弱約束條件下手背靜脈圖像的增強(qiáng)與分割

陳鐵權(quán)

（遼寧金融職業(yè)學(xué)院，遼寧 沈陽(yáng) 110122）

0 引言

在信息技術(shù)蓬勃發(fā)展的網(wǎng)絡(luò)時(shí)代，社會(huì)成員在享受先進(jìn)技術(shù)帶來(lái)的便利的同時(shí)日益遭受因身份識(shí)別帶來(lái)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(fù)制性，利用人體生物特征識(shí)別技術(shù)進(jìn)行身份認(rèn)證相比密碼認(rèn)證、芯片識(shí)別技術(shù)具有不易被復(fù)制、準(zhǔn)確性高、安全性高的特點(diǎn)。

如今，指紋識(shí)別、視網(wǎng)膜識(shí)別、人臉識(shí)別等生物識(shí)別技術(shù)被廣泛應(yīng)用。但是，各種生物識(shí)別技術(shù)都有不同程度的難以解決的技術(shù)缺陷，例如：指紋易被復(fù)制、污損、破壞，識(shí)別效率受外界環(huán)境影響大；面部識(shí)別受人體生長(zhǎng)發(fā)育影響，對(duì)照樣本可變系數(shù)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(jié)構(gòu)不同，具有人體生物特征識(shí)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(huán)境因素干擾小，難以被復(fù)制，在圖像采集過(guò)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(shí)別技術(shù)特征，手背靜脈識(shí)別技術(shù)具有更大的研究空間和研究?jī)r(jià)值，成為目前人體生物識(shí)別研究領(lǐng)域的熱點(diǎn)之一。

在實(shí)際環(huán)境中，受諸如被采集者姿勢(shì)、握拳力度、皮膚對(duì)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(biāo)準(zhǔn)難以統(tǒng)一，導(dǎo)致不同手背靜脈圖像樣本不同，狀態(tài)存在沖突，這些影響導(dǎo)致手背靜脈識(shí)別難度增加，準(zhǔn)確率不高。在使用SIFT（尺度不變特征變換）算法下實(shí)驗(yàn)，最高識(shí)別率為73.48%，在改進(jìn)的SIFT算法［1］下實(shí)驗(yàn)，識(shí)別率為90.8%。在實(shí)際應(yīng)用中，受拍攝圖像時(shí)弱約束條件的限制，對(duì)手背靜脈圖像優(yōu)化識(shí)別處理沒(méi)有固定的、令人滿意的算法。成都理工大學(xué)李偉劍團(tuán)隊(duì)為了消除非靜脈干擾因素，通過(guò)閾值分割法和快速特征檢測(cè)（Features From Accelerated Segment Test，F(xiàn)AST）算法對(duì)靜脈紋理二值圖進(jìn)行特征提取，最大限度地消除非靜脈因素的干擾［2］。山東財(cái)經(jīng)大學(xué)孟憲靜團(tuán)隊(duì)提出通過(guò)圖像灰度不均勻的特性來(lái)矯正和增強(qiáng)手背靜脈紋路的細(xì)節(jié)，并采用SIFT算法檢測(cè)現(xiàn)實(shí)的和潛在的特征點(diǎn)進(jìn)行匹配［3］，取得較好結(jié)果。北方工業(yè)大學(xué)王一丁教授利用多圖融合技術(shù)與Xception網(wǎng)絡(luò)（輕量級(jí)網(wǎng)絡(luò)）結(jié)合對(duì)圖像進(jìn)行識(shí)別和計(jì)算［4］，使手背靜脈圖像的識(shí)別率達(dá)到93.54%。上述研究者利用不同的圖像識(shí)別優(yōu)化算法對(duì)手背靜脈圖像進(jìn)行增強(qiáng)識(shí)別，對(duì)手背靜脈識(shí)別技術(shù)在市場(chǎng)上的推廣和應(yīng)用起到實(shí)踐和啟發(fā)作用，但在實(shí)際應(yīng)用中，由于圖像識(shí)別設(shè)備差異，對(duì)圖像進(jìn)行優(yōu)化識(shí)別時(shí)因算法不同導(dǎo)致提取圖像特征效果差異，使靜脈識(shí)別系統(tǒng)難以以統(tǒng)一標(biāo)準(zhǔn)進(jìn)行整合，制約了手背靜脈識(shí)別技術(shù)的商業(yè)化應(yīng)用。本文利用帶紅外補(bǔ)光功能的監(jiān)控?cái)z像頭進(jìn)行手背靜脈圖像采集，結(jié)合改進(jìn)的圖像增強(qiáng)、特征分割算法，實(shí)現(xiàn)手背靜脈圖像采集、增強(qiáng)、分割、特征提取過(guò)程，最終得到清晰的手背靜脈骨架圖像，對(duì)手背靜脈識(shí)別技術(shù)的推廣和應(yīng)用起到一定的借鑒作用。

