一种基于活动形状模型算法的耳郭穴区定位方法

王逸卉 江淼 黄娜 温军玲

0 引言

祖国传统医学中，耳穴疗法是中医的重要组成部分。正如《灵枢·口问篇》所言:“耳者,宗脉之所聚也”，人耳虽小，却具有望耳诊病、借耳治病的作用。通过刺激耳穴可以起到疏通经络、运行气血的功效。耳穴定位是治疗的前提，但由于耳郭面积小，穴位多，人耳个体差异较大，导致耳穴的寻穴定位非常麻烦，一般由专业人士借助耳穴模型或特殊工具实现，常用的有观察法、触压法、耳穴电探测法、耳穴染色法等[2-4]。在耳穴的传统教学中，甚至还停留在徒手勾画耳穴的阶段。

根据最新的耳穴国家标准GB/T13734-2008[5]，耳穴主要以穴位所在解剖结构的分区定位为主，区、点结合的方法命名与定位，共93个穴位，其中穴区76个。由此可见，耳穴的分区是耳穴定位的基本内容之一，大部分耳穴都直接位于耳郭的各个分区内，耳穴的分区对于耳穴的定位具有非常重要的意义。耳穴国家标准中规定，耳穴分区是依据解剖结构将人耳分为耳轮、耳舟、耳甲、耳屏、对耳轮等9个大区域，其中每个区域再按照各自的标准进行划分，其中耳轮划分为12个区域，耳舟为6个区域，对耳轮13个区域，三角窝5个区域，耳屏4个区域，对耳屏4个区域，耳甲18个区域，耳垂9个区域。面对区域如此繁多且面积较小的耳郭，如果仅凭手工和经验划分和定位，耳穴分区定位会耗费大量精力和时间，迫切需要一种能快速精确实现耳穴分区定位的辅助方法，从而满足耳穴疗法的施治、自动化仪器的开发和相关中医耳穴示教的需要。

随着机器视觉和图像处理技术的发展，已广泛开展基于图像识别和检测的目标定位研究。其中，对人耳图像的相关研究多集中在人耳识别、分割和检测方面。如李一波等[6]利用改进的梯度矢量流活动轮廓模型(gradient vector flow snake,GVF snake)算法实现了外耳廓的自动检测和分割；李素娟等[7]介绍了一种对人耳图像的归一化方法，并验证了归一化对特征提取和识别的影响；高淑欣等[8]在人耳识别研究中，运用活动形状模型(active shape model,ASM)算法实现了外耳轮廓的检测。以上研究多集中在外耳廓检测、人耳归一化、特征提取和识别等方面，对耳穴的自动化分区和定位鲜有研究。

图像处理领域中的ASM算法作为一种特征点定位算法，目前已在人脸识别、人眼状态检测、医学图像分割及提取[9-12]等领域获得了广泛应用。ASM算法包括训练和搜索两个过程，具有迭代次数少、实时性好的特点，特别适合于外形相似的物体的识别和定位。常梦龙[11]借助人脸识别技术，利用ASM算法实现了和面部特征点重合的穴位点的定位，继而利用同身寸和神经网络实现人脸其他部分穴位的定位。受文献[11]的启发，本文结合耳穴国家标准，将ASM算法应用到耳穴分区定位方面，以期解决耳郭穴区的自动化定位问题。

1 ASM算法

ASM 是一种基于模型的特征匹配方法，利用统计形状信息作为先验知识，通过灵活改变模型的形状进行迭代演化，从而得到目标图像的形状[13]。ASM算法主要分为训练过程和搜索过程两部分，具体算法流程如图1所示。

图1 ASM算法流程图Figure 1 ASM algorithm flowchart

其中ASM的训练过程主要步骤包括构建训练样本集，对训练样本集的每幅图像进行特征点人工标记，特征点个数需相同，且标记顺序要一致，建立点分布模型(point distribution model,PDM)，将特征点坐标依次串联形成一个形状向量来表示构建形状向量；对形状向量进行归一化处理，通过适当的平移、旋转、缩放将一系列形状向量进行对齐，之后采用主成分分析法(principal component analysis,PCA)对形状向量进行降维，得到平均模型，并为每个特征点构建局部灰度特征。

在ASM的搜索过程中，首先将训练所得的平均形状进行仿射变换得到初始模型。之后，用该初始模型在新的测试图像中搜索目标形状，通过匹配函数值最小搜索与训练过程中所构建的局部灰度特征值最接近的局部灰度特征值，即为特征点在新的测试图像上的新位置。最后，通过仿射变换并调整其参数，利用马氏距离衡量从而寻找特征点最佳的位置，当两次特征点的位置基本不变或迭代次数达到要求后结束搜索匹配过程[13]。

2 耳郭穴区定位实验

2.1 实验数据来源

根据文献[14]中的结论，搜索定位过程中平均误差距离随着角度的增大也逐渐变大，因此本实验均采用正前方拍摄的正面人耳图像。本文实验训练样本图像来自于北京科技大学人耳识别实验室的USTB人耳图像库2，共30幅；测试图像一部分USTB图像库里的图像，一部分为自行采集图像，共完成10幅图像的测试。图像尺寸无需完全一致，大小裁剪约为170×270像素，并转化为灰度图像，部分训练样本图像如图2所示。

