不同波長(zhǎng)近紅外人體血管成像技術(shù)研究

楊小慶， 王 年， 楊云雷

(安徽大學(xué) 電子信息工程學(xué)院，安徽 合肥 230601)

0 引 言

人體靜脈紋路包含著大量的信息，且每個(gè)人的靜脈血管結(jié)構(gòu)是不相同的，可以獲取豐富的信息。目前為止，手指靜脈相關(guān)的研究較多[1～5]，而手臂靜脈相關(guān)的研究相對(duì)較少。相較于手指而言，手臂含有的靜脈較多且復(fù)雜，具有很高的研究?jī)r(jià)值以及應(yīng)用前景。二者靜脈圖像的采集裝置不相同，除了光源的設(shè)計(jì)上會(huì)有所區(qū)別外，具體使用的光源照射方式上也存在差異。手指的靜脈圖像采集[6]相對(duì)簡(jiǎn)單，而手臂較厚，可采用反射方式照射和增強(qiáng)光源強(qiáng)度采集其靜脈圖像[7]。

一般會(huì)選取760 nm或940 nm單波段近紅外光作為采集靜脈血管圖像的光源。通過(guò)不同波段的近紅外光照射，采集的人體血管圖像的質(zhì)量不同。本文采用760,940 nm及其混合光源進(jìn)行反射照射，并對(duì)采集到的血管圖像進(jìn)行限制對(duì)比度自適應(yīng)直方圖均衡化 (contrast limited adaptive histogram equalization，CLAHE)和NiBlack算法[8]處理，多組對(duì)比實(shí)驗(yàn)結(jié)果表明:在圖像處理之前，不同波長(zhǎng)近紅外光采集的手臂血管圖像無(wú)明顯區(qū)別，經(jīng)過(guò)處理后可以看出，940 nm單色光采集到的圖像質(zhì)量最高，760 nm和940 nm的混合光采集到的效果相比次之，760 nm單色光成像效果不佳。

1 近紅外光人體血管圖像采集

1.1 不同波長(zhǎng)近紅外光人體血管成像

根據(jù)還原血紅蛋白的吸收特性，760 nm近紅外光源，比較適合于采集靜脈血管圖像。但對(duì)于人體某些肌肉較厚部位，該波段的穿透性能不好，相對(duì)于760 nm的940 nm近紅外光對(duì)皮膚的穿透深度要大，而且避開(kāi)了脂肪吸收系數(shù)的波峰。為了結(jié)合2種光源的特點(diǎn)，采用760，940 nm和兩者混合波長(zhǎng)光源進(jìn)行實(shí)驗(yàn)。

1.2 近紅外光人體血管采集

1.2.1 攝像頭選取

實(shí)驗(yàn)選取MICRON的MT9V034攝像頭，具備極佳的近紅外敏感度，在暗光線(xiàn)時(shí)性能超過(guò)一般的電荷耦合器件(charge coupled device,CCD)傳感器，更適合在近紅外光線(xiàn)下采集圖像。圖1為其光譜響應(yīng)曲線(xiàn)，可以看出：在近紅外700～950 nm區(qū)間內(nèi)采集的效果較好。

圖1 MT9V034光譜曲線(xiàn)

1.2.2 LED排列

手指和手臂靜脈血管的深度不同，要想獲取高質(zhì)量的血管圖像，可以設(shè)計(jì)不同的發(fā)光二極管(light-emitting diode,LED)光源，如圖2所示。手指靜脈的采集通常采用透射光照方式，能夠使位于肌肉深處細(xì)小的靜脈更好的成像；而手臂部位肌肉較厚，近紅外光很難穿透，因此，一般采用反射的光照方式。

圖2 手指和手臂靜脈采集光源分布

實(shí)驗(yàn)采用直流穩(wěn)壓源對(duì)光源進(jìn)行供電，通過(guò)改變電流的大小調(diào)節(jié)光源的亮度，使其亮度連續(xù)可調(diào)，以方便調(diào)試。采用的光源分布如圖2(b)所示,矩形排布，每顆LED功率大小為0.4 W，電流為100 mA，電路采用串聯(lián)方式，以保證通過(guò)各二極管的電流相同，有相同的亮度，采集的靜脈圖像均勻清晰。

1.2.3 濾光片選取

通常增加濾光片來(lái)消除環(huán)境中可見(jiàn)光的干擾。濾光片要與近紅外波段相匹配。只采用一種近紅外光時(shí)，應(yīng)使用相同波段的帶通濾光片。當(dāng)采用2種或以上的混合光時(shí)，應(yīng)使用長(zhǎng)波通濾光片。

1.2.4 血管圖像采集

采用反射的照射方式，原因?yàn)椋菏直圯^厚，近紅外光通常無(wú)法進(jìn)行透射；光源和攝像頭分布在同一側(cè)，可大幅簡(jiǎn)化采集裝置。采集裝置如圖3所示。

圖3 靜脈圖像采集簡(jiǎn)易裝置

2 人體血管圖像處理

2.1 對(duì)比度增強(qiáng)

