弱约束条件下手背静脉图像的增强与分割

陈铁权

（辽宁金融职业学院，辽宁 沈阳 110122）

0 引言

在信息技术蓬勃发展的网络时代，社会成员在享受先进技术带来的便利的同时日益遭受因身份识别带来的安全威胁。人体的某些生物特征具有固有性、唯一性和不可复制性，利用人体生物特征识别技术进行身份认证相比密码认证、芯片识别技术具有不易被复制、准确性高、安全性高的特点。

如今，指纹识别、视网膜识别、人脸识别等生物识别技术被广泛应用。但是，各种生物识别技术都有不同程度的难以解决的技术缺陷，例如：指纹易被复制、污损、破坏，识别效率受外界环境影响大；面部识别受人体生长发育影响，对照样本可变系数高等。手背静脉是人体主要生物特征之一，不同人的手背静脉血管纹理结构不同，具有人体生物特征识别要求的普遍性和唯一性。并且，手背静脉血管深埋皮肤之下，受外界环境因素干扰小，难以被复制，在图像采集过程中手背部位容易出示且易被大家接受，相比其他人体生物识别技术特征，手背静脉识别技术具有更大的研究空间和研究价值，成为目前人体生物识别研究领域的热点之一。

在实际环境中，受诸如被采集者姿势、握拳力度、皮肤对红外光吸收和反射差异等弱约束条件制约，采集到的手背静脉图像样本噪声较多，图像标准难以统一，导致不同手背静脉图像样本不同，状态存在冲突，这些影响导致手背静脉识别难度增加，准确率不高。在使用SIFT（尺度不变特征变换）算法下实验，最高识别率为73.48%，在改进的SIFT算法［1］下实验，识别率为90.8%。在实际应用中，受拍摄图像时弱约束条件的限制，对手背静脉图像优化识别处理没有固定的、令人满意的算法。成都理工大学李伟剑团队为了消除非静脉干扰因素，通过阈值分割法和快速特征检测（Features From Accelerated Segment Test，FAST）算法对静脉纹理二值图进行特征提取，最大限度地消除非静脉因素的干扰［2］。山东财经大学孟宪静团队提出通过图像灰度不均匀的特性来矫正和增强手背静脉纹路的细节，并采用SIFT算法检测现实的和潜在的特征点进行匹配［3］，取得较好结果。北方工业大学王一丁教授利用多图融合技术与Xception网络（轻量级网络）结合对图像进行识别和计算［4］，使手背静脉图像的识别率达到93.54%。上述研究者利用不同的图像识别优化算法对手背静脉图像进行增强识别，对手背静脉识别技术在市场上的推广和应用起到实践和启发作用，但在实际应用中，由于图像识别设备差异，对图像进行优化识别时因算法不同导致提取图像特征效果差异，使静脉识别系统难以以统一标准进行整合，制约了手背静脉识别技术的商业化应用。本文利用带红外补光功能的监控摄像头进行手背静脉图像采集，结合改进的图像增强、特征分割算法，实现手背静脉图像采集、增强、分割、特征提取过程，最终得到清晰的手背静脉骨架图像，对手背静脉识别技术的推广和应用起到一定的借鉴作用。

1 采集手背静脉图像

医学影像学研究数据表明，人体静脉血管中的血红蛋白会吸收 700～1 100 nm 波长的近红外线光波［5］，850 nm的红外线可穿透3 mm人体手背皮肤，手背静脉血红蛋白因吸收光波会呈现出明显的深色［6］，显著区别于其他吸收红外线弱的部位。本文对手背静脉图像的采集使用一款CMOS（互补金属氧化物半导体）网络监控摄像头，400万像素，分辨率最高为2 048×1 080，自带850 nm红外补光灯和红外滤光片，可去除拍摄环境中850 nm以外波长的红外光线。图像采集时被采集者以握拳姿态将手背置于摄像头拍摄范围内，握拳姿态使手背皮肤拉伸变薄，有利于红外光线穿透皮肤增强手背静脉对红外线的吸收，使手背静脉在图像中的显现更加明显［7］。在图像采集过程中，当摄像头所处环境为白天室内环境，摄像头开启黑白红外补光模式时，采集到的手背静脉图像静脉纹路不明显，如图1（a）所示。采用黑盒采集方式，将摄像头放置于四周密闭正方体盒内，方盒四壁采用黑色背景，减少光源反射干扰，盒内加装红外补光灯，黑盒补光模式下采集到的手背静脉图像静脉纹路明显，图像效果优于白天室内环境下采集到的图像，如图1（b）所示。

