CN105962904A - 一种基于红外热像技术的人体组织病灶检测方法 - Google Patents

Abstract

本发明公开了一种基于红外热像技术的人体组织病灶检测方法，具体按照以下步骤实施：步骤1、建立红外测温物理模型；步骤2、利用步骤1得到的物理模型分析温度与灰度的对应关系，将通过红外热像仪得到的图像转换成为灰度图像；步骤3、对步骤2得到的灰度图像进行处理；步骤4、将步骤3得到的处理结果与医学影像进行对比分析，及早发现人体组织病灶，本发明解决了现有技术中存在的人体组织病灶检测时间晚、检测体积大而导致病灶发展至一定密度、一定体积时才能被检测出来的问题。

Description

一种基于红外热像技术的人体组织病灶检测方法

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于红外热像技术的人体组织病灶检测方法。

背景技术

医用红外热像仪是用于探测人体红外辐射，并集光学、精密仪器、热成像技术、电子学、图像处理技术于一身的高新仪器，通过热像图的形式显示人体皮肤表面温度分布的变化、变化部位和程度。医务人员通过观察红外热像仪得到的热像图可定量分析测出温度并结合临床经验，对病灶进行诊断。

由于红外热像技术能在细胞组织新陈代谢发生变化时获取实时信息，因而，凡是能引起人体组织热变化的疾病都可用该技术进行诊察，其临床价值高，应用范围广。可以通过红外热像仪被动地接收人体新陈代谢过程中的红外热辐射信号，测量出热辐射源的数值、形态和深度，依据人体各组织和疾病与全身热辐射的分布状态的对应关系，经过整理量化后形成的红外热像即为人体表皮温度的分布图像。人体作为一个天然的生物发热体，由于组织代谢、解剖结构、神经状态以及血液循环的不同，机体各个部位的温度也不相同，继而形成了不同的温度分布热场。根据异常与正常组织区域的热辐射差值，结合临床则可以诊断并推断疾病的性质和程度。

现阶段医学病理诊断主要运用核磁共振(MRI)、X射线、断层扫描(CT)、B超等结构影像的技术方法，但需要在病灶发展至一定密度、一定体积时才能显示这种异常的结构变化。而红外热成像技术应用在医学成像上则属于功能性影像学，从疾病发生、发展的一般进程来看，器官功能或组织性状的改变往往先于其形态和结构的变异。当体表温度变化达到热像仪的分辨率时，医用红外热像仪就可以检测和记录到这种变化，显示出异常高温或低温的部位，能够实现人体组织病灶的早期发现，以便早期诊断，尽快治疗，同时准确快捷，实用高效，而且对人体组织没有任何损伤。

发明内容

本发明的目的是提供一种基于红外热像技术的人体组织病灶检测方法，解决了现有技术中存在的人体组织病灶检测时间晚、检测体积大而导致病灶发展至一定密度、一定体积时才能被检测出来的问题。

本发明所采用的技术方案是，一种基于红外热像技术的人体组织病灶检测方法，具体按照以下步骤实施：

步骤1、建立红外测温物理模型；

步骤2、利用步骤1得到的物理模型分析温度与灰度的对应关系，将通过红外热像仪得到的温度图像转换成为灰度图像；

步骤3、对步骤2得到的灰度图像进行处理；

步骤4、将步骤3得到的处理结果与医学影像进行对比分析，及早发现人体组织病灶。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

步骤(1.1)、首先根据红外辐射测温公式求得辐射照度，公式如下：

E_λ＝A₀d^-2[τ_aλε_λL_bλ(T₀)+τ_aλ(1-α_λ)L_bλ(T_u)+ε_aλL_bλ(T_a)] (1)

(1)式中，α_λ为被测物体表面吸收率，ε_λ为被测物体表面发射率，ε_aλ为大气发射率，τ_aλ为大气的光谱透射率，T₀为被测物体表面温度，T_a为大气温度，T_u为环境温度，d为被测物体表面到测量仪器之间的垂直距离，A₀d^-2为常量，A₀为目标的可视面积；

步骤(1.2)、根据步骤(1.1)得到的辐射照度求得红外热像仪的响应电压：

通常红外热成像仪工作在一个非常窄的波段范围内，8～14μm之间或3～5μm之间，则认为(1)式中的ε_λ、α_λ、τ_aλ与λ无关，则得红外热像仪的响应电压V_S为：

