基于自適應融合的手掌靜脈增強方法

婁夢瑩 袁麗莎 劉婭琴 萬雪梅 楊豐

摘 要：針對掌脈輪廓不清晰，圖像對比度低、亮度低，進而導致識別性能降低的現象，提出一種自適應融合的手掌靜脈增強方法。首先，基于暗原色先驗（DCP）去霧算法，根據掌脈圖像變異系數自適應選擇去霧系數，得到DCP增強圖像，并且基于部分子塊重疊直方圖均衡（POSHE）算法得到POSHE增強圖像;然后，將圖像分為16個子塊，依據圖像灰度均值與標準差確定各子塊權重;最后，根據各子塊權重對DCP和POSHE增強圖像進行自適應融合，得到最終增強圖像。該方法既保留了DCP算法在增強圖像對比度和亮度的同時不引入明顯噪聲的優點，又保留了POSHE算法在增強圖像對比度和亮度的同時不損失局部細節的特點;同時，兩者的自適應融合既解決了DCP圖像陰影部分掌脈缺失現象，又削弱了POSHE產生的塊效應。在對兩個公開庫和自建庫分別進行的實驗中，三個數據庫的等錯誤率分別為0.0004、0.0472、0.0579，識別率分別為99.98%、94.27%、92.05%。實驗結果表明，與現有的圖像增強方法相比，該方法降低了等錯誤率，提高了識別精度。

關鍵詞：手掌靜脈圖像增強;暗原色先驗;部分子塊重疊直方圖均衡化;分塊;自適應融合

中圖分類號：TP391.4

文獻標志碼：A

文章編號：1001-9081（2019）04-1176-07

Abstract： To solve the degradation of recognition performance caused by unclear palm vein contour， low image contrast and brightness， a new palm vein enhancement method based on adaptive fusion was proposed. Firstly， based on Dark Channel Prior （DCP） defogging algorithm and adaptively selected defogging coefficient according to variation coefficient of the palm vein image， DCP enhanced image was obtained. And based on Partial Overlapped Sub-block Histogram Equalization （POSHE） algorithm， POSHE enhanced image was obtained. Secondly， the image was divided into 16 sub-blocks， and the weight of each sub-block was determined by the gray mean and the standard deviation. Finally， two kinds of enhanced images were fused adaptively according to the weight of each sub-block， obtaining the adaptive fused enhanced image. This method not only retains the advantages of DCP algorithm in enhancing ?image contrast and brightness without introducing significant noise， but also preserves the benefits of POSHE algorithm in enhancing image contrast and brightness without losing local details. Meanwhile， adaptive fusion of the two algorithms solves the problem of missing palm vein in shadow areas of DCP images and reduces the blocking artifacts produced by POSHE. Experimental results carried out on two public databases and a self-built database show that the equal error rates are 0.0004， 0.0472， 0.0579 and the correct recognition rates are 99.98%， 94.27%， 92.05% ?respectively， indicating that compared with existing image enhancement methods， ?the proposed method reduces the equal error rate and improves the recognition accuracy.

Key words： palm vein image enhancement; Dark Channel Prior （DCP）; Partial Overlapped Sub-block Histogram Equalization （POSHE）; blocking; adaptive fusion

0?引言

隨著社會的發展、科技的進步，人們對個人身份識別和鑒定的安全性、準確性要求越來越高，傳統的身份識別和鑒定方法已經不能滿足當前社會的需要。生物特征識別技術是根據人的生理特征或行為特征進行身份識別和鑒定的技術，因具有更高的普遍性、唯一性、穩定性受到廣泛關注和研究。目前，現有的身份識別和鑒定的方法有掌紋識別、指紋識別、人臉識別、虹膜識別等[1]，而掌靜脈識別作為一種新興的生物特征識別技術，屬于內生理特征，不會磨損，是活體時才存在的特征，難偽造，比掌紋、指紋識別更具安全性，比人臉識別更具穩定性，比虹膜識別更具應用的普遍性[2]。因此，掌靜脈識別逐漸成為生物特征識別領域的焦點，有更好的發展前景。

