CN101567081B - 一种手部静脉图像增强方法 - Google Patents

Abstract

本发明提供的是一种手部静脉图像增强方法。包括全局对比度增强和局部细节增强，第一步利用双参数关系函数将手部静脉模式样本从空间域变换到模糊域，并增强样本的全局对比度；第二步在模糊域中利用多尺度Retinex算法对手部静脉模式的细节进行增强；第三步将手部静脉模式从模糊域变换到空间域，形成结果图像。本发明解决了手部静脉样本对比度低、灰度值窄、灰度值分布不均匀等问题，且经过改进之后使得方法的效率符合模式识别系统的要求。

Description

一种手部静脉图像增强方法

(一)技术领域

本发明涉及的是一种生物特征身份识别技术，具体涉及一种近红外静脉模式图像增强方法。

(二)背景技术

基于手部静脉模式特征进行身份识别技术的研究，是近几年生物特征身份识别技术领域研究的热点。鉴于手部静脉模式固有的特点，通常采用近红外装置进行模式样本采集，采集到样本图像的特点是对比度低、灰度值范围窄且分布极不均匀，如果直接进行处理，后续相关算法的可操作性、准确性、稳定性都会受到很大的影响，因此必须首先解决这些问题，在生物特征身份识别技术领域属于样本增强的过程。

解决此类问题，有很多传统的方法，其中最常用的是局部直方图增强，这种方法对于处理自然图像很有效，但是处理近红外静脉模式样本效果并不理想。匹配滤波也是一种常用处理静脉模式增强的方法，这种方法通常用在医学静脉图像处理的过程中，但是这方法的复杂度高且效率不高，在生物特征身份识别技术领域中，由于要求算法的实时性，所以这种算法难以满足实际要求。

模糊理论与图像处理的结合，通过单参数最优关系函数，经过模式变换，将图像从空域转换到模糊域，然后再应用自适应、模糊增强算法对模糊域的样本图像进行增强，最后再将模糊域的样本图像变换到空域，从而达到增强样本的目的，但是通过单参数最优关系函数变换后的结果并不是最优的。为了克服这一缺点，本发明提出了双参数最优关系函数，通过这一改进后能够很好地增强近红外静脉模式的全局对比度，但是对于细节的增强效果并不明显，而目标的细节对于模式识别是非常重要的，因此必须进一步增强其细节特征，因此本发明引入了Retinex理论。

Retinex理论用于图像增强也是近几年的研究热点，最初的基于Retinex理论的图像增强方法也是增强图像的全局对比度。经过近几年的发展，针对基于Retinex理论的局部增强方法也提出了很多完善的方法，这些方法对于图像的局部增强具有很好的效果，但是它们都存在计算量大、算法效率低的缺点。其原因是这些方法都采用高斯核函数提取图像低频信息，致使算法在处理过程中需要进行大量的卷积运算，在多尺度Retinex方法中，需要进行三次大尺度的高斯滤波，这大大降低算法的运算效率，这一缺点使这些方法应用到对实时性要求比较高的模式识别系统时，将导致系统无法满足实时性的要求。

与本发明申请的内容相关的公开报道包括：

[1]Zimmerman，J.B.Pizer，S.M.“An evaluation of the effectiveness of adaptivehistogram equalization for contrast enhancement”IEEE Trans Med.Imaging，1988，7(4)，304-312；

[2]Polesel，A.Ramponi，G..Mathews，V.J.“Adaptive unsharp masking for contrastenhancement，”In：IEEE Internat.Proc.Image Process.1997，vol.1，pp.267-270；

[3]Yang，C.Y.，Shang，H.B.，Jia，C.G.，etal.“Adaptive unsharp masking methodbased on region segmentation”Opt.Precision Eng.2003，11(2)，188-192；

[4]Joes，S.，Michael，D.A.，Meindert，N.，etal.“Ridge-based vessel segmentation incolour images of the retina，”IEEE Trans.Med.Imaging.2004，24(4)，501-50；

