NIBLACK改进算法在手指静脉识别中的应用研究

郑均辉，甘泉

NIBLACK改进算法在手指静脉识别中的应用研究

郑均辉，甘泉

手指静脉识别是利用人体手指静脉结构的唯一性实现个体身份认证，具有高度安全和使用便捷等优点，对手指静脉提取方法进行了研究。首先，采用CLAHE算法对手指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，提出了改进后NIBLACK算法的图像分割。实验证明，其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，对提高系统的识别率和正确率提供了可靠保证。

NIBLACK改进算法；手指静脉识别；图像处理

0 引言

手指静脉识别是利用分布于手指内部的静脉纹理结构实现个人身份验证的一种新型生物特征识别技术。手指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。医学研究证明手指静脉的形状具有唯一性和稳定性：即每个人的手指静脉图像都不相同；同一个人不同的手指的静脉图像也不相同；健康成年人的静脉形状不再发生变化，当近红外光线入射光波长在0.72到1.10微米时，可以较好地穿透骨骼和肌肉，凸显手指血管的结构[1]，从而进行有效的特征识别。手指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，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。而每个人手指静脉的粗细，表面皮肤厚度不同，以及手指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指静脉结构图，为下一步的准确识别创造条件。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静脉结构图。

1 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[5]又提出了对比度受限的局部直方图均衡法（CLAHE，contrast-limited adaptive histogram equalization）。CLAHE结合了自适应直方图均衡和对比度受限两种方法，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。该方法表达式为公式（1）：

其中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，而且式中0≤α≤1。设SW和SB分别代表区域W和区域B的面积，如果，则hW(r)= h(r),表示局部直方图与全局直方图相等；如果，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大小来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。

2 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，本文根据手指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相结合法。

2.1 传统NIBLACK图像分割

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）计算中心坐标域r×r范围均值灰度m（x，y）和标准方差d（x，y），如公式（2）和公式（3）：

（2）根据均值和方差计算出中心点的阈值，如公式（4）：

其中a为修正系数。

（3）根据步骤2计算出的阈值对中心点进行二值化为公式（5）：

（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。

2.2 改进的NIBLACK图像分割

传统的NIBLACK算法虽然可以动态的确定每个区域的阈值，但是也有其自身的不足：由于要利用域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，如果域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=1,2,3,4,5,6）。

（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）进行加权得到的新阈值D（x，y）得公式（6）：

其中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。

3 实验分析

本文通过红外滤光镜的CCD摄像头对手背进行图像提取，分别对20-30，30-40，40-50年龄段各寻找男性4人，女性4人总计24人采样静脉图像，每人左手采样5幅图像，右手5幅图像，共120幅图像对本文算法进行实验分析如图1所示：

图1 静脉增强对比示意图

图1(a)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(b)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较多的细节特征。

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如图2所示：

图2 静脉图像二值化对比图

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。

有效改变了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。

为了检验算法对于提高识别率的效用，对本文算法处理后的图像，采用最近邻法进行匹配，在静脉库选取10×5=50副图像（每个手背5副图像）作为样本库，对错误接受率（误识率FAR）和错误拒绝率（FRR）进行检验，如表1所示：

表1

因采用最简单的最近邻法，整个手背静脉识别率并不高，但相比较传统的静脉提取算法，本文算法有效降低了错误接受率和错误识别率，提高了静脉识别准确率，具有一定得现实意义。

4 总结

在手指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，但对于手指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地静脉提取算法，对提高系统的识别率和正确率提供了可靠保证。

[1]王科俊,丁宇航,庄大燕,等.手指静脉图像阈值分割[J].自动化技术与应用,2011,24(08):19-21.

[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]林喜荣,庄波,苏晓生,等.人体手指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.

[5]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.

[6]Crom artie R, Pizer S M. Structure sensitive adaptive contrast enhancement methods and their evaluation[J]. Image andVision Computer, 1993, (11): 385.

[7]赵建军,熊馨,张磊等.基于CLAHE和TOPHAT变换的手指静脉图像增强算法[J].激光与红外.2009,39(2):220-222.

[8]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(01):292-294.

[9]Niblack W. An Introduction to Image Processing[C].NJ: Prentice-Hall,1986:115-116.

Research of Finger Vein Recognition Based On Improved NIBLACK Algorithm

Zheng Junhui，Gan Quan
（Pingdingshan College, Pingdingshan 467002, China）

Finger vein recognition uses the unique of finger vein patterns to identify individual in high security and convenience. This paper makes a study on hand vein extraction methods. Firstly the finger vein image is enhanced with CLAHE algorithm before the image processing. Because the traditional NIBLACK algorithm on image binarization processing has the flaws, then the image segmentation is proposed with an improved algorithm of NIBLACK. Experimental results show that the methods could obtain original and clear vein structure, retain the details of the losable features due to unevenillumination, and it also could improve the recognition rate and accuracy.

NIBLACK Improved Algorithm; Finger Vein Recognition; Image Processing

TP391.4

A

2015.02.04）

1007-757X(2015)05-0036-03

河南省科技攻关基金资助项目（132002210443）

郑均辉（1981-），男，汉族，四川叙永县人，平顶山学院，讲师，硕士，研究方向：人工智能，算法分析等，平顶山，467000甘 泉（1980-），男，汉族，安徽灵璧县人，平顶山学院，讲师，硕士，研究方向：模式识别，算法分析等，平顶山，467000