郑均辉，喻恒
（平顶山学院计算机科学与技术学院，河南平顶山467000）
摘要：静脉识别是一种新兴的生物特征识别技术，为了满足静脉识别中的特征提取需求，对手背静脉提取方法进行了研究。首先采用CLAHE算法对手背静脉图像进行增强处理，然后针对传统NIBALCK二值化算法的不足，提出一种局部静态阈值与NIBLACK相结合的改进算法。实验证明，该方法能有效消除传统方法中噪声过多、纹络断裂的现象，克服光强因素对图像提取的影响，保持完整清晰的静脉纹络结构，从而满足后续识别工作的需要。
教育期刊网 http://www.jyqkw.com
关键词 ：静脉识别；NIBLACK改进算法；特征提取；噪声消除
中图分类号：TN911.73-34；TP391.14 文献标识码：A 文章编号：1004-373X（2015）12-0074-03
收稿日期：2014-12-21
基金项目：河南省科技攻关基金资助项目（132002210443）
生物特征识别技术作为物联网架构中感知层的重要组成部分，随着物联网概念的提出和快速发展，也得到了更广泛的应用。指纹识别、声音识别、虹膜识别等生物特征技术都已发展的比较成熟，而静脉识别作为一种新兴的生物特征识别技术，逐步凸显出新的优势。本文提出一种基于局部直方图均衡和NIBLACK分割的方法对静脉图像进行提取，实验证明可以得到轮廓清晰的静脉结构图。
1 静脉识别
静脉识别的基本原理是，普通人的手背静脉具有不随年龄变化的惟一性，当近红外光线入射光波长在0.72~1.10 μm 时，可以较好地穿透骨骼和肌肉，凸显手背血管的结构[1]，从而进行有效的特征识别。手背静脉识别系统是通过对静脉的图像采集，然后提取出整个静脉的结构，再由一系列识别算法，达到对人的身份识别。在对图像的采集过程中，由于采用的是红外CCD摄像机，光强对图像影响较大，光照过强会使静脉偏亮而模糊，光照偏弱又会导致静脉和背景混淆，整体偏暗。同时每个人手背静脉的粗细，表面皮肤厚度不同，以及手背本身具有的弧度会使图像光照不均匀，都会对采集的静脉轮廓清晰度产生影响，因此需要对图像进行处理，提取比较清晰完整的手背静脉结构图，为下一步的准确识别创造条件。
2 基于CLAHE 的静脉图像增强
由于静脉隐藏在皮肤表层以下，静脉图像的对比度往往不高，直接提取静脉纹路进行二值化，将会导致丢失部分可用静脉信息或者误将背景作为静脉结构，对后续识别影响很大[2]，因此需要对图像进行增强处理。图像增强的方法，一般分为空间域增强和频域增强，其中空间域增强法中的直方图均衡（HE）一直是简单实用的工具。直方图均衡简单有效，包括全局法和自适应法（AdaptiveHE，自适应直方图均衡化）。在实际的应用中，有些图像对比度比较低，全局法效果不佳。为了解决这一实际问题，Pizer等提出了局部直方图均衡化的方法（Local AdaptiveHE，LAHE）对图像的灰度增强[3-4]。但是该方法只考虑每一个局部窗口内像素，而窗口外的像素往往被忽略，为了进一步解决这种现象，Crom artie等又提出了对比度受限的局部直方图均衡法[5]（Contrast-limited Adaptive Histogram Equalization，CLAHE） 。CLAHE结合了自适应直方图均衡和对比度受限2种方法，从整幅图像的视觉效果出发，既考虑了窗口内像素直方图又考虑了窗口外的像素，使图像增强效果适应性更好，效果也更突出。该方法表达式为：
hij (r) = αhW (r) + (1-α)hB (r) （1）
式中：hW (r) 是窗口的归一化直方图；hB (r) 是窗口外的归一化直方图；0 ≤α≤1 。设SW 和SB 分别代表区域W和区域B 的面积，如果α = SW (SW + SB ) ，则hW (r) = h(r) ，表示局部直方图与全局直方图相等；如果α > SW (SW + SB ) ，则局部直方图单独进行均衡化，从而强调局部信息。因此可以通过调节α 大小调节局部直方图来模拟周围环境对相关区域的影响。