[5]Chaudhuri，S.，Chatterjee，S.，Katz，N.，etal.“Detection of blood vessels in retinalimages using two-dimensional matched filters，”IEEE Trans.Med.Imaging.1989，8(3)，263-26；

[6]Lin，T.S.，Du，M.H.，Xu，J.T.“The Preprocessing of subtraction and theenhancement for biomedical image of retinal blood vessels，”J.Biomed.Eng.2003，20(1)，56-59；

[7]Cheng，H.D.，Hui juan Xu.“A novel fuzzy logic approach to contrastenhancement，”Pattern Recognition.2000，Vol.36，No.5，pp.809-819；

[8]Kacprzyk J.“Fuzzy sets in system analysis，”Warsaw，PWN，1986.(In Polish)；

[9]Li，H.，Yang，H.S.“Fast and reliable image enhancement using fuzzy relaxationtechnique，”IEEE Transactions on Systems，Man and Cybernetics，1989，Vol.19，No.5，pp.1276-1281；

[10]刘家朋，赵宇明，胡福乔.基于单尺度Retinex算法的非线性图像增强算法[J].上海交通大学学报，2007，41(5)：685-688；

[11]Rahman Z U，Jobson D J，Woodell G A.Retinex processing for automaticimage enhancement[J].Journal of Electronic Imaging，2004，13(1)：100-110；

[12]雷美容，杨进华，张金泉。基于Retinex理论的红外图像的边缘增强算法[J]。长春理工大学学报，2008，31(2)：11-13。

(三)发明内容

本发明的目的在于提供一种能够解决静脉样本对比度低、灰度值窄、灰度值分布不均匀等问题的一种静脉图像增强方法。

本发明的目的是这样实现的：

包括全局对比度增强和局部细节增强，其特征是：第一步利用双参数关系函数将静脉模式样本从空间域变换到模糊域，并增强样本的全局对比度；第二步在模糊域中利用多尺度Retinex算法对静脉模式的细节进行增强；第三步将静脉模式从模糊域变换到空间域，形成结果图像。

本发明还可以包括：

1、所述的增强样本的全局对比度的方法是：通过优化的全局寻优过程，获得关系函数的两个控制参数，确定双参数关系函数，再通过模糊变换来增强其全局对比度。

2、所述的优化的全局寻优过程是：先对静脉样本进行灰度值归一化，将两个控制参数值的搜索范围分别缩小在区间[80，120]和[1.5，2.5]内；然后确定寻优步长，第一个控制参数的寻优步长可取10，第二个控制参数的寻优步长可取0.5；最后利用上述确定的步长在对应的区间内寻优，从而确定控制参数的值。另外，对于同一类静脉样本其控制参数可以相同，也就是说寻优过程只需执行一次。

3、所述的对静脉模式的细节进行增强的方法是：在模糊域中，通过改进的多尺度Retinex图像增强方法，对静脉细节进行增强。

4、所述的改进的多尺度Retinex图像增强方法是：首先确定三个尺度参数，利用尺度参数计算出对应的三个窗口的大小及相应的均值滤波模板；然后根据上步计算得到的三个均值滤波模板对模糊域静脉样本进行三次均值滤波；最后，将三次均值滤波的结果通过加权融合为一个输出结果。

5、所述的与滤波窗口无关的快速量化均值滤波是：首先结合滤波窗口在按行滑动时相邻窗口之间的递归关系和按列移动时相邻两行对应的辅助数组之间的递归关系，设计出更新辅助数组元素和更新窗口中心点对应均值的递归公式；然后处理滤波窗口在按行滑动时，根据上步确定的更新窗口中心点对应均值的递归公式更新窗口中心点对应均值。再处理滤波窗口按列移动时，根据上步确定的更新辅助数组元素的递归公式更新辅助数组元素，将滤波问题转化为处理滤波窗口在按行滑动时的更新窗口中心点对应均值的问题。

