一种基于静脉分割和角点检测的指尖采血点定位方法与流程

1.本发明属于医学图像处理、计算机视觉技术领域，具体涉及一种基于静脉分割和角点检测的指尖采血点定位方法。


背景技术：

2.指尖末梢采血是一种很常见的采集血液检验方式，传统的指尖采血方式主要通过医护人员对指尖静脉进行判断后人工采血。与医护人员人工采血相比，智能指尖采血能大幅降低医护人员工作量、提升工作效率，同时能避免医护人员感染传染病。在指尖血液采集过程中，由于指尖毛细血管较少，出血量不够时常需要对指尖进行挤压，组织液会渗入到血液中导致血液样本被稀释使得检测结果不准确。选择指尖静脉交汇处作为采血点将大幅提升无挤压出血量，从而提升血液检测准确率。如何获取指尖静脉交汇处是目前亟待解决的问题。


技术实现要素：

3.为解决以上现有技术存在的问题，本发明提出了一种基于静脉分割和角点检测的指尖采血点定位方法，该方法包括：获取指尖静脉图像；提取指尖静脉图像的特征，并将提取的特征进行融合，得到融合特征图；对融合特征图进行分割处理，得到指尖静脉区域；对指尖静脉区域进行静脉网络细化和角点检测，选取距离指尖采血区域中心点最近的角点作为采血点。
4.优选的，得到融合特征图的过程包括：对指尖静脉图像进行边缘补0操作，使得图像的像素为256
×
256；将补0后的指尖静脉图像分割成16
×
16个子图像，计算各个子图像的差分激励；根据差分激励设置gabor滤波器的中心窗宽，并采用设置好中心窗宽的gabor滤波器对各个子图像进行滤波处理，得到不同方向和窗宽的指静脉区域特征值数据；对得到的特征值进行加权求和处理，得到融合相同滤波器窗宽上不同方向上的特征值，将所有的融合特征值进行聚合，得到融合特征图。
5.进一步的，计算各个子图形的差分激励的过程包括：选取一个静脉子图像块i0(u，v)，其中，i0(u，v)表示第u行、第v列个子图像块，采用梯度模板w
x
和w
y
分别与选取的静脉子图像块卷积得到每个像素点水平方向和垂直方向上的梯度分量g
x
和g
y
；根据每个像素点水平方向梯度分量g
x
和垂直方向上的梯度分量g
y
计算子图像块的差分激励；计算差分激励的表达式为：
[0006][0007]
其中，dif(u，v)表示第u行、第v列个子图像块的差分激励，g
x
表示像素点水平方向上的梯度分量，g
y
表示像素点垂直方向上的梯度分量，i0(u，v)表示第u行、第v列个子图像块。
[0008]
进一步的，根据差分激励设置gabor滤波器的中心窗宽的公式为：
[0009][0010]
其中，w表示gabor滤波器组的中心窗宽，dif(u，v)表示第u行、第v列个子图像块的差分激励。
[0011]
进一步的，采用设置好中心窗宽的gabor滤波器组对各个子图像进行滤波处理的过程包括：采用8个不同方向gabor滤波器以及5个不同窗宽的gabor滤波器连接，构成gabor滤波器组；采用gabor滤波器组对指静脉子图像块进行卷积滤波，提取特征参数，每个像素点可以获取40个特征参数，其中gabor滤波器组中的5个不同窗宽的gabor滤波器的窗宽分别为w、w
±
2以及w
±
4。
[0012]
进一步的，对得到的特征值进行加权求和处理的过程包括：对于图像上每个像素提取的40个特征，采用局部二进制模式对在同一窗宽上的8个不同方向的特征进行融合，一个像素点的gabor特征为p
s，t
，s∈(1，...，8)表示方向，t∈(1，...，5)表示窗宽，把8个方向特征幅度的平均值用作阈值，以对每个方位的特征幅度进行二值化，融合后的特征值加权量avg为：avg＝(p
1，t
+p
2，t
…
+p
8，t
)/8，8个方向的振幅特征融合表示为：
[0013][0014]
其中，t(s)表示融合8个方向后的振幅特征，p
s，t
表示一个像素点的gabor特征，avg表示特征值加权量。
[0015]
优选的，对融合特征图进行分割处理的过程包括：构建静脉图像能量函数，采用静脉图像能量函数计算融合特征图的能量，并在能量函数中引入权重因子β进行加权处理；采用无向图g＝<v，e>表示静脉图像的能量图，其中v和e分别是顶点和边的集合；当两邻域像素差别越大时，能量越小，采用最小化图割来最小化能量函数，把目标的标签设为1，背景的标签设为0，把目标和背景的边界处的分割开，对分割处理后的图形进行二值化处理，得到指尖静脉区域；静脉图像的能量函数定义为：