靜脈圖像增強是手掌靜脈識別技術中的重要研究內容，直接影響特征提取與匹配結果，進而影響識別精度?，F有的圖像增強方法按處理方式分為頻率域和空間域兩大類。

頻率域增強算法包括：1）基于傅里葉變換的圖像增強，可濾除高頻噪聲，增強原始靜脈圖像的邊緣，但在圖像突變部分增強效果較差;

2）基于Retinex算法[3-5] 的圖像增強，可增強圖像對比度，同時保持了顏色的恒常性，但邊界區域易產生光暈;

3）基于小波變換[6-8]的圖像增強，是傅里葉變換的延伸，彌補了傅里葉變換的不足，具有細化分析的功能，可增強圖像突變部分細節信息，但計算復雜，時間開銷較大;

4）基于Gabor濾波[9]的圖像增強，具有良好的頻率選擇性，可有效地去除噪聲，同時保持圖像靜脈結構，但運行時間長，實時性較差。

空間域增強算法包括：1）基于直方圖均衡化[10-11]的圖像增強，通過拉伸增強圖像對比度和亮度，但會丟失局部細節信息;為改善直方圖均衡化增強效果，后又提出局部直方圖均衡化、自適應直方圖均衡化和限制對比度自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization， CLAHE）等，明顯增強了靜脈圖像的細節信息，但會出現不同程度的塊效應。

2）基于灰度變換的圖像增強，可增強圖像低灰度區細節，提高圖像的對比度，但會產生局部細節丟失現象。

3）

基于模糊集[12-13]的圖像增強，提高了低灰度區域和高灰度區域之間的對比度，但增強區域單一，會丟失低灰度靜脈細節信息。

總之，各種增強方法針對不同的圖像有不同的增強效果，各有優劣，有效地利用現有方法的優勢，通過相互融合避開各方法的缺陷是本文的研究重點和方向。

針對由于光照不均勻、手部肌膚厚度不均勻[14]、采集裝置受限制以及圖像采集環境不穩定等因素、采集到的圖像靜脈紋理細節較弱，靜脈圖像對比度不高，且圖像明暗過渡不自然、局部清晰、局部模糊等現象，本文提出基于暗原色先驗（Dark Channel Prior， DCP）去霧算法[15]和基于子塊部分重疊的直方圖均衡（Partially Overlapped Sub-block Histogram Equalization， POSHE）算法[16]的自適應圖像融合方法。DCP算法針對昏暗不明、低對比度、低亮度圖像有較好增強效果，能在增強圖像對比度和亮度的同時不引入明顯噪聲，不需要額外參數，計算簡便;POSHE算法對圖像進行分塊局部處理，解決了傳統的直方圖均衡（Histogram Equalization， HE）算法對全局處理產生的局部區域過亮、過暗以及局部細節損失問題，可在增強圖像對比度和亮度的同時不損失局部細節。兩種算法自適應融合既解決了DCP圖像陰影部分掌脈缺失現象又解決了POSHE產生的塊效應，同時可以自適應地對每幅圖像選擇最佳融合權重。用本文方法分別對香港理工大學（The Hong Kong Polytechnic University， PolyU）數據庫、中國科學院自動化研究所（Institute of Automation， Chinese Academy of Sciences， CASIA）數據庫和自建庫進行實驗，實驗結果表明，與已有的圖像增強方法相比，本文方法計算簡單，對掌靜脈圖像增強效果好，能降低等錯誤率、提高識別精度。

1?增強方法

1.1?方法流程

本文方法流程如圖1所示，首先采用文獻[17]方法對掌靜脈原始圖像進行感興趣區域（Region Of Interest， ROI）定位和提取，得到ROI圖像;其次用自適應DCP和POSHE算法分別對ROI圖像增強，并將DCP增強圖像和POSHE增強圖像自適應融合，得到最終的增強圖像;最后采用文獻[18]方法進行特征提取與匹配，計算相應的等錯誤率和識別率。

1.2?DCP算法與參數選取

1.2.1?DCP算法

He等[15]于2011年提出了基于暗原色先驗的去霧算法[15]。該算法能有效增強圖像對比度和亮度同時不引入明顯噪聲，且不需要額外參數，適用于低質量手掌靜脈圖像的增強。

