朱翔翔，郭永洪

基于多尺度自適應(yīng)的近紅外手肘靜脈提取算法

朱翔翔，郭永洪

（中國(guó)計(jì)量大學(xué)機(jī)電工程學(xué)院，浙江 杭州 310018）

由于成像質(zhì)量不高，光照強(qiáng)度不均勻，皮下脂肪較厚等因素，近紅外手肘靜脈圖像對(duì)比度較低，不易提取到清晰的靜脈結(jié)構(gòu)。針對(duì)該問(wèn)題，本文提出了一種基于Hessian算子的多尺度自適應(yīng)靜脈濾波提取方法。該方法通過(guò)改進(jìn)的多尺度自適應(yīng)濾波器從對(duì)比度限制自適應(yīng)直方圖均衡化（Contrast-Limited Adaptive Histogram Equalization，CLAHE）增強(qiáng)后的圖像中提取靜脈。新的濾波器結(jié)構(gòu)能夠根據(jù)輸入圖像自適應(yīng)地確定濾波器參數(shù)，在提取靜脈的同時(shí)抑制噪聲。實(shí)驗(yàn)結(jié)果表明該方法可以有效地獲得清晰完整的靜脈結(jié)構(gòu)，具有更強(qiáng)的去噪和增強(qiáng)效果以及更高的準(zhǔn)確率。

手肘靜脈圖像；CLAHE；Hessian矩陣；多尺度自適應(yīng)濾波；靜脈提取

0 引言

手肘靜脈是進(jìn)行靜脈穿刺、注射藥物、臨床抽血化驗(yàn)的最常用靜脈之一。一方面不同的患者皮下脂肪厚度不同，靜脈粗壯程度不一，醫(yī)務(wù)人員穿刺經(jīng)驗(yàn)少，容易造成靜脈穿刺失?。涣硪环矫骐S著自動(dòng)化產(chǎn)業(yè)的發(fā)展，自動(dòng)化注射將成為可能。因此能夠提取到脈絡(luò)清晰的靜脈圖像至關(guān)重要。本文利用血管中的血紅蛋白對(duì)850nm左右的近紅外光具有良好吸收的特性[1]，通過(guò)波長(zhǎng)為850nm的近紅外光照射手肘表面，利用帶有紅外濾光片的攝像頭采集手肘靜脈圖像。

皮下脂肪較厚，成像質(zhì)量不高等問(wèn)題，使得靜脈與皮膚之間的對(duì)比度不高，靜脈邊緣輪廓不明顯，為了更加有效地獲取可靠的靜脈信息，靜脈血管圖像增強(qiáng)，結(jié)構(gòu)提取成為研究熱點(diǎn)。朱叢虎[2]等人通過(guò)加權(quán)疊加的方式，將形態(tài)學(xué)處理和對(duì)比度限制自適應(yīng)直方圖均衡后的圖像分別乘以不同的系數(shù)之后疊加，對(duì)手背靜脈圖像進(jìn)行增強(qiáng)。鄭均輝[3]等人使用改進(jìn)的Niblack算法對(duì)CLAHE增強(qiáng)之后的手指靜脈圖像進(jìn)行分割，提取到了清晰脈絡(luò)的指靜脈圖像。Chakraborti T[4]等人提出了一種自適應(yīng)匹配濾波器，用于提取眼底血管，并取得了一定的效果。盡管這些方法都能夠在不同層度上對(duì)血管進(jìn)行提取，但這些方法沒(méi)有考慮到血管直徑大小不一，即這些方法只進(jìn)行了單一尺度的操作,具有一定的局限性。Hessian矩陣方法在數(shù)字減影血管造影（Digital Subtraction Angiography，DSA），電腦斷層血管攝影（Computed Tomography Angiography，CTA），磁共振血管造影（Magnetic Resonance Angiography，MRA）等醫(yī)學(xué)血管造影圖像中有著廣泛的應(yīng)用[5-7]，結(jié)合線性多尺度空間理論[8-9]和Hessian矩陣特征值與不同幾何形狀的對(duì)應(yīng)關(guān)系，構(gòu)建適當(dāng)?shù)臑V波器，對(duì)血管進(jìn)行增強(qiáng)濾波，能夠有效的增強(qiáng)血管結(jié)構(gòu)[10-11]。其中Frangi[12]等人提出的多尺度濾波方法是目前應(yīng)用最為廣泛的基于Hessian矩陣的血管圖像增強(qiáng)方法之一。

