NIBLACK改進算法在手指靜脈識別中的應用研究

鄭均輝，甘泉

NIBLACK改進算法在手指靜脈識別中的應用研究

鄭均輝，甘泉

手指靜脈識別是利用人體手指靜脈結(jié)構(gòu)的唯一性實現(xiàn)個體身份認證，具有高度安全和使用便捷等優(yōu)點，對手指靜脈提取方法進行了研究。首先，采用CLAHE算法對手指靜脈圖像進行增強處理，然后，針對傳統(tǒng)NIBALCK二值化算法的不足，提出了改進后NIBLACK算法的圖像分割。實驗證明，其算法提取的靜脈圖像脈絡(luò)清晰，保留了因光照不均而易丟失的特征細節(jié)，對提高系統(tǒng)的識別率和正確率提供了可靠保證。

NIBLACK改進算法；手指靜脈識別；圖像處理

0 引言

手指靜脈識別是利用分布于手指內(nèi)部的靜脈紋理結(jié)構(gòu)實現(xiàn)個人身份驗證的一種新型生物特征識別技術(shù)。手指靜脈識別作為一種新興的生物特征識別技術(shù)，逐步凸顯出新的優(yōu)勢。醫(yī)學研究證明手指靜脈的形狀具有唯一性和穩(wěn)定性：即每個人的手指靜脈圖像都不相同；同一個人不同的手指的靜脈圖像也不相同；健康成年人的靜脈形狀不再發(fā)生變化，當近紅外光線入射光波長在0.72到1.10微米時，可以較好地穿透骨骼和肌肉，凸顯手指血管的結(jié)構(gòu)[1]，從而進行有效的特征識別。手指靜脈識別系統(tǒng)是通過對靜脈的圖像采集，然后，提取出整個靜脈的結(jié)構(gòu)，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，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。而每個人手指靜脈的粗細，表面皮膚厚度不同，以及手指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(chǎn)生影響，因此，需要對圖像進行處理，提取比較清晰完整的手指靜脈結(jié)構(gòu)圖，為下一步的準確識別創(chuàng)造條件。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靜脈結(jié)構(gòu)圖。

1 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(jié)構(gòu)，對后續(xù)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(nèi)像素，而窗口外的像素往往被忽略，為了進一步解決這種現(xiàn)象，Crom artie等[5]又提出了對比度受限的局部直方圖均衡法（CLAHE，contrast-limited adaptive histogram equalization）。CLAHE結(jié)合了自適應直方圖均衡和對比度受限兩種方法，從整幅圖像的視覺效果出發(fā)，既考慮了窗口內(nèi)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。該方法表達式為公式（1）：

其中hW(r)是窗口的歸一化直方圖，hB（r）是窗口外的歸一化直方圖，而且式中0≤α≤1。設(shè)SW和SB分別代表區(qū)域W和區(qū)域B的面積，如果，則hW(r)= h(r),表示局部直方圖與全局直方圖相等；如果，則局部直方圖單獨進行均衡化，從而強調(diào)局部信息。因此可以通過調(diào)節(jié)α大小來調(diào)節(jié)局部直方圖來模擬周圍環(huán)境對相關(guān)區(qū)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(qū)域，每個區(qū)域大小相等，都含有L個像素，根據(jù)實際確定L大小，L越大增強效果越好，但同時丟失細節(jié)也相應增多。

（2）直方圖的計算和均衡。根據(jù)式（1）計算窗口區(qū)域的直方圖， hij(r)表示子區(qū)域的直方圖，k代表灰度級。然后對子區(qū)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(gòu)。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(shù)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(qū)域，重復上述步驟。

2 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(jié)構(gòu)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(guān)鍵。而NIBLACK法由于其動態(tài)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(jù)手指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(tài)閾值和NIBLACK相結(jié)合法。

2.1 傳統(tǒng)NIBLACK圖像分割

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(qū)域自適應的確定閾值，NIBLACK法[7]就是一種常用的局部動態(tài)閾值法。算法確定中心坐標（x，y）以及周圍鄰域r×r范圍，設(shè)g（x， y）為中心坐標的灰度值，其二值化后的結(jié)果為b（x，y），具體可描述為：

（1）計算中心坐標域r×r范圍均值灰度m（x，y）和標準方差d（x，y），如公式（2）和公式（3）：

（2）根據(jù)均值和方差計算出中心點的閾值，如公式（4）：

其中a為修正系數(shù)。

（3）根據(jù)步驟2計算出的閾值對中心點進行二值化為公式（5）：

（4）移動到下一個坐標，作為中心點，重復上述步驟，對圖像逐點二值化。

2.2 改進的NIBLACK圖像分割

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

（1）對靜脈圖像進行分塊，根據(jù)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(tài)閾值Tn（n=1,2,3,4,5,6）。

