基于自適應(yīng)融合的手掌靜脈增強(qiáng)方法

婁夢(mèng)瑩 袁麗莎 劉婭琴 萬(wàn)雪梅 楊豐

摘 要：針對(duì)掌脈輪廓不清晰，圖像對(duì)比度低、亮度低，進(jìn)而導(dǎo)致識(shí)別性能降低的現(xiàn)象，提出一種自適應(yīng)融合的手掌靜脈增強(qiáng)方法。首先，基于暗原色先驗(yàn)（DCP）去霧算法，根據(jù)掌脈圖像變異系數(shù)自適應(yīng)選擇去霧系數(shù)，得到DCP增強(qiáng)圖像，并且基于部分子塊重疊直方圖均衡（POSHE）算法得到POSHE增強(qiáng)圖像;然后，將圖像分為16個(gè)子塊，依據(jù)圖像灰度均值與標(biāo)準(zhǔn)差確定各子塊權(quán)重;最后，根據(jù)各子塊權(quán)重對(duì)DCP和POSHE增強(qiáng)圖像進(jìn)行自適應(yīng)融合，得到最終增強(qiáng)圖像。該方法既保留了DCP算法在增強(qiáng)圖像對(duì)比度和亮度的同時(shí)不引入明顯噪聲的優(yōu)點(diǎn)，又保留了POSHE算法在增強(qiáng)圖像對(duì)比度和亮度的同時(shí)不損失局部細(xì)節(jié)的特點(diǎn);同時(shí)，兩者的自適應(yīng)融合既解決了DCP圖像陰影部分掌脈缺失現(xiàn)象，又削弱了POSHE產(chǎn)生的塊效應(yīng)。在對(duì)兩個(gè)公開(kāi)庫(kù)和自建庫(kù)分別進(jìn)行的實(shí)驗(yàn)中，三個(gè)數(shù)據(jù)庫(kù)的等錯(cuò)誤率分別為0.0004、0.0472、0.0579，識(shí)別率分別為99.98%、94.27%、92.05%。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的圖像增強(qiáng)方法相比，該方法降低了等錯(cuò)誤率，提高了識(shí)別精度。

關(guān)鍵詞：手掌靜脈圖像增強(qiáng);暗原色先驗(yàn);部分子塊重疊直方圖均衡化;分塊;自適應(yīng)融合

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-9081（2019）04-1176-07

Abstract： To solve the degradation of recognition performance caused by unclear palm vein contour， low image contrast and brightness， a new palm vein enhancement method based on adaptive fusion was proposed. Firstly， based on Dark Channel Prior （DCP） defogging algorithm and adaptively selected defogging coefficient according to variation coefficient of the palm vein image， DCP enhanced image was obtained. And based on Partial Overlapped Sub-block Histogram Equalization （POSHE） algorithm， POSHE enhanced image was obtained. Secondly， the image was divided into 16 sub-blocks， and the weight of each sub-block was determined by the gray mean and the standard deviation. Finally， two kinds of enhanced images were fused adaptively according to the weight of each sub-block， obtaining the adaptive fused enhanced image. This method not only retains the advantages of DCP algorithm in enhancing ?image contrast and brightness without introducing significant noise， but also preserves the benefits of POSHE algorithm in enhancing image contrast and brightness without losing local details. Meanwhile， adaptive fusion of the two algorithms solves the problem of missing palm vein in shadow areas of DCP images and reduces the blocking artifacts produced by POSHE. Experimental results carried out on two public databases and a self-built database show that the equal error rates are 0.0004， 0.0472， 0.0579 and the correct recognition rates are 99.98%， 94.27%， 92.05% ?respectively， indicating that compared with existing image enhancement methods， ?the proposed method reduces the equal error rate and improves the recognition accuracy.

