基于Gabor濾波和形態學變換的手臂靜脈線提取

彭曉光 王彪 唐超穎 蘇菡 陳曉騰

摘 要：提出了一種針對近紅外圖像的手臂靜脈提取算法。首先利用限制對比度自適應直方圖均衡化（CLAHE）對近紅外圖像進行預處理，增強對比度。然后利用Gabor濾波器對增強后的圖像進行濾波，由Gabor濾波后的方向圖和能量圖獲得手臂靜脈位置。接著，對能量圖進行高低帽變換，然后將整幅圖像進行二值化，采用開閉運算處理二值化圖像，利用形態學骨架提取的方法提取手臂靜脈線，最后對骨架化后的圖像進行毛刺修剪，得到比較完整有效的靜脈線。實驗結果表明，本文提出的算法可以有效地保證靜脈線的連續性和完整性，有效地提高手臂靜脈的匹配率。

關鍵詞：靜脈提取;圖像增強;Gabor濾波;靜脈匹配;

中圖分類號：TP391

文獻標志碼：A

引 言

隨著計算機視覺的快速發展，生物特征識別的應用也越來越廣泛，生物特征識別技術是利用人體固有的生理特征和行為特征進行身份識別。由于傳統身份識別技術不可靠、不安全等缺點，生物特征識別技術已經成為國內外較為熱門的研究方向。靜脈識別是通過近紅外相機獲得對應靜脈部位近紅外圖像，利用靜脈的結構特征完成對人的身份鑒別認證。與其他生物特征識別相比，靜脈屬于人體皮下組織的固有特征，基本不會發生改變，并且必須在活體下進行采集，具有難以偽造等優點，因此越來越受到研究人員的重視。

靜脈識別首先要從近紅外圖像中獲得較為完整的靜脈結構，然后提取靜脈完成身份識別，因此，從近紅外圖像中獲得較為完好的靜脈線結構成為至關重要的工作，靜脈提取算法的優劣直接關系到匹配識別效果的好壞，甚至對整個靜脈識別系統的性能產生重大影響。近年來對手部靜脈提取與識別算法的研究越來越多。文獻[1]構造兩個代價函數：一個是基于靜脈測度和強度信息的頻率，另一個是基于區域信息，針對兩個不同的代價函數，利用最小代價路徑的方法提取靜脈線，運用在冠狀動脈造影圖像（ CTAT）;文獻[2]提出了一種基于梯度的靜脈模式分割算法，最終得到的是二值化模式的手背靜脈;文獻[3]使用基于局部曲率閾值的方法提取手背靜脈，利用形態學骨架化的提取靜脈線;文獻[4]首先使用CLAHE增強手背靜脈近紅外圖像對比度，然后利用形態學骨架化的方法提取手背靜脈;文獻[5]同樣采用CLAHE增強手背靜脈圖像，接著使用PDSVP（Palm Dorsa Subcutane-ous Vein Pattern）和形態學處理提取手背靜脈;文獻[6]采用對比度自適應直方圖均衡化（CLAHE）對手背靜脈圖像增強后二值化，然后利用局部靜態閾值與Niblcak相結合的方法提取手背靜脈;文獻[7]結合手指靜脈紋路特征設計方向圖和方向濾波器進行圖像增強，然后對增強后的圖像提取手指靜脈紋路;文獻[8]利用靜脈灰度圖像靜脈所在位置灰度值與其紋路垂直方向上的灰度值成谷形的特征提取手指靜脈線。

目前大部分對靜脈識別的研究都是基于手指、手掌和手背區域，這些區域的皮膚薄，靜脈距離皮膚較近，相對比較容易提取，但是靜脈數量相對較少。本文的研究對象是手臂部位的靜脈特征，相對手指、手背和手掌區域，皮膚較厚，脂肪較多，提取相對較為困難，但是手臂部位具有更加豐富的靜脈信息，手臂靜脈的匹配更具有魯棒性。本文首先使用CLAHE方法對手臂近紅外圖像進行增強處理，然后使用Gabor進行濾波，利用濾波后的方向圖和能量圖獲得靜脈結構，使用OTSU方法對靜脈結構圖像進行二值化，最后采用形態學的處理方法，獲得較為完整的靜脈線。