（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(jù)所在區(qū)域的靜態(tài)子閾值Tn進行二值化。

（3）對于非邊緣區(qū)域的分塊圖像，按NIBLACK法計算閾值t（x，y），將子靜態(tài)閾值Tn與t（x，y）進行加權(quán)得到的新閾值D（x，y）得公式（6）：

其中β為加權(quán)系數(shù)，根據(jù)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(jīng)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(luò)，但是仍然存在少量的噪聲，利用形態(tài)學的黑top-hat運算[9]，即經(jīng)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(luò)更加清晰。

3 實驗分析

本文通過紅外濾光鏡的CCD攝像頭對手背進行圖像提取，分別對20-30，30-40，40-50年齡段各尋找男性4人，女性4人總計24人采樣靜脈圖像，每人左手采樣5幅圖像，右手5幅圖像，共120幅圖像對本文算法進行實驗分析如圖1所示：

圖1 靜脈增強對比示意圖

圖1(a)采用全局靜態(tài)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(b)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較多的細節(jié)特征。

對比發(fā)現(xiàn)，直接對靜脈圖像進行傳統(tǒng)的NIBLACK二值化會出現(xiàn)大量的噪聲點和脈絡(luò)斷紋如圖2所示：

圖2 靜脈圖像二值化對比圖

同時丟失很多細節(jié)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(jié)構(gòu)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(luò)結(jié)構(gòu)。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(jié)構(gòu)紋理清晰，細節(jié)特征完整，脈絡(luò)連續(xù)。

有效改變了傳統(tǒng)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(xiàn)象，消除傳統(tǒng)方法的缺陷。

為了檢驗算法對于提高識別率的效用，對本文算法處理后的圖像，采用最近鄰法進行匹配，在靜脈庫選取10×5=50副圖像（每個手背5副圖像）作為樣本庫，對錯誤接受率（誤識率FAR）和錯誤拒絕率（FRR）進行檢驗，如表1所示：

表1

因采用最簡單的最近鄰法，整個手背靜脈識別率并不高，但相比較傳統(tǒng)的靜脈提取算法，本文算法有效降低了錯誤接受率和錯誤識別率，提高了靜脈識別準確率，具有一定得現(xiàn)實意義。

4 總結(jié)

在手指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，但對于手指靜脈圖像光照不均勻的情況處理效果不好，傳統(tǒng)的NIBLACK二值化算法也存在著容易產(chǎn)生噪聲塊，結(jié)構(gòu)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(tài)閾值與NIBLACK相結(jié)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(luò)清晰，保留了因光照不均而易丟失的特征細節(jié)，消除了噪聲塊和脈絡(luò)斷紋的現(xiàn)象，因此，本文算法是一套有效地靜脈提取算法，對提高系統(tǒng)的識別率和正確率提供了可靠保證。

[1]王科俊,丁宇航,莊大燕,等.手指靜脈圖像閾值分割[J].自動化技術(shù)與應用,2011,24(08):19-21.

[2]楊有,李波.CLAHE和細節(jié)放大相結(jié)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(lǐng)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]林喜榮,莊波,蘇曉生,等.人體手指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.

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

[6]Crom artie R, Pizer S M. Structure sensitive adaptive contrast enhancement methods and their evaluation[J]. Image andVision Computer, 1993, (11): 385.

[7]趙建軍,熊馨,張磊等.基于CLAHE和TOPHAT變換的手指靜脈圖像增強算法[J].激光與紅外.2009,39(2):220-222.

[8]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(shù),2009,42(01):292-294.

[9]Niblack W. An Introduction to Image Processing[C].NJ: Prentice-Hall,1986:115-116.

Research of Finger Vein Recognition Based On Improved NIBLACK Algorithm

Zheng Junhui，Gan Quan
（Pingdingshan College, Pingdingshan 467002, China）

Finger vein recognition uses the unique of finger vein patterns to identify individual in high security and convenience. This paper makes a study on hand vein extraction methods. Firstly the finger vein image is enhanced with CLAHE algorithm before the image processing. Because the traditional NIBLACK algorithm on image binarization processing has the flaws, then the image segmentation is proposed with an improved algorithm of NIBLACK. Experimental results show that the methods could obtain original and clear vein structure, retain the details of the losable features due to unevenillumination, and it also could improve the recognition rate and accuracy.

NIBLACK Improved Algorithm; Finger Vein Recognition; Image Processing

TP391.4

A

2015.02.04）

1007-757X(2015)05-0036-03

河南省科技攻關(guān)基金資助項目（132002210443）

鄭均輝（1981-），男，漢族，四川敘永縣人，平頂山學院，講師，碩士，研究方向：人工智能，算法分析等，平頂山，467000甘 泉（1980-），男，漢族，安徽靈璧縣人，平頂山學院，講師，碩士，研究方向：模式識別，算法分析等，平頂山，467000