Key words： palm vein image enhancement; Dark Channel Prior （DCP）; Partial Overlapped Sub-block Histogram Equalization （POSHE）; blocking; adaptive fusion

0?引言

隨著社會(huì)的發(fā)展、科技的進(jìn)步，人們對(duì)個(gè)人身份識(shí)別和鑒定的安全性、準(zhǔn)確性要求越來(lái)越高，傳統(tǒng)的身份識(shí)別和鑒定方法已經(jīng)不能滿足當(dāng)前社會(huì)的需要。生物特征識(shí)別技術(shù)是根據(jù)人的生理特征或行為特征進(jìn)行身份識(shí)別和鑒定的技術(shù)，因具有更高的普遍性、唯一性、穩(wěn)定性受到廣泛關(guān)注和研究。目前，現(xiàn)有的身份識(shí)別和鑒定的方法有掌紋識(shí)別、指紋識(shí)別、人臉識(shí)別、虹膜識(shí)別等[1]，而掌靜脈識(shí)別作為一種新興的生物特征識(shí)別技術(shù)，屬于內(nèi)生理特征，不會(huì)磨損，是活體時(shí)才存在的特征，難偽造，比掌紋、指紋識(shí)別更具安全性，比人臉識(shí)別更具穩(wěn)定性，比虹膜識(shí)別更具應(yīng)用的普遍性[2]。因此，掌靜脈識(shí)別逐漸成為生物特征識(shí)別領(lǐng)域的焦點(diǎn)，有更好的發(fā)展前景。

靜脈圖像增強(qiáng)是手掌靜脈識(shí)別技術(shù)中的重要研究?jī)?nèi)容，直接影響特征提取與匹配結(jié)果，進(jìn)而影響識(shí)別精度?，F(xiàn)有的圖像增強(qiáng)方法按處理方式分為頻率域和空間域兩大類。

頻率域增強(qiáng)算法包括：1）基于傅里葉變換的圖像增強(qiáng)，可濾除高頻噪聲，增強(qiáng)原始靜脈圖像的邊緣，但在圖像突變部分增強(qiáng)效果較差;

2）基于Retinex算法[3-5] 的圖像增強(qiáng)，可增強(qiáng)圖像對(duì)比度，同時(shí)保持了顏色的恒常性，但邊界區(qū)域易產(chǎn)生光暈;

3）基于小波變換[6-8]的圖像增強(qiáng)，是傅里葉變換的延伸，彌補(bǔ)了傅里葉變換的不足，具有細(xì)化分析的功能，可增強(qiáng)圖像突變部分細(xì)節(jié)信息，但計(jì)算復(fù)雜，時(shí)間開(kāi)銷較大;

4）基于Gabor濾波[9]的圖像增強(qiáng)，具有良好的頻率選擇性，可有效地去除噪聲，同時(shí)保持圖像靜脈結(jié)構(gòu)，但運(yùn)行時(shí)間長(zhǎng)，實(shí)時(shí)性較差。

空間域增強(qiáng)算法包括：1）基于直方圖均衡化[10-11]的圖像增強(qiáng)，通過(guò)拉伸增強(qiáng)圖像對(duì)比度和亮度，但會(huì)丟失局部細(xì)節(jié)信息;為改善直方圖均衡化增強(qiáng)效果，后又提出局部直方圖均衡化、自適應(yīng)直方圖均衡化和限制對(duì)比度自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization， CLAHE）等，明顯增強(qiáng)了靜脈圖像的細(xì)節(jié)信息，但會(huì)出現(xiàn)不同程度的塊效應(yīng)。

2）基于灰度變換的圖像增強(qiáng)，可增強(qiáng)圖像低灰度區(qū)細(xì)節(jié)，提高圖像的對(duì)比度，但會(huì)產(chǎn)生局部細(xì)節(jié)丟失現(xiàn)象。

3）

基于模糊集[12-13]的圖像增強(qiáng)，提高了低灰度區(qū)域和高灰度區(qū)域之間的對(duì)比度，但增強(qiáng)區(qū)域單一，會(huì)丟失低灰度靜脈細(xì)節(jié)信息。