暗通道的定義：在一幅擁有RGB（Red Green Blue）三個通道的圖像J（x）中，對RGB三個通道和以大小為n×n的濾波器模板Ω（x）進行兩次最小值濾波，即：

1.2.2?ω自適應選取

DCP算法中去霧系數ω表示對圖像的去霧程度，其取值范圍為[0，1]，但是圖像之間由于采集過程中光照等外部環境有差異，這種差異性決定了圖像之間去霧程度的差異性，即ω取值的差異性，ω固定取值不能滿足對所有圖像去霧的準確性?？紤]到不同圖像之間的差異性反映在圖像的灰度值上，可用圖像的變異系數（即標準差與均值的比值）表示圖像之間的灰度差異，進而表示圖像的去霧程度。從三個數據庫中各取200類，共1200幅圖像，計算每幅圖像的變異系數，如圖2所示，由圖2可看出圖像之間的灰度差異性顯著。

本文根據圖像灰度值的變化程度決定DCP算法的去霧程度，將DCP算法參數進行自適應調節。具體是用圖像之間的灰度差異表示圖像去霧程度的差異，即去霧系數ω根據灰度圖像的變異系數進行自適應選取，表達式如下：

1.3?POSHE算法

直方圖均衡化算法[10]是一種常用的圖像處理方法，主要用于增強圖像對比度，使圖像亮度均勻分布并消除偏亮或偏暗的情況。HE增強結果如圖3所示，由圖可看出HE限制了局部區域的對比度拉伸力度，丟失了局部細節信息。為進一步提高HE算法的增強效果，本文使用基于子塊部分重疊的直方圖均衡算法[16]，該算法能基本消除塊效應，計算效率高，圖像細節增強效果好。

POSHE算法是在一幅M×N的輸入圖像的左上角定義一個m×n的子塊，對子塊進行直方圖均衡，然后子塊按照一定的步長從左到右、從上到下的移動，重復上述過程，直至子塊移動至右下角。

基于POSHE算法的定義，需要構建加權模板，以圖4（a）所示的3×3加權模板為例，中心子塊的變換函數由中心子塊及其8鄰域子塊決定，加權模板推導如下：將輸入圖像劃分為9個區域，如圖4（b）。對每個區域進行POSHE處理，設子塊大小為2×2，步長為1。圖4（c）～（f）分別為每次進行直方圖均衡的子塊：其中e是四個子塊的重疊部分，則e的輸出值為：

1.4?自適應融合算法

DCP算法增強后的圖像提高了對比度和亮度，能夠清晰地分辨出掌靜脈和掌紋信息;POSHE算法將陰影部分的掌靜脈與背景區分出來，明顯增強了掌靜脈圖像的細節信息。但是DCP算法陰影部分的掌靜脈與背景融為一體，難以分割，丟失這部分掌靜脈細節信息;POSHE算法出現部分區域過度增強現象，灰度突變部分存在輕微的塊效應。基于以上兩種算法的優缺點，本文將DCP算法與POSHE算法自適應融合進行圖像增強。

通過大量實驗發現增強效果與圖像的標準差有一定關聯，當標準差大于某一特定值時，圖像過增強，邊緣模糊;當標準差小于某一特定值時，圖像欠增強，對比度和亮度不明顯，靜脈與背景區分不大。POSHE增強效果越好，靜脈細節越清晰，像素分布越均勻，子塊之間的標準差波動越小。從三個數據庫中各取一幅圖像分成16個子塊，計算各子塊的標準差如圖5（a）所示，由圖可看出，POSHE增強圖標準差波動幅度大，而DCP增強圖標準差波動幅度小，并且在某些子塊兩者標準差趨勢互補，每個子塊自適應融合增強圖明顯縮小了標準差的波動范圍，且將標準差固定在區間[0.1，0.2]內，中和了POSHE增強圖標準差過大引起的過增強和DCP增強圖標準差過小引起的欠增強現象。圖5（b）是從三個數據庫中各取200類，得到每幅圖的標準差，自適應融合得到了更好的對比度和亮度增強。

