基于Gabor滤波和形态学变换的手臂静脉线提取

彭晓光 王彪 唐超颖 苏菡 陈晓腾

摘 要：提出了一种针对近红外图像的手臂静脉提取算法。首先利用限制对比度自适应直方图均衡化（CLAHE）对近红外图像进行预处理，增强对比度。然后利用Gabor滤波器对增强后的图像进行滤波，由Gabor滤波后的方向图和能量图获得手臂静脉位置。接着，对能量图进行高低帽变换，然后将整幅图像进行二值化，采用开闭运算处理二值化图像，利用形态学骨架提取的方法提取手臂静脉线，最后对骨架化后的图像进行毛刺修剪，得到比较完整有效的静脉线。实验结果表明，本文提出的算法可以有效地保证静脉线的连续性和完整性，有效地提高手臂静脉的匹配率。

关键词：静脉提取;图像增强;Gabor滤波;静脉匹配;

中图分类号：TP391

文献标志码：A

引 言

随着计算机视觉的快速发展，生物特征识别的应用也越来越广泛，生物特征识别技术是利用人体固有的生理特征和行为特征进行身份识别。由于传统身份识别技术不可靠、不安全等缺点，生物特征识别技术已经成为国内外较为热门的研究方向。静脉识别是通过近红外相机获得对应静脉部位近红外图像，利用静脉的结构特征完成对人的身份鉴别认证。与其他生物特征识别相比，静脉属于人体皮下组织的固有特征，基本不会发生改变，并且必须在活体下进行采集，具有难以伪造等优点，因此越来越受到研究人员的重视。

静脉识别首先要从近红外图像中获得较为完整的静脉结构，然后提取静脉完成身份识别，因此，从近红外图像中获得较为完好的静脉线结构成为至关重要的工作，静脉提取算法的优劣直接关系到匹配识别效果的好坏，甚至对整个静脉识别系统的性能产生重大影响。近年来对手部静脉提取与识别算法的研究越来越多。文献[1]构造两个代价函数：一个是基于静脉测度和强度信息的频率，另一个是基于区域信息，针对两个不同的代价函数，利用最小代价路径的方法提取静脉线，运用在冠状动脉造影图像（ CTAT）;文献[2]提出了一种基于梯度的静脉模式分割算法，最终得到的是二值化模式的手背静脉;文献[3]使用基于局部曲率阈值的方法提取手背静脉，利用形态学骨架化的提取静脉线;文献[4]首先使用CLAHE增强手背静脉近红外图像对比度，然后利用形态学骨架化的方法提取手背静脉;文献[5]同样采用CLAHE增强手背静脉图像，接着使用PDSVP（Palm Dorsa Subcutane-ous Vein Pattern）和形态学处理提取手背静脉;文献[6]采用对比度自适应直方图均衡化（CLAHE）对手背静脉图像增强后二值化，然后利用局部静态阈值与Niblcak相结合的方法提取手背静脉;文献[7]结合手指静脉纹路特征设计方向图和方向滤波器进行图像增强，然后对增强后的图像提取手指静脉纹路;文献[8]利用静脉灰度图像静脉所在位置灰度值与其纹路垂直方向上的灰度值成谷形的特征提取手指静脉线。

目前大部分对静脉识别的研究都是基于手指、手掌和手背区域，这些区域的皮肤薄，静脉距离皮肤较近，相对比较容易提取，但是静脉数量相对较少。本文的研究对象是手臂部位的静脉特征，相对手指、手背和手掌区域，皮肤较厚，脂肪较多，提取相对较为困难，但是手臂部位具有更加丰富的静脉信息，手臂静脉的匹配更具有鲁棒性。本文首先使用CLAHE方法对手臂近红外图像进行增强处理，然后使用Gabor进行滤波，利用滤波后的方向图和能量图获得静脉结构，使用OTSU方法对静脉结构图像进行二值化，最后采用形态学的处理方法，获得较为完整的静脉线。

1 手臂静脉提取

1.1 手臂近红外静脉图像预处理

本文采用的是新加坡南洋理工大学的近红外手臂图像数据库，采用JAI-AD080CL相机拍摄，包含来自不同国家、不同人种的样本，原始数据库的手臂近红外如图1所示，图中a和b肤色有一定差异，拍照时光照强度也有差别。静脉隐藏于皮肤下层，从图1中可以看出，静脉线与皮肤的对比度不高，直接提取静脉纹理，通过二值化的方法提取静脉线，将会导致一部分静脉信息的丢失，也有可能将背景信息误识为静脉结构，这对后续的特征提取和识别造成巨大的影响，因此需要首先对静脉图像进行增强预处理。

