英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
从手的热图像自动分割感兴趣区域
Jean Gauci, Owen Falcon
摘要
热成像可以非接触且非侵入性的方式提供物体表面温度的图像，特别适合在医疗应用中使用。在需要以标准化且一致的方式从感兴趣的解剖区域（ROI）提取温度数据的应用中，使用自动分段和分析技术可以比手动分割这些ROI提供更快、更可靠和更一致的方法。在本文中，我们提出了一种算法，该算法可自动从人手掌侧的热图像中的八个ROI中提取温度数据。该算法首先从热图像的背景中识别出手，然后识别出组成手指和手掌的像素。最后，从识别出的区域中提取出八个ROI。在这项工作中提出的方法也可以扩展到类似可见光图像的处理。
第一节 引言
监测体温是最古老，最可靠的健康指标之一。人类是恒温动物，因此能够维持恒定的核心体温。恒定的核心温度是通过在所谓的温度调节的过程中平衡热量损失与热量产生来实现的。核心温度甚至几度的变化都可能指示疾病或异常。周围温度的异常变化可能表明存在循环系统问题或其他健康问题，并已在各种研究中进行了研究。
监视这些温度模式的一种便捷方法是使用热成像仪。通过测量从物体发出的红外辐射，这种成像方式可以快速且无接触地在感兴趣区域（ROI）中提供温度数据的图像。人体皮肤在2 micro;m和14 micro;m波长之间的发射率值为0.98plusmn;0.01，是使用热成像技术准确，可靠地读取温度的理想对象。实际上，热成像已被用于许多医学领域，例如发烧筛查，乳腺肿瘤检测和糖尿病性神经病变的检测。
关于在临床应用中使用热成像的大多数研究通常依赖于热图像中解剖ROI的手动划分以提取温度数据。通常使用热图像处理软件执行此过程，在该软件中，临床医生将光标拖动到所需区域上方以选择所需的ROI。这样的过程可能是乏味且耗时的，特别是当涉及大量图像或ROI时。该过程还容易出现人为错误，并取决于适当执行的手动过程。从热图像中选择的ROI的位置和形状的标准化是合乎需要的，特别是如果要跨对象或相对于代表健康或异常温度模式的其他数据集比较数据。但是，在不同的人类参与者中，身体部位的形状变化很大，这可能是一项艰巨的任务。
在这项工作中，我们提出了一种算法，用于从人的手的热图像中自动分割和提取特定的解剖ROI。这项工作的主要目的是提供一种自动提取方法，该方法可以可靠地替代手动提取过程，并使ROI提取过程标准化。在人工操作的情况下，这可以大大减少处理所需的时间，并且还可以最大程度地减少与操作人员内部和操作人员之间的可变性有关的问题。此处介绍的工作构成了自动工具的一部分，该工具用于监视上肢周围动脉疾病的影响。但是，该改进方法与任何需要从手的预定义区域提取温度数据的应用有关。
第二节 文献综述
传统上，热图像的处理涉及两个主要步骤：从背景中分割身体区域，以及在这些较大的身体区域中识别特定的特定解剖区域。从热图像自动提取温度数据的文献非常有限，主要集中在乳腺肿瘤的检测上。用于乳腺肿瘤检测的分割方法是特定于应用程序的，无法扩展到身体其他部位的热图像。
Yoon等分析热图像并自动提取人类前臂区域，以监控一般医疗应用中的温度。首先通过假设前臂温度应处于的温度范围和不包括该温度范围之外的任何像素来从背景中分割前臂。初始分割之后是一组形态学运算符，以从任何虚假区域清除图像。然后分析分段的前臂的外边缘的线轮廓，以从手的其余部分中识别出前臂区域。尽管此方法在他们的测试数据库上给出了良好的结果，但仅在五张图像上进行了测试，因此需要进行进一步的测试。该方法还依赖于姿势并且依赖于热图像的严格采集协议。
提出的另一种热图像分割方法是Blank和Kargel监测烟碱对周围温度的影响。在这种情况下，提出了一种由两个用户选择的ROI计算得出的半自动双重阈值技术。然后使用具有变化半径的圆形结构元素的形态学开口来区分手指和手掌区域以及手掌和手腕区域。在迭代过程中增加结构元素的半径，并在每次迭代时计算剩余前景像素的面积。通过检测面积变化的二阶导数中的两个最大峰来识别手指区域和手掌区域。此方法高度依赖于良好的背景-前景分割，因为任何未正确分割的区域都会改变峰的值和位置。但是，与Yoon等人提出的方法不同，该方法高度独立于姿势，因为面积计算与姿势无关。由于仅列出了13位受试者的结果，因此需要对该方法进行进一步的测试。
