基于小波變換圖像增強算法的手機散斑襯比血流成像技術

徐 昊，周 亮，李 然，孔 平

（1.上海理工大學 健康科學與工程學院，上海 200093；2.上海健康醫學院附屬嘉定區中心醫院，上海 201800）

人體微循環反映了生命體整體及局部的生理病理變化情況，對于了解器官功能、發現和診斷各種疾病具有極其重要的作用。在無創微循環評估技術中，激光散斑襯比成像（LSCI）是一種全場、實時、高時空分辨率的光學成像技術。該方法無需掃描即可在寬視場范圍內獲得相對血流速度的二維空間圖，由此檢測血流的動態變化[1]。

近年來，人們已經開始關注如何降低LSCI 設備的成本，提高設備的便攜性，探討使用低成本設備實現LSCI 的方法。Richards 等[2]分別使用8 位的網絡攝像頭（$35）和14 位的工業相機（$2000），通過體內和體外實驗，證明了使用低成本設備的血流成像可與傳統LSCI 系統相媲美。隨著移動醫療發展，已經可以實現基于智能手機這一移動醫療平臺對脈搏信號的便攜采集和分析[3]。Jakovels 等[4]選擇使用手機攝像頭來代替工業相機實現LSCI，對比于網絡攝像頭，進一步降低了成本，提高了便攜性。實驗結果顯示基于手機相機的LSCI 可以提供血流變化信息，但是由于手機相機的圖像算法功能會導致散斑圖像產生偽影和“虛假光強”，所以還需要對相機傳感器的數據進行分析和進一步的圖像處理。

針對上述問題，本文對手機相機圖像傳感器的原始數據進行了分析和處理，以避免圖像校正算法導致的散斑信號失真。此外，針對散斑圖像在血流區域表現出低頻特性的分量，采用二維離散小波變換(DWT)對圖像進行分解和增強[5]，并基于聚類和分割算法進行去噪[6]，以期提高基于手機相機的LSCI 可視化效果。為了測試效果，分別利用工業相機和手機相機進行血流模擬實驗和微循環灌流實驗，并通過不同的處理方法比較結果。結果表明，本文所提出的算法不僅提高了傳統設備的可移植性，而且在移動設備上獲得高質量的圖像。

1 研究方法

1.1 激光散斑襯比成像原理

散斑是由相干光照射在粗糙表面或隨機介質發生散射時產生的[7]。散射粒子在隨機介質中的運動會使散射光的相位發生變化，從而改變了隨機干涉圖樣，產生時變散斑。在血流監測中，紅細胞是主要的散射物質，紅細胞的流動引起散斑的波動[8]。散斑的波動率與散射粒子的速度呈正相關，并可以被CCD 或CMOS 攝像機捕捉到。因此，當曝光時間確定時，在流量較大的區域，散斑波動越快，散斑圖像越模糊。“散斑襯比”通常用于定量描述和分析散斑圖像中的這種模糊現象，并將其定義為標準差(SD)與平均強度的比值，公式如下所示：

式中：分母為散斑強度的均值；分子為散斑強度的標準差。當襯比值K越小，散斑圖像越模糊，運動粒子的速度越快。計算空間襯比常用方法是，通過一個5×5 或7×7 的滑動框遍歷整個原始圖像，將每個滑動窗得到的襯比結果組成一張襯比圖像，得到速度分布圖像[9]，如圖1 所示。

圖1 激光散斑空間襯比原理圖Fig.1 Schematic diagram of laser speckle spatial contrast calculation

1.2 基于手機相機的成像方法

使用手機相機進行LSCI 的主要問題是，手機相機一般采用單傳感器接收圖像，上面通常會覆蓋一層彩色濾波陣列（color filter array，CFA）[10]，使其像素點只能透過特定的RGB 顏色分量，而濾除其他的顏色分量，如圖2 所示。在LSCI 實驗中，一般使用的是650 nm 波長的氦氖激光器作為光源，因此散斑強度信號只被記錄在CFA 的紅色像素位置，為了避免其他顏色分量的影響，在進行襯比分析前，需要對CFA 中的原始數據（RAW）進行一次采樣來提取對應位置散斑信號的強度信息。這種方法雖然可以保證采集的散斑圖像能反映準確的血流信息，但是由于最終得到的像素點只有原始像素點的25%，這也會降低散斑圖像的分辨率。再加上手機相機傳感器受到像素面積的限制，其自身的進光量遠低于傳統散斑血流儀使用的工業相機，不利于散斑信號的采集，血流可視化效果不理想。針對上述問題，本文在使用手機相機進行激光散斑襯比血流成像的同時，使用數字圖像處理技術來提高圖像質量。