本发明提出了一种能够解决静脉样本对比度低、灰度值窄、灰度值分布不均匀等问题，能有效增强近红外静脉样本的方法。

通过改进的全局寻优过程，找到关系函数的两个最优控制参数，从而确定双参数关系函数，再通过模糊变换来增强其全局对比度；在模糊域中，通过改进的多尺度Retinex图像增强方法，对静脉细节进行增强；先对静脉样本进行灰度值归一化，将控制参数值的搜索范围缩小在一个很小的范围，并且步长可以适当增大，对于同一类静脉样本其控制参数可以相同，也就是说寻优过程只需执行一次；采用与滤波窗口无关的快速量化均值滤波代替高斯卷积滤波，对传统多尺度Retinex图像增强算法进行了改进，加快了算法的速度；首先建立一个辅助数组，然后结合滤波窗口在按行滑动时相邻窗口之间的递归关系和按列移动时相邻两行对应的辅助数组之间的递归关系，设计出更新辅助数组元素和新窗口中心点对应均值的递归公式，根据这两个递归公式，设计出高效的均值滤波算法。该算法极大地减少了冗余操作，且算法效率不受窗口大小变化的影响。

本发明的主要贡献和特点在于：解决静脉样本对比度低、灰度值窄、灰度值分布不均匀等问题，且经过改进之后使得方法的效率符合模式识别系统的要求。

(四)附图说明

图1相邻滤波窗口之间的递归关系；

图2横向滤波对应的s数组；

图3滤波窗口换行时s数组的更新；

图4(a)-图4(c)是本发明的专利方法处理结果图像：图4(a)手掌静脉、图4(b)手背静脉、图4(c)手指静脉；

图5是本发明的结构框图。

(五)具体实施方式

下面结合附图举例对本发明做更详细地描述：

1.模糊增强全局对比度

为了加速模糊增强算法，本发明中，主要是对两个参数b和r的寻优，确定两个最优参数，进而确定最优关系函数。关系函数的表达式如下：

${\mathrm{\μ}}_x^r(x:a,b,c)=$

$=\left\{\begin{array}{ccc}0,& \mathrm{if}& x\&le;a,\\ \frac{{(x-a)}^r}{{(b-a)}^{r-1}(c-a)},& \mathrm{if}& a<x\&le;b,\\ 1-\frac{{(x-a)}^r}{{(c-b)}^{r-1}(c-a)},& \mathrm{if}& b<x\&le;c,\\ 1,& \mathrm{if}& x>c\end{array}\right.---\left(1\right)$

式中，μ_x ^r(x：a，b，c)表示关系函数，a，b，c为三个阈值，为了最大的增加对比度，a取0，c取255，即8位灰度值的最大值和最小值，其中b通过全局寻优找一个最优值b_opt；r参数是一个关系函数形状控制参数，对它也是通过全局寻优得到最优值r_opt；x表示静脉模式样本的灰度值。

1.1确定最优值b_opt

取r＝2，通过最大化模糊熵H来确定b_opt，公式表述如下：

$H_{\max }^r(X;a,b_{\mathrm{opt}},c,\mathrm{\&alpha;})=$

(2)

$\max \left\{H(X;a,b,c,r)\right|L_{\min }\&le;a<b<c\&le;L_{\max }\left)\right\}$

式中，L_min和L_max分别表示静脉模式样本中灰度值的最大值和最小值。

1.2确定最优值r_opt

用得到的b_opt值，通过最大化模糊熵H来确定r_opt，公式表述如下：

$H_{\max }^{r_{\mathrm{opt}}}(X;a,b_{\mathrm{opt}},c,r_{\mathrm{opt}})=$

(3)

$\max \left\{H(X;a,b_{\mathrm{opt}},c,r)\right|r_{\min }\&le;r\&le;r_{\max }\left)\right\}$