CLAHE算法具体步骤如下：
（1）将图像分块。将目标图像分为不重叠的子区域，每个区域大小相等，都含有L 个像素，根据实际确定L 大小，L 越大增强效果越好，但同时丢失细节也相应增多。
（2）直方图的计算和均衡。根据式（1）计算窗口区域的直方图，hij (r) 表示子区域的直方图，k 代表灰度级。然后对子区域进行均衡化处理，处理后的子图用Cij (k) 表示。
（3）像素灰度值重构。将Cij (k) 中心像素点的灰度值作为参考点，采用双线性插值技术计算输出图像中各点的灰度值
（4）遍历目标图像。移动窗口至下一个子区域，重复上述步骤。
3 NIBLACK 改进算法的静脉图像分割
图像增强后，静脉图像的纹理和特征就比较清晰，这时还要对图像进行分割才能提取出整个静脉的结构纹理图。图像的分割提取主要利用阈值进行二值化分割，找到合适的阈值是图像分割的关键。而NIBLACK法由于其动态局部阈值的处理方法[6]，对图像分割有较好的效果，本文根据手背静脉特殊的图像采集原理以及静脉图像的特点，采用改进的分块静态阈值和NIBLACK相结合的方法。
3.1 常规NIBLACK算法
在实际应用中，由于目标和背景对比度在同一图像中变化比较大，同时因为光照、噪声以及背景灰度梯度值突变等，为了更好地分割图像，必须在不同的图像区域自适应的确定阈值，NIBLACK法[7]就是一种常用的局部动态阈值法。算法确定中心坐标(x,y) 以及周围邻域r × r 范围，设g(x,y) 为中心坐标的灰度值，其二值化后的结果为b(x,y) ，具体可描述为：
（1）计算中心坐标r × r 范围均值灰度m(x,y) 和标准方差d(x,y) ，如式（2）和式（3）所示：
（2） 根据均值和方差计算出中心点的阈值，如式（4）所示：
t(x,y) = α × d(x,y) + m(x,y) （4）
（3） 根据步骤（2）计算出的阈值对中心点进行二值化：
（4）移动到下一个坐标，作为中心点，重复上述步骤，对图像逐点二值化。
3.2 改进的NIBLACK算法
常规的NIBLACK算法虽然可以动态地确定每个区域的阈值，但是也有其自身的不足：由于要利用r × r 模板遍历图像，导致边界区域(r - 1) 2 的像素范围内无法求取阈值；同时当进行图像遍历时，如果r × r 范围内都是背景，经NIBLACK计算后必有一部分被确定为目标，产生伪噪声[8]。针对此缺点，本文提出一种局部静态阈值与NIBLACK相结合的方法对图像二值化。其算法思想是对图像的边缘区域和纯背景区域采用静态阈值进行分割，对于其他区域采用NIBLACK 算法进行二值化。具体实现如下：
（1）对静脉图像进行分块，根据采集图像的像素大小以及模板r 的值，本文将图像分为6块，每块均包含了一部分边缘图像，利用Ostu 算法计算每块图像的静态阈值Tn（n=1，2，…，6）。
（2）判别像素范围，凡边缘范围即小于(r - 1) 2 范围的像素根据所在区域的静态子阈值Tn 进行二值化。
（3）对于非边缘区域的分块图像，按NIBLACK 法计算阈值t(x,y) ，将子静态阈值Tn 与t(x,y) 进行加权得到新阈值D(x,y) ：
D(x,y) = (1 - β)t(x,y) + β × Tn （6）
式中β 为加权系数，根据实验测试，本文取β 为0.5 可以达到最好的效果。
（4）利用得到的阈值D(x,y) 对子图像进行二值化，移动到下一子图像，重复上述步骤直到完成对整幅图像的二值化。
经过改进算法处理的二值图像可以得到比较清晰的静脉纹络，但是仍然存在少量的噪声，利用形态学的黑top-hat运算[9]，即经过闭运算的图像减去源图像，可以有效清除噪声，也可提取图像的暗特征，使静脉边缘纹络更加清晰。
