基于CLAHE 和改进的NIBLACK 算法的手背静脉提取方法

喻 恒，郑均辉

(平顶山学院计算机科学与技术学院，河南 平顶山 467000)

0 引言

随着物联网概念的提出和快速发展，生物特征识别技术作为感知识别层重要组成部分，得到了更广泛的应用。生物特征技术如声音识别、指纹识别、虹膜识别等都已是发展得比较成熟的技术，而静脉识别则是一种新兴的生物特征识别技术，逐步凸显出新的优势。当入射光波长0.72～1.10 μm 时，即近红外光线，可以较好地穿透骨骼和肌肉，凸显手背血管的结构［1］。由于普通人的手背静脉一般不会随着年龄而发生很大变化，具有很好的唯一性。静脉位于皮肤下，不宜污染，难于手术改造，而且手背静脉识别系统是非接触式，使人更容易接受，设备成本低廉，因此具有广泛的应用前景。

手背静脉识别系统是通过采集静脉图像，提取整个静脉的结构，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，由于采用的是红外CCD 摄像机，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。同时每个人手背静脉的粗细，表面皮肤厚度不同，以及手背本身具有的弧度会使图像光照不均匀，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背静脉结构图，为下一步的准确识别创造条件。本文提出一种基于CLAHE 增强算法和改进的NIBLACK 分割方法对静脉图像进行提取，实验表明可以得到轮廓清晰的静脉结构图，提高系统的识别率。

1 基于CLAHE 的静脉图像增强

因为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，它以概率理论为基础，通过灰度点运算把目标图像的直方图比较集中地分布改造成均匀直方图分布，同时使输出图像像素灰度的概率密度均匀分布［3］。

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［4-5］。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［6］又提出了对比度受限的局部直方图均衡法(Contrast-limited Adaptive Histogram Equalization，CLAHE)。CLAHE 结合了自适应直方图均衡和对比度受限2 种方法，从整幅图像的视觉效果出发，改善图像的质量，而不是只强调局部和细节质量。这种方法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，其表达式为:

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0 ≤α ≤1。

设SW和SB分别代表区域W 和区域B 的面积，如果α=SW/(SW+SB)，则hW(r)=h(r)，表示局部直方图与全局直方图相等;如果α ＞SW/(SW+SB)，则局部直方图单独进行均衡化，从而强调局部信息。因此可以通过改变α 大小来调节局部直方图，以模拟周围环境对相关区域的影响。

CLAHE 算法具体步骤如下:

1)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)直方图计算。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。

3)直方图均衡。对子区域进行均衡化处理，处理后的子图用Cij(k)表示。

4)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。

5)遍历目标图像。移动窗口至下一个子区域，重复上述步骤。

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。

2 基于改进的NIBLACK 静脉图像分割

图像的分割提取主要利用阈值进行二值化分割，阈值过高，图像的有用信息会丢失，阈值过低则会保留大量的背景干扰点，不利于后期目标图像的分析和处理，因此找到合适的阈值是图像分割的关键。

图像的阈值分割大致分为3 类:全局阈值分割，局部阈值分割和动态阈值分割。全局阈值分割是简单地对整幅目标图像确定一个阈值，例如梯度均值法［7］;局部阈值法是根据中心点像素灰度值和周围局部像素灰度特点确定中心点的分割阈值，如最大类方差法;动态阈值法是根据每个像素及其周围规定范围内像素的灰度特性动态地确定阈值，如NIBLACK法和Besern 法［8］，其中，NIBLACK 法由于其动态局部阈值的处理方法，对图像分割有较好的效果。本文根据手背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 相结合的方法。

2.1 传统NIBLACK 算法

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地确定阈值，NIBLACK 法［9］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r ×r 范围均值灰度m(x，y)和标准方差d(x，y)，如式(2)和式(3):

2)根据均值和方差计算出中心点的阈值，如式(4)，其中α 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。

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 算法

传统的NIBLACK 算法虽然可以动态地确定每个区域的阈值，但是也有其自身的不足:

1)由于要利用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;

2)遍历图像时，如果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［10］。

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)静脉图像分块。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)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)进行加权得到新阈值D(x，y):

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［11］，即经过闭运算的图像减去源图像，可以有效清除噪声，使静脉边缘纹络更加清晰。

3 实验分析

本文采用Mohamed Shahin 博士提供的手背静脉图像数据库进行实验分析。为了消除静脉库原图像静脉周围背景对图像增强的影响，首先对静脉图像进行ROI(Region of Interest)处理，提取出静脉区域图像，如图1(a)所示。

图1 静脉增强对比示意图

图1(b)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(c)采用CLAHE 算法增强后，静脉图像灰度对比比较均匀，纹理和特征就比较清晰，有利于在图像分割时保留大量的细节特征。

图2(a)所示为直接对静脉图像进行传统的NIBLACK 二值化效果图，提取的图像会出现大量的噪声点和脉络断纹，同时丢失很多细节特征。图2(b)采用一般的直方图均衡增强后再进行二值化，也会因光强不均丢失静脉部分结构特征，试验结果显示2 幅静脉图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(c)所示，得到的静脉结构纹理清晰，细节特征完整，脉络连续。

图2 静脉图像二值化对比图

为了检验本算法对于后续识别工作的有效作用，本文对采用一般传统方法即基于全局直方图增强和传统NIBLACK 算法处理的手背静脉图像和本文算法处理后的图像，采用相同的基于静脉几何结构最近邻法进行匹配，分别进行比较。在静脉库选取30 ×5=150 副图像(每个手背5 副图像)作为样本库，采用错误接受率(误识率FAR)和错误拒绝率(FRR)这2 个检验指标。

表1 错误接收率比较结果

表2 错误拒识率比较结果

由表1 和表2 可以看出，本算法在相同匹配算法的基础上，有效降低了手背静脉识别的错误接受率和错误拒绝率，提高了整个系统的识别率。但由于采用比较简单的最近邻法，整个系统的误识率和错误拒绝率还比较高，需要对识别算法作进一步改进和研究。

4 结束语

在手背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，但对于手背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。实验表明，本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，因此本算法是一种有效的静脉提取算法，对后续的细化和静脉特征匹配，提高系统的识别率和正确率提供了可靠保证。

［1］林喜荣，庄波，苏晓生，等.人体手背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.

［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］吕佩卓，赖声礼.人体手背静脉血管图像增强与特征匹配［J］.计算机工程与设计，2007，28(15):3623-3625.

［4］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.

［5］王龙，汪天富，郑昌琼，等.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(工程科学版)，2002，34(1):105-108.

［6］Cromartie R，Pizer S M.Structure sensitive adaptive contrast enhancement methods and their evaluation［J］.Image and Vision Computer，1993，11(8):460-467.

［7］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(1):292-294.

［8］Bernsen J.Dynamic thresholding of gray-level images［C］//The 8th International Conference on Pattern Recognition.1986:1251-1255.

［9］Niblack W.An Introduction to Image Processing［M］.Englewood Cliffs，New Jersey:Prentice-Hall，Inc，1986:115-116

［10］王科俊，丁宇航，庄大燕，等.手背静脉图像阈值分割［J］.自动化技术与应用，2005，24(8):19-21.

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