$V_S=A_R{A}_0{d}^{-2}\{{\mathrm{\τ}}_a\[\mathrm{\ϵ}\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_0\right)d\mathrm{\λ}+(1-a)\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_u\right)d\mathrm{\λ}\]+{\mathrm{\ϵ}}_a\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_a\right)d\mathrm{\λ}\}---\left(2\right)$

(2)式中，A_R为热像仪透镜的面积，A₀为目标的可视面积，A₀d^-2为常量，令K＝A_RA₀d^-2，则(2)式变为

V_S＝K{τ_a[εf(T₀)+(1-a)f(T_u)+ε_af(T_a)]} (3)

步骤(1.3)、计算物体表面真实温度：

根据普朗克黑体辐射定律，可得

$T_r^n={\mathrm{\τ}}_a\[{\mathrm{\ϵT}}_0^n+(1-a)T_u^n\]+{\mathrm{\ϵ}}_a{T}_a^n---\left(4\right)$

(4)式中，T_r为被测物体表面的辐射温度，T_o为被测物体表面的真实温度，T_u为环境温度，T_a为大气温度，α为被测物体表面吸收率，ε为物体表面发射率，ε_a为大气发射率，τ_a为大气的透射率，n的取值随使用热像仪时波段不同而异，对InSb(3～5μm)探测器，n值为8.68，对HgCdTe(6～9μm)探测器，n值为5.33，对HgCdTe(8～14μm)探测器，n值为4.09；

设被测物体表面真实温度为T₀，则T₀的计算公式如下：

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[\frac{1}{{\mathrm{\τ}}_a}{T}_r^n-(1-a)T_u^n-\frac{{\mathrm{\ϵ}}_a}{{\mathrm{\τ}}_a}{T}_a^n\]\}}^{\frac{1}{n}}---\left(5\right)$

步骤(1.4)、当人体表面发射率保持恒定，可将人体看作为灰体，当被测物体表面满足灰体近似时，即ε＝α，且若认为大气ε_α＝α_a＝1-τ_a，则灰体表面的真实温度计算如下：

由上述(3)式可得：

V_S＝K{τ_a[εf(T₀)+(1-ε)f(T_u)]+(1-τ_a)f(T_a)} (6)

由上述(4)式可得：

$T_r^n={\mathrm{\τ}}_a\[{\mathrm{\ϵT}}_0^n+(1-\mathrm{\ϵ})T_u^n+(\frac{1}{{\mathrm{\τ}}_a}-1)T_a^n\]---\left(7\right)$

由上述(5)式可得灰体表面真实温度为T₀，T₀的计算公式如下：

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[\frac{1}{{\mathrm{\τ}}_a}{T}_r^n-(1-\mathrm{\ϵ})T_u^n-(\frac{1}{{\mathrm{\τ}}_a}-1)T_a^n\]\}}^{\frac{1}{n}}---\left(8\right)$

步骤(1.5)、计算被测物体两点真实温度差具体为：

近距离测温时，忽略大气透过率的影响，令τ_a＝1，则所述步骤1.4中的式(7)变为

$T_r=T_0{\{\mathrm{\ϵ}\[1-{\left(\frac{T_u}{T_0}\right)}^n\]+{\left(\frac{T_u}{T_0}\right)}^n\}}^{\frac{1}{n}}---\left(9\right)$

式(8)变为

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[T_r^n-(1-\mathrm{\ϵ})T_u^n\]\}}^{\frac{1}{n}}---\left(10\right)$

得到物体表面的真实温度，

当被测物体表面温度远大于环境温度时，即T_u/T₀＞＞0，则(9)、(10)式变为

$T_r={\mathrm{\ϵ}}^{\frac{1}{n}}{T}_0---\left(11\right)$

$T_0=\frac{T_r}{\sqrt[n]{\mathrm{\ϵ}}}---\left(12\right)$

若测出被测物体表面任意两点的辐射温度分别是T_r1和T_r2，则这两点的真实温度差为

$\mathrm{\Δ}T=T_{01}-T_{02}=\frac{1}{{\mathrm{\ϵ}}^{1/n}}\{{\[T_{r1}^n-(1-\mathrm{\ϵ})T_u^n\]}^{1/n}-{\[T_{r2}^n-(1-\mathrm{\ϵ})T_u^n\]}^{1/n}\}---\left(13\right)$

