宋星月
（辽宁金融职业学院，辽宁 沈阳 010122）
弱约束条件下采集静脉图像，就是降低对静脉采集过程中光照、环境温度、环境相对湿度，手背汗渍、油渍、污渍，采集时间以及采集过程中手背的旋转、位移变换等姿势的要求，研究低质量的静脉图像增强和静脉图像分割算法，研究稳健性更高、更稳定的静脉特征提取和静脉特征匹配算法[1]。静脉图像分割是手背静脉图像处理过程中非常重要的环节，静脉图像分割的精度会影响静脉端点和静脉交叉点特征的提取，目前常见的静脉图像分割方法有：基于阈值的、基于区域的、基于边缘检测的和基于特定理论的图像分割方法，以上方法存在对噪声敏感、没有考虑像素点空间特征、边缘提取的不连续性和不封闭性等问题[2]。本文针对在弱约束条件下采集的静脉图像，经过图像的感兴趣（Region of Interest，ROI）区域提取，采用中值滤波除去泊松噪声、高斯噪声、乘性噪声和椒盐噪声后，对图像尺寸和灰度进行归一化处理，增强对比度后，采用最大曲率算法进行静脉图像分割，以获得有效的静脉端点、静脉交叉点信息。然而，仅凭静脉端点和静脉交叉点信息作为静脉特征是不够的，这是因为受弱约束条件下的限制，部分静脉图像分割出的静脉端点和静脉交叉点信息较少，因此，需要对手背静脉图像提取另一种特征点，2006年Herbert Bay[3]提出加速稳健特征（Speeded Up Robust Features，SURF）算法，该算法具有局部特征点检测与描述的功能，并且运算速度较快，用于处理的图像缩放、图像平移、图像旋转以及不同环境下采集的图像敏感性较弱的特性。SURF算法基于传统的尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）算法基础上发展而来，但运算速度和运算效率却远高于SIFT算法。2019年，王一丁等[4]针对弱约束条件下的手背静脉图像，基于SIFT算法进行研究，通过选取不同尺度因子σ，调整匹配阈值R，提取静脉二值图像内分块区信息，匹配不同设备采集到的手背静脉图像，取得了一定的研究成果，促进在弱约束条件下对静脉识别以及静脉特征匹配研究的新进展。SURF算法基于Hessian矩阵和积分图像来构建尺度空间和定位特征点，从而提取静脉特征。本文采用特征层融合策略，将提取的静脉交叉点和静脉端点特征与SURF算法的特征向量融合，以此获得联合特征向量作为某个静脉的特征点集，采用最近邻模式匹配算法进行静脉特征匹配，力求获得在弱约束条件下，手背静脉识别的高识别精度和识别率。
2.1 最大曲率算法
静脉血液中的血红蛋白吸收近红外光后，形成黑色线条，从而呈现静脉结构。对静脉图像进行横截处理，在笛卡尔坐标中，表示出横截线上的所有像素点的位置和灰度值，从图像上看，静脉区域的灰度值小于非静脉区域的灰度值，第138图1为静脉界限图；
图2为灰度分布曲线图。其中，图1中的横线是手背静脉第25行的横截线；
图2则是该横截线的像素点的灰度值。从图2灰度分布曲线图可以看出，A、B、C、D、E这5个点就是第25行的横截线上的静脉中心点。图3为曲率图。从图3可以看出，静脉中心点曲率是最大的，因此，静脉图像横截线灰度分布曲线的局部最大曲率值就是静脉中心点，用它可以代表手背静脉。
图1 静脉界限图
图2 灰度分布曲线图
图3 曲率图
2.2 提取静脉的最大曲率算法的过程
1）计算曲率。曲率的计算公式为
式中：K为某点的曲率；
y′为该点的一阶导数；
y″为该点的二阶导数。
对于手背静脉图像，可以使用高斯模板计算整幅静脉图像的曲率，公式为
式中：（x，y）表示模板的坐标；
σ为标准差。曲率最低点的曲率值最大，就是该静脉中心点。
2）获取最大曲率的静脉图像的分割图像。上述方法得到的静脉中心点，需要排除毛刺和噪声的干扰，通过选取适当的阈值，得到最大曲率算法的静脉信息图像。图4为不同标准差σ下的静脉图像的分割图像。从图4可以看出，当标准差σ取值较小时，噪声较多；
当标准差σ取值较大时，图像中包含的噪声较少，静脉信息更完整。