總之，各種增強(qiáng)方法針對(duì)不同的圖像有不同的增強(qiáng)效果，各有優(yōu)劣，有效地利用現(xiàn)有方法的優(yōu)勢(shì)，通過(guò)相互融合避開(kāi)各方法的缺陷是本文的研究重點(diǎn)和方向。

針對(duì)由于光照不均勻、手部肌膚厚度不均勻[14]、采集裝置受限制以及圖像采集環(huán)境不穩(wěn)定等因素、采集到的圖像靜脈紋理細(xì)節(jié)較弱，靜脈圖像對(duì)比度不高，且圖像明暗過(guò)渡不自然、局部清晰、局部模糊等現(xiàn)象，本文提出基于暗原色先驗(yàn)（Dark Channel Prior， DCP）去霧算法[15]和基于子塊部分重疊的直方圖均衡（Partially Overlapped Sub-block Histogram Equalization， POSHE）算法[16]的自適應(yīng)圖像融合方法。DCP算法針對(duì)昏暗不明、低對(duì)比度、低亮度圖像有較好增強(qiáng)效果，能在增強(qiáng)圖像對(duì)比度和亮度的同時(shí)不引入明顯噪聲，不需要額外參數(shù)，計(jì)算簡(jiǎn)便;POSHE算法對(duì)圖像進(jìn)行分塊局部處理，解決了傳統(tǒng)的直方圖均衡（Histogram Equalization， HE）算法對(duì)全局處理產(chǎn)生的局部區(qū)域過(guò)亮、過(guò)暗以及局部細(xì)節(jié)損失問(wèn)題，可在增強(qiáng)圖像對(duì)比度和亮度的同時(shí)不損失局部細(xì)節(jié)。兩種算法自適應(yīng)融合既解決了DCP圖像陰影部分掌脈缺失現(xiàn)象又解決了POSHE產(chǎn)生的塊效應(yīng)，同時(shí)可以自適應(yīng)地對(duì)每幅圖像選擇最佳融合權(quán)重。用本文方法分別對(duì)香港理工大學(xué)（The Hong Kong Polytechnic University， PolyU）數(shù)據(jù)庫(kù)、中國(guó)科學(xué)院自動(dòng)化研究所（Institute of Automation， Chinese Academy of Sciences， CASIA）數(shù)據(jù)庫(kù)和自建庫(kù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，與已有的圖像增強(qiáng)方法相比，本文方法計(jì)算簡(jiǎn)單，對(duì)掌靜脈圖像增強(qiáng)效果好，能降低等錯(cuò)誤率、提高識(shí)別精度。

1?增強(qiáng)方法

1.1?方法流程

本文方法流程如圖1所示，首先采用文獻(xiàn)[17]方法對(duì)掌靜脈原始圖像進(jìn)行感興趣區(qū)域（Region Of Interest， ROI）定位和提取，得到ROI圖像;其次用自適應(yīng)DCP和POSHE算法分別對(duì)ROI圖像增強(qiáng)，并將DCP增強(qiáng)圖像和POSHE增強(qiáng)圖像自適應(yīng)融合，得到最終的增強(qiáng)圖像;最后采用文獻(xiàn)[18]方法進(jìn)行特征提取與匹配，計(jì)算相應(yīng)的等錯(cuò)誤率和識(shí)別率。

1.2?DCP算法與參數(shù)選取

1.2.1?DCP算法

He等[15]于2011年提出了基于暗原色先驗(yàn)的去霧算法[15]。該算法能有效增強(qiáng)圖像對(duì)比度和亮度同時(shí)不引入明顯噪聲，且不需要額外參數(shù)，適用于低質(zhì)量手掌靜脈圖像的增強(qiáng)。

暗通道的定義：在一幅擁有RGB（Red Green Blue）三個(gè)通道的圖像J（x）中，對(duì)RGB三個(gè)通道和以大小為n×n的濾波器模板Ω（x）進(jìn)行兩次最小值濾波，即：

