手背静脉图像增强和分割方法

胡学友

摘要：近红外摄像机采集到的手背静脉图像对比度较低且静脉结构简单，为了有效提取手背静脉结构特征，首先分割出包含主要静脉结构信息的区域，并进行灰度归一化；然后利用动态全局阈值法对静脉结构进行粗分割；最后根据静脉的几何结构特征，去除虚假静脉，获得真实的手背静脉图像；实验结果证明了算法的有效性。

关键词： 手背静脉识别； 特征提取； 小波分解； 生物特征识别

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）21-5080-03

静脉识别主要靠静脉血管的结构特征进行身份识别，人体静脉纹路包含着大量的信息，可以获取丰富的验证信息，且每个人的静脉结构都具有唯一性；人的手部静脉血管位于人体表皮之下，具有不可复制的特点，并且静脉结构特征随着年龄的增长也不会有很大的变化；另外，如果血液停止流动，近红外图像采集设备将无法捕获到静脉图像。由此可知，人体手背静脉识别具有可靠性、唯一性、安全性、稳定性，以及活体识别性等优点，且静脉识别对图像采集的设备要求不是很高，成本低廉。因此，近些年来手背静脉识别成为生物特征识别领域的研究热点[1][2]。

由于近红外摄像机采集到的手背静脉图像的对比度不高且灰度值不均衡，所以静脉图像的增强处理方法是研究的重点。文献[3][4]中首先对静脉图像进行二值化分割，然后以端点、交叉点为基础进行特征提取和识别，文献[5]通过提取手背图像局部SURF特征进行两幅图片的匹配；文献[6]通过提取静脉图像经轮廓波（Contourlet）变换后不同尺度下的子带能量为全局特征，文献[7]用中值滤波对整个手背静脉图像进行预处理，然后用逐点象素比对法进行手背静脉匹配。以上算法都取得了一定的效果，但是也存在一些不足，该文主要对手背静脉图像进行增强和分割处理，为下一步的特征提取和识别处理奠定研究基础。

1 手背静脉图像预处理

1.1 手背静脉图像采集

近红外手背静脉图像捕获的原理是：人体静脉血液中含有的血红蛋白成分具有吸收波长为700-1100nm区间近红外光线的特性。而此区间的近红外光线能够轻易的穿透3mm深度的人体肌肉或骨骼。因此，利用特定波长的近红外发射器均匀照射手背区域，再用近红外摄像机采集手背区域的反射光线，即可采集到手背静脉图像[8]。作者所在项目组根据此原理研制了近红外手背静脉图像采集装置[9]。经过对比实验，近红外发射光源采用波长为850nm的LED组，近红外摄像机选择普通的COMS黑白摄像机。拍摄手背静脉图像样本如图1。

1.2 感兴趣区域分割

由于采集到的图像包含手背边缘及背景，会对识别结果造成一定影响，因此需要切割出感兴趣区域（只含手背皮肤和血管的区域），以便后期的处理及识别。该文提出一种动态确定感兴趣区域的方法，该方法能够有效解决小范围手背平移的影响。

通过以上步骤，把采集的320×240大小的原始图像，截取为包含重要静脉信息的220×140大小的图像。如图2（d）。切割后得到的图像不仅去除了背景及边缘的信息，而且保留了重要的静脉信息。为了便于后续处理，进一步利用仿射变换把220*140的图像缩放为160*120大小。

1.3 手背静脉灰度归一化

1.4 手背静脉增强和分割

此时的手背静脉图像的对比度较低，所以在进行特征提取之前需要进行增强处理。该文作者所在项目组在论文[11]中，提出了一种基于自适应滤波的Retinex静脉增强算法，在增强静脉结构的同时，对图像灰度值进行了均衡处理。增强后图像如图4（b），可知，经过以上处理后手背静脉部分得到了明显的增强。特征提取的关键是提取出有效地静脉结构信息，而图4（b）中存在大面积的手背皮肤区域，且皮肤区域噪声较大，因此需要对增强后的图像进行分割，提取出有效的静脉结构。