1 手臂靜脈提取

1.1 手臂近紅外靜脈圖像預處理

本文采用的是新加坡南洋理工大學的近紅外手臂圖像數據庫，采用JAI-AD080CL相機拍攝，包含來自不同國家、不同人種的樣本，原始數據庫的手臂近紅外如圖1所示，圖中a和b膚色有一定差異，拍照時光照強度也有差別。靜脈隱藏于皮膚下層，從圖1中可以看出，靜脈線與皮膚的對比度不高，直接提取靜脈紋理，通過二值化的方法提取靜脈線，將會導致一部分靜脈信息的丟失，也有可能將背景信息誤識為靜脈結構，這對后續的特征提取和識別造成巨大的影響，因此需要首先對靜脈圖像進行增強預處理。

圖像增強一般分為空間域和頻域增強，空域增強方法中直方圖均衡（HE）是實用有效的工具，HE以概率論為基礎，通過每一點灰度值概率的運算，把目標圖像中直方圖比較集中的分布改變為均勻直方圖分布，同時使輸出的圖像像素灰度的概率密度均勻分布。直方圖均衡分為全局法和自適應法（ Adaptive HE，AHE），全局法在實際應用中效果不佳。文獻[9]中提出了對比度受限的局部直方圖均衡法（Contrast-Limited Adaptive HE，CLA-HE），結合自適應直方圖和對比度受限兩種方法，從整幅圖像的視覺效果出發，改善圖片質量。這種方法考慮窗口內像素直方圖，使圖像增強效果適應性更好，其表達式為：

（1）對圖像中任一點，根據窗口大小W確定窗口區域，使用式（1）計算窗口的直方圖。

（2）對上述窗口內的直方圖進行均衡化，實現對窗口中心像素的處理。

（3）移動窗口到下一個相鄰像素，重復上述過程，直至遍歷整幅圖像。

如圖2（a）所示，（從圖1經過手臂掩膜處理，主要針對前臂所在區域進行處理，本文之后圖像均對主要的手臂區域進行處理）原始手臂近紅外圖像中靜脈雖然已經顯現出來了，但與皮膚對比度并不強烈。經過自適應直方圖均衡化處理，處理結果如圖2（b）所示，靜脈與手臂皮膚已經呈現明顯的差異，有利于下一步的靜脈提取。

1.2 Gabor濾波和增強

Gabor變換與人類視覺系統中的視覺刺激響應非常相似，它在提取目標的局部空間和頻率域信息方面具有良好的特性，被廣泛應用于生物醫學圖像處理，比如指紋、人臉、虹膜等，均得到比較理想的結果[10]。本文利用Gabor濾波器提取預處理圖像中的靜脈信息，由于預處理近紅外圖像中的靜脈為較為深色的線條，故采用含有16個不同方向和尺度的Gabor濾波器的實部進行處理[11]。下式為Gabor濾波器的空域數學表達式：

1.3 靜脈線提取

高帽（ top-hat）變換是原始圖像與圖像的開運算的結果之差，低帽（ bottom-hat）變換是圖像的閉運算結果與原始圖像之差，高低帽變換的定義[13]為：

高低帽變換重要用途是校正不均勻光照對圖像的影響，高帽變換適用于暗背景中的亮物體，而低帽變換則適用于相反的情況。因此高低帽變換可以用于對Gabor濾波增強后的圖像進行處理，高帽變換具有高通濾波特性，強調靜脈圖像的灰度峰值，增強圖像中的靜脈血管部分;而低帽變換可以求出圖像的灰度谷值，突出靜脈相互連接的目標間的界限，所以高低帽變換結合使用，可以使圖像前景和背景進一步拉伸，盡可能突顯出靜脈的所有部分，最后達到靜脈增強的作用。Gabor濾波增強后的靜脈加上高帽變換的結果，再減去低帽變換的結果，可以有效提高圖像的對比度，如式（9）所示。