式中，r_min和r_max分别表示r的最大值和最小值，这里取r_min＝0.5，r_max＝3.5。

式(2)和(3)中的用到的模糊熵表达式如下：

$H\left(x\right)=\frac{1}{\mathrm{MN}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\{-{\mathrm{\&mu;}}_X\left(x_{\mathrm{mn}}\right){\log }_2{\mathrm{\&mu;}}_X\left(x_{\mathrm{mn}}\right)-(1-{\mathrm{\&mu;}}_X\left(x_{\mathrm{mn}}\right)){\log }_2(1-{\mathrm{\&mu;}}_X\left(x_{\mathrm{mn}}\right))\}---\left(4\right)$

式中，x_mn静脉模式样本中灰度值，μ_X(x)表示关系函数，M为样本图像的宽度，N为样本图像的高度。

1.3寻优过程的改进

从以上介绍可知，模糊增强实际上是通过关系函数对样本灰度值进行非线性扩展，以达到增强全局对比度的目的，同时从上面的介绍可知该算法有两个寻优过程，非常耗时，如果对每幅样本均进行全局寻优操作，是无法满足实际应用要求的，本发明对这一过程进行改进。我们研究发现，先对样本灰度值的均值和离散度进行归一化以后，再进行模糊增强，求得的最优值b_opt和r_opt的变化区域很小。b_opt主要集中在[80，120]之间，r_opt集中在[1.5，2.5]之间，并且寻优的过程中，适当增加步长，对模糊增强后的结果影响很小，这说明经过均值和离散度进行归一化后，就没有必要进行全局寻优了，只在[80，112]之间寻找b_opt值，在[1.5，2.5]之间寻找r_opt值，且可以适当增加步长，对于求取b_opt可以选步长为10，对于求取r_opt，可选步长为0.5。我们的研究还发现对于同一类的样本图像，可以采用统一的r_opt值和b_opt值。对手背静脉样本可以选取b_opt为90，r_opt选取2。对手掌静脉样本可以选取b_opt为115，r_opt选取2.5。

样本均值和离散度归一化的公式表示如下：

$N(i,j)=M_0+\sqrt{V_0(I(i,j)-M{)}^2/V}$ I(i，j)＞M    (5)

$N(i,j)=M_0-\sqrt{V_0{(I(i,j)-M)}^2/V}$ I(i，j)＜M    (6)

其中：I(i，j)，M和V分别是归一化前图像的灰度值，均值和方差；N(i，j)，M₀，V₀分别是归一化后图像的灰度值、均值和方差。

2.多尺度Retinex细节增强

经过上述处理后，能够增强静脉样本的全局对比度，但是对细节增强得不够。为了进一步增强样本中的细节特征，还需进行局部对比度增强，本发明采用多尺度Retinex图像增强算法。

2.1多尺度Retinex(MSR)图像增强

多尺度Retinex(MSR)图像增强表达式如下：

$\log \mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_n\log \frac{\mathrm{\&mu;}(m,n)}{G_n(m,n)*\mathrm{\&mu;}(m,n)}---\left(7\right)$

$G_n(m,n)=K_n\exp (-(m^2+n^2)/{\mathrm{\&sigma;}}_n^2)$

式中，μ(m，n)表示全局对比度经模糊增强后的样本，μ(x_mn)表示，经多尺度Retinex增强后的值，ω_n表示加权系数，N取3，ω_n取1/3，从式(7)可以看出，执行一次MSR变换，需要进行三次高斯卷积，通过大量试验可知，标准差σ的范围通常选择σ₁＜50，50＜σ₂＜100，σ₃＞100，这种选择的依据主要是由于光谱由不同频段的光线组成的缘故。在发明中，对于不同尺寸的图像，MSR的高斯标准差σ的取值根据大量实验分析都选定为30，90和200。可以看出，如果采用高斯卷积的方法进行计算，运算量巨大，极大地影响算法的效率，难以满足快速性的要求。

2.2多尺度Retinex(MSR)图像增强算法的加速方法

研究表明，大尺度高斯卷积，可以用量化的均值模板代替高斯卷积运算，从而三次高斯卷积操作可以转化为均值平滑滤波，如果采用传统的均值滤波算法，同样需要大量的运算，算法效率不高，为此本发明提出了一种与窗口大小无关的均值滤波算法，在介绍该算法之前，先介绍一下快速均值滤波算法(FMF)。

