基于小波变换图像增强算法的手机散斑衬比血流成像技术

徐 昊，周 亮，李 然，孔 平

（1.上海理工大学 健康科学与工程学院，上海 200093；2.上海健康医学院附属嘉定区中心医院，上海 201800）

人体微循环反映了生命体整体及局部的生理病理变化情况，对于了解器官功能、发现和诊断各种疾病具有极其重要的作用。在无创微循环评估技术中，激光散斑衬比成像（LSCI）是一种全场、实时、高时空分辨率的光学成像技术。该方法无需扫描即可在宽视场范围内获得相对血流速度的二维空间图，由此检测血流的动态变化[1]。

近年来，人们已经开始关注如何降低LSCI 设备的成本，提高设备的便携性，探讨使用低成本设备实现LSCI 的方法。Richards 等[2]分别使用8 位的网络摄像头（$35）和14 位的工业相机（$2000），通过体内和体外实验，证明了使用低成本设备的血流成像可与传统LSCI 系统相媲美。随着移动医疗发展，已经可以实现基于智能手机这一移动医疗平台对脉搏信号的便携采集和分析[3]。Jakovels 等[4]选择使用手机摄像头来代替工业相机实现LSCI，对比于网络摄像头，进一步降低了成本，提高了便携性。实验结果显示基于手机相机的LSCI 可以提供血流变化信息，但是由于手机相机的图像算法功能会导致散斑图像产生伪影和“虚假光强”，所以还需要对相机传感器的数据进行分析和进一步的图像处理。

针对上述问题，本文对手机相机图像传感器的原始数据进行了分析和处理，以避免图像校正算法导致的散斑信号失真。此外，针对散斑图像在血流区域表现出低频特性的分量，采用二维离散小波变换(DWT)对图像进行分解和增强[5]，并基于聚类和分割算法进行去噪[6]，以期提高基于手机相机的LSCI 可视化效果。为了测试效果，分别利用工业相机和手机相机进行血流模拟实验和微循环灌流实验，并通过不同的处理方法比较结果。结果表明，本文所提出的算法不仅提高了传统设备的可移植性，而且在移动设备上获得高质量的图像。

1 研究方法

1.1 激光散斑衬比成像原理

散斑是由相干光照射在粗糙表面或随机介质发生散射时产生的[7]。散射粒子在随机介质中的运动会使散射光的相位发生变化，从而改变了随机干涉图样，产生时变散斑。在血流监测中，红细胞是主要的散射物质，红细胞的流动引起散斑的波动[8]。散斑的波动率与散射粒子的速度呈正相关，并可以被CCD 或CMOS 摄像机捕捉到。因此，当曝光时间确定时，在流量较大的区域，散斑波动越快，散斑图像越模糊。“散斑衬比”通常用于定量描述和分析散斑图像中的这种模糊现象，并将其定义为标准差(SD)与平均强度的比值，公式如下所示：

式中：分母为散斑强度的均值；分子为散斑强度的标准差。当衬比值K越小，散斑图像越模糊，运动粒子的速度越快。计算空间衬比常用方法是，通过一个5×5 或7×7 的滑动框遍历整个原始图像，将每个滑动窗得到的衬比结果组成一张衬比图像，得到速度分布图像[9]，如图1 所示。

图1 激光散斑空间衬比原理图Fig.1 Schematic diagram of laser speckle spatial contrast calculation

1.2 基于手机相机的成像方法

使用手机相机进行LSCI 的主要问题是，手机相机一般采用单传感器接收图像，上面通常会覆盖一层彩色滤波阵列（color filter array，CFA）[10]，使其像素点只能透过特定的RGB 颜色分量，而滤除其他的颜色分量，如图2 所示。在LSCI 实验中，一般使用的是650 nm 波长的氦氖激光器作为光源，因此散斑强度信号只被记录在CFA 的红色像素位置，为了避免其他颜色分量的影响，在进行衬比分析前，需要对CFA 中的原始数据（RAW）进行一次采样来提取对应位置散斑信号的强度信息。这种方法虽然可以保证采集的散斑图像能反映准确的血流信息，但是由于最终得到的像素点只有原始像素点的25%，这也会降低散斑图像的分辨率。再加上手机相机传感器受到像素面积的限制，其自身的进光量远低于传统散斑血流仪使用的工业相机，不利于散斑信号的采集，血流可视化效果不理想。针对上述问题，本文在使用手机相机进行激光散斑衬比血流成像的同时，使用数字图像处理技术来提高图像质量。