图1 手背静脉原始图像

2 手背静脉图像增强处理

在弱约束条件下，手背静脉的被采集者无法按照严格的统一标准进行图像采集，采集到的图像样本在角度、姿势、尺寸等参数上具有多样性和随机性，且图像中影响噪声较多，这些会严重影响手背静脉图像识别过程中的鲁棒性，因此需要对采集到的手背静脉图像的尺寸和灰度进行统一标准处理。图像尺寸的统一化对图像特征比对和效果比对具有重要作用，对图像灰度进行统一的二值化处理，会减少图像中的数据量并尽可能地将图像感兴趣区域（ROI）保留下来，凸显目标轮廓，为后续手背静脉特征纹路的提取和识别做预处理。

2.1 形态学处理

在将手背静脉图像进行统一灰度、降噪、转化二值图等处理过程中，图像处理结果存在孔洞和毛边较多、边缘不流畅的缺陷。基于matlab R2016b的形态学图像处理，膨胀处理后进行开运算能有效去除手背静脉图像背景噪声，开运算公式如下：

再通过闭运算填充图像内空洞，闭运算公式如下：

形态学处理能有效消除图像毛刺平滑边缘，为确定图像的质心做准备，图像形态学处理后结果如图2所示。

图2 静脉图像形态学处理后结果

2.2 直方图均衡

由于摄像头的性能限制，采集到的手背静脉图像灰度范围较窄，图像中手背静脉纹路与手背皮肤对比度不够强烈，在二值化处理中，一些对比不明显的手背静脉纹路会被忽略剔除。通过直方图均衡对手背静脉图像进行修正，能增加手背静脉图像像素灰度值的动态范围，增强图像整体对比度。利用全局直方图均衡增强图像中心像素灰度，局部直方图均衡增强图像小区域细节，从而使整个手背静脉图像的对比度更加明显，手背皮肤部分变得更白，静脉纹路变暗，手背静脉纹路更加明显，对图像直方图均衡处理基于matlab R2016b环境，处理结果如图3所示。

图3 直方图处理后效果

2.3 巴特沃斯高通滤波

手背静脉原始图是近距离采集的红外图像，受手背拍摄角度和红外光强弱等弱因素条件影响，采集到的图像对比度低，图像灰度集中，这些增加了手背静脉图像静脉纹路的提取难度。根据图像的频谱特性，频谱的低频成分对应图像中颜色或灰度连续缓慢渐变区域，通过低频成分可以看出图像的大致样貌和轮廓；而图像颜色和灰度变化频率快的区域为高频，通常显示图像的细节和边缘部位。基于此，通过构造巴特沃斯高通滤波器，对手背静脉图像高频成分进行增强，实现手背静脉图像静脉边缘锐化，以提高后期静脉纹路的提取质量。巴特沃斯高通滤波器通过设置频率阈值对频率进行放行或阻止操作，转移函数如下：

其中，D（u，v）为截止频率，表示频域中点到频域平面的距离。当 D（u，v）＞D0，H（u，v）逐渐接近 1，图像高频部分通过；当D（u，v）＜D0，H（u，v）逐渐接近0，图像低频部分被过滤。本文基于 vtk7.0+visual studio 2013 环境构建巴特沃斯高通滤波器，使用VTK（Visualization toolkit）中的 vtkImage Butterworth High Pass 类。通过巴特沃斯高通滤波器对原始图像进行滤波，调整偏移量n=1，Wn=1×6，增强图像高频成分并保证图像低频部分灰色调，达到增强手背静脉图像静脉纹路效果，实验结果如图4所示。

图4 巴特沃斯高通图像

2.4 ROI提取

手背采集区域大小、脂肪厚度、红外光线照射强度时间等弱约束条件会对采集到的手背静脉图像有较大影响，因此需要对采集到的手背静脉图进行感兴趣区域（ROI）提取。为了采集到手背静脉清晰图像，网络摄像头分辨率设定为1 280×720像素，图像尺寸较大，但有用范围仅限于手背区域，需要对手背静脉图像进行ROI提取，去除其他无用区域，排除不必要的干扰。对ROI的二值化提取采用基于全局阈值算法，处理后手背静脉图像有效区域为白色，能够与图像无用区域分离。计算白色有效区域像素质心位置（x，y）公式如下：

其中，n为有效区域白色像素总体数量，通过n值确定以质心为中心点、尺寸为500×500像素的矩形区域，此矩形区域包含完整的手背静脉二值化图像白色区域，质心提取结果如图5所示。

图5 质心图

3 手背静脉图像分割细化

手背静脉图像分割是将图像分割成若干个块图并提取图中静脉纹路的过程，常用算法有最大类间方差法（Ostu）、灰度平均值法、双峰法、二值化算法（Niblack）等。本文选取Ostu和Niblack结合的方法对增强优化后的手背静脉图像进行二值化处理。