在研究近紅外手肘靜脈圖像特征基礎(chǔ)上，本文提出了一種基于Hessian矩陣的多尺度自適應(yīng)濾波的靜脈提取方法。

1 多尺度血管濾波器

CLAHE[13-15]是常用的用于提升圖像對(duì)比度的方法之一，對(duì)采集到的圖像使用該方法增強(qiáng)對(duì)比度。如圖1所示為經(jīng)過(guò)CLAHE處理前后的圖像及其灰度直方圖。

圖1 對(duì)比度限制自適應(yīng)直方圖均衡化處理圖像

靜脈提取的目的是增強(qiáng)圖像中的血管部分，抑制非血管區(qū)域特征，從而能夠得到清晰完整的血管結(jié)構(gòu)。多尺度血管增強(qiáng)算法基于多尺度空間理論，在多個(gè)不同的尺度因子作用下，計(jì)算圖像中每個(gè)像素對(duì)應(yīng)的Hessian矩陣，通過(guò)其對(duì)應(yīng)特征值的特性，構(gòu)建血管濾波器，使濾波器的參數(shù)與尺度因子相適應(yīng)，進(jìn)而對(duì)圖像進(jìn)行濾波使血管區(qū)域得到增強(qiáng)，削弱甚至去除非血管區(qū)域。

Hessian矩陣能夠用于分析圖像中特定的形狀，檢測(cè)圖像方向特征，還可以根據(jù)特征值和特征向量的大小和方向計(jì)算曲率的強(qiáng)度和方向。對(duì)于二維圖像中某點(diǎn)的Hessian矩陣，較大特征值和其對(duì)應(yīng)的特征向量反應(yīng)出了該點(diǎn)領(lǐng)域內(nèi)二維曲線最大曲率的強(qiáng)度和方向，較小特征值對(duì)應(yīng)的特征向量反應(yīng)最小曲率的強(qiáng)度和方向。因此可以根據(jù)Hessian矩陣特征值的大小來(lái)建立合適的濾波器，用于提取管狀結(jié)構(gòu)的血管，過(guò)濾掉非管狀的結(jié)構(gòu)。

由于手肘靜脈圖像中，靜脈直徑存在變化，不適合采用在單一尺度下的增強(qiáng)方法。多尺度空間理論可用于表示同一空間不同尺度的信號(hào)特征。在該理論基礎(chǔ)上，將Hessian矩陣的差分運(yùn)算與高斯函數(shù)結(jié)合，即求解Hessian矩陣的二階微分運(yùn)算轉(zhuǎn)換為原始圖像數(shù)據(jù)與高斯函數(shù)二階導(dǎo)數(shù)的卷積：

式中：為輸入圖像矩陣；偏導(dǎo)矩陣；二元高斯函數(shù)為：

式中：為高斯函數(shù)的標(biāo)準(zhǔn)差，同時(shí)也是尺度空間理論中的尺度因子。

二維圖像中像素點(diǎn)()的Hessian矩陣定義為：

式中：I，I，I，I分別為圖像的高斯二階導(dǎo)數(shù)，其中I＝I，利用其特征值1,2，（|1|≤|2|）可以構(gòu)建增強(qiáng)濾波器。其中，濾波器的局部特性分析窗口的半寬為3，若血管的直徑小于窗口的寬和高，那么具有管狀的血管結(jié)構(gòu)的Hessian矩陣特征值為|1|≈0，|1|?|2|。特征值與圖像中不同的幾何結(jié)構(gòu)中的對(duì)應(yīng)關(guān)系如表1所示。

表1 兩個(gè)特征值與圖像中不同幾何結(jié)構(gòu)的對(duì)應(yīng)關(guān)系

(Note: H=high, L=low, N=Noise(generally small values), +/- sign for eigenvalues and they were sorted by|1|≤|2|)

