紀(jì)喆

摘 要：近年來，隨著醫(yī)療技術(shù)的不斷發(fā)展和新型技術(shù)的興起，體外診斷逐漸成為醫(yī)療領(lǐng)域里一個(gè)重要的部分。無論對于疾病的預(yù)防、診斷和監(jiān)控，體外診斷都起到了關(guān)鍵的作用。而隨著這項(xiàng)技術(shù)的發(fā)展，實(shí)現(xiàn)體外診斷的方法也越來越多樣化和便捷化。其中，基于膜條的體外診斷是當(dāng)前一種主流的現(xiàn)場檢測的臨床診斷方法。然而，這種方法往往基于人工主觀進(jìn)行判讀，判讀結(jié)果會(huì)受到各種因素的影響。因此，實(shí)現(xiàn)一個(gè)算法來進(jìn)行試紙膜條的自動(dòng)判斷也就顯得愈發(fā)重要。本文主要介紹LSD算法、MSER算法、PPHT算法和一些圖像操作方法等主要技術(shù)的內(nèi)容和原理。

關(guān)鍵詞：自動(dòng)判讀算法；LSD算法；MSER算法

中圖分類號(hào)：TP206；TQ 560.72 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）19-0198-02

體外診斷試劑是指用生物化學(xué)、免疫學(xué)、微生物學(xué)、分子生物學(xué)等原理或者方法制備，主要用于對人體疾病的診斷、篩查或者檢測[1]。在生產(chǎn)中體外診斷試劑往往會(huì)做成膜條或者試紙盒。

基然而于膜條的體外診斷是當(dāng)前一種主流的現(xiàn)場檢測的臨床診斷方法，往往依賴于人工主觀進(jìn)行定性判讀。其方法為先確定所讀膜條的型號(hào)和序號(hào)，確定膜條對應(yīng)的檢測項(xiàng)目。接著將質(zhì)控帶的顏色與抗原帶的顏色相互比對，通過視覺判斷來確定抗原帶是陰性或者陽性。

隨著體外診斷技術(shù)的日益發(fā)展，其判讀技術(shù)的相對落后。對于膜條的自動(dòng)判讀技術(shù)的需要顯得愈發(fā)重要。

1 主要技術(shù)分類介紹

1.1 數(shù)字圖像處理簡介

隨著技術(shù)的發(fā)展，對于圖像的處理從傳統(tǒng)圖像的處理轉(zhuǎn)變?yōu)閿?shù)字圖像的處理。在數(shù)字圖像中，圖像被分解成一個(gè)個(gè)像素，每個(gè)像素根據(jù)所在行列可以用坐標(biāo)（x，y）來表示，函數(shù)f（x，y）對應(yīng)的則是像素的強(qiáng)度或者灰度，這樣對于圖像的處理就相對簡單許多。只要知道要處理的像素的坐標(biāo)位置，就可以對該像素的值進(jìn)行處理。

1.2 LSD線段檢測方法

線段提供了重要的信息關(guān)于圖像的幾何內(nèi)容。首先，因?yàn)榇蠖鄶?shù)人為的對象是用平面外表做成的；第二，因?yàn)樵S多形狀都能夠用直線來描述。線段可以被用于低水平的特征來提取信息從圖像上或者可以作為一個(gè)基本的工具來分析和檢測更多復(fù)雜的形狀。作為特征，他們可以解決這幾個(gè)問題，比如立體分析，材料的裂縫檢測，圖像壓縮，和衛(wèi)星圖像定位。因此，LSD線段檢測方法[5]非常適用于膜條這種線段特征明顯的圖像檢測中。

LSD算法是由Burns線段發(fā)現(xiàn)者，在原本的線段提取中做出了突破，并與Desolneux提出的標(biāo)準(zhǔn)相結(jié)合而成。它能夠在線性時(shí)間內(nèi)得出結(jié)果并能有效地控制錯(cuò)誤。對比與傳統(tǒng)的邊緣檢測，Burns的方法定義了一個(gè)線段作為圖片的范圍，叫做線支持區(qū)域，也就是一個(gè)直區(qū)域上的點(diǎn)大概地分享相同的圖像梯度。這樣的直線被粗略地調(diào)節(jié)成沿著平均水平線的方向。Burns算法用三步提取出線段：

（1）通過分組分享相同的根據(jù)某個(gè)公差的梯度角度連接的像素來把圖片分成線支持區(qū)域。（2）發(fā)現(xiàn)最適合每個(gè)線支持區(qū)域的線段。（3）驗(yàn)證或者不驗(yàn)證每個(gè)根據(jù)線支持區(qū)域里的信息的線段。

考慮到這個(gè)方法是一個(gè)真正的突破，LSD算法分享了第一步和第二步的核心思想，再加以改進(jìn)。然而第三步是完全不同的，是參照Desolneux的方法。