1.2.2?ω自適應(yīng)選取

DCP算法中去霧系數(shù)ω表示對(duì)圖像的去霧程度，其取值范圍為[0，1]，但是圖像之間由于采集過(guò)程中光照等外部環(huán)境有差異，這種差異性決定了圖像之間去霧程度的差異性，即ω取值的差異性，ω固定取值不能滿足對(duì)所有圖像去霧的準(zhǔn)確性?？紤]到不同圖像之間的差異性反映在圖像的灰度值上，可用圖像的變異系數(shù)（即標(biāo)準(zhǔn)差與均值的比值）表示圖像之間的灰度差異，進(jìn)而表示圖像的去霧程度。從三個(gè)數(shù)據(jù)庫(kù)中各取200類，共1200幅圖像，計(jì)算每幅圖像的變異系數(shù)，如圖2所示，由圖2可看出圖像之間的灰度差異性顯著。

本文根據(jù)圖像灰度值的變化程度決定DCP算法的去霧程度，將DCP算法參數(shù)進(jìn)行自適應(yīng)調(diào)節(jié)。具體是用圖像之間的灰度差異表示圖像去霧程度的差異，即去霧系數(shù)ω根據(jù)灰度圖像的變異系數(shù)進(jìn)行自適應(yīng)選取，表達(dá)式如下：

1.3?POSHE算法

直方圖均衡化算法[10]是一種常用的圖像處理方法，主要用于增強(qiáng)圖像對(duì)比度，使圖像亮度均勻分布并消除偏亮或偏暗的情況。HE增強(qiáng)結(jié)果如圖3所示，由圖可看出HE限制了局部區(qū)域的對(duì)比度拉伸力度，丟失了局部細(xì)節(jié)信息。為進(jìn)一步提高HE算法的增強(qiáng)效果，本文使用基于子塊部分重疊的直方圖均衡算法[16]，該算法能基本消除塊效應(yīng)，計(jì)算效率高，圖像細(xì)節(jié)增強(qiáng)效果好。

POSHE算法是在一幅M×N的輸入圖像的左上角定義一個(gè)m×n的子塊，對(duì)子塊進(jìn)行直方圖均衡，然后子塊按照一定的步長(zhǎng)從左到右、從上到下的移動(dòng)，重復(fù)上述過(guò)程，直至子塊移動(dòng)至右下角。

基于POSHE算法的定義，需要構(gòu)建加權(quán)模板，以圖4（a）所示的3×3加權(quán)模板為例，中心子塊的變換函數(shù)由中心子塊及其8鄰域子塊決定，加權(quán)模板推導(dǎo)如下：將輸入圖像劃分為9個(gè)區(qū)域，如圖4（b）。對(duì)每個(gè)區(qū)域進(jìn)行POSHE處理，設(shè)子塊大小為2×2，步長(zhǎng)為1。圖4（c）～（f）分別為每次進(jìn)行直方圖均衡的子塊：其中e是四個(gè)子塊的重疊部分，則e的輸出值為：

1.4?自適應(yīng)融合算法

DCP算法增強(qiáng)后的圖像提高了對(duì)比度和亮度，能夠清晰地分辨出掌靜脈和掌紋信息;POSHE算法將陰影部分的掌靜脈與背景區(qū)分出來(lái)，明顯增強(qiáng)了掌靜脈圖像的細(xì)節(jié)信息。但是DCP算法陰影部分的掌靜脈與背景融為一體，難以分割，丟失這部分掌靜脈細(xì)節(jié)信息;POSHE算法出現(xiàn)部分區(qū)域過(guò)度增強(qiáng)現(xiàn)象，灰度突變部分存在輕微的塊效應(yīng)?；谝陨蟽煞N算法的優(yōu)缺點(diǎn)，本文將DCP算法與POSHE算法自適應(yīng)融合進(jìn)行圖像增強(qiáng)。