借由表中的對(duì)應(yīng)關(guān)系Frangi等人給出了兩個(gè)用于定義特征值的算子：

進(jìn)而提出了血管增強(qiáng)濾波函數(shù)為：

式中：濾波器響應(yīng)為(,;)，其取值范圍為0≤(,;)≤1。，為影響B(tài)和的比例因子。

對(duì)于線性管狀結(jié)構(gòu)，當(dāng)尺度因子與血管直徑相等的時(shí)候，濾波器的響應(yīng)最大，因此要使得血管部分被加強(qiáng)，盡量使得尺度因子與想要被增強(qiáng)的血管直徑相匹配，通過(guò)迭代尺度因子獲得該尺度下濾波器的最大響應(yīng)，然后篩選出同一像素點(diǎn)在不同尺度因子作用下的最大響應(yīng)作為最終的輸出，如式(6)所示：

2 多尺度自適應(yīng)血管濾波器

在對(duì)圖像進(jìn)行CLAHE增強(qiáng)之后，圖像中血管部分得到加強(qiáng)，但同時(shí)由于該操作將圖像中的灰度拉伸使得噪聲被放大。通過(guò)Frangi濾波器增強(qiáng)之后，盡管能夠提取到血管圖像，但依然帶有較多的噪聲（灰度值翻轉(zhuǎn)后的圖像中更加明顯）。如圖2所示為不同參數(shù)作用下Frangi濾波后的效果。

Frangi濾波器中的比例因子和沒(méi)有標(biāo)準(zhǔn)的取值協(xié)議，大多數(shù)情況下根據(jù)應(yīng)用背景經(jīng)過(guò)反復(fù)的實(shí)驗(yàn)給出。由文獻(xiàn)[5]給出的結(jié)果當(dāng)中，可取固定值0.5，而比例因子需要根據(jù)進(jìn)行濾波的圖像灰度范圍得到。通過(guò)改變比例因子的值，可以使得濾波器的濾波半徑發(fā)生變化，對(duì)比圖2(a)，圖2(c)，圖2(e)可以發(fā)現(xiàn)隨著取值的增大，濾波器的輸出變小，血管結(jié)構(gòu)逐漸變的模糊，對(duì)比圖2(b)，圖2(d)，圖2(f)可以觀察到隨著取得的值逐漸增大，圖像中的噪聲慢慢減少。因此在多尺度濾波過(guò)程中，將設(shè)置為某一固定值是不合適的，這會(huì)限制濾波器的帶寬，在不同圖像輸入的情況下無(wú)法得到較好的濾波增強(qiáng)效果，因此需要一個(gè)能夠隨著輸入圖像灰度范圍以及在多尺度迭代過(guò)程中自適應(yīng)改變的比例因子。針對(duì)Frangi濾波器應(yīng)用于近紅外手肘靜脈圖像存在的這些不足，本文提出了一種改進(jìn)的多尺度濾波方法，濾波函數(shù)為：

在血管區(qū)域上，沿著血管方向上的像素灰度值變化不明顯，相對(duì)應(yīng)的該方向上的特征值的絕對(duì)值|1|為較小值（接近于0），相反垂直于血管方向上的灰度值變化較為明顯，因此|2|為較大值。近紅外血管圖像中，血管通常是明亮背景下的較暗結(jié)構(gòu)，因此根據(jù)表1中的2＜0，對(duì)應(yīng)的是較亮的結(jié)構(gòu)，此時(shí)將濾波器響應(yīng)設(shè)置為0，能夠有效地去除圖像背景，同時(shí)可以將手肘上的皮膚和肌肉組織等圖像去除。

對(duì)于式(7)中2≥0的部分，第一項(xiàng)用于增強(qiáng)血管結(jié)構(gòu)，其中B＝|1|/|2|，當(dāng)在血管區(qū)域時(shí)B取得較小值，第一項(xiàng)整體取得較大值，利用兩個(gè)特征值在不同的幾何形狀上對(duì)應(yīng)的數(shù)值大小關(guān)系，通過(guò)其比值所構(gòu)成的算子B可以用于增強(qiáng)血管區(qū)域，削弱非血管部分，使得整體的血管結(jié)構(gòu)更加清晰。

