CN102184528A - 低质量手指静脉图像增强方法 - Google Patents

Abstract

本发明涉及一种低质量手指静脉图像增强方法，包括四个处理阶段：图像预处理、图像分割、参数修正和骨架线跟踪。图像预处理阶段包括目标定位与裁剪、目标尺寸归一化、图像滤波和图像旋转四个步骤，可以削弱采集装置差异对图像增强方法自适应能力的影响；图像分割阶段包括自适应阈值图像分割、数学形态学滤波和图像细化三个步骤，目的是得到手指静脉二值图像和骨架图像，为后续的处理服务；参数修正阶段依据手指静脉二值图像和骨架图像计算手指静脉平均宽度，并依据该宽度修正方法中的宽度参数和距离参数。骨架线跟踪阶段包括起始跟踪点集获取、轨迹空间初始化、起始跟踪点选择、随机搜索方向生成、暗线跟踪等步骤。本发明可以快速有效地增强低质量手指静脉图像，且自适应能力强。

Description

低质量手指静脉图像增强方法

技术领域

本发明属于图像处理、计算机视觉、模式识别技术领域，特别涉及手指静脉识别方法。

背景技术

手指静脉识别是本世纪初日本学者提出的新一代生物特征识别方法，依据近红外线穿过手指时部分射线被血色素吸收的机理获取静脉图像，进行静脉特征提取和匹配。手指静脉识别的优势在于静脉藏匿于身体内部，属于人体的内部特征，不易受到外界干扰，难以被窃取或复制，可广泛应用于军事重地、金融单位、监狱、宾馆等场所的身份认证。

手指各静脉深浅、粗细差异明显，成像时受肌肉组织和噪声的干扰大，导致手指静脉图像清晰度低、不均匀，如何增强低质量手指静脉图像一直是手指静脉识别研究的热点和关键环节。

在手指静脉图像增强方面已有部分研究成果，包括重复线跟踪方法、直方图均衡方法和Gabor滤波方法等。依据增强图像的细节表现能力和信噪比两个指标进行评价，现有方法中的重复线跟踪方法性能最优。然而，该方法在自适应能力和运算效率方面还有待提高，表现在：

第一，该方法依赖于三个预设参数：宽度、距离和迭代次数，而针对静脉粗细和图像对比度差异较大的手指静脉图像，该方法在相同的预设参数下增强效果差异较大，也即自适应能力有待提高；

第二，一般情况下，该方法迭代次数设为3000以上时才能达到较好的增强效果，然而，迭代次数太多必然降低运算效率。

发明内容

本发明要解决的技术问题在于，针对现有手指静脉图像方法在增强效果、自适应能力和运算效率方面的不足，提出一种新的低质量手指静脉图像增强方法。

本发明解决其技术问题所采用的技术方案是：通过计算手指静脉平均宽度来修正方法中的宽度和距离参数，提高方法的自适应能力；基于手指静脉骨架图像求取起始跟踪点集，从而剔除迭代次数参数，同时剔除非静脉纹线上的线跟踪，提高方法的自适应能力和运算效率。

本发明所提出的低质量手指静脉图像增强方法，包括四个阶段：

Step1：图像预处理，包括目标定位与裁剪、目标尺寸归一化、图像滤波和图像旋转，目的是削弱采集装置差异对图像增强方法自适应能力的影响；

Step2：图像分割，包括自适应阈值图像分割、数学形态学滤波和图像细化，目的是得到手指静脉二值图像和骨架图像；

Step3：参数修正，依据手指静脉二值图像和骨架图像计算手指静脉平均宽度，并依据该宽度修正预设的宽度参数和距离参数，目的是削弱手指静脉分布的深浅差异和静脉管径的粗细差异对图像增强方法自适应能力的影响；

Step4：骨架线跟踪，包括起始跟踪点集获取、轨迹空间初始化、起始跟踪点选择、随机搜索方向生成和暗线跟踪，目的是快速、有效地增强低质量手指静脉图像。

实施本发明的低质量手指静脉图像增强方法，具有以下有益效果：增强低质量手指静脉图像，便于后续手指静脉特征的提取和匹配，有助于提高手指静脉识别方法的性能。同时，本发明所提出的方法自适应能力强、运算效率高，有利于不同采集设备、不同采集样本的自适应处理，有利于嵌入式平台实现，最终有利于手指静脉识别设备的小型化、通用化和模块化实现。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例输入的低质量手指静脉图像；

