基于贝叶斯理论的手臂静脉线跟踪方法 下载: 785次
1 引言
当代生活随时需要识别个人身份。在诸多生物特征识别技术中,静脉识别因其在安全性、可靠性和经济开发效益方面的优势,被看作是一种较为理想的个人身份识别技术。在静脉识别中,利用相关设备采集到人体静脉图像后,需对图像进行预处理,并从中提取出静脉线供后续特征提取与匹配识别。目前的静脉识别主要包括手指、手掌和手背静脉识别。手臂静脉作为一种全新特征,其研究资料较少[1]。与手部相比,手臂部分面积更大、静脉量更丰富,但是覆盖的脂肪层更厚、噪声影响更大,因此准确提取手臂静脉线的难度也更大。
静脉线提取属于图像分割的范畴,综合各类文献可将当前主流方法大致分为点处理法和跟踪法两类[2-3]。点处理法遍历图像所有像素,通过分析像素局部特征,来判断该点属于血管还是背景,阈值法、区域生长法和匹配滤波法均属于点处理法。阈值法是目前最常用的方法,其中Otsu法的使用最为广泛[4],对于静脉血管这类复杂图像,采用局部阈值法的效果更好[5-6]。Martinez-Perez等[7]将梯度和血管曲率等性质融入区域生长法中,在提取视网膜血管时取得了较好的成果。Chaudhuri等[8]提出的二维高斯匹配滤波法是匹配滤波中的代表。Hoover等[9]考虑了图像局部特性,在滤波后的图像上使用一种阈值递减探索算法来提取血管,其效果优于单阈值法,但计算步骤较为复杂。跟踪法一般基于血管连续性特征,能够保证提取出的静脉线基本连续。迄今为止,科研人员基于各种理论,先后提出诸多不同的跟踪方法:Liu等[10-11]提出了循环跟踪血管的设想; Miura等[12]根据静脉灰度变化的谷特性,设计了重复线跟踪法来提取手指静脉;Yin等[13-14]基于概率判断的跟踪准则,成功提取出较为理想的视网膜血管;Tolias等[15]提出了基于模糊理论的线跟踪法;Nayebifar等[16]以粒子滤波理论为基础,设计了一种新型的血管跟踪方法。在以上方法中,除重复线跟踪法之外,大多还不太成熟,且尚未发现有以手臂静脉作为研究对象的研究。本文结合手臂静脉近红外图像的灰度特性,提出了一种基于贝叶斯理论的线跟踪方法。
2 手臂静脉线跟踪方法
2.1 算法流程
所提出的静脉线跟踪方法可分为以下三步:
1) 初始化。在静脉图像上自动选取一系列初始种子点,为之后的跟踪过程提供初始参数。每条血管的跟踪都从初始种子点开始,沿着血管方向迭代检测边界直至跟踪停止。
2) 迭代。某次迭代所需的局部血管参数,如血管边界点、中心点、局部方向和直径等,均可从前一次迭代中获得。迭代时,算法在一个动态搜索区域内采样候选边界点,基于贝叶斯最大后验概率准则确定可能性最大的血管结构,同时得到下一次迭代所需参数。
3) 跟踪停止。在迭代过程中,若满足以下任一条件,则结束该条血管的跟踪。条件1为血管直径小于1 pixel或血管与背景间的灰度差过小;条件2为当前血管部分之前已被跟踪;条件3为当前遭遇到分支血管。
2.2 初始种子点确定
由于手臂静脉自身结构和成像技术的影响,仅从一个初始种子点出发跟踪所有血管是不现实的,因此本文算法自动确定一批初始种子点,将其与从这些点出发跟踪到的血管相结合,从而得到较为完整的血管分布。实验对象采用来自新加坡南洋理工大学的手臂近红外(NIR)图像库,如
首先,用平行且间距相等的水平线和垂直线将图像划分成一系列大小相等、面积为
式中
图 1. 初始种子点的确定。(a)近红外图像;(b) Gabor滤波后的图像;(c)栅格线及候选初始种子点;(d)有效的初始种子点
Fig. 1. Determination of initial seed points. (a) NIR image; (b) image after Gabor filtering; (c) grid lines and candidate initial seed points; (d) effective initial seed points
2.3 动态搜索区域
迭代时,利用一个大小可自动调节的半椭圆探索血管边界。每一次迭代时,算法都会在半椭圆上等间距采样
第
式中
2.4 血管方向
使用一种基于局部梯度的方法求取血管内某点对应的方向[13,17]。假设图像中某点的坐标为(
对(3)式求导,当
图像中梯度总是指向灰度变化最快的方向,即横截面方向,因此点(
假设向量
根据Δ
图 3. 部分初始种子点及其对应的局部血管方向
Fig. 3. Partial initial seed points and their corresponding local vessel directions
2.5 血管结构模型
为了保证自动跟踪,需要建立血管结构模型。将血管结构分为三类:正常型、分支型和交叉型。正常型结构即普通血管;分支型结构即该处的血管出现两条分叉;若两条血管以一定角度交叠在一起,则形成交叉型结构。