第二項(xiàng)中的＝(12＋22)為Hessian矩陣的二范數(shù)，即為Hessian矩陣在當(dāng)前尺度因子作用下的模，并且隨著尺度因子的變化，也會(huì)發(fā)生相應(yīng)的變化。當(dāng)為較小值時(shí)，高斯函數(shù)的濾波半徑較小，對(duì)應(yīng)的為較小值，濾波器對(duì)直徑較小的血管有著較好的增強(qiáng)效果；當(dāng)為較大值時(shí)，高斯函數(shù)的濾波半徑較大，對(duì)應(yīng)的為較大值，濾波器對(duì)直徑較大的血管有著較好的增強(qiáng)效果。并且在相同尺度因子作用下，的值隨著不同幾何結(jié)構(gòu)所對(duì)應(yīng)的特征值發(fā)生變化，在非血管位置取得相對(duì)較大的值，能夠有效地抑制非血管結(jié)構(gòu)。

第二項(xiàng)中的為能夠自適應(yīng)調(diào)整的比例因子，可以控制濾波器對(duì)不同尺度下的輸出大小，值越大，濾波器對(duì)該部分的抑制強(qiáng)度也就越大。參數(shù)的取值與輸入圖像的灰度范圍有關(guān)，灰度范圍越大，相應(yīng)的值就為一個(gè)較大的值，反之，灰度范圍越小，取一個(gè)較小的值。通過(guò)統(tǒng)計(jì)原圖像灰度直方圖中像素點(diǎn)在各灰度級(jí)中的分布來(lái)獲得該圖像的灰度范圍，即統(tǒng)計(jì)直方圖中像素個(gè)數(shù)不為0的灰度級(jí)個(gè)數(shù)rank，且0≤rank≤255，則參數(shù)為式(8)所示：

＝rank/(7)

式中：為當(dāng)次迭代的尺度因子，值隨著每次迭代取得不同的值；當(dāng)為較小值時(shí)，能夠取得相對(duì)較大的值，可以加強(qiáng)濾波器在濾波尺度較小時(shí)對(duì)小尺寸形狀的抑制作用，即加強(qiáng)對(duì)非血管部分的噪聲的抑制。在近紅外血管圖像中，通過(guò)CLAHE增強(qiáng)之后的血管的直徑比噪點(diǎn)的直徑大的多，因此并不會(huì)對(duì)較小尺寸的血管產(chǎn)生影響。隨著迭代次數(shù)的增加，值逐漸增大，也隨著減小，使得直徑較大的血管得到更好的加強(qiáng)。

第三項(xiàng)內(nèi)容主要用于加強(qiáng)在血管位置上濾波器的響應(yīng)，提高濾波器輸出血管結(jié)構(gòu)的對(duì)比度。其中＝(22－12)1/2，當(dāng)輸入像素點(diǎn)為血管位置時(shí)，能夠取得相對(duì)較大的值；輸入像素點(diǎn)為非血管區(qū)域時(shí)，取得相對(duì)較小值，可增大血管區(qū)域與背景區(qū)域之間像素值的方差，用于增強(qiáng)血管結(jié)構(gòu)與非血管結(jié)構(gòu)的對(duì)比度，為比例因子用于控制算子在濾波器輸出中所占的比例。

3 實(shí)驗(yàn)結(jié)果

本文所述近紅外手肘靜脈圖像濾波增強(qiáng)算法實(shí)現(xiàn)流程如圖3所示，在該算法中，尺度因子的迭代范圍為[1,10]，迭代步長(zhǎng)D＝2比例因子設(shè)置為0.5。

實(shí)驗(yàn)所采用的計(jì)算機(jī)硬件配置為英特爾i7-7700hq，CPU頻率為2.8GHz，8GB內(nèi)存，1TB＋128GB硬盤(pán)，4GB顯存gtx1050顯卡，開(kāi)發(fā)環(huán)境為Visual Studio Ultimate 2013。圖像通過(guò)850nm近紅外光照射，用帶有紅外濾光片的攝像頭在實(shí)驗(yàn)室內(nèi)拍攝，其中濾光片中心波長(zhǎng)為850±10nm，峰值透射率＞86%。采集到的圖像為640×480的8位圖像。

比例因子由輸入圖像的灰度范圍與每一次迭代的尺度因子的比值得到，通過(guò)該參數(shù)能夠使濾波器在每一次迭代過(guò)程中，增強(qiáng)該尺度下的血管區(qū)域，抑制噪聲。如表2所示為迭代過(guò)程中比例因子取值的變化。