图3为本发明实施例的图像处理效果图；

图4为骨架线跟踪方法的流程图；

图5为本发明其他实施例的图像增强效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1给出了本实施例的流程图，详细描述如下：

(1)图像预处理

图像预处理阶段包括以下步骤：

Step1：目标定位与裁剪。如图2所示，图像中背景与手指在灰度分布上差异很大，可以采用固定阈值法(阈值设为80)分割手指图像，计算手指目标的平均宽度W₁和中心坐标(x，y)，以(x，y)为中心对称裁剪W₁×H₁的图像，得到手指静脉图像，其中H₁为原始图像高度；

Step2：目标尺寸归一化。将W₁调整到设定宽度W，按同样比例调整H₁，然后以(x，y)为中心对称裁剪W×H的图像，得到的归一化图像，其中H为设定的图像高度。在这一过程中削弱采集装置差异对图像增强方法自适应能力的影响；

Step3：图像滤波。采用中值滤波方法滤除图像中的部分噪声，滤波器窗口尺寸为3×3，滤波后图像如图3(a)所示。

Step4：图像旋转。骨架线跟踪时要沿着静脉的走向进行跟踪，为了便于跟踪，将图像顺时针旋转90°，再进行后续的处理，旋转后的图像记为OIMG。但为了便于观察和对比，本发明中手指静脉图像都按纵向显示。

(2)图像分割

图像分割的目的是获取手指静脉二值图像和骨架图像，这里针对手指静脉图像对比度低且不均匀的特点，以及方法对自适应能力和运算效率的要求，设计了如下分割步骤：

Step1：采用自适应阈值图像法进行图像分割，得到手指静脉二值图像BIMG；

Step2：采用数学形态学方法的开运算和闭运算滤除部分噪声和平滑毛刺，滤波器窗口尺寸为3×3，滤波后图像记为FIMG，如图3(b)所示；

Step3：采用细化方法对FIMG进行细化，得到手指静脉骨架图像KIMG，如图3(c)所示。

自适应阈值图像分割方法为：首先构建自适应阈值图像，然后用自适应阈值图像减去原始手指静脉图像，得到手指静脉二值图像。

下面详细描述本发明提出的自适应阈值图像分割方法。

由于手指静脉深浅不一、粗细不同等本质属性，导致手指静脉图像整体对比度低且不均匀，无法采用单一阈值或多阈值方法得到较好的分割，为此采用自适应阈值图像进行分割，基本思路是：首先构建自适应阈值图像TIMG，然后将TIMG减去OIMG，得到二值图像BIMG：

$\mathrm{BIMG}(x,y)=\left\{\begin{array}{cc}1,& \mathrm{TIMG}(x,y)-\mathrm{OIMG}(x,y)>0\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

自适应阈值图像TIMG的构建是分割的关键，对于像素点(x，y)，在OIMG中求取TIMG(x，y)，步骤如下：

Step1：以点(x，y)为中心，计算设定窗口N×N内的灰度均值M₁；

Step2：判断不等式OIMG(x，y)＞M₁，如果成立，转入2-1；否则，转入2-2；

2-1：TIMG(x，y)＝M₁；

2-2：首先计算窗口N×N内像素灰度分布直方图p[i]，i∈[0，255]，并初始化待求谷值点M₂＝M₁；然后按照M₁-3→2的方向搜索直方图的第一个谷值点M₂，M₂满足条件(p[M₂+1]＜p[M₂-2]且p[M₂-1]＜p[M₂+2])；接着，如果M₂＝M₁，TIMG(x，y)＝M₁；否则，分别以M₁和M₂为分割阈值，计算分类后类间方差V₁和V₂；阈值为t时类间方差V(t)的计算公式如下：

V(t)＝w₀(t)w₁(t)(μ₁(t)-μ₀(t))²       (2)

其中， $w_0\left(t\right)=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}p\left(i\right)/N^2,$ w₁(t)＝1-w₀(t)， ${\mathrm{\μ}}_0\left(t\right)=(\underset{i=0}{\overset{t}{\mathrm{\Σ}}}i\·p\left(i\right)/N^2)/w_0\left(t\right),$ ${\mathrm{\μ}}_1\left(t\right)=(\underset{i=t+1}{\overset{255}{\mathrm{\Σ}}}i\·p\left(i\right)/N^2)/w_1\left(t\right).$