每次迭代时,在半椭圆上等间距选取
为了提高算法效率,在第
设定阈值
当遇到正常型血管结构时,沿着当前血管方向继续跟踪。当遇到分支型血管结构时,结束对这条血管的跟踪,同时存储4个边界点的位置信息,作为之后跟踪两个分支的初始参数。若跟踪到交叉型血管结构时,则沿着当前血管的方向继续前进,并存储另一条血管的4个边界点信息。
图 4. 3种类型的血管结构。(a)正常型;(b)分支型;(c)交叉型
Fig. 4. Three types of vessel structures. (a) Normal; (b) bifurcation; (c) crossing
2.6 多尺度直线滤波
确定血管边界点时,需综合考虑候选点的横向和纵向特性,其中纵向特性使用多尺度直线滤波描述[18]。对于图中每个像素,求得其
式中
式中
式中
2.7 基于贝叶斯最大后验概率准则确定血管边界点
基于贝叶斯最大后验概率(MAP)从
即
式中
2.7.1 条件概率
迭代时一旦
候选点被分为血管点和背景点两类,为方便叙述,分别用字母
式中
由于候选点只有血管点和背景点之分,所以1
式中
假设血管横截面灰度仅受均值为零的高斯白噪声
式中
2.7.2 先验概率
短距离内血管走向不会发生剧烈改变,根据这一特性将先验概率
式中
式中
3 实验与讨论
3.1 跟踪结果
图 7. 跟踪结果。(a)近红外图像;(b) Gabor滤波后图像;(c)跟踪到的血管边界点;(d)正常型血管边界点;(e)分支型血管边界点;(f)交叉型血管边界点
Fig. 7. Tracking results. (a) NIR image; (b) image processed with Gabor filter; (c) tracked vessel edge points; (d) edge points of normal vessel; (e) edge points of bifurcation vessel; (f) edge points of crossing vessel
图 8. 3种方法的结果对比。(a) NIR图像1;(b) NIR图像2;(c)经Gabor滤波器处理后的图像1;(d)经Gabor滤波器处理后的图像2;(e)经所提算法处理后的图像1;(f)经所提算法处理后的图像2;(g)经RLT处理后的图像1;(h)经RLT处理后的图像2;(i)经LAT处理后的图像1;(j)经LAT处理后的图像2
Fig. 8. Comparison of results of three methods. (a) NIR image 1; (b) NIR image 2; (c) image 1 processed with Gabor filter; (d) image 2 processed with Gabor filter; (e) image 1 processed with proposed method; (f) image 2 processed with proposed method; (g) image 1 processed with RLT; (h) image 2 processed with RLT; (i) image 1 processed with LAT; (j) image 2 processed with LAT
3.2 算法评价
分别使用所提算法、RLT法和LAT法提取250张手臂图片的静脉线,并将其与人工标注的静脉线进行比较,使用受试者工作特征(ROC)分析以上几种方法的提取效果。若提取结果中某像素是真实的静脉点,则称之为真正像素,反之则称为假正像素。定义真正率(TPR)为真正像素数
计算250张图片的
图 9. 3种方法提取结果的ROC图像。(a)所提算法;(b)重复线跟踪法;(c)局部自适应阈值法
Fig. 9. ROC images extracted by three methods. (a) Proposed method; (b) RLT method; (c) LAT method
使用查准率
查准率衡量的是算法提取静脉线的准确性;查全率关注的是提取结果的全面性;F测度则结合准确性和全面性综合评价算法的性能,其值越大则算法性能越佳。
表 1. 3种方法的检测率对比
Table 1. Comparison of detection rate of three methods
|
3.3 噪声稳健性分析
近红外图像的拍摄过程会受到噪声的影响,因此,有必要对几种静脉提取方法的噪声稳健性进行比较。向100幅原始的近红外图像中分别加入不同信噪比(SNR)的高斯白噪声,使用3种方法分别处理受不同程度噪声污染的图像,比较不同SNR下这几种方法的检测率。SNR值越小,则图像中的噪声越多。当SNR小于20 dB时,图像几乎完全被噪声污染;当SNR大于50 dB时,加入噪声后的图像与原始的近红外图像几乎无差异。因此,依次设置SNR为20 dB,25 dB,30 dB,…,50 dB。
