生物識別技術(shù)是通過計算機與光學、聲學、生物傳感器和生物統(tǒng)計學原理等密切結(jié)合，利用人體固有的生理特性(指紋、人臉、虹膜等)和行為特征(筆跡、聲音、步態(tài)等)進行個人身份的鑒定[1]。人體手指靜脈識別技術(shù)是根據(jù)人體骨骼和肌肉組織對紅外光吸收強弱的特點，選擇當近紅外光的入射光波長在720 nm~1 100 nm時,照射手指可較好地突顯出靜脈血管，并由一臺CCD像機拍攝手指靜脈圖像來進行個人身份認證。手指靜脈識別系統(tǒng)以采集人手內(nèi)部的靜脈血管作為數(shù)據(jù)，具有非接觸式、設備成本低廉等優(yōu)點,并且人的手指擁有比手背更為豐富的靜脈對象，可以同時采集多個手指信息進行識別,以提高識別率。所以將手指靜脈識別作為一種身份認證方式，應用于信息安全等領(lǐng)域具有非常重要的現(xiàn)實意義。

    在采集手指靜脈圖像的過程中，光照強度和手指厚度的不均勻性，導致采集到的圖像光強度不均勻、對比度較差，造成手指靜脈血管和背景的界限不明顯,對靜脈分割和特征識別等處理有很大的影響。針對手指靜脈圖像對比度低、光照不均的問題，采用直方圖均衡化[2-4]方法以及基于頻域的同態(tài)濾波[5]算法都能很好地對光照不均的問題進行處理。但圖像分割一直以來都是圖像處理的難點，沒有通用的算法可以滿足圖像的多樣性變化。目前，已有研究針對采集質(zhì)量良好的手指靜脈圖像提出一些分割算法，但針對低對比度的靜脈圖像如何分割的問題，目前還沒有理想的解決辦法。
    本文基于對手指靜脈圖像特征的分析，采用自適應閾值的同態(tài)濾波算法消除光照不均勻的問題，然后在WELLNER P D提出的快速自適應閾值分割[6]的基礎(chǔ)上，提出新的變權(quán)重判別函數(shù)，改進處理效果。實驗選取真實手指靜脈圖像為處理對象，通過定性和定量分析來比較不同的算法。
1 自適應同態(tài)濾波算法
    受光照不均的影響，手指靜脈圖像中間部分亮度偏大、兩邊亮度偏暗，造成靜脈的部分信息丟失。
    自適應同態(tài)濾波算法是針對同態(tài)濾波自身算法的局限性提出的一種智能對比度增強的算法，其在增強圖像對比度的同時，可消除光照不均，保留圖像的細節(jié),處理結(jié)果如圖1所示。

2 手指靜脈分割
    常用的閾值方法有大津法(Otsu)[7]、局部動態(tài)閾值算法(NiBlack)[8]及二維最大熵[9]閾值算法。
    Otsu算法基本思想：選取最佳閾值t,使得不同類間的分離性最好。首先基于直方圖得到各分割特性值的概率，并以閾值變量t將分割特征值分為兩類，然后求出每一類的類內(nèi)方差及類間方差，選取使類間方差最大、類內(nèi)方差最小的t作為最佳閾值。
   
2.1 快速自適應閾值分割
    從機器視覺的角度出發(fā)，人眼在區(qū)別目標物和背景時，是依據(jù)所觀察到的目標物及其周圍背景的灰度值差異[10]來區(qū)別的。因此用機器語言模擬人眼的觀察角度是最直接、最簡單的方法，也是目前大多數(shù)機器視覺軟件采取的方法。快速自適應閾值分割算法的基本思想是通過對每個像素周圍或者掃描順序上其他點的平均值來確定閾值后，再對像素的像素值進行修改(0代表黑色表示圖像的靜脈，255代表白色表示圖像的背景)。從人眼的視覺角度出發(fā)，可以發(fā)現(xiàn)灰度值越是靠近人們所感興趣的目標物重要性越高，而偏離分割物的灰度值則相反。因此，可以采取變權(quán)重的方法，使用遞歸調(diào)用來加快處理的效率。
    變權(quán)重方法使得像素點離目標物的距離和其重視程度成反比。距離越近，則受權(quán)重的影響越大；距離越遠，則受權(quán)重的影響成線性減小。變權(quán)重函數(shù)的推導公式如下：
    
　    圖8為細化后圖像的局部圖，可明顯看出分叉點處有像素的冗余。目前常用的算法是用多個模版進行迭代[12]消除冗余點，但是這個算法比較耗費時間。本文則采用鏈表，直接對每一個像素的四鄰域進行處理。算法描述如下：

    本文對手指靜脈圖像分割算法進行了優(yōu)化。該算法的核心是先通過自適應同態(tài)濾波算法,把光照不均勻的圖像進行增晰，采用快速自適應閾值算法提取靜脈信息。實驗結(jié)果表明，選擇本文改進后的同態(tài)濾波算法，可以得到較好的圖像增強效果。通過自適應閾值分割算法，可以很好地提取靜脈信息，最大限度地消除偽靜脈的影響。通過與其他圖像分割的方法進行定性、定量比較證明，本文的圖像分割方法更為實用。
參考文獻
[1] 余成波, 秦華鋒. 生物特征識別技術(shù).手指靜脈識別技術(shù)[M]. 北京:清華大學出版社, 2009.
[2] 毛本清, 金小梅. 自適應直方圖均衡化算法在圖像增強處理的應用[J]. 河北北方學院學報, 2010,26(5):64-68.
[3] REZA A M. Realization of the contrast limited adaptive  histogram equalization(CLAHE) for real-time image enhan cement[J]. Journal of VLSI Signal Processing, 2004,38(1):35-44.
[4] 溫學兵, 趙江魏, 梁學章. 基于小波去噪和直方圖模板均衡化的手指靜脈圖像增強[J]. 吉林大學學報, 2008,46(2):291-292.
[5] 陳春寧, 王延杰. 在頻域中利用同態(tài)濾波增強圖像對比度[J]. 微計算機信息, 2007,23(2):264-266.
[6] BRADLEY D. Adaptive thresholding using the integral image[C]. Tech. Rep. EPC-07-110, Euro PARC, 2007.
[7] 陳琪, 熊博蒞. 改進的二維Otsu 圖像分割方法及其快速實現(xiàn)[C]. 電子與信息學報, 2010，32(5):1100-1104.
[8] Yu Chengbo, Qing Huafeng, Zhang Lian. A research onextracting low quality human finger vein pattern character-istics[J]. The 2nd Internaitional Conference on Bioinformatics and Biomedical Engineering, IEEE, 2008.
[9] 任少卿, 王明泉, 盧麗燕. 基于二維最大熵閾值分割的體繪制技術(shù)研究[J]. 電子器件, 2008,31(3): 923-930.
[10] 康文雄, 鄧飛其. 基于最大鄰域內(nèi)差的靜脈圖像增強和圖像分割[J]. 光學學報, 2009,29(7):1830-1837.
[11] 單建華. 種子像素濾波法去除隨機脈沖噪聲[J]. 中國圖像圖形學報, 2012,17(1):49-53.
[12] 張晉陽,孫懋珩.手背靜脈圖像骨架特征提取的算法[J].計算機應用, 2007,1(1):152-154.