最后，V₁＝V(M₁)，V₂＝V(M₂)；如果V₁-V₂＞0，TIMG(x，y)＝M₁；否则TIMG(x，y)＝M₂。

为了快速计算，判别式V₁-V₂＞0可以简化为：

a(m-a)(cd-em)(2ac-2bm+cd-em)-d(m-2a-d)(ac-bm)²＞0      (3)

其中，m＝N²， $a=\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}p\left(i\right),b=\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}i\·p\left(i\right),c=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}i\·p\left(i\right),d=\underset{i=M_2+1}{\overset{M_1}{\mathrm{\Σ}}}p\left(i\right),e=\underset{i=M_2+1}{\overset{M_1}{\mathrm{\Σ}}}i\·p\left(i\right).$

具体推导为：

∵ $w_0\left(M_2\right)=\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}p\left(i\right)/N^2=a/m,$ w₁(M₂)＝1-w₀(M₂)＝(m-a)/m

${\mathrm{\μ}}_0\left(M_2\right)=(\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}i\·p\left(i\right)/N^2)/w_0\left(M_2\right)=(b/m)/(a/m)=b/a$

${\mathrm{\μ}}_1\left(M_2\right)=(\underset{i=M_2+1}{\overset{255}{\mathrm{\Σ}}}i\·p\left(i\right)/N^2)/w_1\left(M_2\right)=\frac{(\underset{i=0}{\overset{255}{\mathrm{\Σ}}}i\·p\left(i\right)-\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}i\·p\left(i\right))/m}{(m-a)/m}=\frac{(c-b)}{(m-a)}$

∴ $V_2=w_0\left(M_2\right)w_1\left(M_2\right){({\mathrm{\μ}}_1\left(M_2\right)-{\mathrm{\μ}}_0\left(M_2\right))}^2=\frac{a}{m}\·\frac{m-a}{m}{(\frac{c-b}{m-a}-\frac{b}{a})}^2=\frac{1}{m^2}\·\frac{{(\mathrm{ca}-\mathrm{mb})}^2}{a(m-a)}$

∵ $w_0\left(M_1\right)=(\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}p\left(i\right)+\underset{i=M_2+1}{\overset{M_1}{\mathrm{\Σ}}}p\left(i\right))/N^2=(a+d)/m,$ w₁(M₁)＝1-w₀(M₁)＝(m-a-d)/m

${\mathrm{\μ}}_0\left(M_1\right)=[(\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}i\·p\left(i\right)+\underset{i=M_2+1}{\overset{M_1}{\mathrm{\Σ}}}i\·p\left(i\right))/N^2]/w_0\left(M_2\right)=\frac{(b+e)/m}{a+d/m}=\frac{b+e}{a+d}$

${\mathrm{\μ}}_1\left(M_2\right)=(\underset{i=M_1+1}{\overset{255}{\mathrm{\Σ}}}i\·p\left(i\right)/N^2)/w_1\left(M_2\right)=\frac{(\underset{i=0}{\overset{255}{\mathrm{\Σ}}}i\·p\left(i\right)-\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}i\·p\left(i\right)-\underset{i=M_2+1}{\overset{M_1}{\mathrm{\Σ}}}i\·p\left(i\right))/m}{(m-a-d)/m}=\frac{(c-b-e)}{(m-a-d)}$

∴ $V_1=w_0\left(M_1\right)w_1\left(M_1\right){({\mathrm{\μ}}_1\left(M_1\right)-{\mathrm{\μ}}_0\left(M_1\right))}^2=\frac{1}{m^2}\·\frac{{(\mathrm{ac}-\mathrm{bm})}^2+2(\mathrm{ac}-\mathrm{bm})(\mathrm{cd}-\mathrm{em})+{(\mathrm{cd}-\mathrm{em})}^2}{(a+d)(m-a-d)}$

∴ $V_1-V_2=\frac{a(m-a)(\mathrm{cd}-\mathrm{em})(2\mathrm{ac}-2\mathrm{bm}+\mathrm{cd}-\mathrm{em})-d(m-2a-d){(\mathrm{ac}-\mathrm{bm})}^2}{m^{2}a(m-a)(a+d)(m-a-d)}$

∵a＞0，d＞0，m²＞0， $m-a=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(i\right)-\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}p\left(i\right)=\underset{i=M_2+1}{\overset{255}{\mathrm{\Σ}}}p\left(i\right)>0$

$m-a-d=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(i\right)-\underset{i=0}{\overset{M_2}{\mathrm{\Σ}}}p\left(i\right)-\underset{i=M_2+1}{\overset{M_1}{\mathrm{\Σ}}}p\left(i\right)=\underset{i=M_1+1}{\overset{255}{\mathrm{\Σ}}}p\left(i\right)>0$

