基于NIBLACK改進算法的靜脈識別特征提取

鄭均輝++喻恒

摘 要： 靜脈識別是一種新興的生物特征識別技術，為了滿足靜脈識別中的特征提取需求，對手背靜脈提取方法進行了研究。首先采用CLAHE算法對手背靜脈圖像進行增強處理，然后針對傳統NIBALCK二值化算法的不足，提出一種局部靜態閾值與NIBLACK相結合的改進算法。實驗證明，該方法能有效消除傳統方法中噪聲過多、紋絡斷裂的現象，克服光強因素對圖像提取的影響，保持完整清晰的靜脈紋絡結構，從而滿足后續識別工作的需要。

關鍵詞： 靜脈識別； NIBLACK改進算法； 特征提取； 噪聲消除

中圖分類號： TN911.73?34； TP391.14 文獻標識碼： A 文章編號： 1004?373X（2015）12?0074?03

生物特征識別技術作為物聯網架構中感知層的重要組成部分，隨著物聯網概念的提出和快速發展，也得到了更廣泛的應用。指紋識別、聲音識別、虹膜識別等生物特征技術都已發展的比較成熟，而靜脈識別作為一種新興的生物特征識別技術，逐步凸顯出新的優勢。本文提出一種基于局部直方圖均衡和NIBLACK分割的方法對靜脈圖像進行提取，實驗證明可以得到輪廓清晰的靜脈結構圖。

1 靜脈識別

靜脈識別的基本原理是，普通人的手背靜脈具有不隨年齡變化的惟一性，當近紅外光線入射光波長在0.72～1.10 μm時，可以較好地穿透骨骼和肌肉，凸顯手背血管的結構[1]，從而進行有效的特征識別。手背靜脈識別系統是通過對靜脈的圖像采集，然后提取出整個靜脈的結構，再由一系列識別算法，達到對人的身份識別。在對圖像的采集過程中，由于采用的是紅外CCD攝像機，光強對圖像影響較大，光照過強會使靜脈偏亮而模糊，光照偏弱又會導致靜脈和背景混淆，整體偏暗。同時每個人手背靜脈的粗細，表面皮膚厚度不同，以及手背本身具有的弧度會使圖像光照不均勻，都會對采集的靜脈輪廓清晰度產生影響，因此需要對圖像進行處理，提取比較清晰完整的手背靜脈結構圖，為下一步的準確識別創造條件。

2 基于CLAHE的靜脈圖像增強

由于靜脈隱藏在皮膚表層以下，靜脈圖像的對比度往往不高，直接提取靜脈紋路進行二值化，將會導致丟失部分可用靜脈信息或者誤將背景作為靜脈結構，對后續識別影響很大[2]，因此需要對圖像進行增強處理。圖像增強的方法，一般分為空間域增強和頻域增強，其中空間域增強法中的直方圖均衡（HE）一直是簡單實用的工具。直方圖均衡簡單有效，包括全局法和自適應法（AdaptiveHE，自適應直方圖均衡化）。在實際的應用中，有些圖像對比度比較低，全局法效果不佳。為了解決這一實際問題，Pizer等提出了局部直方圖均衡化的方法（Local AdaptiveHE，LAHE）對圖像的灰度增強[3?4]。但是該方法只考慮每一個局部窗口內像素，而窗口外的像素往往被忽略，為了進一步解決這種現象，Crom artie等又提出了對比度受限的局部直方圖均衡法[5]（Contrast?limited Adaptive Histogram Equalization，CLAHE）。CLAHE結合了自適應直方圖均衡和對比度受限2種方法，從整幅圖像的視覺效果出發，既考慮了窗口內像素直方圖又考慮了窗口外的像素，使圖像增強效果適應性更好，效果也更突出。該方法表達式為：

