一種激光散斑血流成像的增強方法技術

一種激光散斑血流成像的增強方法，用于對激光散斑血流成像進行降噪處理和修復處理以增強激光散斑血流成像的清晰度，由于該方法采用BEEMD對于激光散斑血流成像的處理算法，使得微血管圖像顯示更為清晰，能夠反映更多的細節，降低了震動噪聲對血流散斑圖的影響；又由于采用的BEEMD算法能有效地避免原EEMD算法在圖像行列相關性方面造成的信息缺失，使得在進行去噪操作之前盡可能地保留了完整的圖像信息；最后還由于采用的BEEMD算法在計算速度上遠優于各類二維經驗模態分解(BEMD)算法，使得對在體實時監測血流有積極作用。

An enhanced method for laser speckle blood flow imaging

A laser speckle imaging enhancement method for laser speckle imaging for noise reduction and repair process in order to enhance the clarity of laser speckle imaging, the method adopts BEEMD algorithm for laser speckle imaging, the microvascular image display is more clear, can reflect more details to reduce the influence of noise, vibration on the flow of the speckle pattern; and because the BEEMD algorithm can effectively avoid the original EEMD algorithm in image procession correlation information is missing, so before denoising operation as much as possible to retain the whole image information; finally, because the BEEMD algorithm used in computing speed far superior to all kinds of two-dimensional empirical mode decomposition (BEMD) algorithm, the in vivo real-time monitoring of blood flow has a positive effect.

【技術實現步驟摘要】

本專利技術涉及一種激光散斑血流成像的增強算法，特別涉及一種基于二維集合經驗模態分解(Bi-DimensionalEnsembleEmpiricalModeDecomposition,BEEMD)算法的激光散斑血流成像增強方法,屬于生物醫學信號處理

