基于双波长的手部红外静脉图像增强算法研究

鄢圣玥 陈森森

摘  要：针对临床中大多数手部红外静脉图像增强算法存在成像质量差、成像过程中容易断点而无法连续高质量成像的问题，文章在已有AGC和Frangi算法的基础上，设计一种基于双波长的手部红外静脉图像增强算法，该算法能够有效解决单一的AGC和Frangi算法在图像成像上不连续、图像成像质量差的问题。在对不同波长进行测试后，采用波长为850 nm+940 nm的红外光照射获得原始静脉图像，可提高红外静脉图像增强算法的性能，对提高红外静脉图像产品的临床应用效果具有重要价值。

关键词：双波长；手部静脉；图像增强；红外成像

中图分类号：TP391.4  文献标识码：A  文章编号：2096-4706（2023）05-0082-04

Research on Hand Infrared Vein Image Enhancement Algorithm Based on Dual-wavelength

YAN Shengyue， CHEN Sensen

（Wuhan University of Technology， Wuhan  430070， China）

Abstract： In view of the problems of poor imaging quality， it is easy to break points in the imaging process and cannot continuously high-quality imaging in most of the hand infrared vein image enhancement algorithms in clinical practice， on the basis of the existing AGC and Frangi algorithms， this paper designs a hand infrared vein image enhancement algorithm based on dual-wavelength. This algorithm can effectively solve the problems of image's imaging discontinuity and poor imaging quality of a single AGC and Frangi algorithm. After testing different wavelengths， the original vein image is obtained by infrared irradiation with wavelength of 850 nm+940 nm， which can improve the performance of infrared vein image enhancement algorithm and has important value for improving the clinical application effect of infrared vein image products.

Keywords： dual-wavelength; hand vein; image enhancement; infrared imaging

0  引  言

靜脉红外图像处理技术在临床医疗中应用广泛，可以用于观察患者的静脉血管的状态，辅助穿刺和进行相关疾病的诊断及排查，同时也是基于静脉AI诊断相关技术的基础。

现有的静脉红外图像增强方法主要是从提升图像对比度，增强图像纹理特征，基于图像融合的增强三个方面来进行设计。其中提升图像对比度主要为各种改进的直方图均衡法；增强图像纹理特征主要基于一系列滤波技术；基于图像融合的增强方法主要为将不同方法处理的多张图像进行融合，由于不同方法处理的图像在某些特征上效果明显，通过图像融合可以把图像的增强效果明显区域叠加，同时减弱单张图像的噪声部分，进而得到效果更佳的图像。以上静脉图像增强方法，对不同部位的静脉图像处理效果差别较大，局限于身体某一部位的血管，导致普适性较差，这给相关产品的实际的临床应用带来了巨大的挑战，如何进一步提高算法的稳定性和成像质量，成了当前该领域需要解决的主要问题。

在上述背景下，本文提出了一种融合AGC和Frangi的算法，能够有效地改善当前手部红外静脉图像增强算法存在的断点和噪声问题，同时使用双波长红外光照射，有效地提高手部红外静脉图像成像质量，具有非常重要的意义和价值。

1  算法设计思路

通过光源的对比，可以发现850 nm+940 nm的双波长组合能获得最佳的静脉图像，通过前文对AGC和Frangi两种算法的分析，其中AGC算法能够有效地处理照度不均匀的红外图像，达到降噪的目的，Frangi能够对图像中的特征数据进行识别从而检测静脉血管，融合这两种算法，将提高手部红外静脉图像的成像效果，解决成像后的图像断点及噪声过大的问题。基于该思路，本文构建了融合了AGC和Frangi算法的双波长的手部红外静脉图像增强算法，其实现流程如图1所示。

基于上述流程，在对手部红外静脉图像进行处理的过程中，首先采集双波长红外光850 nm+940 nm照射下的手部静脉图像，对初始图像进行引导滤波，起到锐化图像边缘的作用，再通过AGC（自适应伽马校正）拉伸图像的对比度，接着对处理后的图像进行多尺度高斯滤波降噪处理，然后对处理后图像运用Frangi算法进行血管识别，提取出管状的血管轮廓，最后对图像依次进行局部二值化分割和开运算降噪，得到视觉效果明显的分割后的血管形状。在整个图像处理中，将AGC算法与Frangi算法创新性的结合，二者结合可以有效减少Frangi处理后产生的断点。在进行Frangi算法处理后，图像存在很多断点，因此在进行Frangi算法处理前，需要对图像进行预处理，除了本发明使用的引导滤波、多尺度高斯滤波外，辅以AGC算法，能够更加明显地减少Frangi处理后产生的断点。

