脉搏波图像的包络线提取与特征点跟踪

夏钧, 陶洪峰

(江南大学教育部轻工过程先进控制重点实验室,江苏无锡214122)

脉搏波图像的包络线提取与特征点跟踪

夏钧, 陶洪峰*

(江南大学教育部轻工过程先进控制重点实验室,江苏无锡214122)

针对传统包络线提取需要手工绘制的问题,提出一种自动识别多普勒超声图像包络线方法。该算法首先对脉搏波图像进行ROI区域裁剪,然后利用最大类间方差阈值法二值化图像,结合形态学方法和Sobel算子边缘检测提取脉搏波的包络线,最后采用多门限阈值法判断和分析脉搏波特征点,实现了对脉搏波图像包络线提取和对脉搏波特征点的精确定位。

脉搏波;包络线;多门限阈值法;特征点

脉搏波图像分析和研究越来越成为当今生物医学研究领域的热点之一。许多重要的医学指标可以从脉搏波信号中分析和计算而来,如血管的内中膜厚度、血管的最大血流速度和血管的动脉硬化程度等。这些指标能很大程度上帮助医疗从业者更好地分析病人的身体状况。虽然脉搏波信号因人而异,并且随着病人的年龄增长而有所差异,但还是符合一定的周期性规律。人体脉搏波信号呈现周期性变化,一个周期的脉搏波波形包括主波、潮波和重搏波3个波段,并且定义了脉搏波信号的4个特征点[1]。

目前针对脉搏波信号分析和研究取得了许多重要成果。在脉搏波特征点的辨识方面,传统的处理方法主要是先对脉搏波信号进行滤波处理以削弱信号的噪声,然后再利用信号处理方法计算得到特征点。然而,由于脉搏信号比较复杂,并且个体差异较大,脉搏信号中通常都含有较大干扰噪声,使得传统的辨识方法在应用方面有较大的局限性,经常出现误检和漏检。比如,将主波峰值辨识成重搏波峰值或者将潮波峰值检测成主波峰值。赵志强[2]提出微分阈值法,对脉搏波信号的上升沿和下降沿进行微分运算,突出其形状特点,然后根据微分算子的方向确定脉搏波图像的波峰和波谷,取得了很好的辨识效果。高颖等[3]利用小波变换法,对脉搏波图像进行滤波后,首先利用小波变换在不同频带上分解脉搏波信号,然后利用微分运算找到脉搏波图像的极值点和拐点,再利用拐点的符号来判断脉搏信号的波峰波谷,取得了理想的效果。还有一些文献提出脉搏波的处理方法,其中大量采用了诸如脉搏波图像分割[4]、特征提取[5]和图像边缘提取[6]等信号处理方法,也取得了比较满意的效果。

然而,当病人脉搏比较虚弱时,脉搏信号的上升沿和下降沿坡度会变得比较平缓,利用微分法突出其形状特征常常会出现不准确的辨识。另外,重搏波峰值的高低因血管的机能差异而相差很大,健康人的重搏波不明显而病人的重搏波明显,利用微分法则放大重搏信号变化时会进一步增加误检的可能。再次,脉搏信号中通常伴有大量的随机噪声,用微分法处理后会进一步放大这些噪声信号,造成脉搏信号的误检和漏检。

为了解决上述问题,文中提出一种先提取脉搏波信号图像包络线(包括ROI区域的裁剪,最大类间方差二值化,形态学开闭操作和边缘检测4个步骤),然后再利用多重门限阈值辨识和跟踪图像极值点的方法,并且取得了较好的效果。处理结果表明该算法具有较高的可信度。

1 脉搏波包络线的提取

1.1 脉搏波ROI区域裁剪

图1大致描绘了一个周期内脉搏波图像的形状特征,它包含3个波段和4个特征点。不同年龄的病人,因为血管的机能不同,脉搏波的形状特征也会相应有所变化。健康人的脉搏波信号拥有陡峭的上升沿和下降沿,这是因为健康人的血管机能比较好,血管阻力较小,血流速度大。同时,健康人的脉搏信号潮波B不显著。当主动脉瓣受到血液回流的冲击,形成明显的脉搏波信号的重搏波峰C和波谷D。随着病人年龄的增大,血管的机能变差导致血管阻力变大,血流速度变慢,潮波B会相应升高甚至超越主波A。同时,血管阻力的变大会导致血液回流速度增加,重搏波波峰C和波谷D抬高,使得整个脉搏波信号呈现山丘式变化。

根据以上描述,可知随着病人的年龄增加和心血管机能的逐渐减退,血管机能相应发生改变,血管阻力逐步变大,流速变慢,导致潮波B由不显著变成显著,重搏波波峰C和波谷D的位置相对于A点有所升高。因此,从脉搏波图像上辨识出脉搏波信号特征点A,B,C,D点的相对位置对于分析和诊断病人的健康有着重要的意义。