通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)增強(qiáng)效果與圖像的標(biāo)準(zhǔn)差有一定關(guān)聯(lián)，當(dāng)標(biāo)準(zhǔn)差大于某一特定值時(shí)，圖像過(guò)增強(qiáng)，邊緣模糊;當(dāng)標(biāo)準(zhǔn)差小于某一特定值時(shí)，圖像欠增強(qiáng)，對(duì)比度和亮度不明顯，靜脈與背景區(qū)分不大。POSHE增強(qiáng)效果越好，靜脈細(xì)節(jié)越清晰，像素分布越均勻，子塊之間的標(biāo)準(zhǔn)差波動(dòng)越小。從三個(gè)數(shù)據(jù)庫(kù)中各取一幅圖像分成16個(gè)子塊，計(jì)算各子塊的標(biāo)準(zhǔn)差如圖5（a）所示，由圖可看出，POSHE增強(qiáng)圖標(biāo)準(zhǔn)差波動(dòng)幅度大，而DCP增強(qiáng)圖標(biāo)準(zhǔn)差波動(dòng)幅度小，并且在某些子塊兩者標(biāo)準(zhǔn)差趨勢(shì)互補(bǔ)，每個(gè)子塊自適應(yīng)融合增強(qiáng)圖明顯縮小了標(biāo)準(zhǔn)差的波動(dòng)范圍，且將標(biāo)準(zhǔn)差固定在區(qū)間[0.1，0.2]內(nèi)，中和了POSHE增強(qiáng)圖標(biāo)準(zhǔn)差過(guò)大引起的過(guò)增強(qiáng)和DCP增強(qiáng)圖標(biāo)準(zhǔn)差過(guò)小引起的欠增強(qiáng)現(xiàn)象。圖5（b）是從三個(gè)數(shù)據(jù)庫(kù)中各取200類，得到每幅圖的標(biāo)準(zhǔn)差，自適應(yīng)融合得到了更好的對(duì)比度和亮度增強(qiáng)。

由于POSHE算法增強(qiáng)的圖像容易出現(xiàn)對(duì)比度和亮度局部過(guò)增強(qiáng)現(xiàn)象，導(dǎo)致靜脈和背景邊緣模糊，而DCP算法可中和POSHE算法的過(guò)增強(qiáng)現(xiàn)象，并削弱其塊效應(yīng)。DCP算法針對(duì)灰度級(jí)較小的圖像增強(qiáng)效果更好，但當(dāng)圖像灰度級(jí)較大時(shí)，增強(qiáng)效果欠佳;POSHE算法針對(duì)灰度不均勻的圖像增強(qiáng)效果更好，可增強(qiáng)圖像細(xì)節(jié)，但當(dāng)圖像灰度分布比較均勻時(shí)效果不明顯，且會(huì)出現(xiàn)局部塊效應(yīng)。每種算法對(duì)于不同的灰度圖像效果不同，所以根據(jù)像素均值比較整個(gè)圖像的明暗程度設(shè)置DCP權(quán)重，根據(jù)標(biāo)準(zhǔn)差設(shè)置POSHE權(quán)重。為使局部自適應(yīng)融合效果更好，局部靜脈細(xì)節(jié)更清晰，將每幅圖像分成大小為32×32的16個(gè)子塊，分別進(jìn)行自適應(yīng)融合。當(dāng)標(biāo)準(zhǔn)差偏大時(shí)，圖像均勻性差，相鄰子塊之間的權(quán)重差異過(guò)大，子塊之間會(huì)出現(xiàn)對(duì)比度變化不均勻現(xiàn)象，按1∶1調(diào)整POSHE權(quán)重，可以使子塊之間明暗變化均勻，且靜脈細(xì)節(jié)清晰，亮度與對(duì)比度適中;當(dāng)標(biāo)準(zhǔn)差偏小時(shí)，圖像比較均勻，相鄰子塊之間的權(quán)重差異小，子塊之間對(duì)比度無(wú)明顯變化，按灰度級(jí)均值調(diào)整DCP算法權(quán)重，靜脈與背景邊緣清晰，整體亮度適中且塊效應(yīng)不明顯。計(jì)算公式為：