2  算法详细设计实现

对红外静脉图像增强算法的实现过程进行分析，其核心步骤详细设计如下。

2.1  图像获取及ROI提取

使用850 nm+940 nm组合双波长近红外光照射，获得手部静脉图像，对图像进行ROI感兴趣区域提取，获取大小为320×240的图像区域，采集的图像中不仅含有手部静脉的感兴趣区域，还含有背景等冗余信息，会增加不必要的计算量，进而降低处理速度。对图像进行ROI区域提取可以简单有效的解决这一问题。

2.2  引导滤波处理

在完成图像预处理及部分区域提取后，还未去除噪声，本文通过对ROI区域进行引导滤波，以解决其识别血管存在的噪声的问题，使用输入图像作为引导图像，达到保持边缘的效果。具体原理为：

其中  为经滤波后的图像，Gi（x， y）为引导图像，k为引导图像某一点的像素，ωk为以点k为中心、半径为r的局部方形窗口，aK（x， y）和bK（x， y） 为引导。

图像在ωk内的线性系数。提取得到的图像存在光照不均匀、对比度低等问题，因此需要进一步处理，运用引导滤波增强图像边。引导滤波的过程中保留了图像的边缘信息，同时抑制了图像的噪声，对图像有增强效果，处理后的图像边缘部分加深，静脉血管更加明显，图像对比度有提升，然而部分噪声的边缘也一并放大，所以需要更进一步处理。

2.3  图像色彩空间转换及AGC算法

在ROI区域引导滤波处理后的图像，运用自适应伽马校正（AGC）进行对比度拉伸。将图像色彩空间转换至HSV，因为其H分量最为清晰，故提取H分量，对H分量进行自适应伽马校正，之后进行通道融合，其中伽马值根据图像特点确定。考虑到图像受到的光照不均匀，传统的灰度拉伸方法会过曝或是过暗。因而利用自适应的方法来处理图像。经过算法处理后的血管部分与背景有着更加明显的对比度，便于后续处理。

2.4  多尺度高斯滤波处理

对色彩空间转换后的图像进行多尺度高斯滤波，经测试验证得到合适的高斯核参数以及相应权重。本文选择三个高斯核对图像进行加权处理。三个高斯核的σk值分别选取15、80、200，对应权重为1/2、1/4、1/4。具体公式为：

在上述模型中，G（x， y， σ）为高斯函数，x、y、σ为高斯函数的参数。

其中P（x， y）为输出图像P在像素点（x， y）处的灰度值，G（x， y， 15）为σ值分为15的高斯函数，G（x， y， 80）为σ值为80的高斯函数，G（x， y， 200）为σ值为200的高斯函数，s（x， y）为输入源图像s在像素点（x， y）处的灰度值。

基于上述模型，图像色彩空间转换后得到对比度较高三通道的图像，随后采用多尺度高斯滤波的算法，分别对三个通道进行加权的多尺度高斯滤波，不断调试找到最好的去噪效果，从而得到噪点较少的图像，将分别处理后的三个通道的图像进行融合。

2.5  利用Frangi二维滤波器对血管特征进行提取

在完成图像融合后，利用Frangi二维滤波器，对血管特征进行提取，从而区分血管和噪点，增强图像中的静脉信息。具体操作是通过对图像中的像素点求解其Hessian矩阵特征值，即λ1和λ2。Hessian矩阵特征值和对应的特征向量分别代表该点处沿某一方向上图形曲率大小和方向。图像中像素点（x， y）的Hessian矩阵H为：

其中?2f（x，y）/（?x2）为图像关于x的二阶偏导数，?2f（x，y）/（?y2）为图像关于y的二阶偏导数，?2f（x，y）/（?x?y）为图像关于x、y的二阶混合偏导数。

可以将Hessian矩阵中的元素求解，函数f （x， y）的导数等于函数f （x， y）與高斯函数的导数卷积。即，

其中f （x， y）为图像f在点（x， y）处的灰度值，其中G（x， y）为高斯函数，?2f（x，y）/（?x2）为高斯函数关于x的二阶偏导数，?2f（x，y）/（?y2）为高斯函数关于y的二阶偏导数，?2f（x，y）/（?x?y）为高斯函数关于x、y的二阶混合偏导数。经上述模型处理后得到图像的海森矩阵，进而可以求得海森矩阵的特征值λ1和λ2。

根据上述模型和方法，根据求得的特征值λ1和λ2，本文进一步将图像形态大致分为三类，具体为：

（1）背景，灰度分布较均匀。任意方向上特征值λ1和λ2都较小。

（2）孤立的点，它在任意方向上的特征值λ1和λ2都很大。

（3）血管，特征值λ1、λ2一大一小。

经过该算法处理后的图像能将血管部分与背景区分，形成管状结构，进一步滤去了非血管形态的噪声。处理后的图像还存在背景与血管结构区分度不明显的问题，一些噪声被转换为较小的管状结构，这些都需要进一步处理来去除。进行局部阈值的二值化分割（NiBlack）处理，对像素点选取r×r的邻域，计算r×r邻域内的均值和方差，并结合修正值得到图像分割的阈值，计算公式为：