∴ $V_1-V_2>0\⇔a(m-a)(\mathrm{cd}-\mathrm{em})(2\mathrm{ac}-2\mathrm{bm}+\mathrm{cd}-\mathrm{em})-d(m-2a-d){(\mathrm{ac}-\mathrm{bm})}^2>0$

上述过程中，对于边界附近的像素点，其窗口内的某些位置没有定义灰度值，此时这些位置不参与运算，也即只利用有灰度值的像素点求解TIMG(x，y)。

(3)参数修正

首先依据手指静脉二值图像和骨架图像计算手指静脉平均宽度w₁，计算方法是：分别统计手指静脉二值图像目标像素点N₁和骨架图像中目标像素点N₂，然后取其比值N₁/N₂作为手指静脉平均宽度。

具体为：近似认为手指静脉中的各条纹线是粗细相同的直线段，且线段之间没有重合，此时，分别统计FIMG中目标像素点数目N₁和KIMG中目标像素点数目N₂，由于细化图像为单像素宽度图像，故用N₂近似表示手指静脉的总长度，于是w₁可以近似表示为：w₁≈N₁/N₂。

然后依据当前手指静脉平均宽度w₁修正预设的两个参数：宽度参数p_w0和距离参数p_r0。设初始手指静脉宽度参数为w₀，用r＝w₁/w₀表示手指静脉宽度的变化率，记修正后的宽度参数为p_w，距离参数为p_r，有：

p_w＝ceil(α·r·p_w0)       (4)

p_r＝ceil(β·r·p_r0)       (5)

其中，ceil为向上取整运算，α、β为预设参数。

事实上，上述过程存在三个问题：第一，w₁的求解受图像分割阶段窗口尺寸N×N的影响，窗口尺寸越大，w₁越大；第二，在w₁的求解过程中忽略了静脉纹线的曲率和重合部分，导致w₁与图像中手指静脉平均宽度的误差较大；第三，修正过程新增了四个预设参数：N、w₀、α、β。需要讨论的是，依据w₁是否能有效修正p_w0和p_r0。

首先，对于目标尺寸归一化后的手指静脉图像，采用相同的求解步骤得到的w₁参数可以很好地反映不同手指中静脉分布的深浅差异和静脉纹线的粗细差异引起的静脉宽度差异；其次，上述参数修正方法是利用w₁相对于w₀的变化率来修正p_w0和p_r0，与手指静脉宽度的真实取值关系不大；最后，预设参数N、w₀、α、β四个参数最终都反映在修正参数的变化率上，也即手指静脉宽度每增加一个单位，修正参数增加多少，参数设定后四者与不同手指的静脉宽度无关。因此，w₁能有效修正p_w0和p_r0，提高方法的适应能力。

(4)骨架线跟踪

本发明所述的骨架线跟踪方法是在手指静脉骨架上选取起始跟踪点，然后再进行暗线跟踪，最终实现手指静脉图像增强目的。其流程如图4所示，详细描述如下：

Step1：依据手指静脉骨架图像求取起始跟踪点集T_o。

按从左到右、从上到下的扫描顺序，记录手指静脉骨架图像KIMG上的目标像素点坐标(x_i，y_i)，并存入起始跟踪点集T_o，即T_o(i)＝(x_i，y_i)。T_o用来存储所有的起始跟踪点位置。

Step2：初始化用于记录图像中各像素点被跟踪次数的轨迹空间T_r。

Step3：按顺序从T_o中选择起始跟踪点(x_c，y_c)。

按顺序从T_o中取出一点坐标，作为当前起始跟踪点(x_c，y_c)。

Step4：由独立随机数产生随机搜索方向参数。

随机产生一个随机数，由该随机数产生搜索方向参数D_lr、D_ud。

$D_{\mathrm{lr}}=\left\{\begin{array}{cc}\left(\mathrm{1,0}\right),& R_{\mathrm{nd}}\left(2\right)<1\\ (-\mathrm{1,0}),& \mathrm{otherwise}\end{array}\right.---\left(6\right)$

$D_{\mathrm{ud}}=\left\{\begin{array}{cc}\left(\mathrm{0,1}\right),& R_{\mathrm{nd}}\left(2\right)<1\\ (0,-1),& \mathrm{otherwise}\end{array}\right.---\left(7\right)$

