周建偉
摘 要： 為了提高運動損傷病理診斷有效性，提出基於三維傳感跟蹤的運動損傷動作細節特徵提取方法。採用三維傳感跟蹤識別方法進行運動損傷動作的圖像採集，對採集的三維圖像進行邊緣輪廓檢測和角點檢測，提取反應運動損傷細節特徵的關鍵特徵點，採用損傷部位的形變位移估計方法實現運動損傷動作的統計信息特徵提取和損傷程度評估，結合圖像的塊分割方法實現運動損傷動作細節特徵提取。仿真結果表明，採用該方法進行運動損傷動作細節特徵提取和三維傳感跟蹤識別，對運動損傷動作圖像的特徵表達能力較好，實現可視化的運動損傷病理診斷和治療。
關鍵詞： 三維傳感跟蹤； 圖像採集； 運動損傷； 動作細節； 特徵提取
中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）20?0101?03
Abstract： In order to improve the effectiveness of pathological diagnosis of sports injury， a method of sports injury motion detail feature extraction based on 3D sensing tracking is proposed. The 3D sensing tracking and recognition method is used to carry out the image acquisition for the sports injury action. The edge contour detection and corner detection of the acquired 3D image are performed to extract the key feature points embodying the sports injury detail features. The deformational displacement estimation method for an injured part is used to extract the statistical information characteristics of the sports injury action and estimate the injury degree， and combined with the image block segmentation method to extract the motion detail feature of sports injury. The simulation results show that the method， used to perform the motion detail feature extraction and 3D sensing tracking recognition of sports injury， has high feature expression ability for sports injury motion image， and can realize the visual pathological diagnosis and treatment for sports injury.
Keywords： 3D sensing tracking； image acquisition； sports injury； motion detail； feature extraction
隨著圖像處理技術的發展，採用圖像特徵分析和提取方法進行運動損傷治療分析得到廣泛應用。採用CT成像技術提取運動損傷部位的圖像，結合三維圖像重構和三維傳感器跟蹤方法進行運動損傷部位分析，可有效實現對運動損傷的診斷。對運動損傷病理分析和診斷的基礎在於運動損傷動作細節特徵提取[1]。當前，對運動損傷動作細節特徵提取方法主要有灰度檢測方法、角點匹配方和分塊分割方法等[2]，對運動損傷圖像的輪廓、邊緣特徵點進行準確標定和分塊分割，進行圖像的活動輪廓線標記，實現運動損傷動作細節特徵提取，但上述方法存在收斂性不好和抗干擾能力不強等問題。對此，本文提出一種基於三維傳感跟蹤的運動損傷動作細節特徵提取，採用損傷部位的形變位移估計方法實現運動損傷動作的統計信息特徵提取和損傷程度評估，具有較好的應用效果。
1 運動損傷動作圖像採集處理
1.1 三維傳感跟蹤採集
分析運動損傷動作圖像的細節特徵提取方法，首先採用三維傳感跟蹤採集方法進行原始運動損傷圖像採集，採用三維傳感器跟蹤進行圖像採集得到的運動損傷圖像的輪廓長度為：
1.2 邊緣輪廓檢測和角點檢測
在採用三維傳感跟蹤方法進行圖像採集的基礎上，進行圖像的邊緣輪廓檢測和角點檢測，提取反應運動損傷細節特徵的關鍵特徵點[4]，構建運動損傷細節動作特徵重構的三維數據場，用圖像向量量化特徵表達式描述為：
2 運動損傷動作細節特徵提取實現
運動損傷動作圖像的動作細節特徵量向量量化信息在[t]時刻的稀疏性特徵分割閾值表示為[Ima（xt）=p（xtd0，1，2，…，t）]，其第[N]個運動損傷動作圖像的成像像素分布值為：
在對運動損傷動作圖像塊分割處理後，計算圖像在每個尺度下的邊緣灰度值，並與當前灰度值進行比對，求得統計量[Econ]，採用損傷部位的形變位移估計方法實現運動損傷動作的統計信息特徵提取和損傷程度評估[8]，得到形變位移估計值表達為：
3 仿真實驗
基於Matlab圖像處理工具進行仿真實驗。實驗中的運動損傷動作圖像採集通過三維傳感器跟蹤識別方法實現，採集地點為某大型醫院的骨科，運動損傷圖像的細節動作特徵的模板大小為200×200，灰度標準差σ取值範圍為（0.25，2），圖像三維傳感跟蹤識別的時間步長t=0.1 s，灰度總級數為280。根據上述仿真環境設定，進行運動損傷動作圖像分析和細節動作特徵提取仿真，得到兩組圖像的原始圖像採集結果如圖1所示。
以圖2提取的運動損傷動作細節特徵為數據基礎，進行運動損傷動作的統計信息特徵提取和損傷程度評估，實現損傷判斷和治療。為了定量分析本文方法的應用性能，以損傷點的準確判斷率為測試指標，採用不同的判斷方法，得到對比結果如圖3所示。分析得知，採用本文方法進行運動損傷判斷和治療的準確性較高。
4 結 語
本文提出基於三維傳感跟蹤的運動損傷動作細節特徵提取方法，並進行實驗對比。研究表明，採用該方法進行運動損傷動作細節特徵提取和三維傳感跟蹤識別，對運動損傷動作圖像的特徵表達能力較好，為實現可視化的運動損傷病理診斷和治療奠定基礎。
參考文獻
[1] 程明，黃曉陽，黃紹輝，等.定向區域生長算法及其在血管分割中的應用[J].中國圖象圖形學報，2011，16（1）：44?49.