1 采集手背靜脈圖像

醫(yī)學(xué)影像學(xué)研究數(shù)據(jù)表明，人體靜脈血管中的血紅蛋白會(huì)吸收 700～1 100 nm 波長(zhǎng)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(huì)呈現(xiàn)出明顯的深色［6］，顯著區(qū)別于其他吸收紅外線弱的部位。本文對(duì)手背靜脈圖像的采集使用一款CMOS（互補(bǔ)金屬氧化物半導(dǎo)體）網(wǎng)絡(luò)監(jiān)控?cái)z像頭，400萬(wàn)像素，分辨率最高為2 048×1 080，自帶850 nm紅外補(bǔ)光燈和紅外濾光片，可去除拍攝環(huán)境中850 nm以外波長(zhǎng)的紅外光線。圖像采集時(shí)被采集者以握拳姿態(tài)將手背置于攝像頭拍攝范圍內(nèi)，握拳姿態(tài)使手背皮膚拉伸變薄，有利于紅外光線穿透皮膚增強(qiáng)手背靜脈對(duì)紅外線的吸收，使手背靜脈在圖像中的顯現(xiàn)更加明顯［7］。在圖像采集過(guò)程中，當(dāng)攝像頭所處環(huán)境為白天室內(nèi)環(huán)境，攝像頭開(kāi)啟黑白紅外補(bǔ)光模式時(shí)，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(nèi)，方盒四壁采用黑色背景，減少光源反射干擾，盒內(nèi)加裝紅外補(bǔ)光燈，黑盒補(bǔ)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(yōu)于白天室內(nèi)環(huán)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(qiáng)處理

在弱約束條件下，手背靜脈的被采集者無(wú)法按照嚴(yán)格的統(tǒng)一標(biāo)準(zhǔn)進(jìn)行圖像采集，采集到的圖像樣本在角度、姿勢(shì)、尺寸等參數(shù)上具有多樣性和隨機(jī)性，且圖像中影響噪聲較多，這些會(huì)嚴(yán)重影響手背靜脈圖像識(shí)別過(guò)程中的魯棒性，因此需要對(duì)采集到的手背靜脈圖像的尺寸和灰度進(jìn)行統(tǒng)一標(biāo)準(zhǔn)處理。圖像尺寸的統(tǒng)一化對(duì)圖像特征比對(duì)和效果比對(duì)具有重要作用，對(duì)圖像灰度進(jìn)行統(tǒng)一的二值化處理，會(huì)減少圖像中的數(shù)據(jù)量并盡可能地將圖像感興趣區(qū)域（ROI）保留下來(lái)，凸顯目標(biāo)輪廓，為后續(xù)手背靜脈特征紋路的提取和識(shí)別做預(yù)處理。

2.1 形態(tài)學(xué)處理

在將手背靜脈圖像進(jìn)行統(tǒng)一灰度、降噪、轉(zhuǎn)化二值圖等處理過(guò)程中，圖像處理結(jié)果存在孔洞和毛邊較多、邊緣不流暢的缺陷?；趍atlab R2016b的形態(tài)學(xué)圖像處理，膨脹處理后進(jìn)行開(kāi)運(yùn)算能有效去除手背靜脈圖像背景噪聲，開(kāi)運(yùn)算公式如下：

再通過(guò)閉運(yùn)算填充圖像內(nèi)空洞，閉運(yùn)算公式如下：

形態(tài)學(xué)處理能有效消除圖像毛刺平滑邊緣，為確定圖像的質(zhì)心做準(zhǔn)備，圖像形態(tài)學(xué)處理后結(jié)果如圖2所示。

圖2 靜脈圖像形態(tài)學(xué)處理后結(jié)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(duì)比度不夠強(qiáng)烈，在二值化處理中，一些對(duì)比不明顯的手背靜脈紋路會(huì)被忽略剔除。通過(guò)直方圖均衡對(duì)手背靜脈圖像進(jìn)行修正，能增加手背靜脈圖像像素灰度值的動(dòng)態(tài)范圍，增強(qiáng)圖像整體對(duì)比度。利用全局直方圖均衡增強(qiáng)圖像中心像素灰度，局部直方圖均衡增強(qiáng)圖像小區(qū)域細(xì)節(jié)，從而使整個(gè)手背靜脈圖像的對(duì)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(duì)圖像直方圖均衡處理基于matlab R2016b環(huán)境，處理結(jié)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(qiáng)弱等弱因素條件影響，采集到的圖像對(duì)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(jù)圖像的頻譜特性，頻譜的低頻成分對(duì)應(yīng)圖像中顏色或灰度連續(xù)緩慢漸變區(qū)域，通過(guò)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(qū)域?yàn)楦哳l，通常顯示圖像的細(xì)節(jié)和邊緣部位?；诖耍ㄟ^(guò)構(gòu)造巴特沃斯高通濾波器，對(duì)手背靜脈圖像高頻成分進(jìn)行增強(qiáng)，實(shí)現(xiàn)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(zhì)量。巴特沃斯高通濾波器通過(guò)設(shè)置頻率閾值對(duì)頻率進(jìn)行放行或阻止操作，轉(zhuǎn)移函數(shù)如下：