2?實(shí)驗(yàn)與結(jié)果分析

2.1?數(shù)據(jù)庫(kù)與實(shí)驗(yàn)環(huán)境

為驗(yàn)證本文算法的效果，實(shí)驗(yàn)采用三個(gè)手掌靜脈數(shù)據(jù)庫(kù)的圖像進(jìn)行：一是PolyU庫(kù)，圖像采集方式為完全的接觸式采集，基本不產(chǎn)生平移、旋轉(zhuǎn)，圖像質(zhì)量高，對(duì)250個(gè)男性和女性分兩次采集，兩次采集的平均時(shí)間間隔為9d，每次采集左右手各6幅圖像，數(shù)據(jù)庫(kù)中共6000幅圖像，本文采用第一次采集的3000幅圖像進(jìn)行實(shí)驗(yàn)。二是作者實(shí)驗(yàn)室建立的手掌靜脈數(shù)據(jù)庫(kù)（簡(jiǎn)稱“自建庫(kù)”），圖像采集方式為半接觸式采集，采集過(guò)程中由于平移、旋轉(zhuǎn)、采集環(huán)境等因素圖像質(zhì)量較低，采用文獻(xiàn)[19]中提出的采集裝置，如圖6所示，對(duì)300名學(xué)生每人左右手各采集6幅圖像，數(shù)據(jù)庫(kù)中共有3600幅圖像。三是CASIA庫(kù)，圖像采集方式為完全的非接觸式采集，采集過(guò)程產(chǎn)生平移、旋轉(zhuǎn)，圖像質(zhì)量低，對(duì)100名志愿者每人左右手各采集6幅圖像，數(shù)據(jù)庫(kù)中共1200幅圖像。

實(shí)驗(yàn)運(yùn)行環(huán)境為Python 3.6.3，Matlab R2018a，硬件平臺(tái)為Windows 10操作系統(tǒng)，CPU為Intel Core i5-4590，主頻3.30GHz，內(nèi)存為8GB，GPU為NVIDIA GeForce GTX 1060Ti，顯存6GB。

2.2?方法評(píng)估

2.2.1?評(píng)價(jià)指標(biāo)

在圖像識(shí)別中評(píng)價(jià)模型時(shí)要用到的指標(biāo)：1）在驗(yàn)證模式下，將數(shù)據(jù)庫(kù)中的所有圖像進(jìn)行兩兩匹配，采用錯(cuò)誤接受率（False Acceptance Rate， FAR）、錯(cuò)誤拒絕率（False Rejection Rate， FRR）、等錯(cuò)誤率（Equal Error Rate， EER）來(lái)衡量系統(tǒng)性能。FAR指不同的人被認(rèn)為是同一個(gè)人的比率;FRR指同一個(gè)人被認(rèn)為不是同一個(gè)人的比率;EER指FAR和FRR相等時(shí)二者的值，是衡量一個(gè)身份認(rèn)證系統(tǒng)的綜合指標(biāo)。在同一個(gè)坐標(biāo)中FAR隨閾值增大而減小，F(xiàn)RR隨閾值增大而增大，交點(diǎn)就是EER的值。對(duì)于一個(gè)更優(yōu)的掌靜脈算法，在相同閾值情況下，F(xiàn)AR和FRR都越小越好，即EER越小越好，計(jì)算公式為：

其中：NFA、NIRA分別表示錯(cuò)誤接受次數(shù)和類間測(cè)試次數(shù);NFR、NGRA分別表示錯(cuò)誤拒絕次數(shù)和類內(nèi)測(cè)試次數(shù)。

