弱約束條件下手背靜脈圖像的增強與分割

陳鐵權

（遼寧金融職業學院，遼寧 沈陽 110122）

0 引言

在信息技術蓬勃發展的網絡時代，社會成員在享受先進技術帶來的便利的同時日益遭受因身份識別帶來的安全威脅。人體的某些生物特征具有固有性、唯一性和不可復制性，利用人體生物特征識別技術進行身份認證相比密碼認證、芯片識別技術具有不易被復制、準確性高、安全性高的特點。

如今，指紋識別、視網膜識別、人臉識別等生物識別技術被廣泛應用。但是，各種生物識別技術都有不同程度的難以解決的技術缺陷，例如：指紋易被復制、污損、破壞，識別效率受外界環境影響大；面部識別受人體生長發育影響，對照樣本可變系數高等。手背靜脈是人體主要生物特征之一，不同人的手背靜脈血管紋理結構不同，具有人體生物特征識別要求的普遍性和唯一性。并且，手背靜脈血管深埋皮膚之下，受外界環境因素干擾小，難以被復制，在圖像采集過程中手背部位容易出示且易被大家接受，相比其他人體生物識別技術特征，手背靜脈識別技術具有更大的研究空間和研究價值，成為目前人體生物識別研究領域的熱點之一。

在實際環境中，受諸如被采集者姿勢、握拳力度、皮膚對紅外光吸收和反射差異等弱約束條件制約，采集到的手背靜脈圖像樣本噪聲較多，圖像標準難以統一，導致不同手背靜脈圖像樣本不同，狀態存在沖突，這些影響導致手背靜脈識別難度增加，準確率不高。在使用SIFT（尺度不變特征變換）算法下實驗，最高識別率為73.48%，在改進的SIFT算法［1］下實驗，識別率為90.8%。在實際應用中，受拍攝圖像時弱約束條件的限制，對手背靜脈圖像優化識別處理沒有固定的、令人滿意的算法。成都理工大學李偉劍團隊為了消除非靜脈干擾因素，通過閾值分割法和快速特征檢測（Features From Accelerated Segment Test，FAST）算法對靜脈紋理二值圖進行特征提取，最大限度地消除非靜脈因素的干擾［2］。山東財經大學孟憲靜團隊提出通過圖像灰度不均勻的特性來矯正和增強手背靜脈紋路的細節，并采用SIFT算法檢測現實的和潛在的特征點進行匹配［3］，取得較好結果。北方工業大學王一丁教授利用多圖融合技術與Xception網絡（輕量級網絡）結合對圖像進行識別和計算［4］，使手背靜脈圖像的識別率達到93.54%。上述研究者利用不同的圖像識別優化算法對手背靜脈圖像進行增強識別，對手背靜脈識別技術在市場上的推廣和應用起到實踐和啟發作用，但在實際應用中，由于圖像識別設備差異，對圖像進行優化識別時因算法不同導致提取圖像特征效果差異，使靜脈識別系統難以以統一標準進行整合，制約了手背靜脈識別技術的商業化應用。本文利用帶紅外補光功能的監控攝像頭進行手背靜脈圖像采集，結合改進的圖像增強、特征分割算法，實現手背靜脈圖像采集、增強、分割、特征提取過程，最終得到清晰的手背靜脈骨架圖像，對手背靜脈識別技術的推廣和應用起到一定的借鑒作用。

1 采集手背靜脈圖像

醫學影像學研究數據表明，人體靜脈血管中的血紅蛋白會吸收 700～1 100 nm 波長的近紅外線光波［5］，850 nm的紅外線可穿透3 mm人體手背皮膚，手背靜脈血紅蛋白因吸收光波會呈現出明顯的深色［6］，顯著區別于其他吸收紅外線弱的部位。本文對手背靜脈圖像的采集使用一款CMOS（互補金屬氧化物半導體）網絡監控攝像頭，400萬像素，分辨率最高為2 048×1 080，自帶850 nm紅外補光燈和紅外濾光片，可去除拍攝環境中850 nm以外波長的紅外光線。圖像采集時被采集者以握拳姿態將手背置于攝像頭拍攝范圍內，握拳姿態使手背皮膚拉伸變薄，有利于紅外光線穿透皮膚增強手背靜脈對紅外線的吸收，使手背靜脈在圖像中的顯現更加明顯［7］。在圖像采集過程中，當攝像頭所處環境為白天室內環境，攝像頭開啟黑白紅外補光模式時，采集到的手背靜脈圖像靜脈紋路不明顯，如圖1（a）所示。采用黑盒采集方式，將攝像頭放置于四周密閉正方體盒內，方盒四壁采用黑色背景，減少光源反射干擾，盒內加裝紅外補光燈，黑盒補光模式下采集到的手背靜脈圖像靜脈紋路明顯，圖像效果優于白天室內環境下采集到的圖像，如圖1（b）所示。