3.1 最大类间方差法

Ostu算法通过计算全局阈值增加手背静脉图像前景和背景的对比，从而分解出手背静脉纹路。通过实验，Ostu算法对手背静脉图像的噪声和ROI区域敏感，分割后手背静脉纹路丢失严重。手背静脉图像总平均灰度公式如下：

手背静脉图像前景和背景图像方差公式如下：

手背静脉图像最佳阈值公式如下：

其中，y0为图像前景点数占图像比例；z为类间方差；图像背景点数占图像比例为y1；x0为图像平均灰度，平均灰度为x1。当方差g最大时，手背静脉图像前景和背景差异最大。

传统的Ostu算法在二值化计算时首先搜索图像整个灰度级，然后确定最佳阈值，具有搜索次数多、计算量大的缺点。改进后的Ostu算法首先计算手背静脉图像的平均灰度值，然后将灰度值分为不小于和不大于平均灰度值两类灰度，在两类灰度区间值之间进行搜索，确定最佳阈值，与传统Ostu算法相比，改进的算法搜索次数减少，搜索速度提高［8］。

3.2 二值化算法

优化后的手背静脉图像存在细节和分叉较多且亮度不均匀的缺陷，全局阈值自动分割的图像二值化算法会将显示不明显、细小的手背静脉纹路丢弃，不能准确地将图像的背景和有价值的对象二值化，造成细节丢失。Niblack是局部阈值二值化算法，能有效处理手背静脉图像静脉纹路细节问题，Niblack算法根据手背静脉图像像素的邻域点的像素值来确定自身像素的二值化计算阈值。通过Niblack算法计算的手背静脉图像，亮度较高的区域二值化阈值较大，亮度较低的二值化阈值较小，从而使图像的前景、背景区分更加明显。Niblack算法公式如下：

其中，（a，b）为图像对于像素点坐标，A（a，b）为该像素点阈值，m（a，b）为该像素点的R×R领域内像素点的像素均值，s（a，b）为该像素点R×R领域内像素标准方差，k为修正系数，通常取值为-0.1。常规的Niblack算法利用R×R模板遍历图像，动态确定每个区域的阈值，但通常边界区域无法取得阈值并且易产生伪噪声。基于此，本文将图像边缘区域和纯背景区域进行静态阈值分割，其他区域采用Niblack算法进行动态阈值二值化分割。具体实现步骤如下：①利用Niblack算法对手背静脉图像进行分块，根据静脉图像像素及图片尺寸，R取值8，利用Ostu算法计算包含边缘图像的块图像静态阈值Tn，进行二值化。②利用Niblack算法计算不包含边缘图像的块图像阈值a（x，y），b（x，y）为 Tn 和 a（x，y）加权得到的新阈值［9］。调整加权系数β，取得最好效果，本实验当β为0.8时效果最好。③利用阈值b（x，y）对手背静脉图像R=8的各个块图像进行二值化处理。改进后的公式如下：

改进后的Ostu和Niblack二值化算法处理后的手背静脉图像如图6所示。通过实验可知，改进后的算法能较好地保留手背静脉图像中大部分手背静脉纹路结构，改进后的图像分割结果明显优于传统算法分割结果，但经过Niblack二值化算法处理后，手背边缘区域和手臂静脉区域也被二值化成黑色，这些黑色区域并不是需要提取的手背静脉纹路的有效值，需要进一步细化处理掉无效线条。将Niblack二值化图像设定为0、1数值的布尔值矩阵，与原图像进行逻辑与运算，可去除图像无用轮廓线及无用线条，最终，分割细化后得到手背静脉骨架。

图6 手背静脉图分割细化结果

4 结论

本文通过使用一台400万像素红外监控摄像头进行手背静脉图像采集，通过对比，在暗盒环境下采集到的手背静脉图像静脉纹路明显，通过对采集到的手背静脉图像进行形态学处理、局部直方图均衡和巴特沃斯高通滤波优化，然后使用改进后Ostu和Niblack结合算法进行图像分割，细化后最终得到效果较好的手背静脉骨架。整个过程中，对采集到的手背静脉图像在图像增强和图像分割方面进行了细致的研究和对比，实验使用程序进行多次测试，确保参数选择的合理性，使图像处理程序具有普适性和创新性。实验中过程中发现，在图像增强阶段，多次膨胀处理会使手背静脉纹路较原图产生一定的失真，巴特沃斯高通滤波修复具有较大的图像依赖性，不能对其他手背静脉图像产生较好的处理效果，因此手背静脉图像的识别细化仍具有较大的研究空间。