由于POSHE算法增強的圖像容易出現對比度和亮度局部過增強現象，導致靜脈和背景邊緣模糊，而DCP算法可中和POSHE算法的過增強現象，并削弱其塊效應。DCP算法針對灰度級較小的圖像增強效果更好，但當圖像灰度級較大時，增強效果欠佳;POSHE算法針對灰度不均勻的圖像增強效果更好，可增強圖像細節，但當圖像灰度分布比較均勻時效果不明顯，且會出現局部塊效應。每種算法對于不同的灰度圖像效果不同，所以根據像素均值比較整個圖像的明暗程度設置DCP權重，根據標準差設置POSHE權重。為使局部自適應融合效果更好，局部靜脈細節更清晰，將每幅圖像分成大小為32×32的16個子塊，分別進行自適應融合。當標準差偏大時，圖像均勻性差，相鄰子塊之間的權重差異過大，子塊之間會出現對比度變化不均勻現象，按1∶1調整POSHE權重，可以使子塊之間明暗變化均勻，且靜脈細節清晰，亮度與對比度適中;當標準差偏小時，圖像比較均勻，相鄰子塊之間的權重差異小，子塊之間對比度無明顯變化，按灰度級均值調整DCP算法權重，靜脈與背景邊緣清晰，整體亮度適中且塊效應不明顯。計算公式為：

2?實驗與結果分析

2.1?數據庫與實驗環境

為驗證本文算法的效果，實驗采用三個手掌靜脈數據庫的圖像進行：一是PolyU庫，圖像采集方式為完全的接觸式采集，基本不產生平移、旋轉，圖像質量高，對250個男性和女性分兩次采集，兩次采集的平均時間間隔為9d，每次采集左右手各6幅圖像，數據庫中共6000幅圖像，本文采用第一次采集的3000幅圖像進行實驗。二是作者實驗室建立的手掌靜脈數據庫（簡稱“自建庫”），圖像采集方式為半接觸式采集，采集過程中由于平移、旋轉、采集環境等因素圖像質量較低，采用文獻[19]中提出的采集裝置，如圖6所示，對300名學生每人左右手各采集6幅圖像，數據庫中共有3600幅圖像。三是CASIA庫，圖像采集方式為完全的非接觸式采集，采集過程產生平移、旋轉，圖像質量低，對100名志愿者每人左右手各采集6幅圖像，數據庫中共1200幅圖像。

實驗運行環境為Python 3.6.3，Matlab R2018a，硬件平臺為Windows 10操作系統，CPU為Intel Core i5-4590，主頻3.30GHz，內存為8GB，GPU為NVIDIA GeForce GTX 1060Ti，顯存6GB。

2.2?方法評估

2.2.1?評價指標

在圖像識別中評價模型時要用到的指標：1）在驗證模式下，將數據庫中的所有圖像進行兩兩匹配，采用錯誤接受率（False Acceptance Rate， FAR）、錯誤拒絕率（False Rejection Rate， FRR）、等錯誤率（Equal Error Rate， EER）來衡量系統性能。FAR指不同的人被認為是同一個人的比率;FRR指同一個人被認為不是同一個人的比率;EER指FAR和FRR相等時二者的值，是衡量一個身份認證系統的綜合指標。在同一個坐標中FAR隨閾值增大而減小，FRR隨閾值增大而增大，交點就是EER的值。對于一個更優的掌靜脈算法，在相同閾值情況下，FAR和FRR都越小越好，即EER越小越好，計算公式為：

其中：NFA、NIRA分別表示錯誤接受次數和類間測試次數;NFR、NGRA分別表示錯誤拒絕次數和類內測試次數。

2）?在識別模式下，隨機選擇一幅圖像作為模板，將剩下的5幅圖像作為測試樣本，用正確識別率（Correct Recognition Rate， CRR）衡量該系統的性能。CRR是指在識別模式下，識別正確的比率，是正確識別次數與實驗總次數的比值，即CRR越大越好，計算公式為：