圖2 彩色濾波陣列Fig.2 Color filter array

1.3 血流圖像增強算法

Perez-Corona 等[11]提出了一種基于空間方向的方法來計算襯比圖像。實驗結果表明，該方法能實現較高的噪聲衰減，并能在靜態區域和動態區域之間產生更高的對比度，從而提升血流的分辨能力。但是在計算襯比的同時，還需對各方向的襯比進行計算和比較，因而處理時間較長，并且參與計算的有效像素也會減少。因此，本文從頻域的角度處理圖像，使用二維離散小波變化（DWT）對圖像進行分解。在小波變換域中，信號的主要特征通常保留在低頻分量中，而高頻通常包含著圖像的細節和噪聲[12]。對于血流圖像，需要關注的是血流區域的特征，因此需要對低頻分量進行增強，同時抑制圖像的噪聲。DWT 是一種常用的信號分析工具，它由高通濾波器和低通濾波器組成。DWT 將輸入圖像分解為4 個不同的子帶圖像，如圖3 所示。子帶LH、HL、HH 分別代表圖像的水平細節、垂直細節和對角細節，包含了輸入圖像的高頻信號。子帶LL 代表了近似分量，包含了輸入圖像的低頻信號[13]。

圖3 DWT 分解圖Fig.3 DWT decomposition

噪聲是散斑圖像的主要問題，主要分布在背景區域。由于DWT 在分解子帶時是對全局進行處理，導致高頻的噪聲和一些血流的細節信息無法區分，因此在處理背景噪聲時，選擇空間域的方法。對于背景區域的噪聲，最常用的方法之一是通過掩膜法分割背景并屏蔽無效的背景區域[14]。在該過程中，分割的方法至關重要。考慮到在散斑圖像中，有較多噪聲和不規則的點，因此一般的邊緣檢測分割方法并不適用。在基于區域的分割中，k-Means 聚類法通過特征對圖像的像素點進行聚類和劃分[15]。該方法以某k個點作為中心進行聚類，分為k個類別，再不斷進行迭代，直到獲得最好的聚類結果。達到各聚類自身盡可能的集中，而各聚類之間盡可能的離散的結果。因此，本文通過k-Means 聚類算法對散斑圖像進行前景和背景的二分類，獲取掩模圖像來進行背景的去噪。此外，本文還使用Ostu 閾值分割方法，通過選取最適閾值對血流區域和背景區域進行分割，以此進一步提高分割的正確率[16]。為了提高兩種方法的準確性，在分割前對圖像使用中值濾波進行了降噪處理。

算法流程如圖4 所示，針對使用手機采集到的圖像，使用RAW 拍照模式來保留下手機圖像傳感器的原始信號。為了獲得其中紅色像素位置的數據，需要使用開源的轉換器DCRaw 對采集到的RAW 數據進行解析和提取，進而獲得只記錄紅色像素點位置的新圖像rRAW。

圖4 基于手機相機的算法流程圖Fig.4 Algorithm flow chart based on mobile camera

2 實驗系統

為了比較使用手機相機進行血流成像的效果，分別進行模擬實驗和微循環灌注實驗。在模擬實驗中，受測樣品為2%含脂量的均質牛奶，粒徑約為5～10 μm。注射器在透明的橡膠管中由步進電機推進，通過步進電機控制溶液使其向前勻速運動。在手指微循環血液灌注實驗中，使用擴束鏡將激光照射在受試者的手背上，然后用相機采集反射光，將采集到的圖片和數據傳輸到計算機進行處理和分析。

實驗中使用的激光光源應選擇照射在組織后，表現出高散射、低吸收的特性。常用的激光器一般為632 nm 的紅色氦氖激光器和780 nm 的近紅外激光器[17]，然而有些手機相機會自帶一個紅外截止濾光片（IR cut filter）[18]。為了避免手機內置鏡片的影響，本實驗采用了650 nm 的氦氖激光器。設定相機曝光時間為20 ms，在工業相機鏡頭前安裝一個窄帶濾光片(半帶寬15～20 nm)來濾去自然光的干擾[19]。本實驗分別使用工業相機和手機相機采集圖像，通過調節相機焦距，采集相同大小圖像。所采用的設備及其分辨率和像素大小如表1 所示。

