瞳孔轮廓的几何形变与胃病的相关性

于　霞, 李铁鑫, 于　巧, 宋　健, 苑玮琦, 段　勇, 杨　威

(1. 沈阳工业大学 信息科学与工程学院, 辽宁 沈阳　110870;

2. 沈阳市铁西区中医院, 辽宁 沈阳　110021; 3. 新松机器人自动化股份有限公司, 辽宁 沈阳　110168)



瞳孔轮廓的几何形变与胃病的相关性

于霞1, 李铁鑫1, 于巧2, 宋健3, 苑玮琦1, 段勇1, 杨威1

(1. 沈阳工业大学 信息科学与工程学院, 辽宁 沈阳110870;

2. 沈阳市铁西区中医院, 辽宁 沈阳110021; 3. 新松机器人自动化股份有限公司, 辽宁 沈阳110168)

摘要:根据虹膜学的基本理论知识,以虹膜内边界(即瞳孔轮廓)的几何形变与胃病的相关性为例,进行虹膜特征与疾病的相关性研究.首先给出一种能对轮廓精确提取的方法对采集的虹膜图像进行特征提取,建立对应的虹膜库,然后通过对在校大学生和患有胃病的人群的虹膜进行比对实验,根据实验数据进行虹膜与胃病的相关性验证,验证了虹膜的形状变化与人体健康状况存在着一定的联系.

关键词:虹膜; 瞳孔轮廓; 几何形变; 胃病

目前,生物计量学学科是应用科学领域当中最有活力的学科之一,生物计量方法不但在身份识别方面取得广泛应用,而且还在人体健康状态的分析中扮演重要角色,这种人体健康状态的分析一般是以个人生理和行为特征为基础[1].生物计量方法主要通过测量人体的表面特征,这些特征包括指纹、掌纹、面部、虹膜、舌头、呼吸等[2].随着计算机的发展,计算机辅助的生物计量在很多方面已经取得重大成就.例如,一种基于空域的虹膜识别技术获得了比较理想的准确率,因此近些年在虹膜方面的生物计量研究显得异常活跃.与此同时,人们也通过舌头的颜色、外形、舌下的血管情况进行阑尾炎的诊断[3].通过采集并自动分析脉搏来诊断胃炎和胆囊炎[4].除此之外,呼吸分析也广泛应用于医学和病理学的检测[5].人们对这种非入侵式的、实时的、无伤害而有效的生物计量方法的关注度和需求度与日俱增.

虹膜诊断学(虹膜学)作为一种疾病预防手段已经有百年历史[6].目前已有许多国家将虹膜诊断学(虹膜学)应用在临床辅助医疗上,取得了理想效果并在实践过程中积累了大量的珍贵经验.这些经验不仅能在观察虹膜而对人的总体健康状态进行评估,还能针对虹膜上的指定部位关联到人体的指定器官从而对人局部的健康状态进行评估.这种特点决定了虹膜诊断学(虹膜学)在疾病预防方面具有巨大潜力.

1轮廓精确提取方法

本文是以瞳孔轮廓的几何形变为研究对象,进行虹膜特征与胃病的相关性研究,那么如何提取有效的几何形变特征成为关键,本文采用作者在文献[7]中给出的瞳孔轮廓提取算法,精确提取轮廓特征,整个算法流程如图1所示.

算法具体步骤如下.

第一步采用R通道的灰度级图像,解决可见光下拍摄的虹膜图片,由于拍摄角度的问题,光源反射在眼睛上的光斑将周围很大范围区域造成影响的问题.这些问题会影响后面瞳孔的定位以及轮廓提取工作.因此在瞳孔定位之前,需要将泛光的影响尽可能的降到最低,而且由于虹膜的红色属性较为突出,使用R通道的灰度级图像在一定程度上能降低虹膜蓝环和钠环的影响[7].

第二步利用伽马变换,也就是幂次变换来调节瞳孔和虹膜的对比度[8],解决虹膜颜色与瞳孔颜色混淆的问题,当虹膜颜色一旦深到几乎与瞳孔颜色混淆的程度,对后期的瞳孔定位也会造成影响,因此,在定位之前,需要提高瞳孔与虹膜之间的灰度值差.

图1　算法总体流程

第三步瞳孔定位,此算法提出了一种改进的虹膜内切圆方法,也就是瞳孔的定位方法,目的是将瞳孔以拟合圆的形式精确的定位出来,经试验证明了此方法具有较强的鲁棒性和对极端情况的适应性.此步骤不但是为后期瞳孔轮廓的提取做准备,也是实际瞳孔形状与标准瞳孔最直观的对比,给后面的瞳孔特征评价提供了重要参照.