根据耳穴的国家标准GB/T13734-2008中依据解剖结果进行耳穴分区的原则，对训练集图像手工标定，选取包含耳郭边缘点、曲率极大值点、等分点在内的65个特征点构建PDM。通过对形状向量进行归一化、对齐等处理，再采用PCA方法对对齐后的形状向量统计建模，最后在目标图像上利用马氏距离进行特征点新位置的搜索匹配，之后通过调整平移、尺度和旋转参数不断进行循环迭代，最终完成定位。耳郭穴区定位实验的ASM算法训练过程如图3所示，其中图3(a)是形状向量对齐前的训练样本集，图3(b)是采用普氏分析法(Procrustes analysis)对形状向量对齐后的样本集，图3(c)是经过PCA降维后得到的耳郭平均模型。

图2 部分训练样本图像Figure 3 Certain training sample images

由图3可以看出，通过归一化对齐处理，可以使杂乱无章的形状向量分布具有一定的统计规律，从而可利用统计形状信息作为先验知识进行搜索匹配。

图3 耳穴穴区定位实验的ASM算法训练过程Figure 3 ASM algorithm training process of the location experiment for auricular acupoint divisions

迭代次数和平均形状的初始位置关系密切，利用仿射变换可对初始位置图像进行平移、缩放、旋转的操作变换使之更接近于搜索图像[15]。本文实验过程中，迭代次数设为40次，平均形状初始放置时仿射参数设平移量为0、旋转角度为0°、缩放比例为1，即可得到较为满意的匹配效果。耳郭穴区定位实验的ASM算法搜索匹配过程如图4所示，其中图4(a)是平均模型在待测图像的初始化位置，图4(b)是迭代20次时演化结果，图4(c)是迭代40次的演化结果。ASM算法可以较好地得到待测图像的定位，最终定位结果与耳郭的轮廓吻合较好。

图4 耳穴穴区定位实验的ASM算法搜索过程Figure 4 ASM algorithm search and matching process of the location experiment for auricular acupoint divisions

完成特征点的定位后，提取耳穴穴区相关的特征点坐标并进行连线，即可完成对耳轮12个穴区、耳舟5个穴区、三角窝5个穴区、对耳屏表面的3个穴区的定位。其中耳垂部分的穴区在完成相关特征点的连线后，取耳垂上线进行三等分，并向下引垂线得到，实现了耳垂的7个分区。本文共实现了耳郭表面区域耳轮、耳舟、三角窝、对耳屏和耳垂共32个穴区的定位。结果见图5。

图5 耳穴穴区定位结果Figure 5 The location results of the auricle acupoint divisions

除人耳图像库的耳穴穴区定位之外，本文还进行了自行采集图像的穴区定位，耳郭穴区划分后的最终定位结果如图6所示。

图6 自行采集图像实验结果Figure 6 Experimental results of our images

2.3 定位精度评价

本文采用欧几里得距离对耳穴分区定位的精度进行评价。对比算法定位与手工标记特征点的结果，进行特征点定位精度的评价。

(1)

式中：n为特征点的个数；dist(pi,p′i)为两点间的欧几里得距离；pi为搜索匹配得到的特征点；p′i为手工标记的特征点。部分图像的定位误差如图8所示。统计计算出由ASM算法得到的定位结果与人工标定的特征点定位的欧几里得距离平均误差为6.246±0.429。

图8 定位误差箱线图Figure 8 Boxplot of location error

3 讨论

本文借助图像处理技术中的ASM算法，结合耳穴国家标准GB/T13734-2008构建PDM，初步实现了耳郭分区的定位，且算法较为简单，迭代次数少，最终定位结果与耳郭的轮廓吻合较好，与人工标定的特征点平均定位误差为6.246±0.429，基本实现了耳穴分区的自动化定位，初步证实了方法的可行性。通过实验可以发现，ASM算法的特点是利用统计形状信息作为先验知识，通过灵活改变模型的形状进行迭代演化，实现目标形状的匹配。在构建形状信息时，本文开创性地将耳穴的国家标准应用到建立PDM环节，从而实现了耳郭穴区定位。本文的研究是将图像处理技术应用于中医耳郭分区定位的首次尝试，为中医耳穴定位提供了借鉴。

本研究的不足之处主要表现在以下两个方面。(1) 在结合耳穴国家标准建立PDM时，对耳郭的解剖结构尚采用的人工标定，导致构建PDM会耗费大量的时间和精力。另一方面，人工标定也导致大部分耳穴分区等分的准确度不高，需进一步寻求提高耳穴分区精度的自动化或半自动算法。(2) 目前的研究尚属初步阶段，本研究仅实现了部分耳穴的分区，且训练样本量和测试数据量偏少。本文算法仅初步证实了耳穴分区方法的可行性，离实现全部耳穴的精确定位仍有较大差距，因此仍需进一步深入研究。

4 结论

本文通过对北京科技大学人耳识别实验室人耳图像构建训练集，在最新耳穴国家标准GB/T13734-2008的基础上，选取包含耳郭边缘点、曲率极大值点、等分点等在内的65个特征点构建PDM，采用基于ASM算法的图像处理方法，对待测人耳图像进行搜索匹配后，通过分别连接构成耳区的特征点，实现对人耳图像的穴区定位。最后通过计算所得穴区定位结果与人工标定的特征点之间的欧几里得距离，对定位的精度进行评估。为今后基于图形学的耳穴定位做了基础性研究，不但方便非专业人士使用，且有利于耳穴的示教和耳穴疗法的相关自动化仪器的设计与开发。

致谢：北京科技大学人耳识别实验室的USTB人耳图像库。