其中：VC、VS分別表示正確識別次數和實驗總次數。

2.2.2?去霧系數ω對識別精度的影響

根據式（6）對DCP算法中的去霧系數ω進行自適應，此方法既符合不同圖像對去霧程度的不同需求又省去了對ω復雜的調參測試過程;既節約實驗時間又提高了增強效果。圖7是以CASIA庫為例，只進行DCP增強時ω取不同值得到的EER，由圖可看出，自適應選取ω更滿足每幅圖像對去霧程度的需要，可以獲得更佳的增強效果，EER（圖中曲線與直線交點）為0.1142，在所有ω取值中達到最低。

2.2.3?子塊大小對識別精度的影響

在實驗中，輸入圖像均為128×128的手掌靜脈ROI圖像，故以8的倍數作為子塊長度。輸入圖像的尺寸較小，為了盡量減小塊效應，實驗移動步長取1。圖8顯示了子塊大小分別為8×8、16×16、32×32時POSHE算法的增強效果。

對于PolyU庫和自建庫，如圖8可看出，當子塊大小為8×8時，靜脈的增強效果不夠理想，且圖像噪聲比較大;當子塊大小為16×16和32×32時，能看到清晰的掌靜脈;當子塊大小為32×32時，雖然靜脈比較清晰，但是圖像中部分非靜脈區域過黑，邊緣黑化尤為明顯，嚴重影響后期靜脈的識別和匹配。取子塊大小為16×16不僅解決了非靜脈區域過度黑化的問題，也可降低計算量，節省時間，更符合實時性的要求。對于CASIA庫圖像，當子塊大小取8×8和16×16時，圖像塊效應的影響遠大于非靜脈區域黑化產生的影響，因此，對于CASIA庫子塊大小取32×32增強效果最佳。

為節約運行時間，并選出最佳的子塊大小，只采用改變子塊大小的POSHE增強，并從三個數據庫中分別取小部分圖像（100類，共600幅圖像）進行實驗，計算EER，實驗結果如表1，經驗證以上結論完全正確。

2.2.4?自適應融合方法增強效果分析

圖9分別為3個數據庫的DCP增強圖、POSHE增強圖、自適應融合增強圖。DCP增強圖噪聲小，多數靜脈區邊界清晰，但對比度和亮度提升不大，部分靜脈區域欠增強，部分靜脈與背景融為一體，如圖9（a）圈出部分;POSHE增強圖靜脈增強明顯，但整體圖像對比度和亮度偏高，背景與靜脈邊緣模糊，部分非靜脈區域過增強，掌紋噪聲影響較大，有較小的塊效應，如圖9（b）圈出部分;自適應融合增強圖融合了兩種增強方法的優勢，圖像整體亮度與對比度適中，靜脈與背景邊界清晰且局部靜脈細節清晰，掌紋噪聲影響小。

2.2.5?與已有方法的比較

將本文方法與目前增強效果較好的幾種方法進行比較：文獻[20]方法分為圖像模糊化、圖像隸屬度值和去模糊化三個主要階段，使用具有模糊隸屬度值的區間2型模糊集增強，得到更為明亮、清晰的增強圖像。文獻[21]方法為先用高斯差分（Difference Of Gaussians， DOG）濾波器增強靜脈細節，高斯核的半徑比為4∶1;再用直方圖均衡化提高對比度，突出靜脈，得到最終增強圖像。文獻[22]方法為先使用雙曲正切函數代替sigmoidal函數提高圖像對比度;其次使用4個方向的Gabor濾波器濾除噪聲并突出方向信息;最后用CLAHE進一步增強對比度，得到增強圖像。文獻[23]方法先將估計背景灰度矩陣與ROI圖像作差，對圖像進行CLAHE增強得到初步去噪、增強的掌靜脈圖像;再構建8個方向濾波器，提取掌紋;并將掌紋提取圖像與初步增強圖像進行加權融合、閾值分割，得到最終增強圖像。不同增強方法的增強圖像如圖10所示。

本文EER和識別率的計算均采用文獻[18]方法，實驗結果如表2所示，可看出本文方法在三個數據庫中的EER大部分都低于現有的增強方法，由于自建庫圖像受運動模糊影響較大，部分靜脈比較模糊，所以基于模糊集的方法和用Gabor方向濾波器增強的方法效果會稍微好一些，但在兩個公開庫增強效果一般。Gabor濾波器的增強時間會隨方向濾波器的增加而增加，方向濾波器過多會影響實時性;模糊集方法只對自建庫模糊圖像增強效果較好，增強區域單一。

