试纸膜条自动判读的主要技术研究

纪喆

摘 要：近年来，随着医疗技术的不断发展和新型技术的兴起，体外诊断逐渐成为医疗领域里一个重要的部分。无论对于疾病的预防、诊断和监控，体外诊断都起到了关键的作用。而随着这项技术的发展，实现体外诊断的方法也越来越多样化和便捷化。其中，基于膜条的体外诊断是当前一种主流的现场检测的临床诊断方法。然而，这种方法往往基于人工主观进行判读，判读结果会受到各种因素的影响。因此，实现一个算法来进行试纸膜条的自动判断也就显得愈发重要。本文主要介绍LSD算法、MSER算法、PPHT算法和一些图像操作方法等主要技术的内容和原理。

关键词：自动判读算法；LSD算法；MSER算法

中图分类号：TP206；TQ 560.72 文献标识码：A 文章编号：1671-2064（2017）19-0198-02

体外诊断试剂是指用生物化学、免疫学、微生物学、分子生物学等原理或者方法制备，主要用于对人体疾病的诊断、筛查或者检测[1]。在生产中体外诊断试剂往往会做成膜条或者试纸盒。

基然而于膜条的体外诊断是当前一种主流的现场检测的临床诊断方法，往往依赖于人工主观进行定性判读。其方法为先确定所读膜条的型号和序号，确定膜条对应的检测项目。接着将质控带的颜色与抗原带的颜色相互比对，通过视觉判断来确定抗原带是阴性或者阳性。

随着体外诊断技术的日益发展，其判读技术的相对落后。对于膜条的自动判读技术的需要显得愈发重要。

1 主要技术分类介绍

1.1 数字图像处理简介

随着技术的发展，对于图像的处理从传统图像的处理转变为数字图像的处理。在数字图像中，图像被分解成一个个像素，每个像素根据所在行列可以用坐标（x，y）来表示，函数f（x，y）对应的则是像素的强度或者灰度，这样对于图像的处理就相对简单许多。只要知道要处理的像素的坐标位置，就可以对该像素的值进行处理。

1.2 LSD线段检测方法

线段提供了重要的信息关于图像的几何内容。首先，因为大多数人为的对象是用平面外表做成的；第二，因为许多形状都能够用直线来描述。线段可以被用于低水平的特征来提取信息从图像上或者可以作为一个基本的工具来分析和检测更多复杂的形状。作为特征，他们可以解决这几个问题，比如立体分析，材料的裂缝检测，图像压缩，和卫星图像定位。因此，LSD线段检测方法[5]非常适用于膜条这种线段特征明显的图像检测中。

LSD算法是由Burns线段发现者，在原本的线段提取中做出了突破，并与Desolneux提出的标准相结合而成。它能够在线性时间内得出结果并能有效地控制错误。对比与传统的边缘检测，Burns的方法定义了一个线段作为图片的范围，叫做线支持区域，也就是一个直区域上的点大概地分享相同的图像梯度。这样的直线被粗略地调节成沿着平均水平线的方向。Burns算法用三步提取出线段：

（1）通过分组分享相同的根据某个公差的梯度角度连接的像素来把图片分成线支持区域。（2）发现最适合每个线支持区域的线段。（3）验证或者不验证每个根据线支持区域里的信息的线段。

考虑到这个方法是一个真正的突破，LSD算法分享了第一步和第二步的核心思想，再加以改进。然而第三步是完全不同的，是参照Desolneux的方法。

首先第一步是形成一个线支持区域。每个区域从一个像素开始，区域角度在这个像素中被设置成水平线角度。然后在这个区域旁边的像素会被测试。在水平线方向且等于这个区域的角度直到某个精度的像素会被加入到这个区域。在每个迭代中，区域角度会被更新成一个水平线方向上的像素，这个过程一直重复直到没有新的点被添加。当一个像素被添加到这个区域中时，它被标记了和不会再被读取到。这个关键的属性让算法变得贪婪和因此是线性的。

第二步是找到最适合线支持区域的线段。线支持区域（一个像素的集合）必须和线段（通常是一个矩形）联系起来。一个线段由它的终点和宽度或者，相对地，它的中心、角度、长度和宽度决定。

第三步是进行线段确认。需要计算区域内所有线段的梯度，只有满足一定容忍度的线段才被保留下来。给出一个线段，计算了对称点的数目，例如，水平线方向上的点等于线角度依赖一定公差的点。所有可能在图像上的线段一定要被测试。这些满足一个阈值标准的根据它们的长度l和它们对称点的数目k被保存作为有效的检测。

LSD算法对于一幅512*512的图像的处理只要零点几秒。这算法能够处理不同种类、起源，尺寸和噪声水平的图像，还可以对视频进行了一些测试。应该强调的是，所有的实验都在不调整任何参数下进行的。

1.3 累计概率霍夫变换（PPHT）

作为基本的图像处理方法之一，霍夫变换一般被用来检测图像的几何形状。该算法由Paul Hoff于1962年首次提出，经过若干改进和发展，经典霍夫变换用于检测图像中的直线，并且改进的霍夫变换被扩展为识别任意形状的对象。