步骤2具体为：

步骤(2.1)、当步骤1中被测物体表面任意两点间的体表温度变化达到红外热像仪的分辨率时，采用红外热像仪检测和记录到这种变化，显示出异常高温或低温的部位，在显示屏上以伪彩色的形式显示出体表的温度分布图像。

步骤(2.2)、在测试物体表面温度之前使用高精度的黑体炉作为标准，绘制出光电转换器件输出信号与黑体炉温度的关系曲线，黑体发射的辐射能量与温度之间的关系是非线性的，通过热像仪光谱响应和普朗克辐射定律计算得到，为了建立辐射量和温度之间的关系，对黑体进行不同温度的设置对其进行测量，并将测量结果与黑体精确的温度值进行拟合，就得到了校准曲线，通过镜头上的传感器将被测物体的红外辐射能量转换成电信号，再经过镜头后面的后续电路对这些原始电信号进一步处理转变成灰度值，在显示器显示出来，经过这样一个过程，就得到了图像灰度值和物体温度之间的对应关系，进而得到灰度图像。

步骤3具体为，医学图像处理算法研究，在基于修正维纳滤波的小波包变换图像去噪、基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除、基于小波变换等医学图像增强算法基础上提出针对噪声更加稳健的边缘检测新算法。设计基于角点检测的对噪声稳健的边缘检测器，利用多尺度各向异性高斯方向梯度滤波器来提取边缘和特征点结构信息：

步骤(3.1)、建立不同类型的边缘模型，包括阶梯式、脉冲式、斜坡式和双脊型边缘模型，以及特征点的模型，包括L型、Y型、X型、星型、端型、阶梯型的特征点的模型，然后建立能有效区分相邻的边缘和特征点的相对于不同的局部特征模型的各向异性高斯方向梯度表达式，以及特征可分离度的度量方法，进行噪音敏感度的测量与估算以及在几何和灰度变换中鲁棒性的度量；

步骤(3.2)、链接各向异性高斯方向梯度表示；

步骤(3.3)、对红外图像进行对数变换，使斑点噪声转换为加性噪声，将红外图像经维纳滤波处理，计算其加性噪声的标准方差，以此作为小波阈值，然后，利用小波变换对图像进行预处理，利用PCNN在小波域中对小波系数进行相应的修正，最后，进行小波逆变换和指数变换，获得滤除噪声的图像。

本发明的有益效果是，一种基于红外热像技术的人体组织病灶检测方法，根据红外测温原理和热辐射定理，深入研究人体红外辐射-表面温度-物质特性三者间的内在关系，建立医学红外成像物理模型，医学红外诊断图像预处理***、基于红外热像技术的医学图像处理及诊断平台，再与结构影像技术相结合，可使许多病变得到早期发现，疾病规律得到更全面认识，疾病性质得到更准确诊断。相较于核磁共振、B超等结构影像技术，本发明能够实现人体组织病灶的尽早发现，准确快捷，实用高效，而且对人体组织没有任何损伤。

附图说明

图1(a)是本发明一种基于红外热像技术的人体组织病灶检测方法实验仿真中采用的实验原图像；

图1(b)是本发明一种基于红外热像技术的人体组织病灶检测方法实验仿真中添加的斑点噪声图像；

图1(c)是本发明一种基于红外热像技术的人体组织病灶检测方法实验仿真中经典去噪方法维纳滤波(Wiener)处理后的图像；

图1(d)是本发明一种基于红外热像技术的人体组织病灶检测方法实验仿真中基于PCNN的中值滤波方法(PCNN-MF)处理后的图像；

图1(e)是本发明一种基于红外热像技术的人体组织病灶检测方法实验仿真中基于PCNN的小波软阈值滤波方法(PCNN-WD)处理后的图像；

图1(f)是本发明一种基于红外热像技术的人体组织病灶检测方法实验仿真中采用本发明提出的方法处理后的图像；

图2是本发明一种基于红外热像技术的人体组织病灶检测方法有效性验证中采用的原始图像；

图3是本发明一种基于红外热像技术的人体组织病灶检测方法有效性验证中含噪图像；

图4是本发明一种基于红外热像技术的人体组织病灶检测方法有效性验证中维纳滤波去噪后的图像；

图5是本发明一种基于红外热像技术的人体组织病灶检测方法有效性验证中小波包去噪后的图像；

图6是本发明一种基于红外热像技术的人体组织病灶检测方法有效性验证中修正维纳滤波+小波包去噪后的图像。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于红外热像技术的人体组织病灶检测方法，具体按照以下步骤实施：