4 实验分析
本文采用Mohamed Shahin博士提供的手背静脉图像数据库进行实验分析。为了消除静脉库原图像静脉周围背景对图像增强的影响，首先对静脉图像进行ROI（Regionof Interest）处理，提取出静脉区域图像，如图1（b）所示。
图1（c）采用全局静态直方图均衡法，可以看出因局部光强不同，静脉图像增强效果不均匀，这会使后期的二值化处理丢失大量信息。图1（d）采用CLAHE算法增强后，静脉图像灰度对比均匀，纹理和特征清晰，有利于在图像分割时保留大量的细节特征。如图2 对比发现，直接对静脉图像进行传统的NIBLACK 二值化会出现大量的噪声点和脉络断纹，同时丢失很多细节特征，如图2（b）所示。直接对图像进行直方图均衡增强，也会因光强不均丢失静脉部分结构特征，如图2（c）所示，图像右下方因局部光照过强使得增强后的图像在二值化后丢失一部分静脉纹络结构。本文采用基于CLAHE 的图像增强算法和改进的NIBLACK 二值化的方法，如图2（d）所示，得到的静脉结构纹理清晰，细节特征完整，脉络连续。改变传统的增强算法二值化后引起的伪噪声、断纹以及静脉图像特征丢失现象，消除传统方法的缺陷，有利于后续对于静脉的识别工作，提高整个静脉识别系统的准确率。
5 结语
在手背静脉提取过程中全局直方图均衡是比较常用的图像增强算法，但对于手背静脉图像光照不均匀的情况处理效果不好，传统的NIBLACK 二值化算法也存在着容易产生噪声块，结构断纹和无法确定图像边缘二值化阈值的缺陷。针对这种情况，本文提出利用CLAHE增强图像，并采用局部静态阈值与NIBLACK 相结合的改进算法对图像进行二值化。实验证明，本文算法提取的静脉图像脉络清晰，保留了因光照不均而易丢失的特征细节，消除了噪声块和脉络断纹的现象，因此本文算法是一套有效的静脉提取算法，对提高系统的识别率和正确率提供了可靠保证。
教育期刊网 http://www.jyqkw.com
参考文献
[1] 林喜荣，庄波，苏晓生，等.人体手背血管图像的特征提取及匹配[J].清华大学学报：自然科学版，2003，43（2）：164-167.
[2] 杨有，李波.CLAHE 和细节放大相结合的档案图像增强方法[J].中国图象图形学报，2011，16（4）：522-527.
[3] 朱其刚，朱自强.基于自适应领域灰度直方图均衡的超声窥镜图像增强[J].山东科技大学学报，2004，23（3）：120-123．
[4] 王龙，汪天富，郑昌琼.基于灰度直方图均衡的超声医学图像增强方法[J].四川大学学报，2012，34（1）：105-108．
[5] CROM A R，PIZER S M. Structure sensitive adaptive contrastenhancement methods and their evaluation [J]. Image and Vi-sion Computer，1993（11）：385-391.
[6] 郑伟，康朝红.基于梯度的低对比度X 线图像分割方法[J].通信技术，2009，42（1）：292-294.
[7] NIBLACK W. An introduction to image processing [J]. AppliedComputing，1986，15（4）：219-229.
[8] 王科俊，丁宇航，庄大燕，等.手背静脉图像阈值分割[J].自动化技术与应用，2011，24（8）：19-21.
[9] 赵建军，熊馨，张磊，等.基于CLAHE 和TOPHAT 变换的手背静脉图像增强算法[J].激光与红外，2009，39（2）：220-222.
作者简介：郑均辉（1981—），男，四川叙永人，讲师，硕士。研究方向为人工智能、算法分析等。
喻恒（1984—），男，河南平顶山人，助教，硕士。研究方向为视觉物联网、模式识别等。