Herry等提出了一种对人的手和上臂图像的自动热图像处理算法。根据使用Canny边缘检测器检测到的手的外边缘的形态处理，从热图像的背景中分割出手。分析手的轮廓线以从手掌中识别出手指，并从手的热像中识别出手腕和肘部。使用这些标记，可以从手掌和前臂从手的其余部分中分割出手指。该方法是独立于姿势的，因为它仅依赖于界标区域的检测。该方法在1216张热图像上进行了测试，其中78.8％的热图像已正确分割和识别。
确实存在用于手的热图像的分割和处理的方法，但是这些方法都没有考虑从这些部分中的ROI进行分割和温度提取。我们在此提出的工作解决了以下问题：自动从手的热图像中分割手指和手掌区域，并从识别出的区域中提取特定的ROI，以提取温度数据。
第三节 方法
在这项工作中，开发了一种算法，该算法可分割人手掌侧方面的热图像并从预先指定的解剖ROI中提取温度数据。提出的算法的目的是从手的热图像中自动快速提取标准ROI。如图1所示，选择了八个与临床相关的手腕ROI，如图1所示。这些ROI的选择是基于从尺骨和radial动脉及其相应分支到手的动脉解剖分布。所提出的方法自动从人的手的热图像中提取这八个感兴趣的区域。
马耳他大学的大学研究伦理委员会批准了193名受试者的知情同意，以参加该研究。使用FLIR SC7200M红外热像仪，其空间分辨率为320times;256像素，温度分辨率为20 mK，精度为plusmn;1℃，用于获取人手掌侧方面的热图像。在无杂物的背景下捕获热图像，因为背景中的对象可能反射发出的红外辐射或具有与手相似的强度。在水平位置捕获手，并且在图像中也包括前臂的一部分。图2显示了为本研究目的捕获的两个样本热图像。
所提出的用于自动识别八个ROI并从这些区域提取温度数据的算法由四个子过程组成：
1.从背景中分割出手；
2.从手的其余部分识别手指和手掌；
3.（a）提取五个指尖区域；
（b）提取三个掌区域。
A.背景-前景分割
使用平均阈值算法将手从图像中的背景中分割出来。计算图像中所有像素的平均强度mu;。然后将该平均值用作使用二值化过程分割热图像的阈值。强度大于或等于micro;的像素被视为手的一部分，而强度值小于micro;的像素被视为背景像素。
图3示出了样本手部热图像的分割。其他分段方法（例如Otsu的阈值方法）也可以提供良好的性能，但是平均阈值方法在计算上更便宜，并且可以为手头的应用程序提供相同的性能。
B.识别手掌和手指区域
Blank和Kargel提出的迭代形态学开放方法的改编用于从前景手部区域识别手指和手掌像素。出于此操作的目的，使用了如图3（b）所示的分割后的手部热
图像的二值化版本。使用盘状结构元件的形态学打开操作被用来识别手指和手掌区域。具体地，以迭代的方式施加形态学开口，从而在每次迭代时增加盘形结构元件的半径。对于每次迭代，在应用形态学算子和迭代特定半径之后，确定结果图像中前景区域像素的数量。因此，相对于结构元素的变化半径，可以得到与剩余前景像素数量成正比的结果前景区域中面积的变化，如图4中的红色图所示。图像中没有前景像素。当形态操作者半径首先增加并排除手指时，随后当手掌区域被排除时，观察到区域中的突然变化。可以通过在结构元素半径上区分此变量来检测跟踪前景区域的变量中的这些高变化率，以获得图4中的蓝色曲线，然后检测两个最高峰在微分变量中，在图4的蓝色曲线上标有星号。这两个峰中的第一个出现在手指移开的点，第二个峰出现在除去手掌区域以外的所有像素时。最后，通过在出现这两个峰值的半径处进行两次形态学打开操作，可以获得两个二进制图像，一个仅包含手指，如图5（b）所示，一个仅包含手掌，如图5（c）所示。
C.提取手指感兴趣的区域
为了提取指尖上的五个ROl，将圆圈的霍夫变换应用于从上一步获得的二进制手指图像，如图5（b）所示。 首先，通过仅将具有至少一个背景像素的前景
像素视为邻居来确定前景区域的外边缘。 然后将霍夫变换应用于边缘图像以获得最佳拟合圆的中心和半径。 中心位于手指二进制图像中背景区域上的任何圆都被认为是错误检测并被删除。 然后使用剩下的五个圆圈从热图像中提取温度数据。 仅使用落在前景区域上的所识别圆内的像素，使得落在背景像素上的圆内的任何像素均不用于温度提取。 图6显示了从该算法获得的结果的示例。
D.提取感兴趣的手掌区域
为了确定手掌上的三个圆形ROI，使用了如图5（b）和5（c）所示的二进制手指图像和二进制手掌图像。对于每个图像，计算每个blob1的质心。这在手指图像中为五个手指斑点中的每一个产生一个质心，在手掌图像中为手掌斑点产生一个质心。如图7（a）所示，计算每个手指质心和手掌质心之间的线。通过计算检测到的线的所有可能组合之间的角度并确定给出最大角度的两条线，可以识别与拇指和小指相对应的线。在确定拇指和小指的斑点之后，然后可以基于它们与拇指之间的增加角度来识别与每个手指相关联的斑点，并识别与食指相对应的斑点。然后计算所识别的线和所识别的手掌像素之间的交点。这三个交点与已识别手掌像素的质心一起用作锚点，以转换预定义模板以适合所需的手掌。图7示出了该算法的结果。