步骤1、建立红外测温物理模型；

步骤2、利用步骤1得到的物理模型分析温度与灰度的对应关系，将通过红外热像仪得到的温度图像转换成为灰度图像；

步骤3、对步骤2得到的灰度图像进行处理；

步骤4、将步骤3得到的处理结果与医学影像进行对比分析，及早发现人体组织病灶。

其中，步骤1具体按照以下步骤实施：

步骤(1.1)、首先根据红外辐射测温公式求得辐射照度，公式如下：

E_λ＝A₀d^-2[τ_aλε_λL_bλ(T₀)+τ_aλ(1-α_λ)L_bλ(T_u)+ε_aλL_bλ(T_a)] (1)

(1)式中，α_λ为被测物体表面吸收率，ε_λ为被测物体表面发射率，ε_aλ为大气发射率，τ_aλ为大气的光谱透射率，T₀为被测物体表面温度，T_a为大气温度，T_u为环境温度，d为被测物体表面到测量仪器之间的垂直距离，A₀d^-2为常量，A₀为目标的可视面积；

步骤(1.2)、根据步骤(1.1)得到的辐射照度求得红外热像仪的响应电压：

通常红外热成像仪工作在一个非常窄的波段范围内，8～14μm之间或3～5μm之间，则认为(1)式中的ε_λ、α_λ、τ_aλ与λ无关，则得红外热像仪的响应电压V_S为：

$V_S=A_R{A}_0{d}^{-2}\{{\mathrm{\τ}}_a\[\mathrm{\ϵ}\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_0\right)d\mathrm{\λ}+(1-a)\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_u\right)d\mathrm{\λ}\]+{\mathrm{\ϵ}}_a\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_a\right)d\mathrm{\λ}\}---\left(2\right)$

(2)式中，A_R为热像仪透镜的面积，A₀为目标的可视面积，A₀d^-2为常量，令K＝A_RA₀d^-2，则(2)式变为

V_S＝K{τ_a[εf(T₀)+(1-a)f(T_u)+ε_af(T_a)]} (3)

步骤(1.3)、计算物体表面真实温度：

根据普朗克黑体辐射定律，可得

$T_r^n={\mathrm{\τ}}_a\[{\mathrm{\ϵT}}_0^n+(1-a)T_u^n\]+{\mathrm{\ϵ}}_a{T}_a^n---\left(4\right)$

(4)式中，T_r为被测物体表面的辐射温度，T_o为被测物体表面的真实温度，T_u为环境温度，T_a为大气温度，α为被测物体表面吸收率，ε为物体表面发射率，ε_a为大气发射率，τ_a为大气的透射率，n的取值随使用热像仪时波段不同而异，对InSb(3～5μm)探测器，n值为8.68，对HgCdTe(6～9μm)探测器，n值为5.33，对HgCdTe(8～14μm)探测器，n值为4.09；

设被测物体表面真实温度为T₀，则T₀的计算公式如下：

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[\frac{1}{{\mathrm{\τ}}_a}{T}_r^n-(1-a)T_u^n-\frac{{\mathrm{\ϵ}}_a}{{\mathrm{\τ}}_a}{T}_a^n\]\}}^{\frac{1}{n}}---\left(5\right)$

步骤(1.4)、当人体表面发射率保持恒定，可将人体看作为灰体，当被测物体表面满足灰体近似时，即ε＝α，且若认为大气ε_α＝α_a＝1-τ_a，则灰体表面的真实温度计算如下：

由上述(3)式可得：

V_S＝K{τ_a[εf(T₀)+(1-ε)f(T_u)]+(1-τ_a)f(T_a)} (6)

由上述(4)式可得：

$T_r^n={\mathrm{\τ}}_a\[{\mathrm{\ϵT}}_0^n+(1-\mathrm{\ϵ})T_u^n+(\frac{1}{{\mathrm{\τ}}_a}-1)T_a^n\]---\left(7\right)$