R_nd(n)为一个0～n之间的独立随机数，为了防止追踪点路径曲率过大，这里取n＝2。

Step5：依据起始跟踪点和随机搜索方向跟踪静脉暗线位置，并更新轨迹空间。

5-1：初始化轨迹位置表T_c，T_c用于存储跟踪点的运动位置。

5-2：确定当前跟踪点运动范围，用像素点集合N_c描述，该集合满足三个条件：1)N_c为手指图像像素集合R_f的子集；2)N_c不包含本轮暗线跟踪过程中已跟踪过的像素点，即T_c中值为1的点；3)N_c在当前跟踪点(x_c，y_c)的邻域区间N_r内，用公式描述为：

$N_c={\stackrel{\&OverBar;}{T}}_{c}I{R}_{f}I{N}_r(x_c,y_c)---\left(8\right)$

其中，

$N_r(x_c,y_c)=\left\{\begin{array}{cc}{N}_8(x_c,y_c),& R_{\mathrm{nd}}\left(100\right)>p_{\mathrm{lr}}+p_{\mathrm{ud}}\\ N_3\left(D_{\mathrm{lr}}\right)(x_c,y_c),& R_{\mathrm{nd}}\left(100\right)<p_{\mathrm{lr}}\\ N_3\left(D_{\mathrm{ud}}\right)(x_c,y_c),& \mathrm{otherwise}\end{array}\right.---\left(9\right)$

这里，D_lr、D_ud为Step3中确定的方向参数，p_lr、p_ud为距离参数，取值为p_lr＝50、p_ud＝25。N₈(x_c，y_c)为点(x_c，y_c)的8邻域像素集合，N₃(D)(x_c，y_c)为点(x_c，y_c)的特定方向的3邻域像素集合，记方向参数D＝{D_x，D_y}，则

N₃(D)(x，y)＝{(D_x+x，D_y+y)，(D_x-D_y+x，D_y-D_x+y)，(D_x+D_y+x，D_y+D_x+y)}(10)

5-3：检测跟踪点附近的暗线方向，即在N_c中搜索点(x_i，y_i)，使得该点与点(x_c，y_c)构成的暗线深度值最大，记为V_l：

$V_l=\underset{(x_i,y_i)\&Element;N_c}{\max }\{f(x_c+p_r\cos {\mathrm{\&theta;}}_i-\frac{p_w}{2}\sin {\mathrm{\&theta;}}_i,y_c+p_r\sin {\mathrm{\&theta;}}_i+\frac{p_w}{2}\cos {\mathrm{\&theta;}}_i)+f(x_c+p_r\cos {\mathrm{\&theta;}}_i$ $\left(11\right)$

$+\frac{p_w}{2}\sin {\mathrm{\&theta;}}_i,y_c+p_r\sin {\mathrm{\&theta;}}_i-\frac{p_w}{2}\cos {\mathrm{\&theta;}}_i)-2f(x_c+p_r\cos {\mathrm{\&theta;}}_i,y_c+p_r\sin {\mathrm{\&theta;}}_i)\}$

其中，p_r、p_w为修正后的参数，f(x，y)表示图像分割前手指静脉图像OIMG像素点(x，y)的灰度，θ_i表示线段(x_c，y_c)-(x_c+1，y_c)和(x_c，y_c)-(x_i，y_i)的夹角，于是

$\cos {\mathrm{\&theta;}}_i=\frac{x_i-x_c}{\sqrt{{(x_i-x_c)}^2+{(y_i-y_c)}^2}}---\left(12\right)$

$\sin {\mathrm{\&theta;}}_i=\frac{y_i-y_c}{\sqrt{{(x_i-x_c)}^2+{(y_i-y_c)}^2}}---\left(13\right)$

如果V_l＞0，则T_c(x_c，y_c)＝1，T_r(x_c，y_c)＝T_r(x_c，y_c)+1，且当前跟踪点(x_c，y_c)移至(x_i，y_i)，转至5-2；否则，转至下一步。