图1 一个周期的脉搏波信号Fig.1 One cycle of the pulse wave

超声诊断仪上获得的脉搏波图像如图2所示。图2是从无锡市海鹰电子系统医疗有限公司的超声诊断仪HY-C360上取得的脉搏波信号图像。显然, ROI(Region of Interested)区域即目标区域,是图像中上方的脉搏波信号图像。图像下方的背景区域是算法处理中无关的背景部分,如果不能将它与目标区域分离,会大大增加算法的复杂度和算法的处理时间。通常,研究图像的算法往往是设计特定的滤波器,使其与当前图像的每个像素进行卷积运算。如果能减少图像中无效的像素点,无疑将大大提升算法处理的效率。

图2 脉搏波信号图像Fig.2 Image of pulse wave signal

文中采取的ROI区域裁剪方法是阈值化方法。超声诊断仪上采集的脉搏信号图像是256灰度级的彩色图片,具有红、绿、蓝3个通道。对红、绿、蓝3个通道设定对应的门限阈值,并设定图像总的分割阈值t。设t1,t2,t3是当前图像对应的红、绿、蓝通道的灰度值,m是图像每一行像素的个数。对于每一行像素点,采用式(1),(2)进行计算。对于每一行像素点,如果计算所得λ＜t0,则认为该行是背景部分;反之,当λ＞t0,则认为该行是目标部分。经过ROI区域剪裁后的图像如图3所示。

图3 ROI区域剪裁后的脉搏波图像Fig.3 Image of the pulse wave after the ROI area cut

1.2 最大类间方差阈值法二值化

如图3所示,脉搏信号图像经过ROI区域裁剪处理后,目标与背景得到初步分离。然而,ROI图像中还是包含大量与脉搏信号无关的背景点,如果能增强目标物与背景的差异,就能更好地提取和分离目标区域。二值化是处理图像分割的主要手段之一,它根据图像目标区域和背景区域的灰度差异,用设定阈值的方法把图像用仅含有0和1的二值图像来表示,从而增强了目标物与背景的差异。

C0的产生的概率

C1的产生的概率

C0的平均值为

式中是阈值为T时灰度平均值,采样的灰度平均值为

两组间的方差可用下式求出:

定义Tmax是使式(8)取得最大值所对应的T值,也就是最大类间方差法二值化的阈值。最大类间方差法二值化图像后的效果如图4所示。

图4 二值化后的脉搏波图像Fig.4 Image of the pulse wave after the binary method

1.3 形态学算法

脉搏波图像经过最大类间方差阈值二值化后目标区域得到了明显的增强。然而,连通域中有许多孔洞,极大地影响脉搏波包络线提取的质量,增加了图像分割的难度。因此,在提取脉搏波包络线之前,需要对连通区域的内部孔洞进行图像处理,将连通域内部的孔洞连接起来[8]。

数学形态学方法是处理连通域内部孔洞的常用方法。形态学方法利用各种几何形状的结构算子作为形态滤波器,在图像的目标区域进行卷积滤波,增强目标区域和背景区域的差异性。其中,具有特定半径长度的圆盘形形态学算子常被用来填充目标区域内部的空洞。

文中将数学形态学方法推广应用于脉搏信号图像的包络线和特征点提取。下面给出形态学中最基本的膨胀、腐蚀定义:

设脉搏信号的离散数字序列为f(n),结构元素为α(m),且有n＞m,则定义如下形态学算子。膨胀算子:

膨胀算子:

由式(9),(10)可见,形态学滤波器其实就是基于数学集合理论的运算算子。相比传统的高斯滤波器、维纳滤波器等,形态学算子结构比较简单,使得形态学滤波器和原图像的卷积速度较快。对图像信号进行形态学运算填充脉搏波区域孔洞的效果取决于所选择的圆盘形结构元素α(m)的半径R。利用脉搏波信号中孔洞的波形与其他波形长度不同的特点,选定填充完整,脉搏信号与背景的差异更加明显特定大小的半径R,经多次实验,选定圆盘形结构算子的半径R为5。对脉搏波图像进行区域填孔效果如图5所示。经过形态学圆盘算子卷积处理后,脉搏波频谱图像中间连通区域的孔洞被填充完整。

图5 形态学算子填孔后的脉搏波超声图像Fig.5 Image of the pulse wave after the morphological operators

