像中靜脈的面積之比定義為靜脈重合度，作為算法性能的客觀評價．圖5 (h)的靜脈重合度為49．88%，而圖5(i)的靜脈重合度只有8．81%．具體步驟如下:

圖4　其他身體部位的靜脈提取實驗結(jié)果

圖5　提取結(jié)果的客觀評價

1)對一個含有20幅手臂圖像(不包含采集訓練圖像的人員)的測試圖庫進行了實驗．分別求出結(jié)果圖像與對應近紅外圖像及其余近紅外圖像的靜脈重合度．圖6(a)為實驗結(jié)果．可見，用本文算法得到的靜脈位置與對應近紅外圖像的重合度遠高于與其余近紅外圖像的重合度，利用該算法可以較為準確地找到可見光圖像中的靜脈．

2)驗證本文算法的魯棒性．對另一個含有22幅手臂圖像的測試圖庫進行了實驗，該圖庫的圖像是在不同拍攝條件下獲得的，光照及拍攝角度都有較大差異，圖6(b)為實驗結(jié)果．可見，對于不同拍攝條件下的圖像，用本文算法得到的靜脈位置與對應近紅外圖像仍有較高的重合度．

3)驗證本文算法的穩(wěn)定性．對一組含有15人手臂圖像的測試圖庫進行了實驗，其中每人拍攝了2次，平均時間間隔為2周，2次拍攝的光照、拍攝角度均不同，部分圖像如圖7所示，圖6(c)為2次測試的平均結(jié)果．可見，對于不同時間拍攝的圖像，本文算法具有較穩(wěn)定的提取效果．

圖6　靜脈重合度測試結(jié)果

圖7　2次拍攝時段獲得的測試圖像

以上的多組實驗結(jié)果證明了本文算法的有效性．另外，該算法運算簡單，利用Matlab7．11軟件對一幅1 024×768像素的可見光圖像進行測試，運行時間僅為0．338 s．

5　結(jié)語

本文針對可見光圖像開發(fā)了一種快捷的靜脈提取算法．首先采集了一組可見光－近紅外的同步皮膚圖像，通過預處理和Gabor濾波器提取靜脈及普通皮膚的對應像素值，作為樣本訓練一個三層前向神經(jīng)網(wǎng)絡，模擬可見光到近紅外像素值的映射關系．采用了一種圖像亮度自適應調(diào)節(jié)算法來降低入射光強度變化對可見光圖像的影響．實驗結(jié)果表明，該方法對于不同人種、不同身體部位、不同光照條件和不同特性相機拍攝的圖像都能有較好的提取結(jié)果，并且運算簡單快捷，易于實現(xiàn)．另外，該方法在實際使用中不需要任何輔助裝置和設備，將基于該算法的軟件植入醫(yī)護人員的智能手機中，即成為小巧便攜的靜脈顯像儀．該方法能顯著提高首次靜脈穿刺成功率，提高了醫(yī)護人員的工作效率，有望為中西部偏遠落后地區(qū)的患者提供幫助．

參考文獻(References)

［1］Prabhu V，Mohanavelu K，Sundersheshu B S，et al．Vein identification and localization for automated intravenous drug delivery system［M］/ /Wireless Networks and Computational Intelligence．Heidelberg，German: Springer Berlin，2012: 270－281．

［2］Kavitha R，F(xiàn)lower L．Localization of palm dorsal vein pattern using image processing for automated intra-venous drug needle insertion［J］．International Journal of Engineering Science＆Technology，2011，3(6) : 4833 －4838．

［3］周雅，胡曉明，林俊清，等．一種多光譜三維靜脈圖像顯示裝置:中國，CN102813504A［P］．2012-12-12．

［4］Wieringa F P，Mastik F，Cate F J，et al．Remote noninvasive stereoscopic imaging of blood vessels: First invivo results of a new multispectral contrast enhancement technology［J］．Annals of Biomedical Engineering，2006，34(12) : 1870－1878．DOI: 10．1007/s10439-006-9198-1．

［5］Shahzad A，Walter N，Saeed M A，et al．Multispectral venous images analysis for optimum illumination selection［C］/ /IEEE International Conference on Image Processing．Melbourne，Australia，2013: 2383－2387．

［6］屈學民，卞正中．靜脈血管超聲定位檢測儀的研制［J］．中國醫(yī)學物理學雜志，2000，17(1) : 32－33．Qu Xuemin，Bian Zhengzhong．The design of ultrasonic location for vein vessel［J］．Chinese Journal of Medical Physics，2000，17(1) : 32－33．(in Chinese)

［7］王薇，曹宏梅，周鵬，等．基于顯微超聲成像的脈搏波檢測研究［J］．中國生物醫(yī)學工程學報，2010，29(4) : 531 －537．DOI:10．3969/j．issn．0258-8021．2010．04．009．Wang Wei，Cao Hongmei，Zhou Peng，et al．Pulse wave detection for ultrasound imaging microscopy［J］．Chinese Journal of Biomedical Engineering，2010，29 (4) : 531－537．DOI: 10．3969/j．issn．0258-8021．2010．04．009．(in Chinese)

［8］Zuiderveld K．Contrast limited adaptive histogram equalization［C］/ /Graphic Gems IV．Burlington，USA，1994: 474－485．

［9］Daugman J G．Complete discrete 2-D Gabor transforms by neural networks for image analysis and compression ［J］．IEEE Transactions on Acoustics，Speech＆Signal Processing，1988，36(7) : 1169－1179．

［10］Zhang H，Tang C，Kong W K，et al．Matching vein patterns from color images for forensic investigation ［C］/ /IEEE Conference on Biometrics: Theory，Applications and Systems．Arlington，USA，2012: 77－84．

［11］Haykin S．Neural networks: A comprehensive foundation［M］．New York: Macmillan Publishing，1994: 183－189．

A fast vein detection algorithm based on near infrared-visible light mapping

Tang Chaoying
(College of Automation Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China)

Abstract:A fast vein detection algorithm is proposed for visible images．Pairs of skin images are captured by using a visible-near infrared (NIR) synchronized camera．The contrast of the NIR images is adjusted by the contrast limited adaptive histogram equalization method．Gabor filters are adopted to automatically detect veins information．Based on it，the corresponding pixel values of veins and general skin are exacted from the visible-NIR images and used as samples to train a threelayered feed-forward neural network，which approximates the mapping from RGB (red，green and blue) values to NIR intensities．Veins can be observed from the mapped images．To eliminate the influence of illumination variations on pixel values in visible images，an image intensity adjustment algorithm is proposed．The experimental results show that the proposed algorithm is robust to images taken from different people under different illumination and camera conditions．It also has a stable performance on images taken at different times．The computation is simple and fast，and it is helpful to develop low-cost portable vein imaging device for medical treatment．

Key words:vein detection; visible image; near infrared image; neural network;Gabor filter

基金項目:國家自然科學基金資助項目(61403196)、教育部博士點基金資助項目(20133218120018)、江蘇省自然科學基金資助項目(BK20140837)．

收稿日期:2015-07-15．

作者簡介:唐超穎(1979—)，女，博士，講師，cytang@ nuaa．edu．cn．

DOI:10．3969/j．issn．1001－0505．2016．01．007

中圖分類號:TP391．41

文獻標志碼:A

文章編號:1001－0505(2016) 01-0035-07