其中，D（u，v）為截止頻率，表示頻域中點(diǎn)到頻域平面的距離。當(dāng) D（u，v）＞D0，H（u，v）逐漸接近 1，圖像高頻部分通過(guò)；當(dāng)D（u，v）＜D0，H（u，v）逐漸接近0，圖像低頻部分被過(guò)濾。本文基于 vtk7.0+visual studio 2013 環(huán)境構(gòu)建巴特沃斯高通濾波器，使用VTK（Visualization toolkit）中的 vtkImage Butterworth High Pass 類(lèi)。通過(guò)巴特沃斯高通濾波器對(duì)原始圖像進(jìn)行濾波，調(diào)整偏移量n=1，Wn=1×6，增強(qiáng)圖像高頻成分并保證圖像低頻部分灰色調(diào)，達(dá)到增強(qiáng)手背靜脈圖像靜脈紋路效果，實(shí)驗(yàn)結(jié)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(qū)域大小、脂肪厚度、紅外光線照射強(qiáng)度時(shí)間等弱約束條件會(huì)對(duì)采集到的手背靜脈圖像有較大影響，因此需要對(duì)采集到的手背靜脈圖進(jìn)行感興趣區(qū)域（ROI）提取。為了采集到手背靜脈清晰圖像，網(wǎng)絡(luò)攝像頭分辨率設(shè)定為1 280×720像素，圖像尺寸較大，但有用范圍僅限于手背區(qū)域，需要對(duì)手背靜脈圖像進(jìn)行ROI提取，去除其他無(wú)用區(qū)域，排除不必要的干擾。對(duì)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(qū)域?yàn)榘咨?，能夠與圖像無(wú)用區(qū)域分離。計(jì)算白色有效區(qū)域像素質(zhì)心位置（x，y）公式如下：

其中，n為有效區(qū)域白色像素總體數(shù)量，通過(guò)n值確定以質(zhì)心為中心點(diǎn)、尺寸為500×500像素的矩形區(qū)域，此矩形區(qū)域包含完整的手背靜脈二值化圖像白色區(qū)域，質(zhì)心提取結(jié)果如圖5所示。

圖5 質(zhì)心圖

3 手背靜脈圖像分割細(xì)化

手背靜脈圖像分割是將圖像分割成若干個(gè)塊圖并提取圖中靜脈紋路的過(guò)程，常用算法有最大類(lèi)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(jié)合的方法對(duì)增強(qiáng)優(yōu)化后的手背靜脈圖像進(jìn)行二值化處理。

3.1 最大類(lèi)間方差法

Ostu算法通過(guò)計(jì)算全局閾值增加手背靜脈圖像前景和背景的對(duì)比，從而分解出手背靜脈紋路。通過(guò)實(shí)驗(yàn)，Ostu算法對(duì)手背靜脈圖像的噪聲和ROI區(qū)域敏感，分割后手背靜脈紋路丟失嚴(yán)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(diǎn)數(shù)占圖像比例；z為類(lèi)間方差；圖像背景點(diǎn)數(shù)占圖像比例為y1；x0為圖像平均灰度，平均灰度為x1。當(dāng)方差g最大時(shí)，手背靜脈圖像前景和背景差異最大。

傳統(tǒng)的Ostu算法在二值化計(jì)算時(shí)首先搜索圖像整個(gè)灰度級(jí)，然后確定最佳閾值，具有搜索次數(shù)多、計(jì)算量大的缺點(diǎn)。改進(jìn)后的Ostu算法首先計(jì)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(lèi)灰度，在兩類(lèi)灰度區(qū)間值之間進(jìn)行搜索，確定最佳閾值，與傳統(tǒng)Ostu算法相比，改進(jìn)的算法搜索次數(shù)減少，搜索速度提高［8］。

