脈搏波圖像的包絡線提取與特征點跟蹤

夏鈞, 陶洪峰

(江南大學教育部輕工過程先進控制重點實驗室,江蘇無錫214122)

脈搏波圖像的包絡線提取與特征點跟蹤

夏鈞, 陶洪峰*

(江南大學教育部輕工過程先進控制重點實驗室,江蘇無錫214122)

針對傳統包絡線提取需要手工繪制的問題,提出一種自動識別多普勒超聲圖像包絡線方法。該算法首先對脈搏波圖像進行ROI區域裁剪,然后利用最大類間方差閾值法二值化圖像,結合形態學方法和Sobel算子邊緣檢測提取脈搏波的包絡線,最后采用多門限閾值法判斷和分析脈搏波特征點,實現了對脈搏波圖像包絡線提取和對脈搏波特征點的精確定位。

脈搏波;包絡線;多門限閾值法;特征點

脈搏波圖像分析和研究越來越成為當今生物醫學研究領域的熱點之一。許多重要的醫學指標可以從脈搏波信號中分析和計算而來,如血管的內中膜厚度、血管的最大血流速度和血管的動脈硬化程度等。這些指標能很大程度上幫助醫療從業者更好地分析病人的身體狀況。雖然脈搏波信號因人而異,并且隨著病人的年齡增長而有所差異,但還是符合一定的周期性規律。人體脈搏波信號呈現周期性變化,一個周期的脈搏波波形包括主波、潮波和重搏波3個波段,并且定義了脈搏波信號的4個特征點[1]。

目前針對脈搏波信號分析和研究取得了許多重要成果。在脈搏波特征點的辨識方面,傳統的處理方法主要是先對脈搏波信號進行濾波處理以削弱信號的噪聲,然后再利用信號處理方法計算得到特征點。然而,由于脈搏信號比較復雜,并且個體差異較大,脈搏信號中通常都含有較大干擾噪聲,使得傳統的辨識方法在應用方面有較大的局限性,經常出現誤檢和漏檢。比如,將主波峰值辨識成重搏波峰值或者將潮波峰值檢測成主波峰值。趙志強[2]提出微分閾值法,對脈搏波信號的上升沿和下降沿進行微分運算,突出其形狀特點,然后根據微分算子的方向確定脈搏波圖像的波峰和波谷,取得了很好的辨識效果。高穎等[3]利用小波變換法,對脈搏波圖像進行濾波后,首先利用小波變換在不同頻帶上分解脈搏波信號,然后利用微分運算找到脈搏波圖像的極值點和拐點,再利用拐點的符號來判斷脈搏信號的波峰波谷,取得了理想的效果。還有一些文獻提出脈搏波的處理方法,其中大量采用了諸如脈搏波圖像分割[4]、特征提取[5]和圖像邊緣提取[6]等信號處理方法,也取得了比較滿意的效果。

然而,當病人脈搏比較虛弱時,脈搏信號的上升沿和下降沿坡度會變得比較平緩,利用微分法突出其形狀特征常常會出現不準確的辨識。另外,重搏波峰值的高低因血管的機能差異而相差很大,健康人的重搏波不明顯而病人的重搏波明顯,利用微分法則放大重搏信號變化時會進一步增加誤檢的可能。再次,脈搏信號中通常伴有大量的隨機噪聲,用微分法處理后會進一步放大這些噪聲信號,造成脈搏信號的誤檢和漏檢。

為了解決上述問題,文中提出一種先提取脈搏波信號圖像包絡線(包括ROI區域的裁剪,最大類間方差二值化,形態學開閉操作和邊緣檢測4個步驟),然后再利用多重門限閾值辨識和跟蹤圖像極值點的方法,并且取得了較好的效果。處理結果表明該算法具有較高的可信度。