表2中CRR表示不同增強方法的識別率，識別率越高，增強效果越好。圖11為PolyU庫、自建庫和CASIA庫的受試者工作特征（Receiver Operating Characteristic， ROC）曲線，由此可看出，本文方法在三個數據庫中的識別率基本都高于現有的增強方法。

算法的高效性對于實際識別系統的設計具有一定的現實意義，本文對增強算法的時間進行統計，求取平均值。表2中展示出不同增強方法對運算時間的影響，其中，文獻[20-23]方法比較簡單，直接應用于整幅圖，用時少;本文方法采用了分塊融合的形式，運算時間有所增加，但以0.14s的時間進行增強仍能夠滿足實時性的要求;文獻[22]方法使用4個方向Gabor濾波器，用時較其他方法多。由此看出，本文方法簡單有效，在獲得較好的識別精度的同時，所用運算時間也比較少，具有實時性。

3?結語

本文研究的目的是設計合適的方法，盡可能提高掌靜脈圖像的對比度和亮度，突出掌靜脈的細節信息，為后續的掌靜脈識別提供更可靠的增強圖像。本文方法基于DCP和POSHE算法，將兩種算法增強后的圖像進行自適應選取最優融合權重，實現優劣互補，解決了DCP算法丟失局部細節信息與POSHE算法帶來的過增強和塊效應等問題。實驗結果表明，本文方法與現有增強方法相比增強效果更好，提高了識別率，降低了EER。本文提出的自適應融合方法可以拓展至其他增強方法，為進一步研究不同增強算法之間的自適應融合提供參考，以期獲得更好的增強效果。

參考文獻（References）

[1] 孟憲靜， 襲肖明， 楊璐， 等. 基于灰度不均勻矯正和SIFT的手指靜脈識別方法[J]. 南京大學學報（自然科學版）， 2018， 54（1）： 1-10. （MENG X J， XI X M， YANG L， et al. Finger vein recognition based on intensity inhomogeneity correction and scale invariant tfeature transform[J]. Journal of Nanjing University （Natural Science）， 2018， 54（1）： 1-10.）

[2] KUBANEK M， SMORAWA D， HOLOTYAK T. Feature extraction of palm vein patterns based on two-dimensional density function[C]// ICAISC 2015： Proceedings of the 2015 Artificial Intelligence and Soft Computing， LNCS 9120. Berlin： Springer， 2015： 101-111.

[3] SHIN K Y， PARK Y H， NGUYEN D T， et al. Finger-vein image enhancement using a fuzzy-based fusion method with Gabor and Retinex filtering[J]. Sensors， 2014， 14（2）： 3095-3129.

[4] ZHANG L G. A novel algorithm for hand vein enhancement and segmentation based on the Retinex method[EB/OL]. [2018-05-10]. http：//dx.doi.org/10.2495/CECNet130411.

[5] YANG X， JIAN L， WU W， et al. Implementing real-time RCF-Retinex image enhancement method using CUDA[J]. Journal of Real-Time Image Processing， 2018， 25（4）： 1-11.

[6] 楊數強， 楊杰慧， 宋亞龍.手指靜脈圖像小波增強算法[J]. 現代電子技術， 2013， 36（15）： 73-75. （YANG S Q， YANG J H， SONG Y L. Finger vein image enhancement algorithm based on wavelet transform[J]. Modern Electronics Technique， 2013， 36（15）： 73-75.）

[7] ZHANG C， FU Y. Research on the image enhancement algorithm based on improved wavelet transform[J]. Journal of Convergence Information Technology， 2013， 8（6）： 384-392.