圖1 手背靜脈原始圖像

2 手背靜脈圖像增強處理

在弱約束條件下，手背靜脈的被采集者無法按照嚴格的統一標準進行圖像采集，采集到的圖像樣本在角度、姿勢、尺寸等參數上具有多樣性和隨機性，且圖像中影響噪聲較多，這些會嚴重影響手背靜脈圖像識別過程中的魯棒性，因此需要對采集到的手背靜脈圖像的尺寸和灰度進行統一標準處理。圖像尺寸的統一化對圖像特征比對和效果比對具有重要作用，對圖像灰度進行統一的二值化處理，會減少圖像中的數據量并盡可能地將圖像感興趣區域（ROI）保留下來，凸顯目標輪廓，為后續手背靜脈特征紋路的提取和識別做預處理。

2.1 形態學處理

在將手背靜脈圖像進行統一灰度、降噪、轉化二值圖等處理過程中，圖像處理結果存在孔洞和毛邊較多、邊緣不流暢的缺陷。基于matlab R2016b的形態學圖像處理，膨脹處理后進行開運算能有效去除手背靜脈圖像背景噪聲，開運算公式如下：

再通過閉運算填充圖像內空洞，閉運算公式如下：

形態學處理能有效消除圖像毛刺平滑邊緣，為確定圖像的質心做準備，圖像形態學處理后結果如圖2所示。

圖2 靜脈圖像形態學處理后結果

2.2 直方圖均衡

由于攝像頭的性能限制，采集到的手背靜脈圖像灰度范圍較窄，圖像中手背靜脈紋路與手背皮膚對比度不夠強烈，在二值化處理中，一些對比不明顯的手背靜脈紋路會被忽略剔除。通過直方圖均衡對手背靜脈圖像進行修正，能增加手背靜脈圖像像素灰度值的動態范圍，增強圖像整體對比度。利用全局直方圖均衡增強圖像中心像素灰度，局部直方圖均衡增強圖像小區域細節，從而使整個手背靜脈圖像的對比度更加明顯，手背皮膚部分變得更白，靜脈紋路變暗，手背靜脈紋路更加明顯，對圖像直方圖均衡處理基于matlab R2016b環境，處理結果如圖3所示。

圖3 直方圖處理后效果

2.3 巴特沃斯高通濾波

手背靜脈原始圖是近距離采集的紅外圖像，受手背拍攝角度和紅外光強弱等弱因素條件影響，采集到的圖像對比度低，圖像灰度集中，這些增加了手背靜脈圖像靜脈紋路的提取難度。根據圖像的頻譜特性，頻譜的低頻成分對應圖像中顏色或灰度連續緩慢漸變區域，通過低頻成分可以看出圖像的大致樣貌和輪廓；而圖像顏色和灰度變化頻率快的區域為高頻，通常顯示圖像的細節和邊緣部位。基于此，通過構造巴特沃斯高通濾波器，對手背靜脈圖像高頻成分進行增強，實現手背靜脈圖像靜脈邊緣銳化，以提高后期靜脈紋路的提取質量。巴特沃斯高通濾波器通過設置頻率閾值對頻率進行放行或阻止操作，轉移函數如下：

其中，D（u，v）為截止頻率，表示頻域中點到頻域平面的距離。當 D（u，v）＞D0，H（u，v）逐漸接近 1，圖像高頻部分通過；當D（u，v）＜D0，H（u，v）逐漸接近0，圖像低頻部分被過濾。本文基于 vtk7.0+visual studio 2013 環境構建巴特沃斯高通濾波器，使用VTK（Visualization toolkit）中的 vtkImage Butterworth High Pass 類。通過巴特沃斯高通濾波器對原始圖像進行濾波，調整偏移量n=1，Wn=1×6，增強圖像高頻成分并保證圖像低頻部分灰色調，達到增強手背靜脈圖像靜脈紋路效果，實驗結果如圖4所示。

圖4 巴特沃斯高通圖像

2.4 ROI提取

手背采集區域大小、脂肪厚度、紅外光線照射強度時間等弱約束條件會對采集到的手背靜脈圖像有較大影響，因此需要對采集到的手背靜脈圖進行感興趣區域（ROI）提取。為了采集到手背靜脈清晰圖像，網絡攝像頭分辨率設定為1 280×720像素，圖像尺寸較大，但有用范圍僅限于手背區域，需要對手背靜脈圖像進行ROI提取，去除其他無用區域，排除不必要的干擾。對ROI的二值化提取采用基于全局閾值算法，處理后手背靜脈圖像有效區域為白色，能夠與圖像無用區域分離。計算白色有效區域像素質心位置（x，y）公式如下：

其中，n為有效區域白色像素總體數量，通過n值確定以質心為中心點、尺寸為500×500像素的矩形區域，此矩形區域包含完整的手背靜脈二值化圖像白色區域，質心提取結果如圖5所示。

圖5 質心圖

3 手背靜脈圖像分割細化

手背靜脈圖像分割是將圖像分割成若干個塊圖并提取圖中靜脈紋路的過程，常用算法有最大類間方差法（Ostu）、灰度平均值法、雙峰法、二值化算法（Niblack）等。本文選取Ostu和Niblack結合的方法對增強優化后的手背靜脈圖像進行二值化處理。