由上述(5)式可得灰体表面真实温度为T₀，T₀的计算公式如下：

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[\frac{1}{{\mathrm{\τ}}_a}{T}_r^n-(1-\mathrm{\ϵ})T_u^n-(\frac{1}{{\mathrm{\τ}}_a}-1)T_a^n\]\}}^{\frac{1}{n}}---\left(8\right)$

步骤(1.5)、计算被测物体两点真实温度差具体为：

近距离测温时，忽略大气透过率的影响，令τ_a＝1，则所述步骤1.4中的式(7)变为

$T_r=T_0{\{\mathrm{\ϵ}\[1-{\left(\frac{T_u}{T_0}\right)}^n\]+{\left(\frac{T_u}{T_0}\right)}^n\}}^{\frac{1}{n}}---\left(9\right)$

式(8)变为

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[T_r^n-(1-\mathrm{\ϵ})T_u^n\]\}}^{\frac{1}{n}}---\left(10\right)$

当被测物体表面温度远大于环境温度时，即T_u/T₀＞＞0，则(9)、(10)式变为

$T_r={\mathrm{\ϵ}}^{\frac{1}{n}}{T}_0---\left(11\right)$

$T_0=\frac{T_r}{\sqrt[n]{\mathrm{\ϵ}}}---\left(12\right)$

若测出被测物体表面任意两点的辐射温度分别是T_r1和T_r2，则这两点的真实温度差为

$\mathrm{\Δ}T=T_{01}-T_{02}=\frac{1}{{\mathrm{\ϵ}}^{1/n}}\{{\[T_{r1}^n-(1-\mathrm{\ϵ})T_u^n\]}^{1/n}-{\[T_{r2}^n-(1-\mathrm{\ϵ})T_u^n\]}^{1/n}\}---\left(13\right)$

步骤2具体为：

步骤(2.1)、当步骤1中被测物体表面任意两点间的体表温度变化达到红外热像仪的分辨率时，采用红外热像仪检测和记录到这种变化，显示出异常高温或低温的部位，在显示屏上以伪彩色的形式显示出体表的温度分布图像。

步骤(2.2)、在测试物体表面温度之前使用高精度的黑体炉作为标准，绘制出光电转换器件输出信号与黑体炉温度的关系曲线，黑体发射的辐射能量与温度之间的关系是非线性的，通过热像仪光谱响应和普朗克辐射定律计算得到，为了建立辐射量和温度之间的关系，对黑体进行不同温度的设置对其进行测量，并将测量结果与黑体精确的温度值进行拟合，就得到了校准曲线，通过镜头上的传感器将被测物体的红外辐射能量转换成电信号，再经过镜头后面的后续电路对这些原始电信号进一步处理转变成灰度值，在显示器显示出来，经过这样一个过程，就得到了图像灰度值和物体温度之间的对应关系，进而得到灰度图像。

步骤3具体为，医学图像处理算法研究，在基于修正维纳滤波的小波包变换图像去噪、基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除、基于小波变换等医学图像增强算法基础上提出针对噪声更加稳健的边缘检测新算法，设计基于角点检测的对噪声稳健的边缘检测器，利用多尺度各向异性高斯方向梯度滤波器来提取边缘和特征点结构信息：

步骤(3.1)、建立不同类型的边缘模型，包括阶梯式、脉冲式、斜坡式和双脊型边缘模型，以及特征点的模型，包括L型、Y型、X型、星型、端型、阶梯型的特征点的模型，然后建立能有效区分相邻的边缘和特征点的相对于不同的局部特征模型的各向异性高斯方向梯度表达式，以及特征可分离度的度量方法，进行噪音敏感度的测量与估算以及在几何和灰度变换中鲁棒性的度量；

步骤(3.2)、链接各向异性高斯方向梯度表示；

步骤(3.3)、对红外图像进行对数变换，使斑点噪声转换为加性噪声，将红外图像经维纳滤波处理，计算其加性噪声的标准方差，以此作为小波阈值，然后，利用小波变换对图像进行预处理，利用PCNN在小波域中对小波系数进行相应的修正，最后，进行小波逆变换和指数变换，获得滤除噪声的图像。