第四节 结果
所有算法均在Matlab 2015b版本上实现，并在配备2.7GHz双核处理器和8 Gb RAM的计算机上进行了测试。在前一部分中描述的四种算法，即背景-前景分割算法，手指和手掌区域识别，手指ROI提取和手掌ROI提取，均在386张人类手部热像上进行了测试。对从算法获得的结果进行目视检查，即将提取的ROI覆盖在热图像上，以评估算法的结果是否成功。具体而言，成功的结果是其中自动提取的区域与所需区域相对应的结果，例如图7（c）中的区域。任何与背
景重叠的区域，过于靠近边界的区域或未占据所需位置的区域均视为未成功尝试。这四种算法是级联的，并且每种算法的性能仅根据在先前算法中已成功处理的图像进行计算。因此，对于连续算法，测试数据库的大小会减小。表1显示了在我
们的测试数据库上进行测试时算法的性能。该表的第二列指的是四种算法中每种算法的测试数据库大小。手的所有原始386热图像都用于背景-前景分割算法。然后，成功分割的热图像（除了由于图像未遵循正确的采集协议而被删除的一些图像）用于测试掌指识别算法。最后两个算法，即手指和手掌ROI提取算法，在逐个区域的基础上应用。具体而言，手指ROI提取算法必须从已在前两个算法中成功分割的每个图像中提取五个ROI，而手掌ROI提取算法则必须提取三个ROI。因此，测试数据库大小列的最后两行指的是算法将要从测试数据库中剩余图像中提取的区域数。图8显示了ROI提取算法的一些成功结果，而图9显示了失败的算法的一些示例，这些将在第五部分中进行讨论。
从表1中显示的结果可以看出，每个单独的算法都超过了90％的分类精度。 更重要的是，可以通过乘以连续算法的成功率来计算从热图像中提取所需ROI的成功率，因为成功提取ROI涉及三个步骤：背景-前景分割，手掌识别和ROI提取。 手指ROI的总成功率为80.1％，而手掌ROI的总成功率为80.7％。
第五节 讨论
所开发的方法是旋转和姿势不变的，并且在手指ROI的提取和手掌ROI的提取中均提供良好的性能。观察到提取的区域始终以一致且标准化的方式提取。该算法仅要求手占据图像的很大一部分，要包括在图像中的前臂的一部分以及没有任何伪影的背景-在实际临床环境中很容易达到这些条件。尽管提出的方法主要旨在从手的热图像中提取ROI，但是只要可以精确计算图像的二进制形式，这些方法就可以扩展到处理视觉图像。
背景-前景分割算法面临的一个问题是手和背景在热图像中具有相似的强度。由于背景区域和前景区域之间的这种重叠，简单的阈值化方法无法适当地分离两个区域。图9（a）显示了这样一种情况。
识别手掌和手指区域算法所面临的问题是差分信号中的峰值，例如图4的蓝色图中未清楚地检测到，导致无法识别。正确识别手指和手掌像素之间。这是由于手指和手掌始终没有一致的尺寸，因此在随后的几次迭代中都没有将其移除，从而导致明显的峰值减少。
提取手指ROI时面临的主要问题是手指尖端不近似圆形的手指。如图9（b）中观察到的情况，主要但并非仅在拇指上观察到此问题。当霍夫变换搜索近似圆形的边缘时，诸如此类的情况将导致无法检测到特定的拇指。手掌的ROI提取面临的一个问题是比通常的手掌更长的问题，这会使模板拉伸得比预期的还要长，从而使ROI变形。图9（c）示出了这种情况之一。
该算法的平均计算时间为1.4秒，以提取所有8个ROI。相应的手动温度提取过程使经验丰富的用户花费一分钟左右的时间来使用热图像处理软件提取八个ROI。因此，该算法显着改善了数据提取所需的时间。
第六节 结论
在这项工作中，我们提出了多种算法，可以从八个预先指定的ROI中自动从人手掌侧方面的热图像中提取温度数据。每种提议的方法都超过了90％的分类率，并且在我们的测试数据库中，超过80％的案例提取手指和手掌的ROI的总体顺序给出了足够的结果。所开发的算法在1.4秒内完成了所需的任务，与手动干预相比，显着改善了温度提取所需的时间，同时还以全自动方式进行了这项工作。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239953]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