第四步抗光斑的瞳孔轮廓提取算法[9-12],首先将瞳孔的圆形区域扩展成矩形区域便于后面的处理,同样应用R通道灰度级图像将光斑影响降到最低,并将归一化图像二值化,将所有光斑区域凸显出来,将根据图像一维映射原理将定位出所有光斑区域并记录下光斑位置信息,在原始图像上利用区域填充算法修复光斑区域后进行伽马变换增强瞳孔和虹膜的对比度,提取瞳孔轮廓点.最后根据光斑和瞳孔定位信息计算轮廓与光斑的相对位置搜索可能会给瞳孔轮廓提取造成影响的光斑区域并对这些区域列上的轮廓线进行修复.此方法还对提出的抗光斑的瞳孔轮廓提取算法用图库进行了算法测试.实验证明了此算法具有很好的适应性和有效性.

2瞳孔几何形变特征与胃病的相关性

2.1量化几何信息并选取特征

2.1.1基本区域描述符

图像中的目标表示为像素的几何.因此,为了识别目标,需要描述像素群的属性.这种属性通常是一组数字,即目标描述符.区域描述符是目标描述符的一个方面.区域描述符不仅是对形状的描述,在图像分析中,区域对边界的表达也是常见的.而基本区域描述符是对区域的几何属性进行特征化.

区域可以利用基于几何属性的标量度量来描述.最简单的属性是大小或者面积.一般而言,平面上的区域面积可以定义为式(1),即

(1)

式中,当该像数在形状范围内,即(x,y)∈S,I(x,y)=1,而其他情况时为0.实际上,积分可以用求和来近似.即

(2)

式中,ΔA是一个像素的大小.因此,如果ΔA=1,那么面积可以用像素来度量.面积随着尺度的变化而变化.然而,它对图像旋转具有不变性.由于图像的离散化,应用旋转变换时面积计算会出现细小误差.

另一个简单的属性是区域的周长.假设x(t)和y(t)表示围绕区域S的曲线的参数坐标,那么区域的周长可以定义为

(3)

上述等式对应的是构成曲线的所有极微小的弧长的总和.在离散的情况下,x(t)和y(t)利用图像的一组像素来定义.因此,式(3)可以近似为

(4)

基于周长和面积,可以对区域的紧凑度进行特征化.紧凑度由式(5)表示,是一个常用来表示形状的量,是周长和面积的比.

(5)

为了表达上述等式的含义,可以将其改写为式(6)的形式:

(6)

式中,分母表示圆的区域,其周长为P(S),因此紧凑度计算的是目标形状的面积与具有相同周长圆的比值,也就是说,紧凑度测量的是边界包围区域的有效性.数学上称为等周商.对于一个完全是圆形的区域,其紧凑度为1,表示最大紧凑度值:原始最紧凑的形状.越不圆的形状,其紧凑度越小.假设计算任意区域形状的周长,并用其画一个圆,那么可以观察到用这个周长围成的圆所包含的区域更大,这意味着这些形状是不紧凑的.对于一个完全正方形的区域,紧凑度等于π/4.值得注意的是,对于完全的正方形或者完全的圆,量度都没有包括大小(分别是边宽和半径).因此,紧凑度只是一个形状的量度.

另一个用来描述区域特征的量度为离散性.离散性(即不规则性)计算的是最大弦长与面积之比.它的简单形式可以作为不规则性定义见式(7).

(7)

(8)

反映出来,由于周长会随着面积不成比例地增大.这样的属性有时是需要的,因此,当需要这样的属性时,不规则性会更受欢迎.

2.1.2瞳孔形状描述

根据基本区域描述符的定义,本文利用提取出的轮廓信息来计算几何形状特征量.首先对于瞳孔的周长,如上文所说的对于由像素构成的正方形网格离散图像,将相邻的瞳孔轮廓像素点间距离利用式(4)来计算,如图2所示.

图2　像素点间距离计算

瞳孔不是规则图形,瞳孔面积如果用之前的拟合圆来求的话,造成的误差是无法容忍的.在一张虹膜图片横纵,瞳孔的面积值在图像里可以看作瞳孔轮廓所包含的所有像素的和,为了求得瞳孔面积,需要将瞳孔轮廓内(包括瞳孔轮廓)的所有点都标记出来,在图像横所有标记像素数量的总和即为瞳孔估计面积.标记的方法如下:

首先创建一张与原虹膜图像大小一致的全黑色灰度图,轮廓点以上的所有点都属于瞳孔内的点,利用这个特点,将瞳孔轮廓点以上的所有点都将展开图上的瞳孔内的点反映射到原虹膜图片上应该在的坐标位置并用白色标记.得到如图3a所示的效果.