1 脈搏波包絡線的提取

1.1 脈搏波ROI區域裁剪

圖1大致描繪了一個周期內脈搏波圖像的形狀特征,它包含3個波段和4個特征點。不同年齡的病人,因為血管的機能不同,脈搏波的形狀特征也會相應有所變化。健康人的脈搏波信號擁有陡峭的上升沿和下降沿,這是因為健康人的血管機能比較好,血管阻力較小,血流速度大。同時,健康人的脈搏信號潮波B不顯著。當主動脈瓣受到血液回流的沖擊,形成明顯的脈搏波信號的重搏波峰C和波谷D。隨著病人年齡的增大,血管的機能變差導致血管阻力變大,血流速度變慢,潮波B會相應升高甚至超越主波A。同時,血管阻力的變大會導致血液回流速度增加,重搏波波峰C和波谷D抬高,使得整個脈搏波信號呈現山丘式變化。

根據以上描述,可知隨著病人的年齡增加和心血管機能的逐漸減退,血管機能相應發生改變,血管阻力逐步變大,流速變慢,導致潮波B由不顯著變成顯著,重搏波波峰C和波谷D的位置相對于A點有所升高。因此,從脈搏波圖像上辨識出脈搏波信號特征點A,B,C,D點的相對位置對于分析和診斷病人的健康有著重要的意義。

圖1 一個周期的脈搏波信號Fig.1 One cycle of the pulse wave

超聲診斷儀上獲得的脈搏波圖像如圖2所示。圖2是從無錫市海鷹電子系統醫療有限公司的超聲診斷儀HY-C360上取得的脈搏波信號圖像。顯然, ROI(Region of Interested)區域即目標區域,是圖像中上方的脈搏波信號圖像。圖像下方的背景區域是算法處理中無關的背景部分,如果不能將它與目標區域分離,會大大增加算法的復雜度和算法的處理時間。通常,研究圖像的算法往往是設計特定的濾波器,使其與當前圖像的每個像素進行卷積運算。如果能減少圖像中無效的像素點,無疑將大大提升算法處理的效率。

圖2 脈搏波信號圖像Fig.2 Image of pulse wave signal

文中采取的ROI區域裁剪方法是閾值化方法。超聲診斷儀上采集的脈搏信號圖像是256灰度級的彩色圖片,具有紅、綠、藍3個通道。對紅、綠、藍3個通道設定對應的門限閾值,并設定圖像總的分割閾值t。設t1,t2,t3是當前圖像對應的紅、綠、藍通道的灰度值,m是圖像每一行像素的個數。對于每一行像素點,采用式(1),(2)進行計算。對于每一行像素點,如果計算所得λ＜t0,則認為該行是背景部分;反之,當λ＞t0,則認為該行是目標部分。經過ROI區域剪裁后的圖像如圖3所示。

圖3 ROI區域剪裁后的脈搏波圖像Fig.3 Image of the pulse wave after the ROI area cut

1.2 最大類間方差閾值法二值化

如圖3所示,脈搏信號圖像經過ROI區域裁剪處理后,目標與背景得到初步分離。然而,ROI圖像中還是包含大量與脈搏信號無關的背景點,如果能增強目標物與背景的差異,就能更好地提取和分離目標區域。二值化是處理圖像分割的主要手段之一,它根據圖像目標區域和背景區域的灰度差異,用設定閾值的方法把圖像用僅含有0和1的二值圖像來表示,從而增強了目標物與背景的差異。

C0的產生的概率

C1的產生的概率

C0的平均值為

式中是閾值為T時灰度平均值,采樣的灰度平均值為

兩組間的方差可用下式求出:

定義Tmax是使式(8)取得最大值所對應的T值,也就是最大類間方差法二值化的閾值。最大類間方差法二值化圖像后的效果如圖4所示。

圖4 二值化后的脈搏波圖像Fig.4 Image of the pulse wave after the binary method

1.3 形態學算法

脈搏波圖像經過最大類間方差閾值二值化后目標區域得到了明顯的增強。然而,連通域中有許多孔洞,極大地影響脈搏波包絡線提取的質量,增加了圖像分割的難度。因此,在提取脈搏波包絡線之前,需要對連通區域的內部孔洞進行圖像處理,將連通域內部的孔洞連接起來[8]。

