基于高光谱成像技术的静脉识别测试试验

基于高光谱成像技术的静脉识别测试试验

一、测试原理及方法：

    高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其最突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景。它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。

    高光谱成像技术的定义是在多光谱成像的基础上，在从紫外到近红外（200-2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。

目标物体-成像物镜-入射狭缝-准直透镜-PGP-聚焦透镜-CCD棱镜-光栅-棱镜：PGP

图1 成像原理图

光谱仪的光谱分辨率由狭缝的宽度和光学光谱仪产生的线性色散确定。最小光谱分辨率是由光学系统的成像性能确定的（点扩展大小）。

    成像过程为：每次成一条线上的像后（X方向），在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（Y方向）。综合横纵扫描信息就可以得到样品的三维高光谱图像数据。

图2 像立方体

本文以手臂静脉为研究对象，利用双利合谱的高光谱成像仪GaiaSorter（光谱范围400nm-1000nm）采集测试对象的高光谱数据。测试时间为2015年8月4日。图3为GaiaSorter “盖亚”高光谱分选仪的外观图像

图3  GaiaSorter “盖亚”高光谱分选仪

GaiaSorter “盖亚”高光谱分选仪的核心部件包括均匀光源、光谱相机、电控移动平（或传送带）、计算机及控制软件等部分。工作原理是通过光源照射在放置于电控移动平台（或传送带）上的待测物体（样品），样品的反射光通过镜头被光谱相机捕获，得到一维的影像以及光谱信息，随着电控移动平台（或传送带）带动样品连续运行，从而能够得到连续的一维影像以及实时的光谱信息，所有的数据被计算机软件所记录，最终获得一个包含了影像信息和光谱信息的三维数据立方体。其结构示意如图4所示。

图4  GaiaSorter “盖亚”高光谱分选仪结构示意图

高光谱仪配置：镜头：22mm镀膜消色差镜头；光谱范围：400nm-1000nm，光谱分辨率: 4nm@435.8nm（@400-1000nm），像面尺寸（光谱x空间）：6.15 x 14.2 mm，相对孔径：F/2.4，狭缝长度14.2 mm.

SpecView软件：控制完成自动曝光、自动对焦、自动扫描速度匹配；数据处理：黑白、辐射度、均匀性、镜头等校准；光谱查看。

图5为成像高光谱的拍摄手臂正反面的真彩色合成图像。

图5 基于成像高光谱手臂正反面的真彩色合成图像 (640 nm、550 nm、460 nm)

对成像高光谱仪拍摄的手臂原始影像数据进行数据的预处理，预处理过程主要包括两部分。第一部分是辐射定标；第二部分为噪声去除。

首先进行辐射定标。辐射定标的计算公式如1所示。

                        (1)

其中，Ref_target为目标物的反射率，Ref_panel为标准参考板的反射率，DN_target为原始影像中目标物的的数值，DN_panel为原始影像中标准参考板的数值，DN_dark为成像光谱仪系统误差。

其次是噪声去除，本文运用国外较为常用的最小噪声分离方法(Minimum Noise Fraction Rotation， MNF)进行噪声去除。最小噪声分离工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。第二步是对噪声白化数据（Noise-whitened）的标准主成分变换。为了进一步进行波谱处理，通过检查最终特征值和相关图像来判定数据的内在维数。数据空间可被分为两部分：一部分与较大特征值和相对应的特征图像相关，其余部分与近似相同的特征值以及噪声占主导地位的图像相关。图6为MNF降噪前后的光谱反射率变化。

图6  MNF降噪前后的光谱反射率变化

对原始数据进行预处理之后，分别分析手臂正反面皮肤与手臂静脉的光谱反射率差异，如图7所示。

图7  手臂正反面皮肤与手臂静脉的光谱反射率差异

利用SpecView软件的Analysis-Animate功能，快速浏览能识别手臂静脉的波段，结果表明能识别手臂静脉的波段主要集中在近红外区间，这与目前国内外的研究结果相同。为了较为清晰地看到静脉血管，本文对近红外波段的进行均衡化处理。均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法，其“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。图8为手臂正面780 nm的灰度图与经均衡化处理后直方图。

图8   手臂正面780 nm处均衡化处理前（左）后（右）的灰度图

为了客观地识别手臂上的静脉，对经预处理后的高光谱数据进行主成分分析（Principal Component Analysis, PCA），去除波段之间的多余信息、将多波段的图像信息压缩到比原波段更有效的少数几个转换波段下。图9为手臂正反面经PCA变换后的前6个主成分。

图9  手臂正反两面PCA处理后的前6个主成分

为了更客观真实地识别出手臂静脉，根据波段组合的特点，对PCA前六个主成分组合成各种假彩色图像，如图10为手臂正面的假彩色合成图像，图11为手臂反面的假彩色合成图像。与灰度图相比，假彩色合成更能直观地识别出手臂静脉。

图10     手臂正面PCA假彩色合成图像

图11     手臂反面PCA假彩色合成图像