圖像對(duì)比度增強(qiáng)最通常的辦法就是直方圖均衡化，CLAHE算法通過(guò)計(jì)算圖像的局部直方圖，重新分布亮度來(lái)改變圖像對(duì)比度，更適合于改進(jìn)圖像的局部對(duì)比度以及獲得更多的圖像細(xì)節(jié)。其每個(gè)子區(qū)域的直方圖hL(r)為

hL(r)=αhW(r)+(1-α)hB(r)

(1)

式中hW(r)為窗內(nèi)歸一化直方圖;hB(r)為窗外歸一化直方圖，且0≤α≤1。實(shí)驗(yàn)取窗口大小r為8×8,α取0.37。

圖4為血管原圖像與增強(qiáng)后圖像。通過(guò)對(duì)比可以看出，CLAHE對(duì)比度增強(qiáng)后圖像的效果較好。

圖4 血管原圖像和增強(qiáng)后圖像

2.2 局部閾值化

由于采集的靜脈圖像光照分布不均勻，因此，實(shí)驗(yàn)選擇局部動(dòng)態(tài)閾值分割的方法，即NiBlack算法，核心思想是對(duì)于圖像中每一個(gè)像素如(x,y),設(shè)其灰度值為f(x,y),建立一個(gè)r×r模板，通過(guò)式(2)和式(3)分別計(jì)算模板像素的均值m(x,y)和方差s(x,y)，并計(jì)算閾值T(x,y)

(3)

T(x,y)=m(x,y)+k×s(x,y)

(4)

式中k為分割閾值的修正系數(shù)。實(shí)驗(yàn)在選取的感興趣區(qū)域(region of interest，ROI)上進(jìn)行NiBlack處理，處理效果比較理想。

3 實(shí)驗(yàn)結(jié)果與分析

1)處理前的手臂圖像對(duì)比。圖5所示為手臂血管處理前圖像。

圖5 不同近紅外波段下手臂血管原圖像

可以看出，由于受皮膚表面反射光的影響，采集到的靜脈血管圖像對(duì)比度會(huì)比較低，在圖像處理之前，各種波長(zhǎng)所采集到的靜脈圖像無(wú)明顯區(qū)別，因此，需要經(jīng)過(guò)相關(guān)的圖像算法處理才能更深入地分析對(duì)比何波段的近紅外光在反射照射下手臂血管成像的質(zhì)量更高。

2)處理后的手臂圖像對(duì)比

為了進(jìn)一步深入分析比較不同波長(zhǎng)近紅外光下所采集到的靜脈血管圖像質(zhì)量，又分別對(duì)760，940nm及60，940 nm的混合光照射下所采集到的圖像進(jìn)行CLAHE增強(qiáng)和NiBlack算法處理，處理后的效果如圖6、圖7所示，可以看出，近紅外940 nm單色光手臂血管圖像經(jīng)過(guò)處理之后，能夠清晰地看到靜脈血管紋路，成像效果最好，而760nm單色光采集到的靜脈圖像經(jīng)過(guò)處理之后，其成像的效果較760 nm和940 nm的混合光采集的模糊。

圖6 各波段下手臂血管對(duì)比度增強(qiáng)后圖像

圖7 各波段下手臂血管二值化后圖像

4 結(jié)束語(yǔ)

針對(duì)不同波長(zhǎng)近紅外光下采集的手臂血管圖像質(zhì)量問(wèn)題，提出了對(duì)靜脈血管圖像進(jìn)行CLAHE和NiBlack算法處理，實(shí)驗(yàn)結(jié)果表明：在近紅外光反射照射下，選取940 nm單色光或者760 nm和940 nm的混合光做為光源，能夠采集到較高質(zhì)量的人體手臂血管圖像。

參考文獻(xiàn):

[1] Jiang H,Cao Q.The finger vein image acquisition method and vein pattern extraction study based on near infrared[J].Circulation Heart Failure,2012,5(5):1-4.

[2] Tan D,Yang J,Shi Y,et al.A hierarchal framework for finger-vein image classification[C]∥IAPR Asian Conference on Pattern Recognition,2013:833-837.

[3] Dai Y,Huang B,Li W,et al.A method for capturing the finger-vein image using nonuniform intensity infrared light[J].Congress on Image & Signal Processing,2008(4):501-505.

[4] Lu Y,Xie S J,Yoon S,et al.An available database for the research of finger vein recognition[J].International Congress on Image & Signal Processing,2013(1):410-415.

[5] Yang L,Yang G,Yin Y,et al.A survey of finger vein recogni-tion[J].Springer International Publishing,2014,8833(8):234-243.

[6] 余成波,余玉潔,方 軍,等.基于FPGA手指靜脈圖像采集系統(tǒng)的研制[J].電子技術(shù)應(yīng)用,2015,41(11):81-84.

[7] 陳 芳.基于近紅外成像的手背靜脈識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D].合肥：安徽大學(xué), 2013.

[8] Zhao S,Wang Y.Extracting hand vein patterns from low-quality images:A new biometric technique using low-cost devices[C]∥The Fourth International Conference on Image and Graphics ,ICIG 2007,2007：667-671.