數學形態學方法是處理連通域內部孔洞的常用方法。形態學方法利用各種幾何形狀的結構算子作為形態濾波器,在圖像的目標區域進行卷積濾波,增強目標區域和背景區域的差異性。其中,具有特定半徑長度的圓盤形形態學算子常被用來填充目標區域內部的空洞。

文中將數學形態學方法推廣應用于脈搏信號圖像的包絡線和特征點提取。下面給出形態學中最基本的膨脹、腐蝕定義:

設脈搏信號的離散數字序列為f(n),結構元素為α(m),且有n＞m,則定義如下形態學算子。膨脹算子:

膨脹算子:

由式(9),(10)可見,形態學濾波器其實就是基于數學集合理論的運算算子。相比傳統的高斯濾波器、維納濾波器等,形態學算子結構比較簡單,使得形態學濾波器和原圖像的卷積速度較快。對圖像信號進行形態學運算填充脈搏波區域孔洞的效果取決于所選擇的圓盤形結構元素α(m)的半徑R。利用脈搏波信號中孔洞的波形與其他波形長度不同的特點,選定填充完整,脈搏信號與背景的差異更加明顯特定大小的半徑R,經多次實驗,選定圓盤形結構算子的半徑R為5。對脈搏波圖像進行區域填孔效果如圖5所示。經過形態學圓盤算子卷積處理后,脈搏波頻譜圖像中間連通區域的孔洞被填充完整。

圖5 形態學算子填孔后的脈搏波超聲圖像Fig.5 Image of the pulse wave after the morphological operators

1.4 Sobel算子邊緣檢測

二值圖像經過形態學操作后,目標區域內部孔洞被填充完整。圖像中白色部分是脈搏信號區域,黑色部分是背景區域。兩個區域相交部分就是目標物的邊界。如果需要辨識脈搏信號的峰值,必須首先提取出脈搏波信號的邊緣部分。邊緣檢測法是圖像分割中提取目標物輪廓和邊界的最常用方法[9-10]。文中采用Sobel算子來提取脈搏信號的邊界。Sobel算子根據圖像各個像素點的梯度,計算像素點和周圍像素點的差異,從而分離目標和背景,提取出邊界區域。與其他常用的邊緣檢測算子如Canny算子、Robert算子等相比,Sobel算子分離的邊界線連續性較好。

Sobel算子包含水平方向和垂直方向兩組3×3的矩陣,利用該算子濾波器逐行與圖像像素點卷積,計算出水平方向和垂直方向的亮度差分值。如果以Gx與Gy分別代表經水平方向和垂直方向進行邊緣檢測的算子:

圖像的每一個像素的橫向及縱向梯度近似值可用以下公式結合,來計算梯度的大小。定義(X,Y)是原圖像的一個像素點,則

然后可用以下公式計算梯度方向:

如果角度等于0,代表該像素點是垂直方向邊界中的一點;如果角度接近90度,代表該像素點是水平方向邊界的一點。Sobel算子對像素的位置進行了加權,因此有很強的抗干擾能力,所得圖像的連續性也較好。圖6是經過Sobel算子濾波后提取的脈搏波邊界圖像。可以看出,經過Sobel算子邊緣檢測后,目標區域與背景區域完全分離。