1.4 Sobel算子边缘检测

二值图像经过形态学操作后,目标区域内部孔洞被填充完整。图像中白色部分是脉搏信号区域,黑色部分是背景区域。两个区域相交部分就是目标物的边界。如果需要辨识脉搏信号的峰值,必须首先提取出脉搏波信号的边缘部分。边缘检测法是图像分割中提取目标物轮廓和边界的最常用方法[9-10]。文中采用Sobel算子来提取脉搏信号的边界。Sobel算子根据图像各个像素点的梯度,计算像素点和周围像素点的差异,从而分离目标和背景,提取出边界区域。与其他常用的边缘检测算子如Canny算子、Robert算子等相比,Sobel算子分离的边界线连续性较好。

Sobel算子包含水平方向和垂直方向两组3×3的矩阵,利用该算子滤波器逐行与图像像素点卷积,计算出水平方向和垂直方向的亮度差分值。如果以Gx与Gy分别代表经水平方向和垂直方向进行边缘检测的算子:

图像的每一个像素的横向及纵向梯度近似值可用以下公式结合,来计算梯度的大小。定义(X,Y)是原图像的一个像素点,则

然后可用以下公式计算梯度方向:

如果角度等于0,代表该像素点是垂直方向边界中的一点;如果角度接近90度,代表该像素点是水平方向边界的一点。Sobel算子对像素的位置进行了加权,因此有很强的抗干扰能力,所得图像的连续性也较好。图6是经过Sobel算子滤波后提取的脉搏波边界图像。可以看出,经过Sobel算子边缘检测后,目标区域与背景区域完全分离。

图6 边缘检测后的脉搏波图像Fig.6 Image of the pulse wave after edge detection

2 脉搏波包络线特征点跟踪

提取出脉搏信号的包络线以后,接下来是要辨识出包络线上特征点的位置。传统方法通过微分运算得到包络线的极大值和极小值,不仅容易受到噪声干扰,还很难判断该点是主波、潮波或者是重搏波的特征点。文中提出一种利用多门限阈值识别脉搏波图像波峰波谷特征点的方法,利用搜索方法找出特征点候选点后,再利用设定的多门限阈值来进一步判断该点属于脉搏信号的具体阶段。原始脉搏波图像经过二值化和边缘检测等处理后,包络线在每一列像素上只有一个有效像素点。提取包络线的峰值算法分为两个步骤,首先搜索出每列像素的最大和最小值为频谱波候选点pixelList,然后定义主峰门限T=(maxRow+minRow)/2和重搏波门限T2=(maxRow+minRow)/3来区分脉搏信号的特征点。其中,minRow和maxRow分别是脉搏信号目标区域的最低点行号和最高点行号。具体算法如下:

1)遍历包络线的每一个像素,设第i列的像素为f(xi)。如果f(xi)＞f(xi-1)且f(xi)＞f(xi+1),就认为f(xi)是图像的一个候选峰值点。

2)如果f(xi)＜f(xi-1)且f(xi)＜f(xi+1),则认为该像素是脉搏波信号的重搏波波谷D。

3)定义门限值T=(maxRow+minRow)/2,如果候选峰值点的f(xi)＞T,则候选峰值点是主波波峰A;如果候选峰值点f(xi)＜T,则候选点是潮波波峰B或者是重搏波波峰C。

4)定义门限阈值T2=(maxRow+ minRow)/3。如果候选点f(xi)＞T2,则候选点是重搏波波峰C;反之,候选点是噪声点。峰值点跟踪后如图7所示。

图7结果显示,采用文中方法准确地检测到脉搏波图像的主要特征点。利用多门限阈值法将脉搏波信号的主峰波峰、重搏波波峰和波谷准确地检测出来,没有出现误检和漏检。在重搏波不太明显时,文中方法也能准确地识别出重搏波位置。实验中,选取30个脉搏波图像实验样本,其中27幅能准确识别出包络线和特征点的位置。还有3幅因为对比度不够,需要借助超声软件的对比度增强功能,也能准确识别。

图7 峰值点跟踪后的脉搏波图像Fig.7 Image of the pulse wave after the feature points tracking

3 结 语

文中提出一种脉搏波图像包络线提取和峰值点跟踪方法。与传统的直接用边缘检测算法不同,文中方法是先截取ROI有效区域,然后进行二值化,在新的ROI图像上用边缘检测方法提取到脉搏波图像的包络线,最后用搜索脉搏波图像包络线最大纵坐标结合多门限阈值的方法得到了脉搏波的主波和谐波的波峰和波谷。与传统图像分割和特征点跟踪算法比较,有更好的图像分割和跟踪效果。实验结果表明,文中的包络线提取与特征点跟踪算法简单有效,能准确地绘制脉搏波图像的包络线和识别其特征点。另外,文中算法也可用于其他部位的脉搏波包络线提取,只需设定新的多重门限阈值即可辨识包络线的特征点。

[1]瞿年清,谢梦洲.脉搏波形释义[J].中国中医药信息杂志,2007,14(6):3-4.