[2] 湯敏，陳秀梅，陳峰.基於Contourlet變換和SPHIHT算法的彩色醫學圖像壓縮[J].計算機科學，2014，41（1）：303?306.
[3] 王建，王必寧，楊根善，等.基於形態學金字塔的醫學圖像融合技[J].兵工自動化，2014，31（1）：82?84.
[4] 江淮，趙惠昌，漢敏，等.基於擴展方位NLCS的斜視TOPSAR成像算法[J].電子與信息學報，2017，39（7）：1606?1611.
[5] 王駿飛，黃樟燦，TALAB A M A.一種針對圖像細節優化的BM二值化方法[J].武漢理工大學學報，2014，36（8）：127?132.
[6] 魯周迅，張彬彬.一種新的手背靜脈分割方法[J].微電子學與計算機，2014，31（8）：25?28.
[7] 蘭紅，張璐.分水嶺優化的Snake模型肝臟圖像分割[J].中國圖象圖形學報，2012，17（7）：873?879.
[8] 楊軍，李震宇，孫光才，等.一種新的大斜視TOPSSAR全孔徑成像方法[J].西安電子科技大學學報，2015，42（1）：47?51.
摘 要： 為了提高運動損傷病理診斷有效性，提出基於三維傳感跟蹤的運動損傷動作細節特徵提取方法。採用三維傳感跟蹤識別方法進行運動損傷動作的圖像採集，對採集的三維圖像進行邊緣輪廓檢測和角點檢測，提取反應運動損傷細節特徵的關鍵特徵點，採用損傷部位的形變位移估計方法實現運動損傷動作的統計信息特徵提取和損傷程度評估，結合圖像的塊分割方法實現運動損傷動作細節特徵提取。仿真結果表明，採用該方法進行運動損傷動作細節特徵提取和三維傳感跟蹤識別，對運動損傷動作圖像的特徵表達能力較好，實現可視化的運動損傷病理診斷和治療。
關鍵詞： 三維傳感跟蹤； 圖像採集； 運動損傷； 動作細節； 特徵提取
中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）20?0101?03
Abstract： In order to improve the effectiveness of pathological diagnosis of sports injury， a method of sports injury motion detail feature extraction based on 3D sensing tracking is proposed. The 3D sensing tracking and recognition method is used to carry out the image acquisition for the sports injury action. The edge contour detection and corner detection of the acquired 3D image are performed to extract the key feature points embodying the sports injury detail features. The deformational displacement estimation method for an injured part is used to extract the statistical information characteristics of the sports injury action and estimate the injury degree， and combined with the image block segmentation method to extract the motion detail feature of sports injury. The simulation results show that the method， used to perform the motion detail feature extraction and 3D sensing tracking recognition of sports injury， has high feature expression ability for sports injury motion image， and can realize the visual pathological diagnosis and treatment for sports injury.