圖3 靜脈提取流程圖

表2 不同尺度因子作用下d的取值

對(duì)于比例因子為一經(jīng)驗(yàn)值，其取值為20，50和80的圖像如圖4所示。

對(duì)比圖4(a)，圖4(b)可以發(fā)現(xiàn)當(dāng)的取值過(guò)小時(shí)，血管中心會(huì)出現(xiàn)空洞，影響血管圖像質(zhì)量；對(duì)比圖4(b)和圖4(c)，當(dāng)的取值過(guò)大時(shí)，血管部分清晰度降低。對(duì)于不同的圖像實(shí)驗(yàn)中采集了15人左右手各5幅一共150幅手肘靜脈圖像進(jìn)行測(cè)試，當(dāng)和設(shè)置為固定值即＝0.5，＝50均可取得較為理想的結(jié)果。如圖5所示為本文算法在不同手肘靜脈圖像上運(yùn)行的效果。

圖4 w取不同值時(shí)算法輸出圖像

圖5 不同圖像上算法運(yùn)行效果

如圖6所示為本文算法與Frangi算法的對(duì)比圖，圖6(a)為Frangi算法結(jié)果圖，圖6(c)為本文算法結(jié)果圖。在圖6(a)和圖6(c)中可以觀察到與Frangi算法相比本文算法能夠增強(qiáng)像素點(diǎn)在血管位置的輸出從而提高靜脈結(jié)構(gòu)的清晰度。圖6(b)和圖6(d)為對(duì)兩種算法處理后的結(jié)果圖像采用閾值分割后的圖像，其中閾值分割方式為自適應(yīng)閾值分割，自適應(yīng)方法為領(lǐng)域加權(quán)和，領(lǐng)域大小為25×25，權(quán)重為一個(gè)高斯窗口。對(duì)比圖6(b)與圖6(d)可以發(fā)現(xiàn)，圖6(b)中在靜脈周?chē)廊淮嬖谥^多的噪點(diǎn)，以及非血管區(qū)塊，圖6(d)中的噪聲得到抑制。

圖6 本文算法與Frangi算法對(duì)比圖

如圖7所示為本文算法與其他靜脈提取算法的對(duì)比圖像，其中圖7(a)為手肘靜脈圖像原圖，圖7(b)為原圖像經(jīng)過(guò)CLAHE增強(qiáng)之后的圖像。圖7(c)為文獻(xiàn)[3]中靜脈分割提取方法，其中Niblack分割的窗口為25×25。觀察圖7(c)可以發(fā)現(xiàn)圖像中存在大量的噪聲，并且有部分靜脈丟失。圖7(d)為文獻(xiàn)[16]中所述方法，根據(jù)靜脈的灰度值特征對(duì)圖像進(jìn)行分割提取靜脈，可以發(fā)現(xiàn)該方法容易導(dǎo)致靜脈段的缺失。圖7(e)為本文提出的多尺度自適應(yīng)增強(qiáng)濾波經(jīng)過(guò)閾值分割之后的圖像，能夠提取到完整的靜脈。

利用上文中所述的圖像采集方法，在實(shí)驗(yàn)室中采集了30幅共15人（其中男性10人，女性5人，年齡在20～45之間）左右手肘部位的近紅外圖像，通過(guò)labelme圖像標(biāo)注工具將靜脈及手臂輪廓進(jìn)行標(biāo)注并將其填充為黑色，其余部分填充為白色。如圖7(f)所示為圖7(a)手動(dòng)提取的靜脈圖像。將手動(dòng)提取的手肘靜脈圖像作為標(biāo)準(zhǔn)進(jìn)行對(duì)照實(shí)驗(yàn)。對(duì)比了幾種血管增強(qiáng)方法和本文采用的多尺度自適應(yīng)增強(qiáng)濾波方法，以算法耗時(shí)，準(zhǔn)確率，過(guò)分割率，欠分割率，在這部分樣本中進(jìn)行實(shí)驗(yàn)取其平均值進(jìn)行評(píng)估。準(zhǔn)確率表示靜脈提取圖像中正確提取到的靜脈像素與標(biāo)準(zhǔn)靜脈圖像中的重疊像素面積和標(biāo)準(zhǔn)圖像中準(zhǔn)確的面積相除。過(guò)分割率表示靜脈提取圖像中存在但標(biāo)準(zhǔn)圖像中不存在的這部分像素面積和靜脈提取圖像中靜脈像素面積相除。欠分割率為標(biāo)準(zhǔn)圖像中存在但靜脈提取圖像中不存在的這部分面積和靜脈提取圖像中靜脈像素面積相除[17-18]。表3所示為幾種算法的對(duì)比結(jié)果。