试验仿真：

测试实验中，被测物体与探测器之间的距离设置为3m，环境温度分别为13℃，20℃，22℃左右，实验时首先调整黑体炉的温度，保持黑体炉温度稳定，记录黑体热像图，找到图像上对应点的灰度值，实验在黑体温度293K～337K的范围内测量，不同环境条件下测得的实验数据分别计入表1至表3中：

表1温度与灰度对应关系实验数据(环境温度：13℃)

表2温度与灰度对应关系实验数据(环境温度：20℃)

表3温度与灰度对应关系实验数据(环境温度：22℃)

表1～表3获取的数据是在不同的环境温度下得到的。黑体温度与图像的灰度之间存在着某种对应关系，证明利用热像仪测温可行。尽管数据有一定偏差，但曲线的走向大致相同。通过分析测量结果，发现其精确性受工作环境温度影响比较大，所以利用热像仪测温应在特定环境温度下使用测温模型。

本方法中，步骤(3.3)中进行小波逆变换和指数变换，获得滤除噪声的图像，选用均方误差(MSE)和峰值信噪比(PSNR)两个参量以此作为衡量滤波性能的标准，对宫颈肌瘤超声图像添加不同强度的斑点噪声，用本文提出的方法与经典去噪方法维纳滤波(Wiener)、基于PCNN的中值滤波方法(PCNN-MF)以及基于PCNN的小波软阈值滤波方法(PCNN-WD)分别进行处理，比较结果如表4所示。其中对图像添加噪声方差为0.1的斑点噪声，各方法的滤波效果图1(a)～图1(f)所示。

表4不同噪声强度下各滤波方法的去噪效果

为了验证本方法的有效性，采用当前典型的去噪算法和提出的基于维纳滤波的小波包变换图像去噪方法进行对比实验。典型的去噪算法包括维纳滤波去噪和小波包自适应阈值去噪两种方法。在实验中，选用纵膈***核CT图作为测试对象，如图2所示。对测试图像分别加入均值为0，方差为0.05的高斯白噪声，然后对噪声图像进行小波包分解，选用db4小波，设置小波的分解层数为2，阈值函数采用软阈值函数，的估计采用修正后的维纳滤波法。经过处理得到的去噪后的图像分别如图3至图6所示。

实验结果表明：在噪声方差为0.01时，经该算法去噪后图像的PSNR比小波包自适应阈值去噪后的PSNR高出8.8dB。该算法不仅能有效地去除加性高斯白噪声，而且能很好地保留边缘信息，极大地改善了图像的视觉质量。

为了改善医学图像质量，在分析小波变换原理的基础上，根据医学图像的成像特征，提出了一种基于小波融合技术的医学图像增强方法。首先，对待增强图像进行多层小波变换处理，获取各个频率的小波系数。然后分别对各频率系数进行相应的处理后，进行小波重构并进行对比度增强处理，获得增强图像1；同时对待增强图像进行对数变换和对比度拉伸处理，获得增强图像2。最后将增强图像1和增强图像2变换至小波域进行图像融合处理，以获得最终的增强图像。

结果表明：本文提出的增强方法具有明显的增强效果。该增强方法能有效提高医学图像的对比度，增强边缘细节信息，突出病灶点的位置，达到较好的增强效果，为医疗工作者观察病症提供更加清晰准确的依据。

根据提出的方法，在MATLAB 2010a的环境下，使用纵膈***核CT图作为实验测试图片，对增强方法进行实验，实验结果将与原图进行比较，以验证提出增强方法的有效性。

通过将步骤2处理之后的红外医学图像与相应健康组织的红外成像图精确对比，结合结构影像技术，确定人体器官、组织等是否发生病变，同时可以准确了解病灶的位置，大小，温度情况，从而达到更好的医学病理诊断的效果。

本发明以上描述只是部分实施案例，但是本发明并不局限于上述的具体实施方式。上述的具体实施方式是示意性的，并不是限制性的。凡是采用本发明的方法，在不脱离本发明宗旨和权利要求所保护的范围情况下，所有具体拓展均属本发明的保护范围之内。

Claims (4)