2）?在識(shí)別模式下，隨機(jī)選擇一幅圖像作為模板，將剩下的5幅圖像作為測(cè)試樣本，用正確識(shí)別率（Correct Recognition Rate， CRR）衡量該系統(tǒng)的性能。CRR是指在識(shí)別模式下，識(shí)別正確的比率，是正確識(shí)別次數(shù)與實(shí)驗(yàn)總次數(shù)的比值，即CRR越大越好，計(jì)算公式為：

其中：VC、VS分別表示正確識(shí)別次數(shù)和實(shí)驗(yàn)總次數(shù)。

2.2.2?去霧系數(shù)ω對(duì)識(shí)別精度的影響

根據(jù)式（6）對(duì)DCP算法中的去霧系數(shù)ω進(jìn)行自適應(yīng)，此方法既符合不同圖像對(duì)去霧程度的不同需求又省去了對(duì)ω復(fù)雜的調(diào)參測(cè)試過(guò)程;既節(jié)約實(shí)驗(yàn)時(shí)間又提高了增強(qiáng)效果。圖7是以CASIA庫(kù)為例，只進(jìn)行DCP增強(qiáng)時(shí)ω取不同值得到的EER，由圖可看出，自適應(yīng)選取ω更滿足每幅圖像對(duì)去霧程度的需要，可以獲得更佳的增強(qiáng)效果，EER（圖中曲線與直線交點(diǎn)）為0.1142，在所有ω取值中達(dá)到最低。

2.2.3?子塊大小對(duì)識(shí)別精度的影響

在實(shí)驗(yàn)中，輸入圖像均為128×128的手掌靜脈ROI圖像，故以8的倍數(shù)作為子塊長(zhǎng)度。輸入圖像的尺寸較小，為了盡量減小塊效應(yīng)，實(shí)驗(yàn)移動(dòng)步長(zhǎng)取1。圖8顯示了子塊大小分別為8×8、16×16、32×32時(shí)POSHE算法的增強(qiáng)效果。

對(duì)于PolyU庫(kù)和自建庫(kù)，如圖8可看出，當(dāng)子塊大小為8×8時(shí)，靜脈的增強(qiáng)效果不夠理想，且圖像噪聲比較大;當(dāng)子塊大小為16×16和32×32時(shí)，能看到清晰的掌靜脈;當(dāng)子塊大小為32×32時(shí)，雖然靜脈比較清晰，但是圖像中部分非靜脈區(qū)域過(guò)黑，邊緣黑化尤為明顯，嚴(yán)重影響后期靜脈的識(shí)別和匹配。取子塊大小為16×16不僅解決了非靜脈區(qū)域過(guò)度黑化的問(wèn)題，也可降低計(jì)算量，節(jié)省時(shí)間，更符合實(shí)時(shí)性的要求。對(duì)于CASIA庫(kù)圖像，當(dāng)子塊大小取8×8和16×16時(shí)，圖像塊效應(yīng)的影響遠(yuǎn)大于非靜脈區(qū)域黑化產(chǎn)生的影響，因此，對(duì)于CASIA庫(kù)子塊大小取32×32增強(qiáng)效果最佳。

為節(jié)約運(yùn)行時(shí)間，并選出最佳的子塊大小，只采用改變子塊大小的POSHE增強(qiáng)，并從三個(gè)數(shù)據(jù)庫(kù)中分別取小部分圖像（100類，共600幅圖像）進(jìn)行實(shí)驗(yàn)，計(jì)算EER，實(shí)驗(yàn)結(jié)果如表1，經(jīng)驗(yàn)證以上結(jié)論完全正確。