图2 彩色滤波阵列Fig.2 Color filter array

1.3 血流图像增强算法

Perez-Corona 等[11]提出了一种基于空间方向的方法来计算衬比图像。实验结果表明，该方法能实现较高的噪声衰减，并能在静态区域和动态区域之间产生更高的对比度，从而提升血流的分辨能力。但是在计算衬比的同时，还需对各方向的衬比进行计算和比较，因而处理时间较长，并且参与计算的有效像素也会减少。因此，本文从频域的角度处理图像，使用二维离散小波变化（DWT）对图像进行分解。在小波变换域中，信号的主要特征通常保留在低频分量中，而高频通常包含着图像的细节和噪声[12]。对于血流图像，需要关注的是血流区域的特征，因此需要对低频分量进行增强，同时抑制图像的噪声。DWT 是一种常用的信号分析工具，它由高通滤波器和低通滤波器组成。DWT 将输入图像分解为4 个不同的子带图像，如图3 所示。子带LH、HL、HH 分别代表图像的水平细节、垂直细节和对角细节，包含了输入图像的高频信号。子带LL 代表了近似分量，包含了输入图像的低频信号[13]。

图3 DWT 分解图Fig.3 DWT decomposition

噪声是散斑图像的主要问题，主要分布在背景区域。由于DWT 在分解子带时是对全局进行处理，导致高频的噪声和一些血流的细节信息无法区分，因此在处理背景噪声时，选择空间域的方法。对于背景区域的噪声，最常用的方法之一是通过掩膜法分割背景并屏蔽无效的背景区域[14]。在该过程中，分割的方法至关重要。考虑到在散斑图像中，有较多噪声和不规则的点，因此一般的边缘检测分割方法并不适用。在基于区域的分割中，k-Means 聚类法通过特征对图像的像素点进行聚类和划分[15]。该方法以某k个点作为中心进行聚类，分为k个类别，再不断进行迭代，直到获得最好的聚类结果。达到各聚类自身尽可能的集中，而各聚类之间尽可能的离散的结果。因此，本文通过k-Means 聚类算法对散斑图像进行前景和背景的二分类，获取掩模图像来进行背景的去噪。此外，本文还使用Ostu 阈值分割方法，通过选取最适阈值对血流区域和背景区域进行分割，以此进一步提高分割的正确率[16]。为了提高两种方法的准确性，在分割前对图像使用中值滤波进行了降噪处理。

算法流程如图4 所示，针对使用手机采集到的图像，使用RAW 拍照模式来保留下手机图像传感器的原始信号。为了获得其中红色像素位置的数据，需要使用开源的转换器DCRaw 对采集到的RAW 数据进行解析和提取，进而获得只记录红色像素点位置的新图像rRAW。

图4 基于手机相机的算法流程图Fig.4 Algorithm flow chart based on mobile camera

2 实验系统

为了比较使用手机相机进行血流成像的效果，分别进行模拟实验和微循环灌注实验。在模拟实验中，受测样品为2%含脂量的均质牛奶，粒径约为5～10 μm。注射器在透明的橡胶管中由步进电机推进，通过步进电机控制溶液使其向前匀速运动。在手指微循环血液灌注实验中，使用扩束镜将激光照射在受试者的手背上，然后用相机采集反射光，将采集到的图片和数据传输到计算机进行处理和分析。

实验中使用的激光光源应选择照射在组织后，表现出高散射、低吸收的特性。常用的激光器一般为632 nm 的红色氦氖激光器和780 nm 的近红外激光器[17]，然而有些手机相机会自带一个红外截止滤光片（IR cut filter）[18]。为了避免手机内置镜片的影响，本实验采用了650 nm 的氦氖激光器。设定相机曝光时间为20 ms，在工业相机镜头前安装一个窄带滤光片(半带宽15～20 nm)来滤去自然光的干扰[19]。本实验分别使用工业相机和手机相机采集图像，通过调节相机焦距，采集相同大小图像。所采用的设备及其分辨率和像素大小如表1 所示。