QU Nianqing,XIE Mengzhou.The definition of pulse wave[J].Chinese Journal of Information on Tradition Chinese Medicine, 2007,14(6):3-4.(in Chinese)

[2]赵志强,郑国维,沈巍,等.脉搏波信号降噪和特征点识别研究[J].电子设计工程,2013,21(5):57-60.

ZHAO Zhiqiang,ZHENG Guowei,SHENWei,etal.Research on pulsewave signal noise reduction and feature point identification [J].Electronic Design Engineering,2013,21(5):57-60.(in Chinese)

[3]高颖,王阿敏,支朋飞.基于区域分割与提升小波变换的图像融合算法[J].西北工业大学学报,2014,32(4):569-575.

GAO Ying,WANG Amin,ZHIPengfei.Image fusion algorithm based on region segmentation and lifting wavelet transform[J]. Journal of Northwestern Polytechnical University,2014,32(4):569-575.(in Chinese)

[4]汤全武,史崇升,吴佳.基于DFT变换的彩色图像平滑滤波[J].计算机工程与设计,2014,35(4):1327-1331.

TANG Quanwu,SHI Chongsheng,WU Jia.Smoothing filter for color image using discrete fourier transform[J].Computer Engineering and Design,2007,35(4):1327-1331.(in Chinese)

[5]苏子美,郭建英,刘瑾.脉搏波的频域特征提取与自动识别技术[J].纳米技术与精密工程,2010,8(1):70-74.

SU Zimei,GUO Jianying,LIU Jin.Spectrum feature extraction and autcomatic recognition of pulse waves[J].Nanotechnology and Precision Engineering,2010,8(1):70-74.(in Chinese)

[6]贺萌,易秀英,汤林,等.基于自适应形态学的医学图像边缘检测[J].计算机应用与软件,2014,31(5):184-187.

HE Meng,YI Xiuying,TANG Lin,et al.Medical image edge detection based on adaptive morphology algorithm[J].Computer Applications and Software,2014,31(5):184-187.(in Chinese)

[7]李宝顺,王玮,包亚萍,等.一种邻域均值加权最大类间方差的阈值分割法[J].小型微型计算机,2014,25(6):1368-1372.

LIBaoshun,WANGWei,BAO Yaping,etal.A thresholding segmentationmethod of neighborhood-mean weighed otsu[J].Journal of Chinese Computer Systems,2014,25(6):1368-1372.(in Chinese)

[8]王小兵,孙久运,汤海燕.一种基于数学形态学与小波域增强的滤波算法[J].微电子学与计算机,2012,29(7):64-67.

WAND Xiaobing,SUN Jiuyun,TANG Haiyan.A new filter algorithm based on mathematical morphology and wavelet domain enhancement[J].Microelectronics and Computer,2012,29(7):64-67.(in Chinese)

[9]倪婧,王朔中,廖纯,等.消除图像伪轮廓的各向异性自适应滤波[J].中国图象图形学报,2014,28(2):219-226.

NIJing,WANG Shuozhong,LIAO Chun,et al.False contour suppression with anisotropic adaptive filtering[J].Journal of Image and Graphics,2014,28(2):219-226.(in Chinese)

[10]左颢睿,张启衡,徐勇,等.基于GPU的快速Sobel边缘检测算法[J].光电工程,2009,36(1):8-12.

ZUO Haorui,ZHANG Qiheng,XU Yong,et al.Fast sobel edge detection algorithm based on GPU[J].Opto-Electronic Engineering,2009,36(1):8-12.(in Chinese)

(责任编辑:杨 勇)

Extraction of the PulseW ave Envelope and the Feature Points Tracking

XIA Jun, TAO Hongfeng*
(Key Laboratory of Advanced Process Control for Light Industry,Ministry of Education,Jiangnan University,Wuxi 214122,China)

This paper proposes a new algorithm to extract the pulse wave envelope and to track its feature points. Firstly,we cut the ROI area of the image,using the otsu method to binary the image.Further more,combining with morphological operators and sobel operators detects the pulse wave envelope,and using a multi-threshold method locates the feature points of the pulse wave images.

pulse wave,envelope extracting,multi-threshold method,feature points

TP 391

A

1671-7147(2015)03-0259-05

2014-12-25;

2015-01-28。

国家自然科学基金项目(61273070,61203092);江苏省高校自然科学研究项目(11KJB510007);高等学校学科创新引智计划项目(B12018);江苏省高校优势学科建设工程项目。

夏 钧(1985—),男,江苏无锡人,控制科学与工程专业硕士研究生。

*通信作者:陶洪峰(1979—),男,江苏无锡人,副教授,工学博士。主要从事故障检测与容错控制等研究。

Email:taohongfeng@hotmail.com