整個處理過程及結果如圖4所示，對Gabor濾波增強后的靜脈圖像（a）進行高帽變換（b）和低帽變換（b），高帽變換使主要的靜脈血管亮度增加，次要的靜脈血管變暗，通過原圖加上高帽變換結果圖，再減去低帽變換結果圖，最終的處理結果（d）明顯可以看出整體的靜脈血管部分變亮，既突出了重要血管，又去除了大部分噪聲。

使用Otsu方法[14]對上述結果圖進行二值化處理。由于得到的靜脈脈絡上有小的空洞，所以對二值圖像進行形態學閉運算處理，可以平滑輪廓，有利于后續的形態學骨架提取，而且可以融合狹窄間斷和細長溝壑，并消除小的空洞。接著，對閉運算后的圖像進行開運算，消除圖像中小的孤島和尖刺。

為了提取靜脈線特征，采用形態學的骨架提取獲得單像素靜脈線。集合A的骨架[14]可以用腐蝕和開運算操作來表達，即骨架可以表示為：

2 實驗結果及分析

2.1 靜脈提取算法對比

首先將本文算法與直接利用Otsu算法進行靜脈提取的結果進行比較。圖5（a）是一幅近紅外手臂圖像，圖5（b）為經過CLAHE處理后的圖像。圖5（c）是使用傳統的Otsu算法進行提取的結果。可見，簡單的閾值方法只能把手臂區域分割出來，基本上無法分出靜脈區域，無法進行后續的靜脈提取。

將本文算法與另外三種常用的靜脈提取算法進行比較，結果如圖6所示，第一行四幅手臂近紅外圖像，第二行為采用局部自適應閾值法對原始的NIR手臂圖像進行處理，然后提取的靜脈線，雖然提取出了較為完整的靜脈線，但是引入了過多的噪聲和毛刺，這對后續的匹配識別都有較大的不良影響。第三行為采用局部梯度極值法提取的靜脈線，只提取出了主要的靜脈線，漏掉了許多重要的靜脈信息，另外靜脈的連續性較差。第四行為采用Ni-black算法對處理后的圖像進行分割，靜脈的連續性也比較差，毛刺也比較多，但總體比前兩種效果要好。最后一行為本文提出算法的實驗結果，與前邊三組實驗對比，可以明顯看出，提起出的靜脈線明顯比較連續。由于經過形態學的處理，融合了二值圖像上一些細長的溝壑，平滑了輪廓，消除了一部分靜脈線上的空洞，在骨架提取時這些毛刺也相對較少。

2.2 靜脈線修復

雖然經過本文提取算法已經提取出較為完整的靜脈線，但是仍然存在少量的毛刺，這對后續的匹配會產生不良的影響，因此需要刪除靜脈線狀圖中的毛刺[15]。二值靜脈線的端點定義為某點8鄰域像素值的和為1的點，分叉點定義為某點8鄰域像素值的和大于或者等于3的點，端點到端點或者分叉點的線長度小于閾值T時，這段曲線定義為毛刺，需要對這些毛刺進行修剪。如圖7（b）所示，黑色圓圈標記的為端點，紅色圓圈標記的分叉點。本文經過多次實驗統計，把毛刺閾值T設為15個像素，可以達到較好的效果，既刪除了多余的毛刺，又保留了重要的靜脈線部分。經過毛刺修剪后的靜脈圖像如圖7（c）所示，與圖7（a）相比可以明顯看出，靜脈線上的許多毛刺已經被刪除，這對后續的特征提取非常有利。