Keywords： 3D sensing tracking； image acquisition； sports injury； motion detail； feature extraction
隨著圖像處理技術的發展，採用圖像特徵分析和提取方法進行運動損傷治療分析得到廣泛應用。採用CT成像技術提取運動損傷部位的圖像，結合三維圖像重構和三維傳感器跟蹤方法進行運動損傷部位分析，可有效實現對運動損傷的診斷。對運動損傷病理分析和診斷的基礎在於運動損傷動作細節特徵提取[1]。當前，對運動損傷動作細節特徵提取方法主要有灰度檢測方法、角點匹配方和分塊分割方法等[2]，對運動損傷圖像的輪廓、邊緣特徵點進行準確標定和分塊分割，進行圖像的活動輪廓線標記，實現運動損傷動作細節特徵提取，但上述方法存在收斂性不好和抗干擾能力不強等問題。對此，本文提出一種基於三維傳感跟蹤的運動損傷動作細節特徵提取，採用損傷部位的形變位移估計方法實現運動損傷動作的統計信息特徵提取和損傷程度評估，具有較好的應用效果。
1 運動損傷動作圖像採集處理
1.1 三維傳感跟蹤採集
分析運動損傷動作圖像的細節特徵提取方法，首先採用三維傳感跟蹤採集方法進行原始運動損傷圖像採集，採用三維傳感器跟蹤進行圖像採集得到的運動損傷圖像的輪廓長度為：
1.2 邊緣輪廓檢測和角點檢測
在採用三維傳感跟蹤方法進行圖像採集的基礎上，進行圖像的邊緣輪廓檢測和角點檢測，提取反應運動損傷細節特徵的關鍵特徵點[4]，構建運動損傷細節動作特徵重構的三維數據場，用圖像向量量化特徵表達式描述為：
2 運動損傷動作細節特徵提取實現
運動損傷動作圖像的動作細節特徵量向量量化信息在[t]時刻的稀疏性特徵分割閾值表示為[Ima（xt）=p（xtd0，1，2，…，t）]，其第[N]個運動損傷動作圖像的成像像素分布值為：
在對運動損傷動作圖像塊分割處理後，計算圖像在每個尺度下的邊緣灰度值，並與當前灰度值進行比對，求得統計量[Econ]，採用損傷部位的形變位移估計方法實現運動損傷動作的統計信息特徵提取和損傷程度評估[8]，得到形變位移估計值表達為：
3 仿真實驗
基於Matlab圖像處理工具進行仿真實驗。實驗中的運動損傷動作圖像採集通過三維傳感器跟蹤識別方法實現，採集地點為某大型醫院的骨科，運動損傷圖像的細節動作特徵的模板大小為200×200，灰度標準差σ取值範圍為（0.25，2），圖像三維傳感跟蹤識別的時間步長t=0.1 s，灰度總級數為280。根據上述仿真環境設定，進行運動損傷動作圖像分析和細節動作特徵提取仿真，得到兩組圖像的原始圖像採集結果如圖1所示。
以圖2提取的運動損傷動作細節特徵為數據基礎，進行運動損傷動作的統計信息特徵提取和損傷程度評估，實現損傷判斷和治療。為了定量分析本文方法的應用性能，以損傷點的準確判斷率為測試指標，採用不同的判斷方法，得到對比結果如圖3所示。分析得知，採用本文方法進行運動損傷判斷和治療的準確性較高。
4 結 語
本文提出基於三維傳感跟蹤的運動損傷動作細節特徵提取方法，並進行實驗對比。研究表明，採用該方法進行運動損傷動作細節特徵提取和三維傳感跟蹤識別，對運動損傷動作圖像的特徵表達能力較好，為實現可視化的運動損傷病理診斷和治療奠定基礎。
參考文獻
[1] 程明，黃曉陽，黃紹輝，等.定向區域生長算法及其在血管分割中的應用[J].中國圖象圖形學報，2011，16（1）：44?49.
[2] 湯敏，陳秀梅，陳峰.基於Contourlet變換和SPHIHT算法的彩色醫學圖像壓縮[J].計算機科學，2014，41（1）：303?306.
[3] 王建，王必寧，楊根善，等.基於形態學金字塔的醫學圖像融合技[J].兵工自動化，2014，31（1）：82?84.
[4] 江淮，趙惠昌，漢敏，等.基於擴展方位NLCS的斜視TOPSAR成像算法[J].電子與信息學報，2017，39（7）：1606?1611.
[5] 王駿飛，黃樟燦，TALAB A M A.一種針對圖像細節優化的BM二值化方法[J].武漢理工大學學報，2014，36（8）：127?132.
[6] 魯周迅，張彬彬.一種新的手背靜脈分割方法[J].微電子學與計算機，2014，31（8）：25?28.
[7] 蘭紅，張璐.分水嶺優化的Snake模型肝臟圖像分割[J].中國圖象圖形學報，2012，17（7）：873?879.
[8] 楊軍，李震宇，孫光才，等.一種新的大斜視TOPSSAR全孔徑成像方法[J].西安電子科技大學學報，2015，42（1）：47?51.
收藏