3.1 最大類間方差法

Ostu算法通過計算全局閾值增加手背靜脈圖像前景和背景的對比，從而分解出手背靜脈紋路。通過實驗，Ostu算法對手背靜脈圖像的噪聲和ROI區域敏感，分割后手背靜脈紋路丟失嚴重。手背靜脈圖像總平均灰度公式如下：

手背靜脈圖像前景和背景圖像方差公式如下：

手背靜脈圖像最佳閾值公式如下：

其中，y0為圖像前景點數占圖像比例；z為類間方差；圖像背景點數占圖像比例為y1；x0為圖像平均灰度，平均灰度為x1。當方差g最大時，手背靜脈圖像前景和背景差異最大。

傳統的Ostu算法在二值化計算時首先搜索圖像整個灰度級，然后確定最佳閾值，具有搜索次數多、計算量大的缺點。改進后的Ostu算法首先計算手背靜脈圖像的平均灰度值，然后將灰度值分為不小于和不大于平均灰度值兩類灰度，在兩類灰度區間值之間進行搜索，確定最佳閾值，與傳統Ostu算法相比，改進的算法搜索次數減少，搜索速度提高［8］。

3.2 二值化算法

優化后的手背靜脈圖像存在細節和分叉較多且亮度不均勻的缺陷，全局閾值自動分割的圖像二值化算法會將顯示不明顯、細小的手背靜脈紋路丟棄，不能準確地將圖像的背景和有價值的對象二值化，造成細節丟失。Niblack是局部閾值二值化算法，能有效處理手背靜脈圖像靜脈紋路細節問題，Niblack算法根據手背靜脈圖像像素的鄰域點的像素值來確定自身像素的二值化計算閾值。通過Niblack算法計算的手背靜脈圖像，亮度較高的區域二值化閾值較大，亮度較低的二值化閾值較小，從而使圖像的前景、背景區分更加明顯。Niblack算法公式如下：

其中，（a，b）為圖像對于像素點坐標，A（a，b）為該像素點閾值，m（a，b）為該像素點的R×R領域內像素點的像素均值，s（a，b）為該像素點R×R領域內像素標準方差，k為修正系數，通常取值為-0.1。常規的Niblack算法利用R×R模板遍歷圖像，動態確定每個區域的閾值，但通常邊界區域無法取得閾值并且易產生偽噪聲。基于此，本文將圖像邊緣區域和純背景區域進行靜態閾值分割，其他區域采用Niblack算法進行動態閾值二值化分割。具體實現步驟如下：①利用Niblack算法對手背靜脈圖像進行分塊，根據靜脈圖像像素及圖片尺寸，R取值8，利用Ostu算法計算包含邊緣圖像的塊圖像靜態閾值Tn，進行二值化。②利用Niblack算法計算不包含邊緣圖像的塊圖像閾值a（x，y），b（x，y）為 Tn 和 a（x，y）加權得到的新閾值［9］。調整加權系數β，取得最好效果，本實驗當β為0.8時效果最好。③利用閾值b（x，y）對手背靜脈圖像R=8的各個塊圖像進行二值化處理。改進后的公式如下：

改進后的Ostu和Niblack二值化算法處理后的手背靜脈圖像如圖6所示。通過實驗可知，改進后的算法能較好地保留手背靜脈圖像中大部分手背靜脈紋路結構，改進后的圖像分割結果明顯優于傳統算法分割結果，但經過Niblack二值化算法處理后，手背邊緣區域和手臂靜脈區域也被二值化成黑色，這些黑色區域并不是需要提取的手背靜脈紋路的有效值，需要進一步細化處理掉無效線條。將Niblack二值化圖像設定為0、1數值的布爾值矩陣，與原圖像進行邏輯與運算，可去除圖像無用輪廓線及無用線條，最終，分割細化后得到手背靜脈骨架。

圖6 手背靜脈圖分割細化結果

4 結論

本文通過使用一臺400萬像素紅外監控攝像頭進行手背靜脈圖像采集，通過對比，在暗盒環境下采集到的手背靜脈圖像靜脈紋路明顯，通過對采集到的手背靜脈圖像進行形態學處理、局部直方圖均衡和巴特沃斯高通濾波優化，然后使用改進后Ostu和Niblack結合算法進行圖像分割，細化后最終得到效果較好的手背靜脈骨架。整個過程中，對采集到的手背靜脈圖像在圖像增強和圖像分割方面進行了細致的研究和對比，實驗使用程序進行多次測試，確保參數選擇的合理性，使圖像處理程序具有普適性和創新性。實驗中過程中發現，在圖像增強階段，多次膨脹處理會使手背靜脈紋路較原圖產生一定的失真，巴特沃斯高通濾波修復具有較大的圖像依賴性，不能對其他手背靜脈圖像產生較好的處理效果，因此手背靜脈圖像的識別細化仍具有較大的研究空間。