摘 要： 静脉识别是一种新兴的生物特征识别技术，为了满足静脉识别中的特征提取需求，对手背静脉提取方法进行了研究。首先采用CLAHE算法对手背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，提出一种局部静态阈值与NIBLACK相结合的改进算法。实验证明，该方法能有效消除传统方法中噪声过多、纹络断裂的现象，克服光强因素对图像提取的影响，保持完整清晰的静脉纹络结构，从而满足后续识别工作的需要。
关键词： 静脉识别； NIBLACK改进算法； 特征提取； 噪声消除
生物特征识别技术作为物联网架构中感知层的重要组成部分，随着物联网概念的提出和快速发展，也得到了更广泛的应用。指纹识别、声音识别、虹膜识别等生物特征技术都已发展的比较成熟，而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。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的静脉结构图。
1 静脉识别
静脉识别的基本原理是，普通人的手背静脉具有不随年龄变化的惟一性，当近红外光线入射光波长在0.72～1.10 μm时，可以较好地穿透骨骼和肌肉，凸显手背血管的结构[1]，从而进行有效的特征识别。手背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，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，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背静脉结构图，为下一步的准确识别创造条件。
2 基于CLAHE的静脉图像增强
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等又提出了对比度受限的局部直方图均衡法[5]（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，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：
[hij（r）=αhW（r）+1-αhBr] （1）
式中：[hW（r）]是窗口的归一化直方图；[hBr]是窗口外的归一化直方图；[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。因此可以通过调节[α]大小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。
3 NIBLACK改进算法的静脉图像分割
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。
3.1 常规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：
3.2 改进的NIBLACK算法
（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）]进行加权得到新阈值[D（x，y）]：
[D（x，y）=（1-β）t（x，y）+β×Tn] （6）
式中[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。
4 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（b）所示。
5 结 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的静脉提取算法，对提高系统的识别率和正确率提供了可靠保证。
参考文献
[4] 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.
[5] CROM A R， PIZER S M. Structure sensitive adaptive contrast enhancement methods and their evaluation [J]. Image and Vision Computer， 1993 （11）： 385?391.
[9] 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.