[hij（r）=αhW（r）+1-αhBr] （1）

式中：[hW（r）]是窗口的歸一化直方圖；[hBr]是窗口外的歸一化直方圖；[0≤α≤1]。設[SW]和[SB]分別代表區域W和區域B的面積，如果[α=SW（SW+SB）]，則[hW（r）=h（r）]，表示局部直方圖與全局直方圖相等；如果[α>SW（SW+SB）]，則局部直方圖單獨進行均衡化，從而強調局部信息。因此可以通過調節[α]大小調節局部直方圖來模擬周圍環境對相關區域的影響。

CLAHE算法具體步驟如下：

（1） 將圖像分塊。將目標圖像分為不重疊的子區域，每個區域大小相等，都含有[L]個像素，根據實際確定[L]大小，[L]越大增強效果越好，但同時丟失細節也相應增多。

（2） 直方圖的計算和均衡。根據式（1）計算窗口區域的直方圖，[hij（r）]表示子區域的直方圖，[k]代表灰度級。然后對子區域進行均衡化處理，處理后的子圖用[Cij（k）]表示。

（3） 像素灰度值重構。將[Cij（k）]中心像素點的灰度值作為參考點，采用雙線性插值技術計算輸出圖像中各點的灰度值

（4） 遍歷目標圖像。移動窗口至下一個子區域，重復上述步驟。

3 NIBLACK改進算法的靜脈圖像分割

圖像增強后，靜脈圖像的紋理和特征就比較清晰，這時還要對圖像進行分割才能提取出整個靜脈的結構紋理圖。圖像的分割提取主要利用閾值進行二值化分割，找到合適的閾值是圖像分割的關鍵。而NIBLACK法由于其動態局部閾值的處理方法[6]，對圖像分割有較好的效果，本文根據手背靜脈特殊的圖像采集原理以及靜脈圖像的特點，采用改進的分塊靜態閾值和NIBLACK相結合的方法。

3.1 常規NIBLACK算法

在實際應用中，由于目標和背景對比度在同一圖像中變化比較大，同時因為光照、噪聲以及背景灰度梯度值突變等，為了更好地分割圖像，必須在不同的圖像區域自適應的確定閾值，NIBLACK法[7]就是一種常用的局部動態閾值法。算法確定中心坐標[（x，y）]以及周圍鄰域[r×r]范圍，設[g（x，y）]為中心坐標的灰度值，其二值化后的結果為[b（x，y）]，具體可描述為：

3.2 改進的NIBLACK算法

常規的NIBLACK算法雖然可以動態地確定每個區域的閾值，但是也有其自身的不足：由于要利用[r×r]模板遍歷圖像，導致邊界區域[（r-1）2]的像素范圍內無法求取閾值；同時當進行圖像遍歷時，如果[r×r]范圍內都是背景，經NIBLACK計算后必有一部分被確定為目標，產生偽噪聲[8]。針對此缺點，本文提出一種局部靜態閾值與NIBLACK相結合的方法對圖像二值化。其算法思想是對圖像的邊緣區域和純背景區域采用靜態閾值進行分割，對于其他區域采用NIBLACK算法進行二值化。具體實現如下：

（1） 對靜脈圖像進行分塊，根據采集圖像的像素大小以及模板r的值，本文將圖像分為6塊，每塊均包含了一部分邊緣圖像，利用Ostu算法計算每塊圖像的靜態閾值[Tn]（n=1，2，…，6）。

（2） 判別像素范圍，凡邊緣范圍即小于[（r-1）2]范圍的像素根據所在區域的靜態子閾值[Tn]進行二值化。

（3） 對于非邊緣區域的分塊圖像，按NIBLACK法計算閾值[t（x，y）]，將子靜態閾值[Tn]與[t（x，y）]進行加權得到新閾值[D（x，y）]：

[D（x，y）=（1-β）t（x，y）+β×Tn] （6）

式中[β]為加權系數，根據實驗測試，本文取[β]為0.5可以達到最好的效果。

（4） 利用得到的閾值[D（x，y）]對子圖像進行二值化，移動到下一子圖像，重復上述步驟直到完成對整幅圖像的二值化。

經過改進算法處理的二值圖像可以得到比較清晰的靜脈紋絡，但是仍然存在少量的噪聲，利用形態學的黑top?hat運算[9]，即經過閉運算的圖像減去源圖像，可以有效清除噪聲，也可提取圖像的暗特征，使靜脈邊緣紋絡更加清晰。

