光学图像数字化处理在手掌诊断的应用

2015年春季学期研究生课程考核（读书报告）考核科目:光学图像数字化处理学生所在院（系）:航天学院21系学生所在学科:物理电子学学生姓名:杨宏宇学号:14S021016学生类别:非委培考核结果阅卷人第1页（共页）2图像处理在中医手掌诊断法中的应用摘要：近年来，掌纹识别技术被广泛用于身份认证等领域。同时，手掌的一些特征，可以形象的传达身体健康以及疾病状况的一些信息。利用数字图像处理技术，我们可以研究手掌诊断在中医中的应用。在手掌诊断中，掌纹特征和内部反射区域的颜色特征是非常重要的病理特征。特别的掌纹和不同反射区域的颜色变化，表示着不一样的疾病。我们想利用数字图像处理技术来处理手掌的图像，将内部反射区域定位并分区，来抽取关键的掌纹和颜色信息，帮助中医医生根据掌纹诊断疾病。这篇论文主要致力于手掌图像的处理手段和方法，为将来的研究和成果做准备。我们的主要工作如下：关于图像获得条件、中央滤波器、图像二值化、二值图像优化、手掌提取、手掌边缘提取以及角落的探测的研究。关键词：手掌诊断；TCM；图像处理；提取；探测1．引言研究背景与目的掌纹医学，也就是掌纹诊断医学，又叫手掌医学与手掌诊断医学，是TCM（传统中医）的一个前沿课题。我们可以更加综合地将手掌诊断统称为手掌诊断医学或手掌医学。它形象且直接地表现了人类生命的系统化与自制，它也是人类生命科学的系统理论和控制理论的实际应用。根据手掌诊断理论，手掌的一些特征，可以形象的传达身体健康以及疾病状况的一些信息。“看”是中医中的四大基本诊断方法之一，所以手掌诊断成为了一个热门研究领域。但是问题在于TCM已经独立发展了很长一段时间。通常需要用肉眼来完成手掌诊断，这主要依赖于医师的经验，缺乏先进的诊断工具。并且没有统一的病例标准来参考。数字图像处理技术可以分辨不同的颜色变化，抽取有用的信息。所以它可以应用于中医中的诊断领域。这项技术已经成功应用于舌部诊断以及面部诊断。自然它也可3以应用于手掌诊断。手掌诊断是一种科学的诊断方法，它也是TCM中的一个先进课题。它们有着广阔的前景。基于手掌医学理论和中医的传统理论，数字图像处理技术可以应用于手掌诊断，通过获得病人的手掌颜色图像，通过固定算法对反射区域进行分区，抽取以掌纹和颜色信息为主的ROI，我们可以分别与确定的疾病相关的手掌信息，为医生的诊断提供依据。手掌诊断的简要介绍观察我们的手掌，我们可以发现掌纹并不是乱作一团。他们由14条主要的线以及八种不寻常的掌纹组成。在长期的实践中，人们发现手掌颜色和掌纹的细微变化往往意味着身体状况的改变以及疾病的发生。这是一种生理学现象。人们记录并中介了掌纹变化对应的生理变化规律。在中国，这个规律以及在传统中医中有很长的应用历史了。在继承和发展了中国古代易经理论、八卦和中医诊脉的基础上，又和西方药理学和解剖学的相关理论融合，手掌诊断医学在当代被发展，并成为传统中医中的一个前沿课题。人类手掌的纹路很密。手掌同时布满很多神经末端和毛细血管，所以手掌可以很敏感地反映出内部器官的生理状况。手掌诊断中，医生通过观察病人手掌的颜色等的变化，就可以判断他们的病情。这有潜力很快成为一项很好的辅助诊断工具。14条主要纹路和8条不寻常掌纹如图1中所示，人类手掌掌纹主要有一下14条纹路：1、感情线。主要显示肠胃系统、呼吸系统和生殖系统的状况。通常状况下，掌纹应该是深且红润清晰，并且很少分叉。2、智慧线。主要和大脑以及神经系统功能相关。3、生命线。和人的健康、精力和能力状况相关。4、健康线。脑力工作者或者虚弱的人，以及肝肾功能衰竭或者有慢性呼吸道疾病的病人，他们的健康线都会比较深且清晰。5、玉柱线。和健康状况相关，并且代表心脏和肺功能衰竭之类的慢性疾病。6、干扰线。代表近期身体状况。47、太阳线。在无名指下，临床很少见。8、放纵线。预示着不规律的生活，以及体力的过度消耗。9、金星线。在大多数情况下，有过敏症状的病人会有这条线。10、土星线。代表着情绪，并和家族近视史有关。