图3　展开图中瞳孔内的点还原效果(a)和中值处理去噪效果(b)

从图3可以看到瞳孔内不是所有的点被标记为白色,这是算法坐标变换时存在的不可避免的插值现象造成的.这里用到了图像处理的去噪算法,利用矩形模板对图像进行中值滤波处理,得到如图3b所示的效果.从图像中可以发现图3a中瞳孔内留下的未处理的像素点都被标记为白色.这样,就可以通过统计图像上标记为白色的像素点的数量得到瞳孔的估计面积.

2.1.3瞳孔边界粗糙的程度评价

除了瞳孔的紧凑度和离散度,本文还对瞳孔轮廓的粗糙程度进行了评价.通过观察,正常人的瞳孔是边界光滑,一旦瞳孔产生形变会对瞳孔边缘造成随机的突起或凹陷,这种突起或凹陷如果很大,会对瞳孔整体形状造成影响,一般会形成不规则圆形或者椭圆,这种情况利用紧凑度和离散度便能捕捉到,如果随机的突起或凹陷很小,则对紧凑度和离散度这种描述整体的指标来评价几乎没有影响.而粗糙度可以作为瞳孔轮廓在微观角度上捕捉这些突起和凹陷的指标.

本文的粗糙度的计算是在瞳孔扩展区域的展开图上进行的.一条光滑的圆弧线在展开图上以直线的形式存在.越大的突起或凹陷弧角度越大,在展开图上跨越列数越多,反正则越少,因此,要捕捉粗糙度也就是小的突起或凹陷,需要将展开图分成足够多的段,文本将展开图分成60个段,对于原直角坐标系图像上瞳孔的每段为6度的圆弧,每三个相邻段长度和与标准的直线作比,边界越粗糙,得到的比值越大,最小值为1.粗糙度的计算如式(9).

(9)

式中:di代表每段的长度,计算方法为相邻轮廓点的长度和,相邻轮廓点的长度如图2所示;ds表示标准直线的长度,在这里也就是每段的横跨列数.N为总段数,从式(9)可以看出最后的结果为所有段的平局比值.即为所求瞳孔边界的粗糙程度.

2.2单特征统计分析及相关性评价

本文从自建的医学图库中抽取92位确诊患有浅表性胃炎的患者的左眼和右眼的虹膜图片,共计184张.并抽取了92位确诊没有患有浅表性胃炎的人左眼和右眼的虹膜图片,共计184张.利用这些图片生成的数据,作了相关性分析实验.

用2.1中提取的3种瞳孔轮廓的属性,分别是紧实度、离散度和粗糙度.用184张有胃病虹膜图片和184张健康虹膜图片,分别作3个属性的统计分析(表1～表3).

表1　紧实度特征统计结果

表2　离散度特征统计结果

表3　粗糙度特征统计结果

3个表格中,胃病数据和健康数据的平均值都相差不大,唯有离散度的胃病数据平均值比健康数据稍高一点.但从上面三个特征的最小值及最大值来看,胃病数据的最大值与最小值差较健康数据的最大值与最小值数据的差都要大,也就是说所有特征的胃病数据的数据范围都较健康数据范围大,且结合3个特征胃病数据的标准差都比健康数据的标准差大很多的情况,可以得出3个特征的胃病数据相比健康数据在分布表现上都较为分散,而且胃病的数据中较极端的数据也比健康数据要多.

除此之外,本文还给出了所有虹膜图片的三种特征区间化分布图(图1～图3).这样可以更直观地给出胃病数据及健康数据的区间化分布情况.

图4　紧实度区间化分布图

图5　离散度区间化分布图

这里每个特征都根据其各自的范围将数据划分成10个区间,每个区间内记录了胃病数据的个数和健康数据的个数.从三幅图像数据分布可以看出3个特征的胃病数据和健康数据大体上有相似的分布.根据前面的特征提取的介绍可以得知紧实度值越小,其值代表的形状越不接近标准圆.而离散度和粗糙度特征值越大,其值代表的形状越不接近标准圆.而3幅图像的胃病数据量都有向接近标准圆的反方向发展.即在紧凑度分布图中,相比健康数据,胃病数据在低区间范围较多,而离散度和粗糙度分布图中,胃病数据相比健康数据在高区间范围较多.根据这个特点,文本利用上面的3个特征区间化分布图制作了针对每个区间内胃病数据个数占此区间所有数据个数的比例来对这种趋势做一个数值上的表达.并且将这些数据用折线图的形式给出了,如图7所示.

图6　粗糙度区间化分布图

图7　各特征胃病数据区间比例图

图7a～图7c三幅图像分别对应了紧实度,离散度和粗糙度的区间化分布图.如果将区间内有10个数据以上的区间视为有效区间的话,图中两条线间的范围均为有效区间,而在有效区间内取值方向越远离标准圆,胃病数据所占比例越高.也就是说对应的圆越不标准,患有胃病的可能性越大.