[0016][0017]
其中，r
p
(γ)表示多尺度静脉特征的分布，s
a，b
(γ)表示高斯概率分布，p表示多尺度变换后图像中的一点对应的静脉特征f，a、b分别表示点邻接域为2和4的近邻区域；γ表示前景和背景的分割标号，γ＝1表示前景，γ＝0表示背景；n表示图像中所有邻接像素对所组成的集合，β为权重因子，形状单一、区域集中的目标就其值越大，较小权重因子较适合局部细节形状复杂且相对离散的目标。
[0018]
优选的，对指尖静脉区域进行静脉网络细化和角点检测处理的过程包括：提取分割后静脉图像的中心线，对静脉图像进行细化，减少分割后图像中毛刺对角点检测的影响，计算细化后图像在任意方向上平移(u，v)个像素点后产生的灰度变换为e(u，v)；对灰度变换e(u，v)进行二阶泰勒展开，并简化后得到e(u，v)的自相关矩阵m，其中m的特征值为λ1和λ2；设置阈值k，根据特征值和阈值计算每个像素点的角点响应值c，如果像素点的响应值c＞0.1*max(c)，则认为该像素为角点，否则不为角点。
[0019]
进一步的，计算产生灰度变化的公式为：
[0020][0021]
其中，w(x，y)表示gaussian函数，i(x，y)表示窗口内细化后静脉图像在对应像素点(x，y)处的灰度值，m为2
×
2矩阵，其表达式为：
[0022][0023]
其中，i
x
为窗口内像素点在x方向上的梯度，i
y
为窗口内像素点在y方向上的梯度。
[0024]
优选的，选取采血点的过程包括：选取距离指尖1.5cm之内区域作为采血区域，根据指静脉图像计算出采血区域中心矩坐标，对比采血区域所有角点坐标与中心矩坐标距离，选取距离最近的角点作为采血点。
[0025]
本发明的有益效果：
[0026]
1、本发明采用指静脉图像局部差分激励自适应设置gabor滤波器组参数，动态调整空频分辨率，在避免噪音干扰的同时能提取到更多的静脉网络特征细节；
[0027]
2、本发明采用根据静脉图像的加权能量函数实现指静脉图像分割，指静脉图像分割目标区域的整体性与边界的连续性与视觉一致性更好；
[0028]
3、本发明采用的角点检测识别处静脉交汇处作为采血点，在指尖采血时无挤压出血量更多，有效提高了指尖血液检测的准确性。
附图说明
[0029]
图1为本发明的指尖采血点定位方法流程图；
[0030]
图2为本发明的近红外成像获取到的指静脉图像；
[0031]
图3为本发明的指尖静脉特征提取流程图；
[0032]
图4为本发明的指静脉图像分割流程图；
[0033]
图5为本发明的静脉细化后生成图像；
[0034]
图6为本发明的采血点选取流程图。
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
一种基于静脉分割和角点检测的指尖采血点定位方法，如图1所示，该方法包括：获取指尖静脉图像；提取指尖静脉图像的特征，并将提取的特征进行融合，得到融合特征图；对融合特征图进行分割处理，得到指尖静脉区域；对指尖静脉区域进行静脉网络细化和角点检测，选取距离指尖采血区域中心点最近的角点作为采血点。
[0037]
在进行指尖静脉图像采集过程中，首先通过红外灯照射手指，再利用近红外成像
获取指静脉图像，得到的值静脉图像如图2所示。
[0038]
提取指尖静脉图像的特征，并将提取的特征进行融合的过程如图3所示，该方法包括：对指尖静脉图像进行边缘补0操作，使得图像的像素为256
×
256；将补0后的指尖静脉图像分割成16
×
16个子图像，计算各个子图像的差分激励；根据差分激励设置gabor滤波器的中心窗宽，并采用设置好中心窗宽的gabor滤波器对各个子图像进行滤波处理，得到不同方向和窗宽的指静脉区域特征值数据；对得到的特征值进行加权求和处理，得到融合相同滤波器窗宽上不同方向上的特征值，将所有的融合特征值进行聚合，得到融合特征图。
[0039]