11、性线。和泌尿生殖系统功能有关。12、肝病线。有这条线的人大多酗酒或者不能喝酒。随着肝脏解毒功能的弱化，他们很容易得肝硬化。13、悉尼线。这是第二条线的演化，代表肿瘤和癌症。14、手掌截断线。它通常和疾病无关，我们只知道它和家族遗传关系很大。图1手掌的14条主要纹路（图中黑线）掌纹在变化，这些变化和由疾病、心理以及环境因素引起的生理状况改变有关。不同反射区域会有不一样的掌纹。有些会变成好分辨的主要的纹路，有些掌纹则会和主要纹路融合，变成新的掌纹。只有固定的掌纹出现在固定的区域，它才会变成病态的掌纹。所以手掌诊断的关键在于从固定区域找到病态的掌纹。8种和疾病相关的不寻常的掌纹：1、十字型掌纹。代表疾病刚刚开始。2、“#”字型掌纹。代表脏器的实质性病变。3、“*”字型掌纹。代表脏器中血液已经空气流动的停滞。4、“Δ”字型掌纹。代表疾病已经从刚刚萌芽向实质性转变。55、“□”字型掌纹。代表稳定的情况或者需要手术。6、“☆”字型掌纹。代表中风。7、“○”字型掌纹。代表外部创伤的影响。8、岛型掌纹。警示我们恶性肿瘤已经肿囊。图2手掌中于器官相关区域说明内部反射区域如图2中所示，我们手掌不同的区域反映了不同器官的状况。如果在固定的内部反射区域出现了相关的病态掌纹，或者说相关手掌区域皮肤的颜色发生了变化，比如变红了或者变成了其他异常的颜色，相关的内脏就有可能出了问题。举个例子：在心脏区域2中出现了十字型掌纹，并在周围有蓝绿色的血管和红点，出现了这种情况的人八成都有心率不齐。在手掌诊断中，精通诊断之道的医生可以通过你的手掌获得信息。通过图像数字化处理，手掌的识别将会变得很容易。本篇文章接下来的部分结构如下：第二部分有关于手掌图像处理的相关工作，第三部分是手掌图像的捕捉与处理，第四部分给出结论和预期。2．手掌图像的捕捉与处理本部分展示几个图像处理步骤所用的方法和器材，来讨论图像获得所需的条件。6获得图像的条件为了分辨主要纹路中的细小变化和颜色变化，我们需要精确且高分辨率的图像。所以找到一种精确且快速的获得图像的模式就很重要。根据一些掌纹识别技术的研究，下面总结了一些通常的手掌图像获得模式：1、基于数字扫描的获得模式。优点：体积小使用方便。缺点：图像获得的速度慢，对污点的处理不准确，手掌凹处的掌纹难以扫描，缺少颜色信息。2、基于精密CCD设备的获得模式。优点：图像质量优秀，手掌位置精确，图像获得速度快，可以用于图像实时处理系统。缺点：设备昂贵，不便于在医院病房及诊所中使用，不能提取完整的手掌图像，有些手掌区域被覆盖了，缺少颜色信息。3、基于高分辨率的数码相机的获得模式。优点：设备费用低，使用方便，图像质量好，图像细节丰富。缺点：图像质量不稳定，图像的获得需要固定的条件。综合已有的条件和集中图像获得模式，我们选择了高分辨率数码相机的获得模式。因为对于病人来说，这种模式更加简单并且可以接受。需要根据以下几种条件来获得手掌图像：1、手掌平放于桌上，掌心向上，五指自然张开。2、为了减少光噪声的干扰，优化图像质量并简化处理工作，背景必须选择黑色。所以可以用一张黑色的纸或者黑色的布当做背景。3、为了通过阈值处理灰度图获得二值图，手掌和背景的颜色密度必须不一样，这样灯光必须要柔和。图3所示为数码相机捕获的一个图像样本。图3图像样本7将彩色图像转变为灰度图首先，将获得的RGA图转化为灰度图。当从手掌图像中提取掌纹时，我们不需要颜色信息，在灰度图中信息的总量少了，计算量也随之减少。我们也可以通过二值化处理，来将手掌从背景中提取出来。据我们所知，灰度图和彩色图像一样，可以反映整张图的区域分布和密度特征。有几种转换RGB图像的方式。1、加权平均法。基于重要性和其他因素，统计图像中R，G和B成分的统计权重。2、平均值法。统计每一个像素点上三种成分的平均值，然后将平均值赋予每一个点（R=G=B=(R+G+B)/3）。3、最大值法（R=G=B=max(R+G+B)）。以上三个方法都便于实施，第一个方法所得的结果最精确合理。