手指靜脈圖像小波增強算法

摘 要： 針對低質量的手指靜脈圖像，提出一種小波域靜脈圖像濾波增強算法。首先采用小波變換，然后對其低頻系數進行頻域增強，最后進行小波逆變換得到增強后的圖像。實驗表明：該方法能很好地抑制噪聲，準確定位圖像邊緣信息，大大的改善了圖像的質量，提高了圖像的特征提取準確性和識別精度，使圖像取得很好的增強效果。

關鍵詞： 手指靜脈； 小波變換； 圖像增強； 傅里葉變換

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2013）15?0073?03

Finger vein image enhancement algorithm based on wavelet transform

YANG Shu?qiang， YANG Jie?hui， SONG Ya?long

（College of Physics and Electronic Information， Luoyang Normal University， Luoyang 471022， China）

Abstract： According to the low?quality images of finger vein， a vein image filtering enhancement algorithm in the wavelet domain is proposed. In the algorithm， the wavelet transform is used， the parameter of the low frequency is enhanced in the frequency domain， and then the inverse wavelet transform is adopted to achieve the enhanced image. The experimental results show that the method can suppress noise perfectly， locate the image edge information accurately， improve the quality of image significantly， and enhance the extraction veracity of image features and identification accuracy. The algorithm obtained perfect efforts of image enhancement.

Keywords： finger vein； wavelet transform； image enhancement； Fourier transform

0 引 言

在現代社會中，隨著計算機及網絡技術的高速發展，對個人物品、內部網絡、建筑物通道、Internet乃至電子商務的安全性的要求日趨嚴格，對于身份認證技術的需求也變得越來越緊迫， 人們希望有一種更加方便可靠的辦法來進行身份鑒定[1?2]。生物特征識別技術給這一切帶來可能。

由此出現了許多基于人身所固有的生理特征或行為特征的身份識別技術，而靜脈識別技術是生物識別技術中的最優選擇。這是因為，絕大多數人的靜脈血管圖像隨著年齡增長不會發生根本性的變化，不同人擁有不同的靜脈圖像，靜脈特征難以偽造或通過手術進行改變。但手指靜脈通過透過手指的近紅外線讀取，圖像經轉換和傳輸后或因其本身受光不均等，難免產生模糊，所以靜脈識別從技術角度來講，目前主要存在的問題，是受采集設備采集到的靜脈圖像質量的限制[3]，不能很好地進行圖像的增強，導致后續的圖像提取和匹配難度加大。本文提出一種基于小波域對手指靜脈圖像濾波增強的算法，該方法能很好地抑制噪聲，準確定位圖像邊緣信息，大大的改善了圖像的質量，提高了圖像的特征提取準確性和識別精度，使圖像取得很好的增強效果。

1 小波理論

如果[φ∈L2R]滿足可允許條件：

[C=-∞+∞φω2ωdω<∞] （1）

那么稱[φ]為一個基小波（或母小波）。設[xt∈L2R，]則[xt]的小波變換定義為：

[WTxa，τ=1axtφt-τadt] （2）

式中：[1aφt-τa=φaτ（t）]是基本小波的位移與尺度伸縮；[τ]代表位移平移；[a]代表尺度伸縮。

Mallat提出的小波變換不是上面的內積形式，而是卷積形式：

[WTaxt=1axτφt-τadt=xt*φat] （3）

式中：

[φat=1aφta] （4）

即把小波變換[WTaxt]看成是信號[xt]通過沖激響應為[φat]的系統后的輸出[4]。

低質量手指靜脈圖像增強的關鍵是選擇合適的小波函數。由于B樣條小波是圖像擬合中較常用的經典小波函數，所以本文選取它作為母小波對手指靜脈圖像進行變換：取[K～=3，K=1]則[L=2，ε=1]。則有：

[H～ω=2e-iω/2cosω23=283+3e-iω/2+eiω+e-i2ω]

于是：

[h0=h1=328]

[h-1=h2=28]

[Hω=2e-iω2cosω21+2sin2ω2=3241+e-iω-24eiω+e-i2ω]

最后得到[h0=h1=24，][h-1=h2=-324]。

2 虹膜識別中應用的特殊算子

二維圖像函數[Ix，y]經過二維傅里葉變換后，定義為：

[F（μ，v）=1（2π）2I（x，y）e-i（μx+vy）dxdy] （5）

在圖像域中，散焦一般用二維光學點擴散函數卷積聚焦圖像來表示。這個點擴散函數模型往往是一個空間常數與散焦程度成比例的高斯分布。所以對于聚焦程度非常好的光學系統，光學點擴散函數縮小近似成delta函數，而圖像卷積一個delta函數幾乎是沒有效果的。逐漸散焦的光學系統就是與以往任何擴散的更廣泛的點擴散函數進行卷積[5]。

如果卷積光點擴散函數，所得到的散焦是一個其寬度代表了一定散焦程度的同向高斯，那么很顯然，散焦就是聚焦程度非常好的圖像的二維傅里葉變換乘以散焦高斯（卷積）的二維傅里葉變換。后者的數量本身就是另一種二維高斯的傅里葉域。因此，圖像的二維傅里葉變換[Dδ（μ，υ）]的彌散程度[δ]與[F（μ，υ）]有關，二維傅里葉變換相應的聚焦圖像，可以通過一個簡單的模型來表示，即：

