Введение

Венепункция — одна из самых массовых инвазивных процедур в здравоохранении (ежегодно более 450 млн манипуляций в РФ). Однако у 20–30 % пациентов вены плохо визуализируются из-за глубокого залегания, ожирения или особенностей кожи, что ведёт к многократным попыткам, осложнениям и увеличению времени приёма. Решением может стать система компьютерного зрения для автоматического поиска вен, но её точность сильно зависит от качества изображений. Ключевые текстурные артефакты — волосяной покров и татуировки — создают ложные структуры, снижающие эффективность алгоритмов. Задача данной работы — разработка и оценка методов морфологической фильтрации для подавления таких артефактов.

Постановка проблемы

Анализ датасета из 1247 RGB-фотографий локтевой области выявил, что волосы образуют тонкие тёмные линии, по геометрии сходные с венами. Длинные контрастные волосы часто сохраняются после стандартной пороговой обработки, ошибочно классифицируясь как вены. Татуировки, особенно с тёмным пигментом, маскируют реальные сосуды или создают ложные контрастные структуры. Эксперименты показали, что наличие татуировок снижает точность определения точки пункции с 78,48 % (эталонная группа) до 65,75 %; сочетание татуировок с возрастными изменениями — до 34,68 %. Таким образом, требуется эффективный метод подавления этих артефактов на этапе предобработки.

Методы подавления текстурных артефактов

В основе предлагаемого подхода лежит морфологическое преобразование «чёрная шляпа» (Black‑Hat):

BlackHat(I) = Close(I) — I ,

где Close — морфологическое закрытие (дилатация + эрозия) с эллиптическим структурирующим элементом. Эта операция выделяет тёмные детали, размер которых меньше элемента, — именно вены. Для подавления волос применяется многоступенчатая фильтрация:

— открытие с ядром 3×3 удаляет точечный шум и короткие линии;

— закрытие с ядром 5×5 соединяет фрагменты вен и заполняет разрывы.

Для борьбы с татуировками используется комбинированный анализ в двух цветовых пространствах (HSV и YCrCb). Маска кожи строится как логическое пересечение пороговых масок в обоих пространствах, что снижает ложные срабатывания на пигментированных участках. Параметры (размер ядра, порог бинаризации) подбираются автоматически методом Оцу, либо вручную через интерфейс.

Результаты экспериментальной проверки

Эксперимент проведён на выборке из 1160 изображений, разделённых на группы по наличию артефактов и возрасту. Результаты представлены в таблице.

Таблица

Точность определения точки венепункции

Наилучшие результаты достигнуты в эталонной группе. Наличие татуировок и волос снижает точность, а их сочетание с возрастными изменениями — критически. Это подтверждает, что предложенные морфологические методы эффективны, но имеют ограничения.

Обсуждение

Совпадение динамических характеристик модели с расчётами подтверждает корректность настройки физики в Gazebo. Выявленное проскальзывание колёс при развороте (до 5 % ошибки одометрии) указывает на необходимость использования расширенного фильтра Калмана для комплексирования данных энкодеров, IMU и лидара в реальной системе. Отметим, что в большинстве аналогичных работ верификация ограничивается отдельными сценариями, тогда как наша модель проверена в комплексных условиях, приближенных к реальной эксплуатации.

Основные ограничения исследования: упрощение физических эффектов (деформация пола, работа редукторов, задержки связи). В перспективе планируется расширение симуляции на управление флотом роботов и интеграция с системой управления складом (WMS).

Заключение

В работе рассмотрена проблема подавления текстурных артефактов — волосяного покрова и татуировок — при сегментации венозного рисунка на RGB-изображениях. Предложен комплексный подход на основе морфологических операций, включающий преобразование «чёрная шляпа» (Black‑Hat), многоступенчатую фильтрацию и комбинированный анализ в двух цветовых пространствах.

Экспериментальная проверка на выборке из 1160 изображений подтвердила эффективность предложенного подхода: в эталонной группе пациентов точность сегментации достигла 78,48 %. Выявлены основные ограничения метода, связанные с длинными контрастными волосами и татуировками в области локтевого сгиба.

Дальнейшие исследования предполагают:

— разработку и обучение нейросетевого детектора артефактов для автоматического распознавания и удаления волос и татуировок;

— переход к мультимодальной архитектуре с использованием инфракрасной визуализации и ультразвукового сканирования для повышения точности на сложных группах пациентов;

— создание специализированного датасета изображений с различными типами текстурных артефактов для обучения моделей машинного обучения.

Литература:

1. Пономарёва Е. А. Разработка системы распознавания вен локтевой области для автоматизированного забора крови: ВКР. — НГТУ, 2026. — С. 16–17, 33–34, 54–59.

2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. — 3-е изд. — М.: Техносфера, 2012. — 1104 с.

3. Samhitha N. et al. Advanced Image Segmentation and Machine Learning for Accurate Skin Disease Diagnosis // SSRN, 2025. DOI: 10.2139/ssrn.5229152.

4. Gopal M. S., Mallick S. P. Hair Removal Algorithm for Enhanced Vein Visualization in Near-Infrared Imaging // Springer, 2026. DOI: 10.1007/978–981–95–3492–0_4.

5. Ibsen M. et al. Face Beneath the Ink: Synthetic Data and Tattoo Removal with Application to Face Recognition // arXiv, 2023.