[8] 陳朋， 姜立， 王海霞， 等. 基于散射卷積網絡的手指靜脈識別方法研究[J]. 浙江工業大學學報， 2018， 46（1）： 56-60. （CHEN P， JIANG L， WANG H X， et al. Finger vein recognition based on scattering convolution network[J]. Journal of Zhejiang University of Technology， 2018， 46（1）： 56-60.）

[9] HAJIAN A， AMLI D. Sharpness enhancement of finger-vein image based on modified un-sharp mask with Log-Gabor filter[J]. Procedia Computer Science， 2018， 126（7）： 431-440.

[10] 蔡超峰，任景英. 基于直方圖均衡化的手背靜脈圖像對比度增強[J]. 計算機應用， 2013， 33（4）： 1125-1127.（CAI C F， REN J. Contrast enhancement of hand vein images based on histogram equalization[J]. Journal of Computer Applications， 2013， 33（4）： 1125-1127.）

[11] FRANCIS M. An efficient algorithm to enhance near infrared images of blood vein in antecubital fossa based on adaptive histogram equalization [C]// Proceedings on ELSEVIER International Conference on Emerging Trends in Electrical Engineering. Amsterdam： Elsevier， 2014： 35.

[12] JENA G， JENA S， BONAM V R. Image enhancement using fuzzy set[C]// AHFE 2017： Proceedings of the 2017 Advances in Human Factors in Simulation and Modeling. Berlin： Springer， 2017： 141-150.

[13] 江曉龍， 王華彬， 王東旭， 等. 改進的單幅近紅外掌紋掌靜脈圖像融合識別[J/OL]. 計算機應用研究， 2019. [2018-04-12]. http：//www.arocmag.com/article/02-2019-07-055.html. （JIANG X L， WANG H B， WANG D X， et al. Improved fusion recognition for near infrared palmprint and palm vein image [J/OL]. Application Research of Computers， 2019. [2018-04-12]. http：//www.arocmag.com/article/02-2019-07-055.html.）

[14] ZHAO J， TIAN H， X U W， et al. A new approach to hand vein image enhancement[C]// Proceedings of the 2009 Second International Conference on Intelligent Computation Technology and Automation. Piscataway， NJ： IEEE， 2009： 499-501.

[15] HE K， SUN J， TANG X. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（12）： 2341-2353.

[16] KIM J Y， KIM L S， HWANG S H. An advanced contrast enhancement using partially overlapped sub-block histogram equalization[J]. IEEE Transactions on Circuits & Systems for Video Technology， 2001， 11（4）： 475-484.

[17] ZHOU Y， KUMAR A. Human identification using palm-vein images [J]. IEEE Transactions on Information Forensics & Security， 2011， 6（4）： 1259-1274.

[18] 周宇佳， 劉婭琴， 楊豐， 等. 基于方向特征的手掌靜脈識別[J]. 中國圖象圖形學報， 2014， 19（2）： 243-252. （ZHOU Y J， LIU Y Q， YANG F， et al. Palm-vein recognition based on oriented features[J]. Journal of Image and Graphics， 2014， 19（2）： 243-252.）

[19] LIU Y， ZHOU Y， QIU S， et al. Real-time locating method for palmvein image acquisition[C]// ICIG 2015： Proceedings of the 2015 Image and Graphics. Berlin： Springer， 2015： 94-110.

[20] EZHILMARAN D， JOSEPH R B. Finger vein biometric system with type-2 fuzzy enhancement and minutiae matching[C]// Proceedings of the 2017 IEEE Region 10 Symposium. Piscataway， NJ： IEEE， 2017： 1-4.

[21] KANG W， LIU Y， WU Q， et al. Contact-free palm-vein recognition based on local invariant features[J]. PLoS One， 2014， 9（5）： 1-12.

[22] QIU S， LIU Y， ZHOU Y， et al. Finger-vein recognition based on dual-sliding window localization and pseudo-elliptical transformer[J]. Expert Systems with Applications， 2016， 64： 618-632.

[23] 袁玲， 黃靖， 劉婭琴， 等. 基于圖像融合的去掌紋手掌靜脈圖像增強方法[J]. 科學技術與工程， 2016， 16（36）： 48-54. （YUAN L， HUANG J， LIU Y Q， et al. Palm vein enhancement algorithm by removing palmprint based on image fusion[J]. Science Technology and Engineering， 2016， 16（36）： 48-54.）