[Dδ（μ，v）=e-μ2+v2σ2F（μ，v）] （6）

從式（6）可以看出，散焦的效果主要是對圖像里的高頻衰減的影響，而低頻部分則不受影響。由于圖像采集過程中有可能出現光照變化、平移和畸變等退變，令獲得一幅高質量的圖像變得相當困難，文獻[5]在虹膜識別的研究過程中為了得到高聚焦性的圖像，提出了一種算子，并利用此算子進行實驗，最后得到了較好的效果。

3 新的手指靜脈增強算法

手指靜脈圖像與虹膜圖像存在的差異，在于靜脈的圖像的邊緣比較模糊，本文受文獻[5]的啟發，并根據小波變換對二維圖像處理時，由于每次小波分解都會將一幅圖像分解為一幅低頻圖像和三幅高頻圖像，針對低質量的手指靜脈圖像，提出了一種新的圖像增強算法：結合小波變換和傅里葉變換，首先對圖像采用B樣條小波變換，然后對小波變換的低頻系數進行增強，最后進行小波逆變換得到增強后的圖像，具體實現如下：

（1）修正低通系數

[EUmn=（m，n）∈Wmn（Umn×KUmn）（m，n）∈WmnKUmn] （7）

式中：[EUmn]為像素點[（m，n）]在窗口[Wmn]上的邊緣值；[KUmn]是圖像邊緣的概率。

（2）計算局部圖像的對比度[CUmn]

[CUmn=Umn-EUmnUmn+EUmn] （8）

（3）計算對比度的放大系數Ampmn

[Ampa=Ampmin+（Ampmax-Ampmin）×Ulow-UmnUlow-UminAmpb=Ampmin+（Ampmax-Ampmin）×Umn-UlowUhigh-UlowAmpc=Ampmin+（Ampmax-Ampmin）×Umn-UhighUmax-Uhigh]

[Ampmn=Ampa×UlowUmn，Umn≤UlowAmpb，Ulow

式中：Ampmax=1；[Ampmin=c-aWamax-Wamin；][Ulow]和[Uhigh]分別是以[Umn]為中心的窗口內理想直方圖兩側的邊緣值；[Umin]和[Umax]分別是窗口內的最小和最大值。如果[Ulow

4 實驗結果

用基于邊界特性的閾值分割算法[6]進行圖像的特征提取，對比增強后的實驗效果。

原始圖像如圖1所示。

圖1 原始圖像

圖2（a）為用傅里葉變換和高斯濾波進行增強的效果。圖3（a）為對圖2（a）特征提取的效果。圖2（b）為用小波變換和高斯濾波進行增強的效果。圖3（b）為對圖2（b）特征提取的效果。圖2（c）為先進行小波變換，在其低頻部分進行頻域高斯濾波進行增強的效果。圖3（c）為對圖2（c）特征提取后的效果。

圖2 不同處理算法增強圖像

圖3 不同算法下面的特征提取圖像

由圖3（a）可以看出，僅僅用頻域高斯濾波，圖像噪聲很多；圖3（b）用小波變換和高斯濾波進行增強的效果較好一點；圖3（c）靜脈血管近紅外成像采集的手指靜脈圖像經小波變換，特殊算子處理，再小波反變換，圖像的特征提取后，最后得到了清晰的特征圖形。

小波變換在圖像增強方面的優勢為，小波變換是一種線性時頻展開方法，按需要改變有關的小波參數，可以增強低質量圖像中感興趣的部分，抑制不需要的信號[7]。其次，小波變換具有非冗余性，使得圖像經小波變換后的數據總量不會變大。再次，小波變換可以將原始圖像分解成一系列具有不同空間分辨率和頻率特性的空間，這可以充分反映原始圖像的變化特征，對于目標的識別是非常有利的。

5 結 論

實驗結果表明：本文的方法能很好地抑制噪聲、除剔偽邊緣，準確定位圖像邊緣信息，大大的改善了圖像的質量，提高了圖像的特征提取準確性和識別精度，使圖像取得很好的增強效果。

參考文獻

[1] 傅鵬.生物特征驗證技術及相關問題綜述[J].中國數據通信，2003（3）：10?14.

[2] MIURA N， NAGASAKA A， MIYATAKE T. Feature extraction of finger vein patterns based on repeated line tracking and its application to personal identification [J]. Machine Vision and Applications， 2004 （15）： 194?203.

[3] WANG Ling?yu， LEEDHAM Graham. Near and far infrared imaging for vein pattern biometrics [C]// International Conference on Video and Signal Based Sur?veillance. Sydney， Australia： AVSS， 2006： 52?58.

[4] 葛哲學，陳仲生.Matlab時頻分析技術及其應用[M].北京：人民郵電出版社，2006.

[5] DAUGMAN John. How iris recognition works [J]. IEEE Tran? sactions on Circuits and Systems for Video Technology， 2004， 14（1）： 21?30.

[6] 王科俊，郭慶昌.人體手背靜脈圖像處理方法的研究[C]// Proceedings of the 6th World Congress on Intelligent Control and Automation. Dalian， China： WCICA， 2006： 126?128.

[7] 劉國軍，唐降龍.基于模糊小波的圖像對比度增強算法[J].電子學報，2005，33（4）：643?646.