4 實驗分析

本文采用Mohamed Shahin博士提供的手背靜脈圖像數據庫進行實驗分析。為了消除靜脈庫原圖像靜脈周圍背景對圖像增強的影響，首先對靜脈圖像進行ROI（Region of Interest）處理，提取出靜脈區域圖像，如圖1（b）所示。

圖1（c）采用全局靜態直方圖均衡法，可以看出因局部光強不同，靜脈圖像增強效果不均勻，這會使后期的二值化處理丟失大量信息。圖1（d）采用CLAHE算法增強后，靜脈圖像灰度對比均勻，紋理和特征清晰，有利于在圖像分割時保留大量的細節特征。如圖2對比發現，直接對靜脈圖像進行傳統的NIBLACK二值化會出現大量的噪聲點和脈絡斷紋，同時丟失很多細節特征，如圖2（b）所示。直接對圖像進行直方圖均衡增強，也會因光強不均丟失靜脈部分結構特征，如圖2（c）所示，圖像右下方因局部光照過強使得增強后的圖像在二值化后丟失一部分靜脈紋絡結構。本文采用基于CLAHE的圖像增強算法和改進的NIBLACK二值化的方法，如圖2（d）所示，得到的靜脈結構紋理清晰，細節特征完整，脈絡連續。改變傳統的增強算法二值化后引起的偽噪聲、斷紋以及靜脈圖像特征丟失現象，消除傳統方法的缺陷，有利于后續對于靜脈的識別工作，提高整個靜脈識別系統的準確率。

5 結 語

在手背靜脈提取過程中全局直方圖均衡是比較常用的圖像增強算法，但對于手背靜脈圖像光照不均勻的情況處理效果不好，傳統的NIBLACK二值化算法也存在著容易產生噪聲塊，結構斷紋和無法確定圖像邊緣二值化閾值的缺陷。針對這種情況，本文提出利用CLAHE增強圖像，并采用局部靜態閾值與NIBLACK相結合的改進算法對圖像進行二值化。實驗證明，本文算法提取的靜脈圖像脈絡清晰，保留了因光照不均而易丟失的特征細節，消除了噪聲塊和脈絡斷紋的現象，因此本文算法是一套有效的靜脈提取算法，對提高系統的識別率和正確率提供了可靠保證。

參考文獻

[1] 林喜榮，莊波，蘇曉生，等.人體手背血管圖像的特征提取及匹配[J].清華大學學報：自然科學版，2003，43（2）：164?167.

[2] 楊有，李波.CLAHE和細節放大相結合的檔案圖像增強方法[J].中國圖象圖形學報，2011，16（4）：522?527.

[3] 朱其剛，朱自強.基于自適應領域灰度直方圖均衡的超聲窺鏡圖像增強[J].山東科技大學學報，2004，23（3）：120?123.

[4] 王龍，汪天富，鄭昌瓊.基于灰度直方圖均衡的超聲醫學圖像增強方法[J].四川大學學報，2012，34（1）：105?108.

[5] CROM A R， PIZER S M. Structure sensitive adaptive contrast enhancement methods and their evaluation [J]. Image and Vision Computer， 1993 （11）： 385?391.

[6] 鄭偉，康朝紅.基于梯度的低對比度X 線圖像分割方法[J].通信技術，2009，42（1）：292?294.

[7] NIBLACK W. An introduction to image processing [J]. Applied Computing， 1986， 15（4）： 219?229.

[8] 王科俊，丁宇航，莊大燕，等.手背靜脈圖像閾值分割[J].自動化技術與應用，2011，24（8）：19?21.

[9] 趙建軍，熊馨，張磊，等.基于CLAHE和TOPHAT變換的手背靜脈圖像增強算法[J].激光與紅外，2009，39（2）：220?222.