圖6 邊緣檢測后的脈搏波圖像Fig.6 Image of the pulse wave after edge detection

2 脈搏波包絡線特征點跟蹤

提取出脈搏信號的包絡線以后,接下來是要辨識出包絡線上特征點的位置。傳統方法通過微分運算得到包絡線的極大值和極小值,不僅容易受到噪聲干擾,還很難判斷該點是主波、潮波或者是重搏波的特征點。文中提出一種利用多門限閾值識別脈搏波圖像波峰波谷特征點的方法,利用搜索方法找出特征點候選點后,再利用設定的多門限閾值來進一步判斷該點屬于脈搏信號的具體階段。原始脈搏波圖像經過二值化和邊緣檢測等處理后,包絡線在每一列像素上只有一個有效像素點。提取包絡線的峰值算法分為兩個步驟,首先搜索出每列像素的最大和最小值為頻譜波候選點pixelList,然后定義主峰門限T=(maxRow+minRow)/2和重搏波門限T2=(maxRow+minRow)/3來區分脈搏信號的特征點。其中,minRow和maxRow分別是脈搏信號目標區域的最低點行號和最高點行號。具體算法如下:

1)遍歷包絡線的每一個像素,設第i列的像素為f(xi)。如果f(xi)＞f(xi-1)且f(xi)＞f(xi+1),就認為f(xi)是圖像的一個候選峰值點。

2)如果f(xi)＜f(xi-1)且f(xi)＜f(xi+1),則認為該像素是脈搏波信號的重搏波波谷D。

3)定義門限值T=(maxRow+minRow)/2,如果候選峰值點的f(xi)＞T,則候選峰值點是主波波峰A;如果候選峰值點f(xi)＜T,則候選點是潮波波峰B或者是重搏波波峰C。

4)定義門限閾值T2=(maxRow+ minRow)/3。如果候選點f(xi)＞T2,則候選點是重搏波波峰C;反之,候選點是噪聲點。峰值點跟蹤后如圖7所示。

圖7結果顯示,采用文中方法準確地檢測到脈搏波圖像的主要特征點。利用多門限閾值法將脈搏波信號的主峰波峰、重搏波波峰和波谷準確地檢測出來,沒有出現誤檢和漏檢。在重搏波不太明顯時,文中方法也能準確地識別出重搏波位置。實驗中,選取30個脈搏波圖像實驗樣本,其中27幅能準確識別出包絡線和特征點的位置。還有3幅因為對比度不夠,需要借助超聲軟件的對比度增強功能,也能準確識別。

圖7 峰值點跟蹤后的脈搏波圖像Fig.7 Image of the pulse wave after the feature points tracking

3 結 語

文中提出一種脈搏波圖像包絡線提取和峰值點跟蹤方法。與傳統的直接用邊緣檢測算法不同,文中方法是先截取ROI有效區域,然后進行二值化,在新的ROI圖像上用邊緣檢測方法提取到脈搏波圖像的包絡線,最后用搜索脈搏波圖像包絡線最大縱坐標結合多門限閾值的方法得到了脈搏波的主波和諧波的波峰和波谷。與傳統圖像分割和特征點跟蹤算法比較,有更好的圖像分割和跟蹤效果。實驗結果表明,文中的包絡線提取與特征點跟蹤算法簡單有效,能準確地繪制脈搏波圖像的包絡線和識別其特征點。另外,文中算法也可用于其他部位的脈搏波包絡線提取,只需設定新的多重門限閾值即可辨識包絡線的特征點。

[1]瞿年清,謝夢洲.脈搏波形釋義[J].中國中醫藥信息雜志,2007,14(6):3-4.

QU Nianqing,XIE Mengzhou.The definition of pulse wave[J].Chinese Journal of Information on Tradition Chinese Medicine, 2007,14(6):3-4.(in Chinese)

[2]趙志強,鄭國維,沈巍,等.脈搏波信號降噪和特征點識別研究[J].電子設計工程,2013,21(5):57-60.

ZHAO Zhiqiang,ZHENG Guowei,SHENWei,etal.Research on pulsewave signal noise reduction and feature point identification [J].Electronic Design Engineering,2013,21(5):57-60.(in Chinese)

[3]高穎,王阿敏,支朋飛.基于區域分割與提升小波變換的圖像融合算法[J].西北工業大學學報,2014,32(4):569-575.