图像增强一般分为空间域和频域增强，空域增强方法中直方图均衡（HE）是实用有效的工具，HE以概率论为基础，通过每一点灰度值概率的运算，把目标图像中直方图比较集中的分布改变为均匀直方图分布，同时使输出的图像像素灰度的概率密度均匀分布。直方图均衡分为全局法和自适应法（ Adaptive HE，AHE），全局法在实际应用中效果不佳。文献[9]中提出了对比度受限的局部直方图均衡法（Contrast-Limited Adaptive HE，CLA-HE），结合自适应直方图和对比度受限两种方法，从整幅图像的视觉效果出发，改善图片质量。这种方法考虑窗口内像素直方图，使图像增强效果适应性更好，其表达式为：

（1）对图像中任一点，根据窗口大小W确定窗口区域，使用式（1）计算窗口的直方图。

（2）对上述窗口内的直方图进行均衡化，实现对窗口中心像素的处理。

（3）移动窗口到下一个相邻像素，重复上述过程，直至遍歷整幅图像。

如图2（a）所示，（从图1经过手臂掩膜处理，主要针对前臂所在区域进行处理，本文之后图像均对主要的手臂区域进行处理）原始手臂近红外图像中静脉虽然已经显现出来了，但与皮肤对比度并不强烈。经过自适应直方图均衡化处理，处理结果如图2（b）所示，静脉与手臂皮肤已经呈现明显的差异，有利于下一步的静脉提取。

1.2 Gabor滤波和增强

Gabor变换与人类视觉系统中的视觉刺激响应非常相似，它在提取目标的局部空间和频率域信息方面具有良好的特性，被广泛应用于生物医学图像处理，比如指纹、人脸、虹膜等，均得到比较理想的结果[10]。本文利用Gabor滤波器提取预处理图像中的静脉信息，由于预处理近红外图像中的静脉为较为深色的线条，故采用含有16个不同方向和尺度的Gabor滤波器的实部进行处理[11]。下式为Gabor滤波器的空域数学表达式：

1.3 靜脉线提取

高帽（ top-hat）变换是原始图像与图像的开运算的结果之差，低帽（ bottom-hat）变换是图像的闭运算结果与原始图像之差，高低帽变换的定义[13]为：

高低帽变换重要用途是校正不均匀光照对图像的影响，高帽变换适用于暗背景中的亮物体，而低帽变换则适用于相反的情况。因此高低帽变换可以用于对Gabor滤波增强后的图像进行处理，高帽变换具有高通滤波特性，强调静脉图像的灰度峰值，增强图像中的静脉血管部分;而低帽变换可以求出图像的灰度谷值，突出静脉相互连接的目标间的界限，所以高低帽变换结合使用，可以使图像前景和背景进一步拉伸，尽可能突显出静脉的所有部分，最后达到静脉增强的作用。Gabor滤波增强后的静脉加上高帽变换的结果，再减去低帽变换的结果，可以有效提高图像的对比度，如式（9）所示。

整个处理过程及结果如图4所示，对Gabor滤波增强后的静脉图像（a）进行高帽变换（b）和低帽变换（b），高帽变换使主要的静脉血管亮度增加，次要的静脉血管变暗，通过原图加上高帽变换结果图，再减去低帽变换结果图，最终的处理结果（d）明显可以看出整体的静脉血管部分变亮，既突出了重要血管，又去除了大部分噪声。

使用Otsu方法[14]对上述结果图进行二值化处理。由于得到的静脉脉络上有小的空洞，所以对二值图像进行形态学闭运算处理，可以平滑轮廓，有利于后续的形态学骨架提取，而且可以融合狭窄间断和细长沟壑，并消除小的空洞。接着，对闭运算后的图像进行开运算，消除图像中小的孤岛和尖刺。