其中，k是分割阈值的修正系数，这里k=1.1。分割效果如图4（c）。此时，分割后的图像包含很多虚假的静脉，这些虚假的静脉和真实静脉在象素面积和几何比例等方面存在着一定的差异，这为去除虚假静脉信息提供了条件。该文采用以下方法去除二值化后的图像中的虚假静脉信息：

首先对图像进行形态学运算：遍历图像，如果某象素的3×3邻域内灰度值为0的像素个数小于5，则将这个像素设置为0，否则设置为255。此步骤能够有效的去除图像中小的黑点，处理效果如图4（d）。接下来标记图像中的所有黑块，计算黑块的像素个数，以及黑块的外接矩形的长和宽：

1）如果黑块象素个数小于150，则删除此黑块；

2）如果黑块象素个数在150到600之间，且该黑块的外接矩形的长宽比小于5，则删除此黑块（一般是横向纹路的虚假黑块）；

3）将象素个数大于600的黑块保留。

经过处理后，静脉图像的虚假静脉结构基本被去除，且保留了的真实的静脉结构，如图4（e）。

此时，虽然很好的提取了静脉的主干结构信息，去除了手背皮肤部分的干扰，但只保留了静脉的几何结构，而对静脉的其它细节信息（比如静脉的粗细及灰度值）没有得到很好的保留。基于以上的原因，该文提出了一种保留灰度信息的手背静脉分割方法：

扫描静脉图像I（图4（e））和自适应平滑滤波后的图像I1（图4（b）），若I（x，y）=255，则I1（x，y）=255，否则I1不变，经此过程后得到的预处理图像如图4（f）所示。

2 结束语

为了有效提取手背静脉图像的特征，该文研究了低对比度静脉图像增强和分割方法，首先分析了静脉图片采集装置的设计原理，然后分割出感兴趣结构区域并进行灰度归一化处理，最后结合静脉几何结构特征分割出了包含真实静脉结构的图像。

参考文献：

[1] 王璐，张文涛.人体手掌静脉图像采集系统研究[J].激光与红外，2013，43（4）：404-408.

[2] Kumar A， Prathyusha K V. Personal authentication using hand vein triangulation and knuckle shape [J]. IEEE Transactions on Image Processing， 2009， 18（9）： 2127-2136.

[3] 林喜荣，庄波，苏晓生.人体手背静脉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.

[4] 王科俊，丁宇航，王大振.基于静脉识别的身份认证方法研究[J].科技导报， 2005，23（1）：35-37.

[5] 李秀艳，刘铁根.基于SURF算子的快速手背静脉识别[J].仪器仪表学报，2011，32（4）： 831-836.

[6] 贾旭，薛定宇.基于Contourlet子带能量特征多HMM融合的静脉识别[J].电子与信息学报，2011，33（8）：1877-1882.

[7] Badawi A M. Hand vein biometric verification prototype： a testing performance and patterns similarity[C]. 2006 International Conference on Image Processing， Computer Vision， and Pattern Recognition. USA， 2006：3-9.

[8] 吴微，苑玮琦，林森. 手掌静脉识别典型波长选择[J].光学学报，2012，32（12）：121.

[9] 朱丛虎， 王华彬， 陶亮. 低对比度手背静脉图像的增强和分割[J]. 计算机技术与发展， 2011， 21（5）：52-59.

[10] 包桂秋，林喜荣等. 基于人体生物特征的身份鉴别技术发展概况[J]. 清华大学学报， 2001， 41（4/5）：72-76.

[11] Wang H B， Tao L. “Novel algorithm for enhancement of hand vein images based on adaptive filtering and retinex method，”Proceedings of 2012 IEEE International Conference on Information Science and Technology， Wuhan， Hubei， China， 2012： 23-25.