3.2 二值化算法

優(yōu)化后的手背靜脈圖像存在細(xì)節(jié)和分叉較多且亮度不均勻的缺陷，全局閾值自動(dòng)分割的圖像二值化算法會(huì)將顯示不明顯、細(xì)小的手背靜脈紋路丟棄，不能準(zhǔn)確地將圖像的背景和有價(jià)值的對(duì)象二值化，造成細(xì)節(jié)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(xì)節(jié)問(wèn)題，Niblack算法根據(jù)手背靜脈圖像像素的鄰域點(diǎn)的像素值來(lái)確定自身像素的二值化計(jì)算閾值。通過(guò)Niblack算法計(jì)算的手背靜脈圖像，亮度較高的區(qū)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(qū)分更加明顯。Niblack算法公式如下：

其中，（a，b）為圖像對(duì)于像素點(diǎn)坐標(biāo)，A（a，b）為該像素點(diǎn)閾值，m（a，b）為該像素點(diǎn)的R×R領(lǐng)域內(nèi)像素點(diǎn)的像素均值，s（a，b）為該像素點(diǎn)R×R領(lǐng)域內(nèi)像素標(biāo)準(zhǔn)方差，k為修正系數(shù)，通常取值為-0.1。常規(guī)的Niblack算法利用R×R模板遍歷圖像，動(dòng)態(tài)確定每個(gè)區(qū)域的閾值，但通常邊界區(qū)域無(wú)法取得閾值并且易產(chǎn)生偽噪聲?；诖?，本文將圖像邊緣區(qū)域和純背景區(qū)域進(jìn)行靜態(tài)閾值分割，其他區(qū)域采用Niblack算法進(jìn)行動(dòng)態(tài)閾值二值化分割。具體實(shí)現(xiàn)步驟如下：①利用Niblack算法對(duì)手背靜脈圖像進(jìn)行分塊，根據(jù)靜脈圖像像素及圖片尺寸，R取值8，利用Ostu算法計(jì)算包含邊緣圖像的塊圖像靜態(tài)閾值Tn，進(jìn)行二值化。②利用Niblack算法計(jì)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(quán)得到的新閾值［9］。調(diào)整加權(quán)系數(shù)β，取得最好效果，本實(shí)驗(yàn)當(dāng)β為0.8時(shí)效果最好。③利用閾值b（x，y）對(duì)手背靜脈圖像R=8的各個(gè)塊圖像進(jìn)行二值化處理。改進(jìn)后的公式如下：

改進(jìn)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(guò)實(shí)驗(yàn)可知，改進(jìn)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(jié)構(gòu)，改進(jìn)后的圖像分割結(jié)果明顯優(yōu)于傳統(tǒng)算法分割結(jié)果，但經(jīng)過(guò)Niblack二值化算法處理后，手背邊緣區(qū)域和手臂靜脈區(qū)域也被二值化成黑色，這些黑色區(qū)域并不是需要提取的手背靜脈紋路的有效值，需要進(jìn)一步細(xì)化處理掉無(wú)效線條。將Niblack二值化圖像設(shè)定為0、1數(shù)值的布爾值矩陣，與原圖像進(jìn)行邏輯與運(yùn)算，可去除圖像無(wú)用輪廓線及無(wú)用線條，最終，分割細(xì)化后得到手背靜脈骨架。

圖6 手背靜脈圖分割細(xì)化結(jié)果

4 結(jié)論

本文通過(guò)使用一臺(tái)400萬(wàn)像素紅外監(jiān)控?cái)z像頭進(jìn)行手背靜脈圖像采集，通過(guò)對(duì)比，在暗盒環(huán)境下采集到的手背靜脈圖像靜脈紋路明顯，通過(guò)對(duì)采集到的手背靜脈圖像進(jìn)行形態(tài)學(xué)處理、局部直方圖均衡和巴特沃斯高通濾波優(yōu)化，然后使用改進(jìn)后Ostu和Niblack結(jié)合算法進(jìn)行圖像分割，細(xì)化后最終得到效果較好的手背靜脈骨架。整個(gè)過(guò)程中，對(duì)采集到的手背靜脈圖像在圖像增強(qiáng)和圖像分割方面進(jìn)行了細(xì)致的研究和對(duì)比，實(shí)驗(yàn)使用程序進(jìn)行多次測(cè)試，確保參數(shù)選擇的合理性，使圖像處理程序具有普適性和創(chuàng)新性。實(shí)驗(yàn)中過(guò)程中發(fā)現(xiàn)，在圖像增強(qiáng)階段，多次膨脹處理會(huì)使手背靜脈紋路較原圖產(chǎn)生一定的失真，巴特沃斯高通濾波修復(fù)具有較大的圖像依賴(lài)性，不能對(duì)其他手背靜脈圖像產(chǎn)生較好的處理效果，因此手背靜脈圖像的識(shí)別細(xì)化仍具有較大的研究空間。