技術介紹
激光散斑對比成像技術(LaserSpeckleContrastImaging,LSCI)是通過分析運動顆粒對相干激光的散射特性來獲得顆粒運動速度的技術，同時也能夠提供二維的血流分布圖像。通過激光散斑對比分析對記錄的數據進行處理，得到對比圖像，該圖像可以反映血流的速度信息，也可以通過圖像反映微血管的分布情況。從實驗角度和硬件設備角度來考慮，激光散斑對比成像技術對于成像過程中的任何抖動都是非常敏感的。例如：模擬試驗中的仿生軟管會因微型泵的蠕動作用而產生震動噪聲、白鼠和人體的呼吸、心跳等都會產生不同程度的抖動。以上這些抖動的直接影響就是造成散斑對比圖像的分辨率損失。集合經驗模態分解(EnsembleEmpiricalModeDecomposition,EEMD)是N.E.Huang等研究者在EMD基礎上提出的一種噪聲輔助數據分析方法，相比于傅立葉分解和小波分解方法，其明顯優勢就在于適合分析非線性、非平穩信號序列且具有很高的信噪比，同時解決了EMD算法中存在的模態混疊問題。EEMD算法在一維數據分解，比如海洋、大氣、天體觀測資料以及地震記錄分析、機械故障檢測、醫學臨床監測等方面應用非常廣泛，但在二維以及多維信號的數據處理和信號分析上還存在諸多問題。對于二維空間數據或圖像，我們常會把其看作是一維數據序列在x或y方向上的序列組合，最初的算法是將二維數據(圖像)的每一行(或列)單獨進行EEMD處理，然后將所有的行(列)處理結果組合起來，這樣做雖然可以分解出不同層次的圖像，但由于它將二維信號的每一維向量當作一個獨立的過程，忽略了二維信號的相關性，因此按照此方法處理得出的結果很難令人滿意。此外，也有研究者提出使用不同二維經驗模態分解(BEMD)方法，比如基于Delaunay三角剖分與曲面差值法的BEMD算法，這類算法最大的缺陷就是邏輯復雜，處理過程用時太長。
技術實現思路
本專利技術是針對在激光散斑血流成像中因震動而產生的像素損失問題用二維集合經驗模態分解BEEMD算法進行的降噪處理，使之能夠更加清晰地顯示微血流圖像，同時，該算法通過對分解出的固有模態分量層(IntrinsicModeFunction，IMF)進行行列疊加整合，對原有的EEMD算法在二維數據處理過程中出現的行(列)數據相關性缺失問題進行了修正。本專利技術提供的采用了如下的技術方案：一種激光散斑血流成像的增強方法，用于對激光散斑血流成像進行降噪處理和修復處理而得到散斑對比圖以增強激光散斑血流成像的清晰度，其特征在于，包括以下步驟：步驟1，使用激光散斑血流成像裝置來采集散斑的灰度圖，將采集到的灰度圖樣存儲在計算機中以待進一步處理，步驟2，對灰度圖樣在y(列)方向上用EEMD算法進行處理得到多層IMF層圖像；步驟3，對每層IMF圖像在x(行)方向上用EEMD算法進行分解處理；步驟4，將分解處理后的結果按照行列規則進行疊加，得到最終的固有模態分量圖；步驟5，對固有模態分量圖進行閾值濾波處理，去除噪聲和殘余信息，并將保留的分量圖疊加計算合成為一張合成圖像；步驟6，對合成的圖像進行散斑對比計算，得到激光散斑對比圖。本專利技術提供的激光散斑血流成像的增強方法，還可以具有這樣的特征：其中，步驟2包括以下幾個子步驟：步驟2.1，將步驟1中采集的灰度圖為如式(1)的一個N行M列的二維數據序列f(m,n)=f1,1f2,1...fM,1f1,2f2,2...fM,2............f1,Nf2,N...fM,N---(1)]]>取第m列數據，m的取值范圍(1，M)f(m,~)=fm,1fm,2...fm,N---(2)]]>步驟2.2，用EEMD算法對第m列數據分解f(m,~)=Σj=1JCj(m,~)=Σj=1Jcm,1,jcm,2,j...cm,N,j---(3)]]>式(3)中，J表示分解的IMF層數，j表示第j層數據；步驟2.3，M列數據全部分解完畢后，我們將其重新排列成一個如式(4)的矩陣gj(m,n)=c1,1,jc2,1,j...cM,1,jc1,2,jc2,2,j...cM,2,j............c1,N,jc2,N,j...cM,N,j---(4)]]>本專利技術提供的激光散斑血流成像的增強方法，還可以具有這樣的特征：其中，步驟3包括以下幾個子步驟：步驟3.1，在gj(m，n)中取第n行數據，n的取值范圍(1，N)：gj(～，n)＝(C1，n，jC2，n，j…CM，n，j)(5)；步驟3.2，用EEMD算法對第n行數據分解：gj(~,n)=Σk=1KDj,k(~,n)=Σk=1Kd1,n,j,kd2,n,j,k...dM,n,j,k---(6)]]>式(6)中，K表示分解的IMF層數，k表示第k層數據；步驟3.3，將步驟六中分解的各層數據重新排列成一個式(7)的矩陣：hj,k(m,n)=d1,1,j,kd2,1,j,k...dM,1,j,kd1,2,j,kd2,2,j,k...dM,2,j,k............d1,N,j,kd2,N,j,k...dM,N,j,k---(7).]]>專利技術作用與效果根據本專利技術提供的激光散斑血流成像的增強方法，由于采用BEEMD對于激光散斑血流成像的處理算法，使得微血管圖像顯示更為清晰，能夠反映更多的細節，降低了震動噪聲對血流散斑圖的影響；又由于采用的BEEMD算法能有效地避免原EEMD算法在圖像行列相關性方面造成的信息缺失，使得在進行去噪操作之前盡可能地保留了完整的圖像信息；最后還由于采用的BEEMD算法在計算速度上遠優于各類二維經驗模態分解(BEMD)算法，使得對在體實時監測血流有積極作用。附圖說明圖1為本專利技術的實施例涉及的圖像采集系統激光散斑血流成像系統原理框圖(1：激光器2：平面鏡3：擴束鏡4：載物臺5：CCD相機6：計算機)；圖2為本專利技術的實施例涉及的BEEMD算法總框圖；圖3為本專利技術的實施例涉及的BEEMD算法各方向計算框圖，3(a)為第一方向分解，3(b)為第二方向分解；圖4為本專利技術的實施例涉及的血流模擬對比實驗圖和大鼠在體腦皮層對比實驗圖(下排為原EEMD算法效果，上排為本專利技術中所用BEEMD算法效果)。具體實施方式為了使本專利技術實現的技術手段、創作特征、達成目的與功效易于明白了解，以下實施例結合附圖對本專利技術的激光散斑血流成像的增強方法的流程和具體操作方法、原理作具體闡述。圖1為本專利技術的實施例涉及的圖像采集系統激光散斑血流成像系統原理框圖(1：激光器2：平面鏡3：擴束鏡4：載物臺5：CCD相機6：計算機)。1.使用激光散斑血流成像裝置(如附圖1所示)來采集散斑圖f(x，y)，圖像尺寸為512(M)×512(N)。實驗中用到了仿生軟管作為模擬實驗材料，在體實驗則選擇大鼠腦皮層進行取樣。將采集到的軟管(大腦皮層)散斑灰度圖樣存儲進計算機中以待進一步處理。圖2為本專利技術的實施例涉及的BEEMD算法本文檔來自技高網...