根据差分激励设置gabor滤波器的中心窗宽的过程包括：选取一个静脉子图像块i0(u，v)，(u，v)表示第u行、第v列个子图像块，采用梯度模板w
x
，w
y
与图像卷积得到每个像素点水平方向和垂直方向上的梯度分量g
x
和g
y
[0040]
g
x
＝i0(u，v)*w
x
[0041]
g
y
＝i0(u，v)*w
y
[0042][0043]
w
x
、w
y
分别表示x和y方向的梯度模板，子图像块差分激励dif(u，v)表示为：
[0044][0045]
根据差分激励设置gabor滤波器的中心窗宽的公式为：
[0046][0047]
其中，if(u，v)表示第u行、第v列个子图像块的差分激励，g
x
表示像素点水平方向上的梯度分量，g
y
表示像素点垂直方向上的梯度分量，i0(u，v)表示第u行、第v列个子图像块，w表示gabor滤波器组的中心窗宽，dif(u，v)表示第u行、第v列个子图像块的差分激励。
[0048]
以w为中心，8个不同方向和中心窗w及其正负方向以2为步长的总共5个不同尺度组成gabor滤波器组对指静脉子图像块进行卷积滤波，提取特征参数，每个像素点可以获取40个特征参数。
[0049]
对图像上每个像素提取的40个特征采用局部二进制模式对在同一窗宽上的8个不同方向的特征进行融合，一个像素点的gabor特征为p
s，t
，s∈(1，...，8)表示方向，t∈(1，...，5)表示窗宽，把8个方向特征幅度的平均值用作阈值，以对每个方位的特征幅度进行二值化，融合后的特征值加权量avg为：avg＝(p
1，t
+p
2，t
…
+p
8，t
)/8，8个方向的振幅特征融合表示为：
[0050][0051]
指静脉图像分割流程如图4所示，构建静脉图像能量函数，采用静脉图像能量函数计算融合特征图的能量，并在能量函数中引入权重因子β进行加权处理，静脉图像的能量函数定义为：
[0052][0053]
r
p
(γ)表示多尺度静脉特征的分布，s
a，b
(γ)表示高斯概率分布，p为多尺度变换后图像中的一点对应的静脉特征f，a、b为点邻接域为2和4的近邻区域；γ为前景和背景的分割标号，γ＝1表示前景，γ＝0表示背景；n为图像中所有邻接像素对所组成的集合，β为权重因子，形状单一、区域集中的目标就其值越大，较小权重因子较适合局部细节形状复杂且相对离散的目标。对静脉图像进行分割，其流程为：用无向图g＝<v，e>表示静脉图像的能量图，v和e分别是顶点和边的集合，当两邻域像素差别越大能量越小，通过最小化图割来最小化能量函数，把目标的标签设为1，背景的标签设为0，把目标和背景的边界处的分割开，对分割处理后的图形进行二值化处理，得到指尖静脉区域。
[0054]
细化二值化后的静脉网络图，如图5所示，其流程为：提取分割后静脉图像的中心线，对静脉图像进行细化减少分割后图像中毛刺对角点检测的影响，
[0055]
计算细化后图像在任意方向上平移(u，v)个像素点后产生的灰度变换为e(u，v)，
[0056][0057]
w(x，y)窗口函数采用gaussian函数，i(x，y)为窗口内细化后静脉图像在对应像素点(x，y)处的灰度值，二阶泰勒展开并简化后得到：
[0058][0059]
i
x
，i
y
分别为窗口内像素点在x和y方向上的梯度，
[0060][0061][0062]
e(u，v)的自相关矩阵m，其特征值为λ1和λ2，其中m为
[0063][0064]
e是单位矩阵，根据特征值计算角点响应值c＝λ1λ2+k(λ1+λ2)，设置阈值k＝0.05，计算每个像素点的角点响应值，如果像素点的响应值c＞0.1*max(c)，则判断为角点。
[0065]
根据处理的结果定位采血点的过程如图6所示，选取距离指尖1.5cm之内区域作为采血区域，根据指静脉图像计算出采血区域中心矩坐标，对比采血区域所有角点坐标与中心矩坐标距离，选取距离最近的角点作为采血点。
[0066]
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在
本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。