1.一种基于红外热像技术的人体组织病灶检测方法，其特征在于，具体按照以下步骤实施：

步骤1、建立红外测温物理模型；

步骤2、利用步骤1得到的物理模型分析温度与灰度的对应关系，将通过红外热像仪得到的图像转换成为灰度图像；

步骤3、对所述步骤2得到的灰度图像进行处理；

步骤4、将所述步骤3得到的处理结果与医学影像进行对比分析，及早发现人体组织病灶。

2.根据权利要求1所述的一种基于红外热像技术的人体组织病灶检测方法，其特征在于，所述步骤1具体按照以下步骤实施：

步骤(1.1)、首先根据红外辐射测温公式求得辐射照度，公式如下：

E_λ＝A₀d^-2[τ_aλε_λL_bλ(T₀)+τ_aλ(1-α_λ)L_bλ(T_u)+ε_aλL_bλ(T_a)] (1)

(1)式中，α_λ为被测物体表面吸收率，ε_λ为被测物体表面发射率，ε_aλ为大气发射率，τ_aλ为大气的光谱透射率，T₀为被测物体表面温度，T_a为大气温度，T_u为环境温度，d为被测物体表面到测量仪器之间的垂直距离，A₀d^-2为常量，A₀为目标的可视面积；

步骤(1.2)、根据步骤(1.1)得到的辐射照度求得红外热像仪的响应电压：

通常红外热成像仪工作在一个非常窄的波段范围内，8～14μm之间或3～5μm之间，则认为(1)式中的ε_λ、α_λ、τ_aλ与λ无关，则得红外热像仪的响应电压V_S为：

$V_S=A_R{A}_0{d}^{-2}\{{\mathrm{\τ}}_a\[\mathrm{\ϵ}\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_0\right)d\mathrm{\λ}+(1-a)\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_u\right)d\mathrm{\λ}\]+{\mathrm{\ϵ}}_a\underset{{\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_2}{\∫}}{R}_{\mathrm{\λ}}{L}_{b\mathrm{\λ}}\left(T_a\right)d\mathrm{\λ}\}---\left(2\right)$

(2)式中，A_R为热像仪透镜的面积，A₀为目标的可视面积，A₀d^-2为常量，令K＝A_RA₀d^-2，则(2)式变为

V_S＝K{τa[εf(T₀)+(1-a)f(T_u)+ε_af(T_a)]} (3)

步骤(1.3)、计算物体表面真实温度：

根据普朗克黑体辐射定律，可得

$T_r^n={\mathrm{\τ}}_a\[{\mathrm{\ϵT}}_0^n+(1-a)T_u^n\]+{\mathrm{\ϵ}}_a{T}_a^n---\left(4\right)$

(4)式中，T_r为被测物体表面的辐射温度，T_o为被测物体表面的真实温度，T_u为环境温度，T_a为大气温度，α为被测物体表面吸收率，ε为物体表面发射率，ε_a为大气发射率，τ_a为大气的透射率，n的取值随使用热像仪时波段不同而异，对InSb(3～5μm)探测器，n值为8.68，对HgCdTe(6～9μm)探测器，n值为5.33，对HgCdTe(8～14μm)探测器，n值为4.09；

设被测物体表面真实温度为T₀，则T₀的计算公式如下：

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[\frac{1}{{\mathrm{\τ}}_a}{T}_r^n-(1-a)T_u^n-\frac{{\mathrm{\ϵ}}_a}{{\mathrm{\τ}}_a}{T}_a^n\]\}}^{\frac{1}{n}}---\left(5\right)$

步骤(1.4)、当人体表面发射率保持恒定，可将人体看作为灰体，当被测物体表面满足灰体近似时，即ε＝α，且若认为大气ε_α＝α_a＝1-τ_a，则灰体表面的真实温度计算如下：

由上述(3)式可得：

V_S＝K{τ_a[εf(T₀)+(1-ε)f(T_u)]+(1-τ_a)f(T_a)} (6)

由上述(4)式可得：

$T_r^n={\mathrm{\τ}}_a\[{\mathrm{\ϵT}}_0^n+(1-\mathrm{\ϵ})T_u^n+(\frac{1}{{\mathrm{\τ}}_a}-1)T_a^n\]---\left(7\right)$