首先第一步是形成一個(gè)線支持區(qū)域。每個(gè)區(qū)域從一個(gè)像素開始，區(qū)域角度在這個(gè)像素中被設(shè)置成水平線角度。然后在這個(gè)區(qū)域旁邊的像素會(huì)被測試。在水平線方向且等于這個(gè)區(qū)域的角度直到某個(gè)精度的像素會(huì)被加入到這個(gè)區(qū)域。在每個(gè)迭代中，區(qū)域角度會(huì)被更新成一個(gè)水平線方向上的像素，這個(gè)過程一直重復(fù)直到?jīng)]有新的點(diǎn)被添加。當(dāng)一個(gè)像素被添加到這個(gè)區(qū)域中時(shí)，它被標(biāo)記了和不會(huì)再被讀取到。這個(gè)關(guān)鍵的屬性讓算法變得貪婪和因此是線性的。

第二步是找到最適合線支持區(qū)域的線段。線支持區(qū)域（一個(gè)像素的集合）必須和線段（通常是一個(gè)矩形）聯(lián)系起來。一個(gè)線段由它的終點(diǎn)和寬度或者，相對地，它的中心、角度、長度和寬度決定。

第三步是進(jìn)行線段確認(rèn)。需要計(jì)算區(qū)域內(nèi)所有線段的梯度，只有滿足一定容忍度的線段才被保留下來。給出一個(gè)線段，計(jì)算了對稱點(diǎn)的數(shù)目，例如，水平線方向上的點(diǎn)等于線角度依賴一定公差的點(diǎn)。所有可能在圖像上的線段一定要被測試。這些滿足一個(gè)閾值標(biāo)準(zhǔn)的根據(jù)它們的長度l和它們對稱點(diǎn)的數(shù)目k被保存作為有效的檢測。

LSD算法對于一幅512*512的圖像的處理只要零點(diǎn)幾秒。這算法能夠處理不同種類、起源，尺寸和噪聲水平的圖像，還可以對視頻進(jìn)行了一些測試。應(yīng)該強(qiáng)調(diào)的是，所有的實(shí)驗(yàn)都在不調(diào)整任何參數(shù)下進(jìn)行的。

1.3 累計(jì)概率霍夫變換（PPHT）

作為基本的圖像處理方法之一，霍夫變換一般被用來檢測圖像的幾何形狀。該算法由Paul Hoff于1962年首次提出，經(jīng)過若干改進(jìn)和發(fā)展，經(jīng)典霍夫變換用于檢測圖像中的直線，并且改進(jìn)的霍夫變換被擴(kuò)展為識(shí)別任意形狀的對象。

經(jīng)典的霍夫變換用于檢測圖中的直線，其原理是利用坐標(biāo)空間轉(zhuǎn)換將兩個(gè)坐標(biāo)相互轉(zhuǎn)化，或通過直線映射到另一坐標(biāo)空間的點(diǎn)形成的峰值，從而把檢測任意形狀的問題轉(zhuǎn)化為統(tǒng)計(jì)峰值的問題。

霍夫變換主要是為了找到一幅二值圖像中所有經(jīng)過足夠多點(diǎn)的直線?；舴蜃儞Q分析二值圖像中每一個(gè)像素點(diǎn)，并且找出所有可能經(jīng)過它的直線。當(dāng)同一條直線穿過許多點(diǎn)，便意味著這條線的存在足夠明顯。然而，霍夫變換僅僅查找邊緣點(diǎn)的一種排列方式，意外的像素排列或者是多條直線穿過同一組像素往往會(huì)給實(shí)驗(yàn)帶來錯(cuò)誤的檢測。為了克服這些難題，同時(shí)檢測到端點(diǎn)的線段，人們提出了改進(jìn)后的算法，即概率霍夫變換。

概率霍夫變換的過程如下：

（1）隨機(jī)地選擇一個(gè)像素點(diǎn)，映射到極坐標(biāo)系中畫曲線，然后將選擇的點(diǎn)從圖像中移除；（2）檢查在已更新的累加器中的最高峰是否高過之前定義的一個(gè)閾值th（N），如果不是則返回第一步；（3）找出所有和第二步中由最高點(diǎn)定義的參數(shù)（λ， θ）對應(yīng)的直線。選擇里面最長的線段；（4）將所有的點(diǎn)從最長的線段中移除；（5）從累加器中移除所有和第三步找出的直線相關(guān)的點(diǎn)，這些點(diǎn)不參與其他的投票過程；（6）如果選擇的線段比之前定義的最小長度要長，那就把這個(gè)線段的起始坐標(biāo)和結(jié)尾坐標(biāo)作為輸出的結(jié)果；（7）返回第一步。endprint

1.4 MSER檢測算法

最大極值穩(wěn)定區(qū)域（Maximally Stable Extremal Regions，MSER）是一種類似分水嶺圖像的分割和匹配算法，它具有SIFT、SURF及ORB等特征不具備的仿射不變形，近年來廣泛應(yīng)用于圖像分割與匹配領(lǐng)域。MSER提取的區(qū)域灰度幾乎不變并且和背景顏色對比比較強(qiáng)烈。而且提取的區(qū)域不會(huì)受到多重閾值的影響。因此可以用這個(gè)算法來提取顏色聚類無法提取的部分連通域。