图4 不同标准差σ下的静脉图像的分割图像
2.3 修复手背静脉图像
利用最大曲率算法获得的静脉图像存在静脉断续、静脉区域有孔洞、背景区域有噪声的问题，需要对手背静脉图像的分割图像进行处理，将断续的静脉连接起来，去除静脉区域的孔洞和背景区域的噪声，以便有效地提取静脉端点特征和静脉交叉点特征。
1）连接静脉并去除孔洞。利用膨胀运算可以将断续的静脉连接起来，并去除静脉区域的孔洞。原理如下：集合A被集合B膨胀，表示为A⊕B，表示空集，表示集合B的反射集合。图5为静脉图像的分割膨胀图。
图5 静脉膨胀图
2）去除背景区域的噪声。经过膨胀处理后，背景区域的噪声也被膨胀成大小不一的斑点，图像噪声主要分为泊松噪声、高斯噪声、乘性噪声和椒盐噪声等多种[5]。可以通过统计各个连通区域的像素数，当像素数量较小，小于设定的某个阈值时，这个连通区域就可以当做图像背景来处理，见图6。从图6可以看出大部分斑点都被去掉了。
图6 去除背景噪声
2.4 静脉细化处理以及去除毛刺
经过膨胀处理后的静脉比较粗，需要对静脉细化处理，提取单像素宽度的静脉纹路，细化过程注意两点：一是不能改变原有图像中手背静脉拓扑结构；
二是细化时尽量为原图像的静脉中线位置。本文对比了常见静脉细化处理算法，Hilditch的细化算法能保持原图像的静脉拓扑结构，适用于二值图像，并且处理速度可以接受。经过膨胀处理和静脉细化处理后的静脉图像存在毛刺，但毛刺本身不是真正的静脉，去除的方法就是先检测出静脉端点和静脉交叉点，具体方法见下文，然后再从某个端口开始，顺着静脉纹路，统计到某个静脉交叉点或静脉端点之间的像素点数N，如果N≥T（阈值）就认为是一个静脉，否则就认为是一个毛刺，将这些像素设置为背景。静脉细化处理见图7；
去除毛刺见图8。
图7 静脉细化处理
图8 去除毛刺
静脉特征提取是生物识别的关键技术之一。本文主要研究静脉端点、静脉交叉点特征提取的方法，但静脉端点和静脉交叉点是静脉的全局特性，并且部分静脉端点和静脉交叉点数量较少，仅适用于粗匹配。为了提取静脉的局部特征，并丰富特征量，还需融合静脉的SURF算法的特征，具体提取方法如下。
3.1 静脉端点提取
静脉端点提取时，可以用3×3模板的中心位置表示静脉端点N，它的像素值为1，该3×3模板见图9。背景的像素值为0，静脉的像素值为1，判断静脉端点的原理是：从N1点到N8点（包括N）按着从左到右、从上到下的顺序依次遍历，查看相邻两点像素值是否变化；
遍历完所有像素点后，如整个过程变化2次，则N点即为一个静脉端点。图10就是按上述方法提取到的静脉端点。
图9 静脉端点提取所用的3×3模板
图10 提取到的静脉端点
3.2 静脉交叉点提取
静脉交叉点提取时，可以用3×3模板的中心位置表示静脉交叉点C，它的像素值为1，见图11。背景的像素值为0，静脉的像素值为1，判断静脉交叉点的原理是：从C1点到C8点（包括C）按着从左到右、从上到下的顺序依次遍历，查看相邻两点像素值是否变化；
遍历完所有像素点后，如整个过程变化6次或8次，则C点为一个静脉交叉点。第140页图12就是按上述方法提取到的静脉交叉点。
图11 静脉交叉点提取所用的3×3模板
图12 提取到的静脉交叉点
3.3 静脉SURF算法的特征点的提取
通过对手背静脉图像库的图像提取静脉特征，可以发现，由于是在弱约束条件下，图像受到光照、环境湿度、环境相对温度、手背清洁度、采集时间、采集时手背位置姿态等因素影响，部分图像经过图像分割处理后，提取的静脉端点和静脉交叉点的特征点数量较少，而特征点数量较少的情况下进行识别，势必会造成识别率的下降，因此，需要补充其他特征点，以提高静脉识别率。SURF算法是Herbert Bay等[6]提出的，具有尺度不变性和旋转不变性的特点，并且算法速度较快，SURF算法是基于近似Hessian矩阵来实现的。算法步骤如下。
1）积分图像：像素点X=（x，y）处的积分图像为
2）近似Hessian矩阵：图像中某个像素点X=（x，y），它在尺度σ上的Hessian矩阵为：