经典的霍夫变换用于检测图中的直线，其原理是利用坐标空间转换将两个坐标相互转化，或通过直线映射到另一坐标空间的点形成的峰值，从而把检测任意形状的问题转化为统计峰值的问题。

霍夫变换主要是为了找到一幅二值图像中所有经过足够多点的直线。霍夫變换分析二值图像中每一个像素点，并且找出所有可能经过它的直线。当同一条直线穿过许多点，便意味着这条线的存在足够明显。然而，霍夫变换仅仅查找边缘点的一种排列方式，意外的像素排列或者是多条直线穿过同一组像素往往会给实验带来错误的检测。为了克服这些难题，同时检测到端点的线段，人们提出了改进后的算法，即概率霍夫变换。

概率霍夫变换的过程如下：

（1）随机地选择一个像素点，映射到极坐标系中画曲线，然后将选择的点从图像中移除；（2）检查在已更新的累加器中的最高峰是否高过之前定义的一个阈值th（N），如果不是则返回第一步；（3）找出所有和第二步中由最高点定义的参数（λ， θ）对应的直线。选择里面最长的线段；（4）将所有的点从最长的线段中移除；（5）从累加器中移除所有和第三步找出的直线相关的点，这些点不参与其他的投票过程；（6）如果选择的线段比之前定义的最小长度要长，那就把这个线段的起始坐标和结尾坐标作为输出的结果；（7）返回第一步。endprint

1.4 MSER检测算法

最大极值稳定区域（Maximally Stable Extremal Regions，MSER）是一种类似分水岭图像的分割和匹配算法，它具有SIFT、SURF及ORB等特征不具备的仿射不变形，近年来广泛应用于图像分割与匹配领域。MSER提取的区域灰度几乎不变并且和背景颜色对比比较强烈。而且提取的区域不会受到多重阈值的影响。因此可以用这个算法来提取颜色聚类无法提取的部分连通域。

MSER算法的一个特点是与分水岭算法很相似。以一个像素为起点，逐步遍历邻边的像素，从而形成灰度值相近的区域。MSER的提取过程如下：

（1）像素点排序。对给定图像进行灰度值排序，一般采用快速排序方法，产生每个单元存放的具有相同灰度值的像素及其坐标。（2）极值区域的生成。采用邻域生成区域树，对每个阈值图像计算对应的极值区域，树上的每一层对应于该阈值图像，层上的每个节点对应于图像上的极值区域。（3）稳定区域判定。根据区域树性质，从叶节点向其父节点查找，当极值区域沿着某区域节点向根节点移动，且在其变化的2σ的阈值范围内改变时，其极值的区域面积不会发生改变。（4）区域拟合。区域拟合是将最大极稳定区域仿射表示成椭圆，根据方差与协方差矩阵调整区域形状。（5）区域归一化。将拟合区扩大为测量区，归一化操作完成测量区域的显著性检测，归一化操作是通过计算梯度方向直方图完成的。

1.5 高斯滤波技术

高斯滤波或者对高斯核的卷积是图像和信号衰退的常见模型。高斯滤波将输入图像中的每一个像素点与高斯内核进行卷积运算，将卷积运算求得的和作为像素值输出。标准差决定了经过高斯滤波处理后图像的光滑程度。它的输出是邻域像素的加权平均，同时离中心越近的像素权重越高，因此，相对于均值滤波，它的平滑效果更柔和，而且边缘保留的也很好。在图像处理中，高斯滤波一般有两种实现方式，一是用离散化的窗口卷积，另一种是利用傅里叶变换。其中用的最多的是第一种滑窗实现，只有当离散化的窗口非常大时，用滑窗计算量非常大的情况下，可能会考虑基于傅里叶变化的实现方法。

噪声的形成受到多种因素的影响。例如在采集过程中，采集图像的机器发热，膜条的质量因素，光照、温度等环境因素。这些噪声往往会导致图像的识别困难，降低判读的效率，并且会影响判读结果的准确度，增大判读的难度。因此，需要对图像进行高斯滤波来降低噪声对判读的影响。高斯平滑滤波器的核呈现布局如图1所示。

2 结语

随着我国医疗水平的快速发展，对于疾病的预防和诊断变得越来越重要。体外诊断试剂条对于疾病的快速诊断和预防起到至关重要的作用。

本课题详细介绍了膜条自动判读系统当中主要运用的技术，这些技术合理运用后可以实现膜条自动判读功能。对比于人工主观定性判读，其效率和精度得到很大的提高，并且使得膜条判读不再依赖医务人员的熟练度和经验，对体外诊断应用的推广起到了积极的作用。

參考文献

[1]邓素彤，黄良谋，张念樵.医院临床体外诊断试剂的管理模式[J].中华检验医学杂志，2006，29（1）：81-82.

[2]刘迪，毕笃彦，李权合，等.非均匀光照下指针式仪表自动判读算法设计[J].计算机应用与软件，2013，（9）：47-48.

[3]孙诚.示温漆自动判读算法研究及其软件实现[D].电子科技大学，2015.

[4]徐洋.靶道实验图像自动判读研究[D].南京理工大学，2005.endprint