3结论

通过对基本区域描述符的介绍,引出了本文提取的3个瞳孔轮廓几何特征,包括紧实度,离散度和粗糙度.然后利用自建的虹膜医学图库对这些几何特征分别进行了针对单个特征数据统计实验和针对多特征联合的基于粗糙集和模糊推理的相关性验证试验,统计实验证明了在单个瞳孔几何形变特征上与胃病具有一定的相关性.

参考文献:

[1] ZHANG D, Automated biometrics: technologies and systems[M]. Norwell, MA: Kluwer, 2000.

[2] JAIN A, ROSS A, PRABHAKAR S. An introduction to biometric recognition[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2004,14(1):4-20.

[3] PANG B , ZHANG D, WANG K. Tongue image analysis for appendicitis diagnosis[J]. Information Sciences, 2005,175(3):160-176.

[4] ZHANG L, ZHANG D, ZHENG Y. Wavelet based analysis of Doppler ultrasonic wrist-pulse signals[C]∥Proceeding of the 2008 International Conference on Biomedical Engineering & Informatics, Washington: IEEE Computer Society, 2008:539-543.

[5] GUO D, ZHANG D, LI D. A novel breath analysis system based on electronic olfaction[J]. IEEE Transaction on Bio-Medical Engineering, 2010,57(11):2753-2762.

[6] 张薇. 虹膜钠环检测算法研究[D].沈阳:沈阳工业大学,2014.

(ZHANG W. The research of iris sodium loop detection algorithm[D]. Shenyang: Shenyang University of Technology, 2014.)

[7] YU X, SONG J, YUAN W Q. Pupil contour extraction method of anti-light spot interference for iris image captured in visible light[C]∥Proceedings of 9th Chinese Conference, CCBR 2014, Shenyang, China, November 7-9, 2014:339-346.

[8] GONZALEZ R C, WOODS R E. Digital Image Process[M].Boston: Addison-Wesley, 2012.

[9] 刘伟华,樊养余,雷涛. 轮廓初始点检测对眼睛虹膜区域反射光的去除[J]. 计算机工程与应用, 2013,49(17):1-5.

( LIU W H, FAN Y Y, LEI T. Eye corneal reflection removal based on boundary initial position detection[J]. Computer Engineering and Applications, 2013,49(17):1-5.)

[10] 苑玮琦,白晓光. 一种新颖的虹膜轮廓提取方法[J]. 光学学报, 2009,29(8):2158-2163.

(YUAN W Q, BAI X G. A new iris edge extraction method[J]. Acta Optica Sinica, 2009,29(8):2158-2163.)

[11] 刘洋,李霞,王娜,等. 基于特定感兴趣区采样的虹膜定位改进算法[J].光学学报, 2008,37(6):1277-1280.

(LIU Y, LI X, WANG N, et al. An improved iris location algorithm based on sampling to special regions of interesting[J]. Acta Optica Sinica, 2008,37(6):1277-1280.)

[12] 赵春晖,崔晓辰. 基于全局和局部流形结构的高光谱图像特征提取算法[J]. 沈阳大学学报(自然科学版), 2015,27(4):283-288.

(ZHAO C H, CUI X C. Hyperspectral image feature extraction algorithm based on global and local manifold structure[J]. Journal of Shenyang University(Natural Science), 2015,27(4):283-288.)

【责任编辑: 曹一萍】

Correlation between Geometrical Deformation of Pupil and Stomach Disease

YuXia1,LiTiexin1,YuQiao2,SongJian3,YuanWeiqi1,DuanYong1,YangWei1

(1. College of Information Science and Engineering , Shenyang University of Technology, Shenyang 110870, China; 2. Chinese Medicine Hospital of Tiexi District, Shenyang 110021, China; 3. Siasun Robot & Automation Co., Ltd., Shenyang 110168, China)

Abstract:For the verification of relation of iris shape change and human health status, the correlation between geometrical deformation of the pupil outline and stomach diseases is studied according to the basic theoretical knowledge of iridology. A method which can accurately extract the iris feature is given; experiments of iris comparison of undergraduates and people who have stomach diseases are implemented. Correlation is discussed according to the experimental data.

Key words:iris; pupil contour; geometrical deformation; stomach disease

中图分类号:TP 391; R 573

文献标志码:A

文章编号:2095-5456(2016)02-0122-06

作者简介:于霞(1977-),女,吉林扶余人,沈阳工业大学讲师,博士,硕士生导师.

基金项目:国家自然科学基金资助项目(61271365); 辽宁省教育厅科学研究一般项目(L2012041); 辽宁省高等学校优秀科技人才支持计划(LR2015045); 辽宁省自然科学基金资助项目(2015020010).

收稿日期:2015-10-08