MSER算法的一個(gè)特點(diǎn)是與分水嶺算法很相似。以一個(gè)像素為起點(diǎn)，逐步遍歷鄰邊的像素，從而形成灰度值相近的區(qū)域。MSER的提取過程如下：

（1）像素點(diǎn)排序。對給定圖像進(jìn)行灰度值排序，一般采用快速排序方法，產(chǎn)生每個(gè)單元存放的具有相同灰度值的像素及其坐標(biāo)。（2）極值區(qū)域的生成。采用鄰域生成區(qū)域樹，對每個(gè)閾值圖像計(jì)算對應(yīng)的極值區(qū)域，樹上的每一層對應(yīng)于該閾值圖像，層上的每個(gè)節(jié)點(diǎn)對應(yīng)于圖像上的極值區(qū)域。（3）穩(wěn)定區(qū)域判定。根據(jù)區(qū)域樹性質(zhì)，從葉節(jié)點(diǎn)向其父節(jié)點(diǎn)查找，當(dāng)極值區(qū)域沿著某區(qū)域節(jié)點(diǎn)向根節(jié)點(diǎn)移動(dòng)，且在其變化的2σ的閾值范圍內(nèi)改變時(shí)，其極值的區(qū)域面積不會(huì)發(fā)生改變。（4）區(qū)域擬合。區(qū)域擬合是將最大極穩(wěn)定區(qū)域仿射表示成橢圓，根據(jù)方差與協(xié)方差矩陣調(diào)整區(qū)域形狀。（5）區(qū)域歸一化。將擬合區(qū)擴(kuò)大為測量區(qū)，歸一化操作完成測量區(qū)域的顯著性檢測，歸一化操作是通過計(jì)算梯度方向直方圖完成的。

1.5 高斯濾波技術(shù)

高斯濾波或者對高斯核的卷積是圖像和信號(hào)衰退的常見模型。高斯濾波將輸入圖像中的每一個(gè)像素點(diǎn)與高斯內(nèi)核進(jìn)行卷積運(yùn)算，將卷積運(yùn)算求得的和作為像素值輸出。標(biāo)準(zhǔn)差決定了經(jīng)過高斯濾波處理后圖像的光滑程度。它的輸出是鄰域像素的加權(quán)平均，同時(shí)離中心越近的像素權(quán)重越高，因此，相對于均值濾波，它的平滑效果更柔和，而且邊緣保留的也很好。在圖像處理中，高斯濾波一般有兩種實(shí)現(xiàn)方式，一是用離散化的窗口卷積，另一種是利用傅里葉變換。其中用的最多的是第一種滑窗實(shí)現(xiàn)，只有當(dāng)離散化的窗口非常大時(shí)，用滑窗計(jì)算量非常大的情況下，可能會(huì)考慮基于傅里葉變化的實(shí)現(xiàn)方法。

噪聲的形成受到多種因素的影響。例如在采集過程中，采集圖像的機(jī)器發(fā)熱，膜條的質(zhì)量因素，光照、溫度等環(huán)境因素。這些噪聲往往會(huì)導(dǎo)致圖像的識(shí)別困難，降低判讀的效率，并且會(huì)影響判讀結(jié)果的準(zhǔn)確度，增大判讀的難度。因此，需要對圖像進(jìn)行高斯濾波來降低噪聲對判讀的影響。高斯平滑濾波器的核呈現(xiàn)布局如圖1所示。

2 結(jié)語

隨著我國醫(yī)療水平的快速發(fā)展，對于疾病的預(yù)防和診斷變得越來越重要。體外診斷試劑條對于疾病的快速診斷和預(yù)防起到至關(guān)重要的作用。

本課題詳細(xì)介紹了膜條自動(dòng)判讀系統(tǒng)當(dāng)中主要運(yùn)用的技術(shù)，這些技術(shù)合理運(yùn)用后可以實(shí)現(xiàn)膜條自動(dòng)判讀功能。對比于人工主觀定性判讀，其效率和精度得到很大的提高，并且使得膜條判讀不再依賴醫(yī)務(wù)人員的熟練度和經(jīng)驗(yàn)，對體外診斷應(yīng)用的推廣起到了積極的作用。

參考文獻(xiàn)

[1]鄧素彤，黃良謀，張念樵.醫(yī)院臨床體外診斷試劑的管理模式[J].中華檢驗(yàn)醫(yī)學(xué)雜志，2006，29（1）：81-82.

[2]劉迪，畢篤彥，李權(quán)合，等.非均勻光照下指針式儀表自動(dòng)判讀算法設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用與軟件，2013，（9）：47-48.

[3]孫誠.示溫漆自動(dòng)判讀算法研究及其軟件實(shí)現(xiàn)[D].電子科技大學(xué)，2015.

[4]徐洋.靶道實(shí)驗(yàn)圖像自動(dòng)判讀研究[D].南京理工大學(xué)，2005.endprint