T（x， y）=m（x， y）+k*s（x， y）

其中，T（x， y）为所求局部阈值，m（x， y）为局部均值，s（x， y）为局部方差。根据测试参数选取r=20，k=-0.2。分割后的图像，血管与背景黑白分明，比较好辨认，较原图像有着很好的提高效果。由于同时当进行图像遍历时，如果域r×r范围内都是背景，经NiBlack计算后必有一部分被确定为目标，产生伪噪声。对图像进行腐蚀膨胀等操作以去除伪噪声，达到了对图像进行优化的目的。最后将处理后的图像输出完成。

以上就是整个算法的详细设计实现，基于本文的算法实现了AGC和Frangi算法的融合设计，能够有效地提高算法的图像处理效果，提取ROI区域降低图像实时处理的速度，提高输出图像的平稳性和清晰度。

3  算法实验仿真分析

基于本文设计的算法，利用OpenCv视觉处理库对其进行了实验仿真分析，如图2所示，是采集到的在三种不同波长红外光照射下的原始图像。经过分析可知，其中850 nm+940 nm组合光照下获得的图像质量最佳，利于后续处理。

图3是利用本文算法实现的滤波处理后的结果，通过比较可以发现，730 nm+850 nm双波长组合下图像的细节不够清晰，730 nm+940 nm双波长组合下的图像会存在照度不均匀所带来的阴影区域，综合比较后得出850 nm+940 nm双波长组合更适合本文算法处理。同时经过滤波处理后的图片血管与周围组织的对比更加清晰明显。

进一步对手部静脉的图像进行增强处理，在提取的ROI区域，进一步进行静脉图像的分割以及去噪，其中图

4（a）是本文选取的850 nm+940 nm双波长照射下的图像，图4（b）中是通过本文算法生成的静脉增强图像的效果。从上述的结果来看，基于本文算法能够很好地实现对红外静脉图像进行增强，将原本肉眼难以观察到的静脉变得清晰。有效地去除掉周边毛细血管和图像噪声，形成清晰的静脉图像。

4  结  论

手部红外静脉图像增强算法直接关系到相关静脉穿刺辅助医疗产品的准确性和精度，在临床上使用相关的静脉穿刺辅助设备，容易出现较大概率的错误穿刺现象。在这一背景下，本文从红外静脉图像增强算法入手，通过对已有的AGC和Frangi算法进行深入研究，设计了一种基于双波长的手部红外静脉图像增强算法，通过该算法能够有效地解决单一的AGC和Frangi算法在图像成像上不连续，图像成像质量差的问题，能够有效地提取静脉图像，对提高静脉穿刺辅助设备的性能具有非常重要的意义。

参考文献：

[1] 张大鹏，卢光明，郭振华.基于手掌静脉与掌纹的近红外成像设备与身份识别方法：CN101251889 [P].2008-08-27.

[2] 孟琳，刘静，曹慧，等.基于Frangi滤波器和Otsu视网膜血管分割 [J].激光与光电子学进展，2019，56（18）：127-133.

[3] 王依人，邓国庆，夏营威，等.基于方向可调滤波器的血管图像增强算法 [J].系统仿真学报，2018，30（6）：2095-2101.

[4] 黄琨，陈书旺.基于红外成像的输液用血管定位系统研究 [J].计算机与数字工程，2018，46（5）：1025-1028.

[5] 彭晓光，王彪，唐超颖，等.基于Gabor濾波和形态学变换的手臂静脉线提取 [J].计算技术与自动化，2018，37（1）：121-125+151.

[6] 岳林，万新军，张晨皓，等.复杂背景下红外静脉图像的分割与增强 [J].电子科技，2017，30（3）：118-120.

[7] RAO H，ZHANG P L，SUN C S. Contrast enhancement for the infrared vein image of leg based on the optical angular spectrum theory [J].Signal Image and Video Processing，2017，11（3）：423-429.

[8] 曹伟，王华彬，石军，等.基于边缘检测加权引导滤波的指静脉图像增强算法 [J].激光与光电子学进展，2017，54（2）：172-180.

[9] 严娇娇，种兰祥，李婷.一种人手背静脉特征识别方法 [J].计算机科学，2018，45（S1）：206-209.

作者简介：鄢圣玥（2002.05—），女，汉族，湖北荆州人，本科在读，研究方向：电子科学与技术。

收稿日期：2022-11-01

基金项目：国家大学生创新创业训练计划（S202210497296）