2.3 匹配實驗

針對100人的手臂近紅外圖像數據庫進行了提取和匹配實驗，測試人員包括女性8人，男性92人，年齡范圍為15 - 70周歲，來自8個不同的國家，每一個人采集兩次圖像，兩次拍攝的光照與拍攝角度均有變化，平均時間間隔為兩周，圖像采集距離約為2米，圖像尺寸為1024* 768。匹配實驗中把第一周期采集的100幅手臂近紅外圖像作為參考數據庫，把第二周期采集的圖像作為待匹配圖像。采用文獻[16]的匹配算法，分別對自適應閾值、局部梯度閾值和本文算法提取的手臂靜脈圖像進行匹配實驗，最終的匹配結果如圖8所示，紅色曲線為本文提取算法的識別率，可以明顯看出，優于其他兩種算法。

結束語

針對手臂靜脈這一較為新穎的生物特征，采用CLAHE對手臂近紅外圖像進行預處理，并進行Gabor濾波和增強，然后使用一系列形態的高低帽變換、開閉運算和骨架提取操作，提取手臂靜脈曲線。運用本文算法進行了靜脈的提取，通過匹配實驗對比驗證，獲得了比其他提取方法相對較高的識別率，證明本文提出算法的有效性。

參考文獻

[1]METZ C T，SCHAAP M，WEUSTINK A C，et aL Coronary cen-terline extraction from CT coronary angiography images using aminimum cost path approach[J]. Medical physics，2009， 36（ 12）：5568- 5579.

[2]WANG Y，ZHANG K，SHARK L K. Personal identificationbased on multiple keypoint sets of dorsal hand vein images[J]. IET Biometrics，2014，3（4）： 234-245.

[3]LAJEVARDI S M，ARAKALA A，DAVIS S，et al. Handvein authentication using biometric graph matching [J]. IETBiometrics，2014，3（4）： 302-313.

[4] JOARDAR S，CHATTERJEE A，RAKSHIT A.A real-timepalm dorsa subcutaneous vein pattern recognition systemusing collaborative representation-based classification [J].IEEE Transactions on Instrumentation and Measurement，2015，64（4）：959-966.

[5] JOARDAR S，CHATTERJEE A，RAKSHIT A. Real-timeNIR imaging of Palm Dorsa subcutaneous vein pattern basedbiometrics： An SRC based approach [J]. IEEE Instrumenta-tion& Measurement Magazine，2016，19（2）： 13-19.

[6] 喻恒，鄭均輝，基于CLAHE和改進的NIBLACK算法的手背靜脈提取方法[J].計算機與現代化，2015，（4）：74-77.

[7]王科俊，馬慧，李雪峰，等，使用方向濾波技術的手指靜脈紋路提取方法[J].中國圖象圖形學報，2011， 16（7）：1206 -1212.

[8]余成波，秦華鋒，手指靜脈圖像特征提取算法的研究[J].計算機工程與應用，2008，（24） ：175-177.

[9] CROMARTIE R，PIZER S M. Structurrsensitive adaptivecontrast enhancement methods and their evaluation [J].Image and Vision Computing，1993，11（8）： 460-467.

[10] DAUGMAN J G.Complete discrete 2-D Gabor transformsby neural networks for image analysis and compression [J].IEEE Transactions on Acoustics， Speech， and Signal Pro-cessing，1988，36（7）： 1169-1179.

[11]唐超穎，一種基于近紅外一可見光映射的快捷靜脈提取算法[J].東南大學學報：自然科學版，2016，46（1）：35-41.

[12] ZHANG H，TANG C，KONG A W K，et al. Matching veinpatterns from color images for forensic investigation[C]//Biometrics： Theory， Applications and Systems（ BTAS），2012 IEEE Fifth International Conference on. IEEE，2012：77 - 84.

[13]索愛黎，王小鵬，形態學圖像分析原理與應用[M].北京：清華大學出版社，2008.

[14] 阮秋琦.數字圖像處理學[M].北京：電子工業出版社，2011.

[15] 趙珊，手臂靜脈紅外圖像特征檢測與匹配算法研究[D].南京航空航天大學，2016.

[16] TANG C，ZHANG H，KONG A W，et al. Using multiplemodels to uncover blood vessel patterns in color images forforensic analysis [J]. Information Fusion，2016， 32（ 32）： 26 -39.