Step6：判断T_o的起始跟踪点是否都已使用，如果没有，转至Step3；否则，转至下一步。

完成一次暗线跟踪后，判断T_o的起始跟踪点是否都已使用，如果没有，转至Step3；否则，转至下一步。

Step7：对T_r进行灰度拉伸，得到增强后的手指静脉图像。

T_r记录了图像中各像素点被跟踪的次数，T_r(x，y)越大的点是静脉纹线上的点的可能性越大，对T_r进行灰度拉伸，得到增强后的手指静脉图像，如图3(d)所示。

和重复线跟踪方法相比，所述骨架线跟踪方法没有用到迭代次数参数，且T_o内的起始跟踪点远小于3000，从而提高方法的自适应能力和运算效率。

采用本发明提出的低质量手指静脉图像增强方法增强图5所示的手指静脉图像，取得了很好的效果。在图5中，手指静脉图像a和b有明显的静脉粗细差异，c和d有明显的图像对比度差异，采用本发明所提出的增强方法，可以在相同预设参数下得到很好的增强效果，a1、b1、c1和d1四图不仅细节表现能力强，而且噪声少，说明本发明所提出的方法自适应能力强。同时，该方法运算效率高，在处理平台(CPU：Celeron3.33GHz，Memory：2GB，Visual C++6.0)条件下，平均耗时51毫秒，运算效率大约是重复线跟踪方法的2倍。其中，耗时是指从预处理后图像OIMG到增强图像PIMG所花费的处理。

Claims (6)

1.低质量手指静脉图像增强方法，其特征在于，包括以下步骤：

Step1：图像预处理，包括目标定位与裁剪、目标尺寸归一化、图像滤波和图像旋转，目的是削弱采集装置差异对图像增强方法自适应能力的影响；

Step2：图像分割，包括自适应阈值图像分割、数学形态学滤波和图像细化，目的是得到手指静脉二值图像和骨架图像；

Step3：参数修正，依据手指静脉二值图像和骨架图像计算手指静脉平均宽度，并依据该宽度修正预设的宽度参数和距离参数，目的是削弱手指静脉分布的深浅差异和静脉管径的粗细差异对图像增强方法自适应能力的影响；

Step4：骨架线跟踪，包括起始跟踪点集获取、轨迹空间初始化、起始跟踪点选择、随机搜索方向生成和暗线跟踪，目的是快速、有效地增强低质量手指静脉图像。

2.根据权利要求1所述的低质量手指静脉图像增强方法，其特征在于，自适应阈值图像分割方法为：首先构建自适应阈值图像，然后用自适应阈值图像减去原始手指静脉图像，得到手指静脉二值图像。

3.根据权利要求1所述的低质量手指静脉图像增强方法，其特征在于，自适应阈值图像的构建步骤为：

Step1：以像素点(i，j)为中心，计算邻域N×N窗口内的灰度均值M₁；

Step2：比较像素点(i，j)灰度OIMG(i，j)与M₁的大小，如果OIMG(i，j)＞M₁，转入2-1；否则，转入2-2；

2-1：阈值图像像素点(i，j)的灰度TIMG(i，j)为M₁；

2-2：首先计算窗口N×N内像素灰度分布直方图p[i]，并初始化待求谷值点M₂＝M₁；然后按照M₁-3→2的方向搜索直方图的第一个谷值点M₂，M₂满足条件(p[M₂+1]＜p[M₂-2]且p[M₂-1]＜p[M₂+2])；接着，如果M₂＝M₁，TIMG(i，j)＝M₁；否则，分别以M₁和M₂为分割阈值，计算分类后类间方差V₁和V₂。如果V₁-V₂＞0，TIMG(i，j)＝M₁；否则TIMG(i，j)＝M₂。

4.根据权利要求1所述的低质量手指静脉图像增强方法，其特征在于，参数修正方法为：首先依据手指静脉二值图像和骨架图像计算手指静脉平均宽度，然后依据当前手指静脉平均宽度修正预设的两个参数：宽度参数和距离参数。

5.根据权利要求1所述的低质量手指静脉图像增强方法，其特征在于，手指静脉平均宽度的求取方法为：分别统计手指静脉二值图像和骨架图像中目标像素点，然后取其比值作为手指静脉平均宽度。

6.根据权利要求1所述的低质量手指静脉图像增强方法，其特征在于，骨架线跟踪方法的步骤为：

Step1：依据手指静脉骨架图像求取起始跟踪点集T_o；

Step2：初始化用于记录图像中各像素点被跟踪次数的轨迹空间T_r；

Step3：按顺序从T_o中选择起始跟踪点(x_c，y_c)；

Step4：由独立随机数产生随机搜索方向参数；

Step5：依据起始跟踪点和随机搜索方向跟踪静脉暗线位置，并更新轨迹空间；

Step6：判断T_o的起始跟踪点是否都已使用，如果没有，转至Step3；否则，转至下一步；

Step7：对T_r进行灰度拉伸，得到增强后的手指静脉图像。

Images