表3 幾種血管圖像增強(qiáng)效果對(duì)比結(jié)果

(Note: Method 1 is an improved NIBLACK method, which is derived from reference[3]. Method 2 is a vein gray value feature segmentation method, which is derived from reference[16])

從以上結(jié)果中分析可知，本文方法有更高的準(zhǔn)確率，較低的欠割率，能夠?qū)㈧o脈結(jié)構(gòu)提取完整，但在算法耗時(shí)上稍遜于Frangi算法，過(guò)割率上略高于文獻(xiàn)[16]中靜脈灰度值特征分割的方法，后續(xù)還需對(duì)算法耗時(shí)進(jìn)行優(yōu)化，同時(shí)增強(qiáng)算法的去噪能力。

4 結(jié)束語(yǔ)

為了能夠獲得更加清晰的手肘靜脈圖像，輔助臨床穿刺治療以及對(duì)未來(lái)能夠?qū)崿F(xiàn)自動(dòng)化注射的美好展望，本文提出了一種基于Hessian矩陣的多尺度自適應(yīng)近紅外手肘靜脈濾波提取算法，首先對(duì)手肘靜脈圖像使用對(duì)比度限制自適應(yīng)直方圖均衡方法改善近紅外手肘圖像低對(duì)比度的特點(diǎn)，但與之而來(lái)的是大量的噪聲，增加了對(duì)靜脈血管提取的難度。在此基礎(chǔ)上，本文構(gòu)造了基于Hessian矩陣的多尺度自適應(yīng)濾波器對(duì)肘部靜脈圖像進(jìn)行濾波增強(qiáng)。新的算法通過(guò)結(jié)合輸入圖像自身的灰度范圍以及當(dāng)次迭代的尺度因子能夠自適應(yīng)的調(diào)整濾波器參數(shù)，避免了對(duì)不同輸入圖像采用同一固定參數(shù)，在增強(qiáng)血管的同時(shí)有效地抑制了噪聲。并且針對(duì)濾波器響應(yīng)與圖像背景區(qū)分不夠明顯的問(wèn)題，在濾波器中增加了對(duì)比度增強(qiáng)的設(shè)計(jì)。由實(shí)驗(yàn)結(jié)果得出，本文算法有較高的提取準(zhǔn)確率，能夠提取到更完整的靜脈結(jié)構(gòu)。

[1] 李威, 苑瑋琦. 不同波長(zhǎng)近紅外光下手掌靜脈圖像質(zhì)量分析[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(30): 15-18.

LI Wei, YUAN Weiqi. Image quality analysis of palm veins under different wavelengths of near-infrared light[J]., 2011, 47(30): 15-18.

[2] 朱叢虎, 王華彬, 陶亮. 低對(duì)比度手背靜脈圖像的增強(qiáng)和分割[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2011, 21(5): 52-55+59.

ZHU Conghu, WANG Huabin, TAO Liang. Enhancement and segmentation of low-contrast dorsal vein image[J]., 2011, 21(5): 52-55+59.

[3] 鄭均輝, 甘泉. NIBLACK 改進(jìn)算法在手指靜脈識(shí)別中的應(yīng)用研究[J]. 微型電腦應(yīng)用, 2015, 31(5): 36-38.

ZHENG Junhui, GAN Quan. Research on Application of Improved NIBLACK Algorithm in Finger Vein Recognition[J]., 2015, 31(5): 36-38.

[4] Chakraborti T, Jha D K, Chowdhury A S, et al. A self-adaptive matched filter for retinal blood vessel detection[J]., 2015, 26(1): 55-68.

[5] YANG J, MA S, SUN Q, et al. Improved Hessian multiscale enhancement filter[J]., 2014, 24(6): 3267-3275.

[6] SUN T, SUN N, WANG J, et al. Iterative CBCT reconstruction using Hessian penalty[J]., 2015, 60(5): 1965.

