Введение

Системы компьютерного зрения для поиска вен на RGB-изображениях сталкиваются с проблемой вариативности условий съёмки: расстояние до руки, освещение, разрешение камеры. Толщина вены (3 мм в реальности) может занимать от 10 до 50 пикселей на снимке в зависимости от масштаба. Поскольку параметры морфологического анализа (размер ядра, порог) задаются в пикселях, фиксированные значения не могут быть оптимальны для всех случаев. Цель работы — разработка метода автоматической адаптации параметров для устойчивого выделения вен при вариативном масштабе и разрешении.

Постановка проблемы

Анализ датасета из 1247 RGB-фотографий локтевой области показал, что масштаб съёмки варьируется от крупных планов (только ямка) до общих (вся рука). Также присутствует неравномерное освещение (блики, тени, перепады яркости). Глобальная эквализация гистограммы в таких условиях неэффективна — усиливает шум в тёмных областях и теряет детали в светлых. Необходим метод, автоматически подбирающий оптимальные параметры обработки для каждого изображения, компенсируя вариации масштаба и освещённости.

Метод автоматической адаптации параметров

Предлагаемый метод основан на трёх ключевых механизмах адаптации: автоматическом подборе размера ядра морфологического оператора, адаптивной эквализации гистограммы с ограничением контраста (CLAHE) и автоматическом определении порога бинаризации методом Оцу.

Адаптивный выбор размера ядра.

Размер структурирующего элемента операции «чёрная шляпа» определяется на основе характерного размера изображения. Эмпирически установлено, что наилучшие результаты для выделения вен даёт эллиптический структурирующий элемент, размер которого составляет определённую долю от линейного размера изображения. Такой подход обеспечивает масштабную инвариантность: на изображениях, снятых крупным планом, ядро будет больше в абсолютных пикселях, чем на общих планах, но в обоих случаях оно будет соответствовать ожидаемой толщине вен. Для тонкой настройки размера ядра реализован итеративный перебор значений из диапазона от 9 до 61 пикселя.

Адаптивная эквализация гистограммы (CLAHE).

Для компенсации неравномерного освещения применяется метод CLAHE (Contrast Limited Adaptive Histogram Equalization). В отличие от глобальной эквализации, CLAHE разбивает изображение на небольшие прямоугольные тайлы, в каждом из которых выполняется независимая эквализация гистограммы с искусственным ограничением максимального усиления контраста (clip limit). Коэффициент ограничения контраста автоматически подбирается из диапазона от 0.5 до 6.0 путём перебора комбинаций с различными размерами ядра.

Автоматическое определение порога бинаризации.

Для преобразования полученной карты контрастности в бинарную маску вен применяется метод Оцу. Данный метод находит такое пороговое значение, которое максимизирует межклассовую дисперсию между двумя классами пикселей — фоном и венами. Для оценки качества каждой комбинации параметров используется вспомогательная функция, вычисляющая межклассовую дисперсию Оцу по гистограмме яркостей пикселей карты контрастности.

Экспериментальная проверка

Эксперимент проведён на 1160 изображениях, разделённых по группам. Результаты — в таблице 1.

Таблица 1

Точность определения точки венепункции

Автоматический подбор параметров повысил устойчивость к вариациям масштаба и освещения по сравнению с фиксированными настройками. Основные ограничения — текстурные артефакты и низкий контраст в сложных группах.

Обсуждение

Ключевым преимуществом предложенного метода является его способность адаптироваться к широкому спектру условий съёмки без необходимости ручной настройки для каждого изображения. Автоматический подбор параметров на основе максимизации межклассовой дисперсии Оцу обеспечивает объективный критерий оптимальности, не зависящий от субъективной оценки оператора.

Однако метод имеет ограничения. При выраженных текстурных артефактах (волосяной покров, татуировки) межклассовая дисперсия может быть завышена за счёт ложных структур, что приводит к субоптимальному выбору параметров. Кроме того, для изображений с крайне низким контрастом (ожирение, глубокая пигментация) метод Оцу может не обеспечить надёжного разделения классов.

В перспективе планируется использование нейросетевых методов для предварительной классификации изображений по типу и автоматического выбора наиболее подходящего набора параметров, а также переход к мультимодальной архитектуре с использованием инфракрасной визуализации и ультразвукового сканирования.

Заключение

В работе предложен метод автоматической адаптации параметров морфологического анализа для выделения вен на RGB-изображениях с вариативным масштабом и разрешением. Метод включает адаптивный выбор размера ядра операции Black‑Hat на основе характерного размера изображения, автоматический подбор коэффициента ограничения контраста CLAHE и определение порога бинаризации методом Оцу с максимизацией межклассовой дисперсии.

Экспериментальная проверка на выборке из 1160 изображений подтвердила эффективность предложенного подхода: в эталонной группе пациентов точность сегментации достигла 78,48 %. Автоматическая адаптация параметров позволила существенно повысить устойчивость алгоритма к вариациям условий съёмки по сравнению с фиксированными настройками. Выявлены основные ограничения метода, связанные с текстурными артефактами и низким контрастом в сложных группах пациентов.

Дальнейшие исследования предполагают разработку нейросетевого классификатора для предварительной оценки типа изображения и выбора оптимального набора параметров, а также переход к мультимодальной архитектуре.

Литература:

1. Пономарёва Е. А. Разработка системы распознавания вен локтевой области: ВКР. — НГТУ, 2026. — С. 24–30, 33–37, 54–59.

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

3. CLAHE Documentation [Электронный ресурс] // Albumentations. — URL: https://albumentations.ai/docs/api_reference/augmentations/geometric/CLAHE (дата обращения: 19.07.2026).

4. Adaptive Histogram Equalization (CLAHE): Parameters and Tuning [Электронный ресурс] // Eureka Patsnap. — URL: https://eureka.patsnap.com/blog/adaptive-histogram-equalization-clahe (дата обращения: 19.07.2026).

5. Study on Automatic Segmentation Method of Retinal Blood Vessel Images // Journal of Computer Science, 2024. — URL: https://www.jsjkx.com (дата обращения: 19.07.2026).