式中：Lxx（X，σ）、Lxy（X，σ）、Lyy（X，σ）分别为高斯偏导数与图像I在像素点X处的卷积。
3）尺度空间：SURF算法使用积分图像和盒状滤波器，将盒状滤波器依次与原图像进行卷积，再计算原图像中每个像素点的近似Hessian矩阵的行列值，这样就实现了对原图像的变换。
4）提取特征点：SURF算法通过非最大抑制的方法寻找局部区域的极值点，如像素点X的值是最大的或最小的，定义为一个候选特征点。图13中红色小点就是按上述方法对原图（图8）提取的SURF算法的特征点。从图13可以看出，SURF算法的特征点丰富，可以明显增加手背静脉的特征点数量。
图13 SURF算法的特征点
手背静脉识别最后一个阶段就是静脉匹配，静脉匹配过程就是分类器设计的过程，是模式识别的关键技术之一。其设计理念就是利用之前处理的所有环节获取到的模式特征，用距离变换的方法，设计出稳定、高识别率的分类器。本项目采用是最近邻模式匹配算法，其原理是：如果有C个模式类别（ωi，i=1，2，…，C），每类有Ni个样本xik（i=1，2，…，C；
k=1，2，…，Ni）。那么，可得类的判别函数为
决策规则为
本文实验库中有60个手背静脉样本，均是在弱约束条件下采集的静脉图像，采用MATLAB 2016编程语言处理。按着静脉特征识别系统流程开发，处理过程分为4步：静脉图像预处理、静脉图像分割、静脉特征提取、静脉特征匹配。
首先是静脉图像预处理，包括静脉图像转换、ROI区域提取、图像去噪、归一化处理和图像增强；
其次是静脉图像分割，包括获取最大曲率静脉图像的分割图像，去除孔洞和背景噪声，修复手背静脉图像，静脉细化处理并去除毛刺，获得静脉二值图像；
再次是静脉特征提取，包括提取静脉端点和静脉交叉点，但由于部分图像的静脉端点和静脉交叉点数量有限，识别准确性不满足要求，需要进一步丰富静脉特征，SURF算法的特征具有平移不变性、旋转不变性、缩放不变性和光照不变性，适宜弱约束条件下的静脉匹配识别，故融合静脉的SURF算法的特征作为特征量；
最后是静脉特征匹配，包括静脉特征的比对和输出识别结果，本文采用最近邻模式匹配算法进行静脉特征识别。实验结果见第141页表1和表2。
表1 1∶1情况下拒绝识别结果
表2 1∶n情况下错误识别结果
通过融合多个静脉特征的提取与匹配实验，可以发现，识别率是比较高的。正是由于SURF算法既有提取图像局部特征的能力，同时又有不变性的特点，因而在一定程度上降低了图像采集过程中受环境的影响，并降低了图像采集过程中手背的平移变化、尺度变化和旋转变化的敏感性。在弱约束条件下，获得了较高识别率。
猜你喜欢 交叉点手背端点 骨间背侧动脉筋膜瓣联合中厚皮片移植修复手背创面实用手外科杂志(2022年2期)2022-08-31非特征端点条件下PM函数的迭代根数学物理学报(2022年2期)2022-04-26Diagnostic accuracy and clinical utility of non-English versions of Edinburgh Post-Natal Depression Scale for screening post-natal depression in lndia:A meta-analysisWorld Journal of Psychiatry(2020年4期)2020-07-11巧移硬币发明与创新(2020年11期)2020-03-31不等式求解过程中端点的确定中学生数理化·教与学(2019年8期)2019-09-18围棋棋盘的交叉点小学生学习指导(中年级)(2019年3期)2019-04-10洗手歌……阅读与作文（高中版）(2019年2期)2019-03-15手脚冰凉按阳池穴人人健康(2017年1期)2017-01-24基丁能虽匹配延拓法LMD端点效应处理北京信息科技大学学报(自然科学版)(2016年6期)2016-02-27区域重力异常值的交叉点平差实例分析中华建设科技(2014年6期)2014-08-27