表1 相機參數Tab.1 The camera parameters

3 實驗結果和分析

圖5(a)，(b)分別為使用工業相機進行模擬實驗和微循環灌注實驗的偽彩色圖像結果。將血流速度設為0～70 級，圖中的藍色到紅色代表了相對速度從靜止到最大。從圖中的紅色部分可以清晰地看出試管內的流動狀態和手指的微循環灌注狀態。從圖像的整體來看，藍色的背景部分僅存有少量噪聲，但是動態的前景和靜止的背景區域有很明顯的區分，因此使用工業相機可以獲得質量較高的圖像結果。

圖5 基于工業相機激光散斑襯比成像結果Fig.5 Laser speckle contrast imaging based on industrial camera

使用手機相機檢測的結果如圖6 所示。在圖6(a)的模擬實驗中，可以看到雖然可以檢測出試管內的流動狀態，但是背景有相當大的噪聲存在。在圖6(b)的微循環灌注中，手部的血流灌注信息也沒有工業相機明顯，下面將對圖6 的兩幅圖像使用上述的算法進行圖像處理。

圖6 基于手機相機激光散斑襯比成像結果Fig.6 Laser speckle contrast imaging based on mobile camera

首先通過DWT 將圖像進行分解。由于分解級別越高，包含的低頻信息越少，因此選擇一級小波分解[20]，并且選擇具有正交對稱性的Haar 小波基函數對圖像進行分解[21]。Haar 小波變換由一組濾波器組成。其中的低通濾波器和高通濾波器分別為

然后對增強后的圖像進行去噪，圖像需要經過分割和二值化進行處理得到掩模，下面是模擬實驗的結果，如圖7 所示。從圖中可以看到圖像的前景部分有較為明顯的增強.由于分割出了正確的區域，背景的噪聲也完全消失。同時，試管內的流動狀態也更清晰明了，可視化效果得到了很大的改善。

圖7 經過算法處理得到的模擬實驗結果Fig.7 The simulation results obtained by algorithm processing

但是對于手部的血流灌注圖像，在進行兩種方法的分割時出現了不同的情況。圖像經過中值濾波處理后進行兩種方法的分割，結果如圖8 所示。由于k-Means 的聚類算法是將圖像看作是一個圖像特征向量的集合，只考慮底層特征向量信息，而忽視了像素的空間位置信息，因此常規的k-Means 聚類方法無法對模型較為復雜的手部血流灌注圖像進行分割，如圖8(a)所示。而Ostu 的方法是根據圖像的灰度特征和類間方差，計算出一個最佳閾值并進而將圖像分為前景和背景兩個部分，分割的結果如圖8(b)所示，可以從襯比圖像中較好地分割出手部區域。因此，在圖8(c)中，基于Ostu 方法進行分割，進而得到的血流灌注圖像背景噪聲幾乎已經完全消除，同時前景的血流信息也可以更明顯地觀察出來。

圖8 經過算法處理得到的血流灌注實驗結果Fig.8 The results of blood perfusion obtained by algorithm processing

4 結 論

本文的工作是利用手機相機采集散斑圖像，在進行散斑襯比成像的同時改善可視化效果。在實驗中，提取并處理傳感器的原始數據，避免了手機自帶圖像校正算法造成的失真。對于手機相機和工業相機的硬件差距，通過使用二維離散小波變化對圖像進行重構和空間域分割去噪的方法對襯比圖像進行增強，從而獲得高襯比分辨率的血流圖像。該方法不僅可以檢測體表的微循環血流灌注，而且還有助于觀察細小的血管或血流信息較少的區域，降低輔助評估時的誤差。

此外，研究發現，手機攝像頭在移動醫療領域仍有相當大的潛力。手機相機的彩色濾波陣列具有紅色和綠色濾光單元，因此具有檢測血氧飽和度的潛力。由于氧合血紅蛋白和脫氧血紅蛋白在不同波長具有不同的光吸收系數，可以使用紅綠雙波長光源照射指尖，采集并分析綠色和紅色像素值，得到兩種脈搏波信號，然后根據比爾-朗伯定律計算出血氧飽和度[22]，再配合激光散斑襯比成像的結果，進而多角度分析人體的生理狀態。