[7] ZHU C, WANG X, CHEN S, et al. Automatic centerline extraction of cerebrovascular in 4D CTA based on tubular features[J]., 2018, 63(12): 125-129.

[8] LIU J, FANG N, XIE Y J, et al. Scale-space theory-based multi-scale features for aircraft classification using HRRP[J]., 2016, 52(6): 475-477.

[9] WANG H, JIANG Y, JIANG X, et al. Automatic vessel segmentation on fundus images using vessel filtering and fuzzy entropy[J]., 2018, 22(5): 1501-1509.

[10] 丘立, 蔣先剛, 熊娟. 基于Hessian算子的多尺度視網(wǎng)膜血管增強(qiáng)濾波方法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2014, 31(9): 201-205.

QIU Li, JIANG Xiangang, XIONG Juan. Multi-scale retinal vascular enhancement filtering method based on Hessian operator[J]., 2014, 31(9): 201-205.

[11] 張新紅, 張帆, 崔延斌. 基于多尺度自適應(yīng)濾波的DSA血管增強(qiáng)[J].計(jì)算機(jī)工程與應(yīng)用, 2015, 51(14): 179-185.

ZHANG Xinhong, ZHANG Fan, CUI Yanbin. DSA vascular enhancement based on multi-scale adaptive filtering[J]., 2015, 51(14): 179-185.

[12] Frangi A F, Niessen W J, Vincken K L, et al. Multiscale vessel enhancement filtering[C]//, 1998: 130-137.

[13] Gonzalez R C, Woods R E.[M]. Publishing house of electronics industry, 2002: 72-73.

[14] 張平. Opencv算法精解：基于Python與C++[M]. 北京: 電子工業(yè)出版社, 2017: 118-119.

ZHANG Pin.:++[M]. BeiJing: Electronic Industry Press, 2017: 118-119.

[15] Singh R P, Dixit M. Histogram equalization: a strong technique for image enhancement[J]., 2015, 8(8): 345-352.

[16] 王定漢, 馮桂蘭, 王雄, 等. 基于靜脈灰度值特征的圖像分割算法研究[J]. 光電工程, 2018, 45(12): 15-21.

WANG Dinghan, FENG Guilan, WANG Xiong, et al. Research on Image Segmentation Algorithm Based on Vein Gray Value Feature[J]., 2018, 45(12): 15-21.

[17] Pont-Tuset J, Marques F. Supervised evaluation of image segmentation and object proposal techniques[J]., 2015, 38(7): 1465-1478.

[18] Jyothirmayi T, Rao K S, Rao P S, et al. Performance evaluation of image segmentation method based on doubly truncated generalized Laplace Mixture Model and hierarchical clustering[J]., 2017, 9(1): 41-45.

Near-Infrared Elbow Vein Extraction Algorithm Based on Multiscale Adaptive Filter

ZHU Xiangxiang，GUO Yonghong

(College of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou 310018, China)

A near-infrared elbow vein image has low contrast because of low image quality, uneven illumination intensity, and thicker subcutaneous fat. Therefore, it is difficult to extract a clear vein structure. To address this problem, a multiscale adaptive vein filtering enhancement method based on the Hessian operator is proposed. The method extracts veins from an image enhanced by contrast-limited adaptive histogram equalization with the use of an improved multiscale adaptive filter. The new filter structure can adaptively determine filter parameters based on the input image and suppress noise while extracting veins. The experimental results show that the method can effectively obtain a clear and complete vein structure, and it has stronger denoising, better enhancement effects, and higher accuracy.

elbow vein image, CLAHE, Hessian matrix, multi-scale adaptive filter, vein extraction

TP391

A

1001-8891(2020)05-0494-07

2019-04-24；

2020-04-13.

朱翔翔（1994-），男，浙江金華人，碩士研究生，研究方向?yàn)閳D像處理、模式識(shí)別。E-mail:zhuxiangxiang6144@gmail.com。

郭永洪（1967-），女，副教授，博士，研究方向?yàn)闄z測(cè)技術(shù)、信息管理與信息系統(tǒng)。E-mail: guoyonghong@cjlu.edu.cn。

國(guó)家重點(diǎn)研發(fā)項(xiàng)目（2018YFF0214700）。