图 10. 加入不同信噪比噪声后3种方法检测率的比较。(a)查准率;(b)查全率;(c) F测度
Fig. 10. Comparison of detection rate of three methods with different SNR. (a) Precision; (b) recall; (c) F-measure
4 结论
针对手臂静脉这一生物特征,提出了一种基于贝叶斯理论跟踪提取静脉线的方法。基于图像灰度信息自动选取初始种子点,并使用二维高斯匹配滤波器筛选出其中的有效点。跟踪时,定义了一个可以根据血管局部结构自动调节大小的半椭圆搜索区域。每次迭代时,在该区域等间距选取血管边界的候选点,不同的候选点组合对应血管的不同结构。基于贝叶斯理论,综合考虑血管横纵两个方向的特性并作出最优决策,确定局部血管结构,从而得到血管边界点、中心点、直径和方向等信息。通过大量对比实验,验证了该算法的有效性,并将其与同类方法进行了比较。实验结果表明,该算法具备较好的稳健性,提取出的静脉线的准确性和完整性更高。今后的研究将重点关注血管结构模型的改进,以使所提算法能够适应结构更为复杂的静脉图像,同时进一步提高算法效率。该算法迭代时在半椭圆区域选取的候选边界点数为固定值,未来可尝试根据血管的粗细程度调整该数值,以减小算法的复杂度并提高算法的效率。
[1] 赵珊, 王彪, 唐超颖. 基于链码表示的手臂静脉特征提取与匹配[J]. 光学学报, 2016, 36(5): 0515003.
赵珊, 王彪, 唐超颖. 基于链码表示的手臂静脉特征提取与匹配[J]. 光学学报, 2016, 36(5): 0515003.
[7] Martinez-Perez ME, Hughes AD, Thom SA, et al. Improvement of a retinal blood vessel segmentation method using the Insight Segmentation and Registration Toolkit (ITK)[C]. Engineering in Medicine and Biology Society, 2007: 892- 895.
Martinez-Perez ME, Hughes AD, Thom SA, et al. Improvement of a retinal blood vessel segmentation method using the Insight Segmentation and Registration Toolkit (ITK)[C]. Engineering in Medicine and Biology Society, 2007: 892- 895.
[17] Rao A R, Jain R C. Computerized flow field analysis: Oriented texture fields[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(7): 693-709.
Rao A R, Jain R C. Computerized flow field analysis: Oriented texture fields[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(7): 693-709.
[19] 秦筱楲, 蔡超, 周成平. 一种有效的骨架毛刺去除算法[J]. 华中科技大学学报(自然科学版), 2004, 32(12): 28-31.
秦筱楲, 蔡超, 周成平. 一种有效的骨架毛刺去除算法[J]. 华中科技大学学报(自然科学版), 2004, 32(12): 28-31.
Qin X W, Cai C, Zhou C P. An algorithm for removing burr of skeleton[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2004, 32(12): 28-31.
Article Outline
高昊昇, 唐超颖, 陈晓腾, 余笑. 基于贝叶斯理论的手臂静脉线跟踪方法[J]. 光学学报, 2018, 38(2): 0215003. Haosheng Gao, Chaoying Tang, Xiaoteng Chen, Xiao Yu. Line Tracking Method of Arm Vein Based on Bayesian Theory[J]. Acta Optica Sinica, 2018, 38(2): 0215003.