FMF算法利用相邻滤波窗口之间的递归关系，对两相邻滤波窗口中重叠部分的像素和进行保存，仅对变化部分进行计算，实现计算的简化，提高运算速度，如图1所示。

由图1可以看出，当滤波窗口中心由(i，j)点横向移到(i，j+1)点时，两窗口的相交区域为图1中部黑色框区。那么在求(i，j+1)的均值时，交集中像素点灰度值之和便不用重新计算，其滤波均值可以通过(i，j)点为中心的窗口区域的滤波值减去其最左边一列像素点PL_n(n＝0...N-1)灰度值之和后(图中左侧黑色框区)，然后用再加上(i，j+1)点滤波窗口中最右边一列像素点PR_n(n＝0...N-1)灰度值之和(如图1中右侧黑色框区)就可以得到。同理当窗口沿纵向移动时，也可通过上述递归方式进行计算。由于每次都要计算滤波核窗口的左右两侧像素列的和，所以该方法的运算量与窗口的高度是相关的，而不是与滤波窗口无关的。窗口递归公式可表示为：

${\mathrm{sum}}_{i,j+1}={\mathrm{sum}}_{i,j}-\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}S\left({\mathrm{PL}}_n\right)+\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}S\left({\mathrm{PR}}_n\right)---\left(8\right)$

其中∑_n＝0 ^n＝N-1S(PL_n)表示最左列像素的和，∑_n＝0 ^n＝N-1S(PR_n)表示最右列像素的和，sum_i，j表示滤波中心在(i，j)点的滤波和。下面介绍本发明中提出的加速均值滤波算法。

FMF算法在对每个点进行均值滤波时，都要对当前滤波窗口的最左列和下一滤波窗口的最右列像素值进行累加，如滤波窗口大小为N，则对每一点将产生额外的2N次加运算。如果能先建立一个数组，其中已经分别存储了这两列像素灰度值的和，那么这2N次加法操作就能够避免。

从这个角度出发，建立一个维数为图像宽度M的一维数组s，每个数组元素的值如图2所示，为滤波窗口横向所经区域的每一列的像素和，例如s[1]的值就是图2中黑色框所圈列的像素和。数组s在滤波窗口每一次换行后，还要进行更新，如图3所示。当滤波窗口由第i行换到i+1行后，原s数组的元素s_i[j]的值要加上对应列的(i+1+r_y，j)点的元素值，同时减去(i-r_y，j)点的元素值，生成更新后的s_i+1[j]值。其中i表示行，j表示列，r_y表示滤波窗口纵向的半径。由此窗口递归公式可以表示为：

sum_i，j+1＝sum_i，j-s[j-r_x]+s[j+1+r_x]       (9)

其中r_x表示滤波窗口的横向半径。由公式(8)和(9)可以看出，公式(9)在每一个像素点处减少了2N次加法操作。

本发明中窗口无关滤波算法的关键就是建立数组s，数组s的建立分两个阶段，第一阶段为初始化，第二阶段为数组更新。用r_y表示滤波窗口y轴方向半径，其初始化过程如下，其中S(i，j)表示(i，j)点的像素值：

循环1：j从0到W-1

       s[j]＝0

       循环2：i从-r_y到r_y

           s[j]＝s[j]+S(i，j)

       终止2

终止1

第二阶是对数组s的更新，更新公式表示如下：

s_i+1[j]＝s_i[j]-S(i-r_y，j)+S(i+1+r_y，j)    (10)

其中S(i-r_y，j)表示在(i-r_y，j)点的像素值。

由此窗口无关快速均值算法的实现过程如下，其中H表示图像的高，K为滤波窗口的宽：

循环1：i从0到H-1

     if i＝0

         初始化数组s

     else

         更新数组s，计算 $\mathrm{sum}=\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}s\left[n\right]$ 和D(i，0)＝sum/NK