为了提取静脉线特征，采用形态学的骨架提取获得单像素静脉线。集合A的骨架[14]可以用腐蚀和开运算操作来表达，即骨架可以表示为：

2 实验结果及分析

2.1 静脉提取算法对比

首先将本文算法与直接利用Otsu算法进行静脉提取的结果进行比较。图5（a）是一幅近红外手臂图像，图5（b）为经过CLAHE处理后的图像。图5（c）是使用传统的Otsu算法进行提取的结果。可见，简单的阈值方法只能把手臂区域分割出来，基本上无法分出静脉区域，无法进行后续的静脉提取。

将本文算法与另外三种常用的静脉提取算法进行比较，结果如图6所示，第一行四幅手臂近红外图像，第二行为采用局部自适应阈值法对原始的NIR手臂图像进行处理，然后提取的静脉线，虽然提取出了较为完整的静脉线，但是引入了过多的噪声和毛刺，这对后续的匹配识别都有较大的不良影响。第三行为采用局部梯度极值法提取的静脉线，只提取出了主要的静脉线，漏掉了许多重要的静脉信息，另外静脉的连续性较差。第四行为采用Ni-black算法对处理后的图像进行分割，静脉的连续性也比较差，毛刺也比较多，但总体比前两种效果要好。最后一行为本文提出算法的实验结果，与前边三组实验对比，可以明显看出，提起出的静脉线明显比较连续。由于经过形态学的处理，融合了二值图像上一些细长的沟壑，平滑了轮廓，消除了一部分静脉线上的空洞，在骨架提取时这些毛刺也相对较少。

2.2 静脉线修复

虽然经过本文提取算法已经提取出较为完整的静脉线，但是仍然存在少量的毛刺，这对后续的匹配会产生不良的影响，因此需要删除静脉线状图中的毛刺[15]。二值静脉线的端点定义为某点8邻域像素值的和为1的点，分叉点定义为某点8邻域像素值的和大于或者等于3的点，端点到端点或者分叉点的线长度小于阈值T时，这段曲线定义为毛刺，需要对这些毛刺进行修剪。如图7（b）所示，黑色圆圈标记的为端点，红色圆圈标记的分叉点。本文经过多次实验统计，把毛刺阈值T设为15个像素，可以达到较好的效果，既删除了多余的毛刺，又保留了重要的静脉线部分。经过毛刺修剪后的静脉图像如图7（c）所示，与图7（a）相比可以明显看出，静脉线上的许多毛刺已经被删除，这对后续的特征提取非常有利。

2.3 匹配实验

针对100人的手臂近红外图像数据库进行了提取和匹配实验，测试人员包括女性8人，男性92人，年龄范围为15 - 70周岁，来自8个不同的国家，每一个人采集两次图像，两次拍摄的光照与拍摄角度均有变化，平均时间间隔为两周，图像采集距离约为2米，图像尺寸为1024* 768。匹配实验中把第一周期采集的100幅手臂近红外图像作为参考数据库，把第二周期采集的图像作为待匹配图像。采用文献[16]的匹配算法，分别对自适应阈值、局部梯度阈值和本文算法提取的手臂静脉图像进行匹配实验，最终的匹配结果如图8所示，红色曲线为本文提取算法的识别率，可以明显看出，优于其他两种算法。

结束语

针对手臂静脉这一较为新颖的生物特征，采用CLAHE对手臂近红外图像进行预处理，并进行Gabor滤波和增强，然后使用一系列形态的高低帽变换、开闭运算和骨架提取操作，提取手臂静脉曲线。运用本文算法进行了静脉的提取，通过匹配实验对比验证，获得了比其他提取方法相对较高的识别率，证明本文提出算法的有效性。

参考文献

[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，郑均辉，基于CLAHE和改进的NIBLACK算法的手背静脉提取方法[J].计算机与现代化，2015，（4）：74-77.

[7]王科俊，马慧，李雪峰，等，使用方向滤波技术的手指静脉纹路提取方法[J].中国图象图形学报，2011， 16（7）：1206 -1212.

[8]余成波，秦华锋，手指静脉图像特征提取算法的研究[J].计算机工程与应用，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，一种基于近红外一可见光映射的快捷静脉提取算法[J].东南大学学报：自然科学版，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]索爱黎，王小鹏，形态学图像分析原理与应用[M].北京：清华大学出版社，2008.

[14] 阮秋琦.数字图像处理学[M].北京：电子工业出版社，2011.

[15] 赵珊，手臂静脉红外图像特征检测与匹配算法研究[D].南京航空航天大学，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.