手指静脉图像小波增强算法

摘 要： 针对低质量的手指静脉图像，提出一种小波域静脉图像滤波增强算法。首先采用小波变换，然后对其低频系数进行频域增强，最后进行小波逆变换得到增强后的图像。实验表明：该方法能很好地抑制噪声，准确定位图像边缘信息，大大的改善了图像的质量，提高了图像的特征提取准确性和识别精度，使图像取得很好的增强效果。

关键词： 手指静脉； 小波变换； 图像增强； 傅里叶变换

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 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

在现代社会中，随着计算机及网络技术的高速发展，对个人物品、内部网络、建筑物通道、Internet乃至电子商务的安全性的要求日趋严格，对于身份认证技术的需求也变得越来越紧迫， 人们希望有一种更加方便可靠的办法来进行身份鉴定[1?2]。生物特征识别技术给这一切带来可能。

由此出现了许多基于人身所固有的生理特征或行为特征的身份识别技术，而静脉识别技术是生物识别技术中的最优选择。这是因为，绝大多数人的静脉血管图像随着年龄增长不会发生根本性的变化，不同人拥有不同的静脉图像，静脉特征难以伪造或通过手术进行改变。但手指静脉通过透过手指的近红外线读取，图像经转换和传输后或因其本身受光不均等，难免产生模糊，所以静脉识别从技术角度来讲，目前主要存在的问题，是受采集设备采集到的静脉图像质量的限制[3]，不能很好地进行图像的增强，导致后续的图像提取和匹配难度加大。本文提出一种基于小波域对手指静脉图像滤波增强的算法，该方法能很好地抑制噪声，准确定位图像边缘信息，大大的改善了图像的质量，提高了图像的特征提取准确性和识别精度，使图像取得很好的增强效果。

1 小波理论

如果[φ∈L2R]满足可允许条件：

[C=-∞+∞φω2ωdω

那么称[φ]为一个基小波（或母小波）。设[xt∈L2R，]则[xt]的小波变换定义为：

[WTxa，τ=1axtφt-τadt] （2）

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

Mallat提出的小波变换不是上面的内积形式，而是卷积形式：

[WTaxt=1axτφt-τadt=xt*φat] （3）

式中：

[φat=1aφta] （4）

即把小波变换[WTaxt]看成是信号[xt]通过冲激响应为[φat]的系统后的输出[4]。

低质量手指静脉图像增强的关键是选择合适的小波函数。由于B样条小波是图像拟合中较常用的经典小波函数，所以本文选取它作为母小波对手指静脉图像进行变换：取[K～=3，K=1]则[L=2，ε=1]。则有：

[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 虹膜识别中应用的特殊算子

二维图像函数[Ix，y]经过二维傅里叶变换后，定义为：

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

在图像域中，散焦一般用二维光学点扩散函数卷积聚焦图像来表示。这个点扩散函数模型往往是一个空间常数与散焦程度成比例的高斯分布。所以对于聚焦程度非常好的光学系统，光学点扩散函数缩小近似成delta函数，而图像卷积一个delta函数几乎是没有效果的。逐渐散焦的光学系统就是与以往任何扩散的更广泛的点扩散函数进行卷积[5]。

如果卷积光点扩散函数，所得到的散焦是一个其宽度代表了一定散焦程度的同向高斯，那么很显然，散焦就是聚焦程度非常好的图像的二维傅里叶变换乘以散焦高斯（卷积）的二维傅里叶变换。后者的数量本身就是另一种二维高斯的傅里叶域。因此，图像的二维傅里叶变换[Dδ（μ，υ）]的弥散程度[δ]与[F（μ，υ）]有关，二维傅里叶变换相应的聚焦图像，可以通过一个简单的模型来表示，即：

[Dδ（μ，v）=e-μ2+v2σ2F（μ，v）] （6）

从式（6）可以看出，散焦的效果主要是对图像里的高频衰减的影响，而低频部分则不受影响。由于图像采集过程中有可能出现光照变化、平移和畸变等退变，令获得一幅高质量的图像变得相当困难，文献[5]在虹膜识别的研究过程中为了得到高聚焦性的图像，提出了一种算子，并利用此算子进行实验，最后得到了较好的效果。

3 新的手指静脉增强算法

手指静脉图像与虹膜图像存在的差异，在于静脉的图像的边缘比较模糊，本文受文献[5]的启发，并根据小波变换对二维图像处理时，由于每次小波分解都会将一幅图像分解为一幅低频图像和三幅高频图像，针对低质量的手指静脉图像，提出了一种新的图像增强算法：结合小波变换和傅里叶变换，首先对图像采用B样条小波变换，然后对小波变换的低频系数进行增强，最后进行小波逆变换得到增强后的图像，具体实现如下：

（1）修正低通系数

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

式中：[EUmn]为像素点[（m，n）]在窗口[Wmn]上的边缘值；[KUmn]是图像边缘的概率。

（2）计算局部图像的对比度[CUmn]

[CUmn=Umn-EUmnUmn+EUmn] （8）

（3）计算对比度的放大系数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]分别是以[Umn]为中心的窗口内理想直方图两侧的边缘值；[Umin]和[Umax]分别是窗口内的最小和最大值。如果[Ulow

4 实验结果

用基于边界特性的阈值分割算法[6]进行图像的特征提取，对比增强后的实验效果。

原始图像如图1所示。

图1 原始图像

图2（a）为用傅里叶变换和高斯滤波进行增强的效果。图3（a）为对图2（a）特征提取的效果。图2（b）为用小波变换和高斯滤波进行增强的效果。图3（b）为对图2（b）特征提取的效果。图2（c）为先进行小波变换，在其低频部分进行频域高斯滤波进行增强的效果。图3（c）为对图2（c）特征提取后的效果。

图2 不同处理算法增强图像

图3 不同算法下面的特征提取图像

由图3（a）可以看出，仅仅用频域高斯滤波，图像噪声很多；图3（b）用小波变换和高斯滤波进行增强的效果较好一点；图3（c）静脉血管近红外成像采集的手指静脉图像经小波变换，特殊算子处理，再小波反变换，图像的特征提取后，最后得到了清晰的特征图形。

小波变换在图像增强方面的优势为，小波变换是一种线性时频展开方法，按需要改变有关的小波参数，可以增强低质量图像中感兴趣的部分，抑制不需要的信号[7]。其次，小波变换具有非冗余性，使得图像经小波变换后的数据总量不会变大。再次，小波变换可以将原始图像分解成一系列具有不同空间分辨率和频率特性的空间，这可以充分反映原始图像的变化特征，对于目标的识别是非常有利的。

5 结 论

实验结果表明：本文的方法能很好地抑制噪声、除剔伪边缘，准确定位图像边缘信息，大大的改善了图像的质量，提高了图像的特征提取准确性和识别精度，使图像取得很好的增强效果。

参考文献

[1] 傅鹏.生物特征验证技术及相关问题综述[J].中国数据通信，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] 葛哲学，陈仲生.Matlab时频分析技术及其应用[M].北京：人民邮电出版社，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，郭庆昌.人体手背静脉图像处理方法的研究[C]// Proceedings of the 6th World Congress on Intelligent Control and Automation. Dalian， China： WCICA， 2006： 126?128.

[7] 刘国军，唐降龙.基于模糊小波的图像对比度增强算法[J].电子学报，2005，33（4）：643?646.