表1 相机参数Tab.1 The camera parameters

3 实验结果和分析

图5(a)，(b)分别为使用工业相机进行模拟实验和微循环灌注实验的伪彩色图像结果。将血流速度设为0～70 级，图中的蓝色到红色代表了相对速度从静止到最大。从图中的红色部分可以清晰地看出试管内的流动状态和手指的微循环灌注状态。从图像的整体来看，蓝色的背景部分仅存有少量噪声，但是动态的前景和静止的背景区域有很明显的区分，因此使用工业相机可以获得质量较高的图像结果。

图5 基于工业相机激光散斑衬比成像结果Fig.5 Laser speckle contrast imaging based on industrial camera

使用手机相机检测的结果如图6 所示。在图6(a)的模拟实验中，可以看到虽然可以检测出试管内的流动状态，但是背景有相当大的噪声存在。在图6(b)的微循环灌注中，手部的血流灌注信息也没有工业相机明显，下面将对图6 的两幅图像使用上述的算法进行图像处理。

图6 基于手机相机激光散斑衬比成像结果Fig.6 Laser speckle contrast imaging based on mobile camera

首先通过DWT 将图像进行分解。由于分解级别越高，包含的低频信息越少，因此选择一级小波分解[20]，并且选择具有正交对称性的Haar 小波基函数对图像进行分解[21]。Haar 小波变换由一组滤波器组成。其中的低通滤波器和高通滤波器分别为

然后对增强后的图像进行去噪，图像需要经过分割和二值化进行处理得到掩模，下面是模拟实验的结果，如图7 所示。从图中可以看到图像的前景部分有较为明显的增强.由于分割出了正确的区域，背景的噪声也完全消失。同时，试管内的流动状态也更清晰明了，可视化效果得到了很大的改善。

图7 经过算法处理得到的模拟实验结果Fig.7 The simulation results obtained by algorithm processing

但是对于手部的血流灌注图像，在进行两种方法的分割时出现了不同的情况。图像经过中值滤波处理后进行两种方法的分割，结果如图8 所示。由于k-Means 的聚类算法是将图像看作是一个图像特征向量的集合，只考虑底层特征向量信息，而忽视了像素的空间位置信息，因此常规的k-Means 聚类方法无法对模型较为复杂的手部血流灌注图像进行分割，如图8(a)所示。而Ostu 的方法是根据图像的灰度特征和类间方差，计算出一个最佳阈值并进而将图像分为前景和背景两个部分，分割的结果如图8(b)所示，可以从衬比图像中较好地分割出手部区域。因此，在图8(c)中，基于Ostu 方法进行分割，进而得到的血流灌注图像背景噪声几乎已经完全消除，同时前景的血流信息也可以更明显地观察出来。

图8 经过算法处理得到的血流灌注实验结果Fig.8 The results of blood perfusion obtained by algorithm processing

4 结 论

本文的工作是利用手机相机采集散斑图像，在进行散斑衬比成像的同时改善可视化效果。在实验中，提取并处理传感器的原始数据，避免了手机自带图像校正算法造成的失真。对于手机相机和工业相机的硬件差距，通过使用二维离散小波变化对图像进行重构和空间域分割去噪的方法对衬比图像进行增强，从而获得高衬比分辨率的血流图像。该方法不仅可以检测体表的微循环血流灌注，而且还有助于观察细小的血管或血流信息较少的区域，降低辅助评估时的误差。

此外，研究发现，手机摄像头在移动医疗领域仍有相当大的潜力。手机相机的彩色滤波阵列具有红色和绿色滤光单元，因此具有检测血氧饱和度的潜力。由于氧合血红蛋白和脱氧血红蛋白在不同波长具有不同的光吸收系数，可以使用红绿双波长光源照射指尖，采集并分析绿色和红色像素值，得到两种脉搏波信号，然后根据比尔-朗伯定律计算出血氧饱和度[22]，再配合激光散斑衬比成像的结果，进而多角度分析人体的生理状态。