【技術保護點】
一種激光散斑血流成像的增強方法，用于對激光散斑血流成像進行降噪處理和修復處理而得到散斑對比圖以增強所述激光散斑血流成像的清晰度，其特征在于，包括以下步驟：步驟1，使用激光散斑血流成像裝置來采集散斑的灰度圖，將采集到的所述灰度圖樣存儲以待進一步處理；步驟2，對所述灰度圖樣在y(列)方向上用EEMD算法進行處理得到多層IMF層圖像；步驟3，對每層所述IMF圖像在x(行)方向上用EEMD算法進行分解處理；步驟4，將所述分解處理后的結果按照行列規則進行疊加，得到最終的固有模態分量圖；步驟5，對所述固有模態分量圖進行閾值濾波處理，去除噪聲和殘余信息，并將保留的分量圖疊加計算合成為一張合成圖像；步驟6，對所述合成的圖像進行散斑對比計算，得到激光散斑對比圖。

【技術特征摘要】
1.一種激光散斑血流成像的增強方法，用于對激光散斑血流成像進行降噪處理和修復處理而得到散斑對比圖以增強所述激光散斑血流成像的清晰度，其特征在于，包括以下步驟：步驟1，使用激光散斑血流成像裝置來采集散斑的灰度圖，將采集到的所述灰度圖樣存儲以待進一步處理；步驟2，對所述灰度圖樣在y(列)方向上用EEMD算法進行處理得到多層IMF層圖像；步驟3，對每層所述IMF圖像在x(行)方向上用EEMD算法進行分解處理；步驟4，將所述分解處理后的結果按照行列規則進行疊加，得到最終的固有模態分量圖；步驟5，對所述固有模態分量圖進行閾值濾波處理，去除噪聲和殘余信息，并將保留的分量圖疊加計算合成為一張合成圖像；步驟6，對所述合成的圖像進行散斑對比計算，得到激光散斑對比圖。2.根據權利要求1所述的激光散斑血流成像的增強方法，其特征在于：其中，所述步驟2包括以下幾個子步驟：步驟2.1，將步驟1中采集的所述灰度圖為如式(1)的一個N行M列的二維數據序列f(m,n)=f1,1f2,1...fM,1f1,2f2,2...fM,2............f1,Nf2,N...fM,N---(1)]]>取第m列數據，m的取值范圍(1，M)f(m,~)=fm,1fm,2...fm,N---(2)]]>步驟2.2，用EEMD算法對所述第m列數據分解f(m,~)=Σj=1JCj(m...

【專利技術屬性】
技術研發人員：賈亞威，楊暉，李然，龔建銘，
申請(專利權)人：上海理工大學，
類型：發明
國別省市：上海;31