图4灰度图从灰度图中去除噪声捕获图像时很难避免噪声，噪声可以影响接下来处理得到的结果。灰度图中的大多数噪声都在图像的边缘，这通常都是高频区域，所以大多数噪声都是高频噪声。在[7]中，我们用空间滤波器来滤掉图像中的高频噪声。中央滤波器和低通滤波器也符合我们的需求。所以我们选择中央滤波器（中央滤波器是一种非线性空间滤波器）。用中央或者相邻像素点（包括像素点本身）的灰度值来替换一个某一个像素点的灰度值。我们用3*3的相邻区域来估算中央区域，在它的边界做镜像，图像被对称地扩展。通过中央滤波器后的图像如图5所示。8图5通过中央滤波器后的灰度图有一些高频噪声被成功的去除了。我们选择3*3的相邻区域，是考虑了计算速度，处理效果和为了避免边缘模糊和图像出现斑点的图像二值化我们通过全局阈值来处理去噪后的灰度图，来获得二值图。方程（1）表示全局阈值处理，f(x,y)带便每一个像素点的灰度值，T代表我们选择的阈值。f(x,y)=255,𝑓(𝑥,𝑦)≥𝑇0,𝑓(𝑥,𝑦)＜𝑇(1)提取灰度图中灰度值柱状图。图6灰度值柱状图根据图像获得的条件，手掌图像的前景色和背景色要有很大差异。所以在图6中，柱状图有两个峰值。每一个峰值分别代表前景和背景的像素点，我们取最低点的灰度为阈值，来获得二值图，并给图中的手掌分区。这个方法被称为模式法。在同样条件下获得的图像，都会有相同的阈值。图7为经过阈值处理后的二值图。9图7手掌二值图像如果仔细看手掌区域，会发现有一个孤立的黑色部分。并且在黑色背景上也有一些白色的点。二值图像优化为了解决最后一个步骤中的问题，我们将会用到一些图像学知识，包括图像膨胀与腐蚀。它们常被用于各种混合处理。B对A的开运算是首先用B对A进行腐蚀，然后用B对结果进行膨胀，闭运算则是先用B对A进行膨胀，再用B对结果进行腐蚀。A代表最后一步获得的二值图，B代表我们从磁盘（R=3）中选择的结构成分。开运算可以打断图像中的细小的连接处，使轮廓更加平滑，去掉一些细小的突出。再用闭运算处理，可以填充一些细长的裂口、小的空洞和一些小断裂。先对获得的二值图进行开运算，再进行闭运算。孤立的黑色区域和白色亮点都被去除了，并且手掌的边缘变得更加平滑。有利于制作手掌提取面具以及提取手掌边缘。图8开运算和闭运算后的手掌二值图103.手掌的提取以及角落的探测这一部分主要展示手掌提取中去掉背景影响的方法；手掌边缘提取；为ROI提取做准备的角落探测。手掌提取在处理过程中，背景会和手掌区域相互干涉。所以，我们需要将背景上的每一个像素点都变成不含任何干涉信息的确定像素点。在灰度图中，将每一个背景像素点都赋值为0.在RGB彩色图像中，赋值R=G=B=0。通过这样的处理，手掌就被从图像中提取出来了。最后一步中获得二值图，认为背景像素点的灰度值是0。将手掌区域像素点（图8中白色区域的像素点）的灰度值标准化后，我们得到了手掌提取面具，一个只有0和1两种灰度值的二值图像。Goc代表经过图像开运算和闭运算后的手掌二值图像，M代表手掌提取面具。通过操作可以得到一个新的图像N。N的每个像素点的灰度值是Goc和M在相关区域（由X和Y决定）灰度值的作用结果：N(x,y)=Goc(x,y)M(x,y)(2)图像N可以用于提取ROI和手掌每个内部反射区域的信息。对于彩色图片，F代表我们获得的原始图像。首先提取图像中的R,G和B成分。用相同的处理思路，每个像素点的色度成分和M的灰度值M（x,y）构成了以下操作：Ra(x,y)=R(x,y)M(x,y)(3)Ga(x,y)=G(x,y)M(x,y)(4)Ba(x,y)=B(x,y)M(x,y)(5)11图9图像N，屏蔽背景后的灰度图混合Ra，Ga和Ba成分，可以获得一个背景被屏蔽掉的新的彩色图像。手掌边缘提取手掌边缘提取是角落探测前的一个必要的步骤，因为手掌的特征点是从手掌边缘提取的。用边缘探测处理二值图像优化所得到的Goc二值图。比较常用的处理方式有Sober处理法、Canny处理法、Kirsch处理法和LoG处理