GAO Ying,WANG Amin,ZHIPengfei.Image fusion algorithm based on region segmentation and lifting wavelet transform[J]. Journal of Northwestern Polytechnical University,2014,32(4):569-575.(in Chinese)

[4]湯全武,史崇升,吳佳.基于DFT變換的彩色圖像平滑濾波[J].計算機工程與設計,2014,35(4):1327-1331.

TANG Quanwu,SHI Chongsheng,WU Jia.Smoothing filter for color image using discrete fourier transform[J].Computer Engineering and Design,2007,35(4):1327-1331.(in Chinese)

[5]蘇子美,郭建英,劉瑾.脈搏波的頻域特征提取與自動識別技術[J].納米技術與精密工程,2010,8(1):70-74.

SU Zimei,GUO Jianying,LIU Jin.Spectrum feature extraction and autcomatic recognition of pulse waves[J].Nanotechnology and Precision Engineering,2010,8(1):70-74.(in Chinese)

[6]賀萌,易秀英,湯林,等.基于自適應形態學的醫學圖像邊緣檢測[J].計算機應用與軟件,2014,31(5):184-187.

HE Meng,YI Xiuying,TANG Lin,et al.Medical image edge detection based on adaptive morphology algorithm[J].Computer Applications and Software,2014,31(5):184-187.(in Chinese)

[7]李寶順,王瑋,包亞萍,等.一種鄰域均值加權最大類間方差的閾值分割法[J].小型微型計算機,2014,25(6):1368-1372.

LIBaoshun,WANGWei,BAO Yaping,etal.A thresholding segmentationmethod of neighborhood-mean weighed otsu[J].Journal of Chinese Computer Systems,2014,25(6):1368-1372.(in Chinese)

[8]王小兵,孫久運,湯海燕.一種基于數學形態學與小波域增強的濾波算法[J].微電子學與計算機,2012,29(7):64-67.

WAND Xiaobing,SUN Jiuyun,TANG Haiyan.A new filter algorithm based on mathematical morphology and wavelet domain enhancement[J].Microelectronics and Computer,2012,29(7):64-67.(in Chinese)

[9]倪婧,王朔中,廖純,等.消除圖像偽輪廓的各向異性自適應濾波[J].中國圖象圖形學報,2014,28(2):219-226.

NIJing,WANG Shuozhong,LIAO Chun,et al.False contour suppression with anisotropic adaptive filtering[J].Journal of Image and Graphics,2014,28(2):219-226.(in Chinese)

[10]左顥睿,張啟衡,徐勇,等.基于GPU的快速Sobel邊緣檢測算法[J].光電工程,2009,36(1):8-12.

ZUO Haorui,ZHANG Qiheng,XU Yong,et al.Fast sobel edge detection algorithm based on GPU[J].Opto-Electronic Engineering,2009,36(1):8-12.(in Chinese)

(責任編輯:楊 勇)

Extraction of the PulseW ave Envelope and the Feature Points Tracking

XIA Jun, TAO Hongfeng*
(Key Laboratory of Advanced Process Control for Light Industry,Ministry of Education,Jiangnan University,Wuxi 214122,China)

This paper proposes a new algorithm to extract the pulse wave envelope and to track its feature points. Firstly,we cut the ROI area of the image,using the otsu method to binary the image.Further more,combining with morphological operators and sobel operators detects the pulse wave envelope,and using a multi-threshold method locates the feature points of the pulse wave images.

pulse wave,envelope extracting,multi-threshold method,feature points

TP 391

A

1671-7147(2015)03-0259-05

2014-12-25;

2015-01-28。

國家自然科學基金項目(61273070,61203092);江蘇省高校自然科學研究項目(11KJB510007);高等學校學科創新引智計劃項目(B12018);江蘇省高校優勢學科建設工程項目。

夏 鈞(1985—),男,江蘇無錫人,控制科學與工程專業碩士研究生。

*通信作者:陶洪峰(1979—),男,江蘇無錫人,副教授,工學博士。主要從事故障檢測與容錯控制等研究。

Email:taohongfeng@hotmail.com