由上述(5)式可得灰体表面真实温度为T₀，T₀的计算公式如下：

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[\frac{1}{{\mathrm{\τ}}_a}{T}_r^n-(1-\mathrm{\ϵ})T_u^n-(\frac{1}{{\mathrm{\τ}}_a}-1)T_a^n\]\}}^{\frac{1}{n}}---\left(8\right)$

步骤(1.5)、计算被测物体两点真实温度差具体为：

近距离测温时，忽略大气透过率的影响，令τ_a＝1，则所述步骤1.4中的式(7)变为

$T_r=T_0{\{\mathrm{\ϵ}\[1-{\left(\frac{T_u}{T_0}\right)}^n\]+{\left(\frac{T_u}{T_0}\right)}^n\}}^{\frac{1}{n}}---\left(9\right)$

式(8)变为

$T_0={\{\frac{1}{\mathrm{\ϵ}}\[T_r^n-(1-\mathrm{\ϵ})T_u^n\]\}}^{\frac{1}{n}}---\left(10\right)$

当被测物体表面温度远大于环境温度时，即T_u/T₀＞＞0，则(9)、(10)式变为

$T_r={\mathrm{\ϵ}}^{\frac{1}{n}}{T}_0---\left(11\right)$

$T_0=\frac{T_r}{\sqrt[n]{\mathrm{\ϵ}}}---\left(12\right)$

若测出被测物体表面任意两点的辐射温度分别是T_r1和T_r2，则这两点的真实温度差为

$\mathrm{\Δ}T=T_{01}-T_{02}=\frac{1}{{\mathrm{\ϵ}}^{1/n}}\{{\[T_{r1}^n-(1-\mathrm{\ϵ})T_u^n\]}^{1/n}-{\[T_{r2}^n-(1-\mathrm{\ϵ})T_u^n\]}^{1/n}\}---\left(13\right).$

3.根据权利要求1所述的一种基于红外热像技术的人体组织病灶检测方法，其特征在于，所述步骤2具体为：

步骤(2.1)、当所述步骤1中被测物体表面任意两点间的体表温度变化达到红外热像仪的分辨率时，采用红外热像仪检测和记录到这种变化，显示出异常高温或低温的部位，在显示屏上以伪彩色的形式显示出体表的温度分布图像；

步骤(2.2)、在测试物体表面温度之前使用高精度的黑体炉作为标准，绘制出光电转换器件输出信号与黑体炉温度的关系曲线，黑体发射的辐射能量与温度之间的关系是非线性的，通过热像仪光谱响应和普朗克辐射定律计算得到，为了建立辐射量和温度之间的关系，对黑体进行不同温度的设置对其进行测量，并将测量结果与黑体精确的温度值进行拟合，就得到了校准曲线，通过镜头上的传感器将被测物体的红外辐射能量转换成电信号，再经过镜头后面的后续电路对这些原始电信号进一步处理转变成灰度值，在显示器显示出来，经过这样一个过程，就得到了图像灰度值和物体温度之间的对应关系，进而得到灰度图像。

4.根据权利要求1所述的一种基于红外热像技术的人体组织病灶检测方法，其特征在于，所述步骤3具体为，医学图像处理算法研究，在基于修正维纳滤波的小波包变换图像去噪、基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除、基于小波变换等医学图像增强算法基础上提出针对噪声更加稳健的边缘检测新算法，设计基于角点检测的对噪声稳健的边缘检测器，利用多尺度各向异性高斯方向梯度滤波器来提取边缘和特征点结构信息：

步骤(3.1)、建立不同类型的边缘模型，包括阶梯式、脉冲式、斜坡式和双脊型边缘模型，以及特征点的模型，包括L型、Y型、X型、星型、端型、阶梯型的特征点的模型，然后建立能有效区分相邻的边缘和特征点的相对于不同的局部特征模型的各向异性高斯方向梯度表达式，以及特征可分离度的度量方法，进行噪音敏感度的测量与估算以及在几何和灰度变换中鲁棒性的度量；

步骤(3.2)、链接各向异性高斯方向梯度表示；

步骤(3.3)、对红外图像进行对数变换，使斑点噪声转换为加性噪声，将红外图像经维纳滤波处理，计算其加性噪声的标准方差，以此作为小波阈值，然后，利用小波变换对图像进行预处理，利用PCNN在小波域中对小波系数进行相应的修正，最后，进行小波逆变换和指数变换，获得滤除噪声的图像。