      循环2：j从1到W-1

         计算sum＝sum-s[j-1-r_x]+s[j+r_x]和D(i，j)＝sum/NK

      终止2

终止1

经过上述加速处理之后，使得多尺度Retinex(MSR)图像增强算法能够符合应用的需要。

3.构建结果样本

经过上述处理后，模糊域中的像素值都集中在[0，255]，要通过模糊反变换，获得结果图像，表达式如下

$R\left(x_{\mathrm{mn}}\right)=\left\{\begin{array}{cc}{L}_{\min },& \mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)=0,\\ L_{\min }+\frac{L_{\max }-L_{\min }}{c-a}{\left[{(b_{\mathrm{opt}}-a)}^{r_{\mathrm{opt}}-1}(c-a)\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)\right]}^{\frac{1}{r_{\mathrm{opt}}}},& 0<\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)\&le;\frac{b_{\mathrm{opt}}-a}{c-a}\\ L_{\min }+\frac{L_{\max }-L_{\min }}{c-a}\{c-a-[{(c-b_{\mathrm{opt}})}^{r_{\mathrm{opt}}-1}(c-a)(1-\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right))]{\}}^{\frac{1}{r_{\mathrm{opt}}}},& \frac{b_{\mathrm{opt}}-a}{c-a}\&le;\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)<1\\ L_{\max ,}& \mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)=1\end{array}\right.---\left(11\right)$

图4为应用本发明中所提方法对不同类型的静脉样本处理后的图像。

Claims (4)

1.一种手部静脉图像增强方法，包括全局对比度增强和局部细节增强，其特征是：第一步利用双参数关系函数将手部静脉模式样本从空间域变换到模糊域，并增强样本的全局对比度；第二步在模糊域中利用多尺度Retinex算法对手部静脉模式的细节进行增强；第三步将手部静脉模式从模糊域变换到空间域，形成结果图像；所述利用多尺度Retinex算法对手部静脉模式的细节进行增强为通过改进的多尺度Retinex进行图像增强，所述改进的多尺度Retinex进行图像增强方法是：首先确定三个尺度参数，利用尺度参数计算出对应的三个窗口的大小及相应的均值滤波模板；然后根据上步计算得到的三个均值滤波模板对模糊域静脉样本进行三次均值滤波；最后，将三次均值滤波的结果通过加权融合为一个输出结果。

2.根据权利要求1所述的一种手部静脉图像增强方法，其特征是：所述的增强样本的全局对比度的方法是：通过优化的全局寻优过程，获得关系函数的两个控制参数，确定双参数关系函数，再通过模糊变换来增强其全局对比度。

3.根据权利要求2所述的一种手部静脉图像增强方法，其特征是：所述的优化的全局寻优过程是：先对手部静脉样本进行灰度值归一化，将两个控制参数值的搜索范围分别缩小在区间[80，120]和[1.5，2.5]内；然后确定寻优步长，第一个控制参数的寻优步长取10，第二个控制参数的寻优步长取0.5；最后利用上述确定的步长在对应的区间内寻优，从而确定控制参数的值，另外，对于同一类静脉样本其控制参数相同，也就是说寻优过程只需执行一次。

4.根据权利要求1、2或3所述的一种静脉图像增强方法，其特征是：所述的与滤波窗口无关的快速量化均值滤波是：首先结合滤波窗口在按行滑动时相邻窗口之间的递归关系和按列移动时相邻两行对应的辅助数组之间的递归关系，设计出更新辅助数组元素和更新窗口中心点对应均值的递归公式；然后处理滤波窗口在按行滑动时，根据上步确定的更新窗口中心点对应均值的递归公式更新窗口中心点对应均值；在处理滤波窗口按列移动时，根据上步确定的更新辅助数组元素的递归公式更新辅助数组元素，将滤波问题转化为处理滤波窗口在按行滑动时的更新窗口中心点对应均值的问题。

Images