2.2.4?自適應(yīng)融合方法增強(qiáng)效果分析

圖9分別為3個(gè)數(shù)據(jù)庫(kù)的DCP增強(qiáng)圖、POSHE增強(qiáng)圖、自適應(yīng)融合增強(qiáng)圖。DCP增強(qiáng)圖噪聲小，多數(shù)靜脈區(qū)邊界清晰，但對(duì)比度和亮度提升不大，部分靜脈區(qū)域欠增強(qiáng)，部分靜脈與背景融為一體，如圖9（a）圈出部分;POSHE增強(qiáng)圖靜脈增強(qiáng)明顯，但整體圖像對(duì)比度和亮度偏高，背景與靜脈邊緣模糊，部分非靜脈區(qū)域過(guò)增強(qiáng)，掌紋噪聲影響較大，有較小的塊效應(yīng)，如圖9（b）圈出部分;自適應(yīng)融合增強(qiáng)圖融合了兩種增強(qiáng)方法的優(yōu)勢(shì)，圖像整體亮度與對(duì)比度適中，靜脈與背景邊界清晰且局部靜脈細(xì)節(jié)清晰，掌紋噪聲影響小。

2.2.5?與已有方法的比較

將本文方法與目前增強(qiáng)效果較好的幾種方法進(jìn)行比較：文獻(xiàn)[20]方法分為圖像模糊化、圖像隸屬度值和去模糊化三個(gè)主要階段，使用具有模糊隸屬度值的區(qū)間2型模糊集增強(qiáng)，得到更為明亮、清晰的增強(qiáng)圖像。文獻(xiàn)[21]方法為先用高斯差分（Difference Of Gaussians， DOG）濾波器增強(qiáng)靜脈細(xì)節(jié)，高斯核的半徑比為4∶1;再用直方圖均衡化提高對(duì)比度，突出靜脈，得到最終增強(qiáng)圖像。文獻(xiàn)[22]方法為先使用雙曲正切函數(shù)代替sigmoidal函數(shù)提高圖像對(duì)比度;其次使用4個(gè)方向的Gabor濾波器濾除噪聲并突出方向信息;最后用CLAHE進(jìn)一步增強(qiáng)對(duì)比度，得到增強(qiáng)圖像。文獻(xiàn)[23]方法先將估計(jì)背景灰度矩陣與ROI圖像作差，對(duì)圖像進(jìn)行CLAHE增強(qiáng)得到初步去噪、增強(qiáng)的掌靜脈圖像;再構(gòu)建8個(gè)方向?yàn)V波器，提取掌紋;并將掌紋提取圖像與初步增強(qiáng)圖像進(jìn)行加權(quán)融合、閾值分割，得到最終增強(qiáng)圖像。不同增強(qiáng)方法的增強(qiáng)圖像如圖10所示。

本文EER和識(shí)別率的計(jì)算均采用文獻(xiàn)[18]方法，實(shí)驗(yàn)結(jié)果如表2所示，可看出本文方法在三個(gè)數(shù)據(jù)庫(kù)中的EER大部分都低于現(xiàn)有的增強(qiáng)方法，由于自建庫(kù)圖像受運(yùn)動(dòng)模糊影響較大，部分靜脈比較模糊，所以基于模糊集的方法和用Gabor方向?yàn)V波器增強(qiáng)的方法效果會(huì)稍微好一些，但在兩個(gè)公開(kāi)庫(kù)增強(qiáng)效果一般。Gabor濾波器的增強(qiáng)時(shí)間會(huì)隨方向?yàn)V波器的增加而增加，方向?yàn)V波器過(guò)多會(huì)影響實(shí)時(shí)性;模糊集方法只對(duì)自建庫(kù)模糊圖像增強(qiáng)效果較好，增強(qiáng)區(qū)域單一。

表2中CRR表示不同增強(qiáng)方法的識(shí)別率，識(shí)別率越高，增強(qiáng)效果越好。圖11為PolyU庫(kù)、自建庫(kù)和CASIA庫(kù)的受試者工作特征（Receiver Operating Characteristic， ROC）曲線，由此可看出，本文方法在三個(gè)數(shù)據(jù)庫(kù)中的識(shí)別率基本都高于現(xiàn)有的增強(qiáng)方法。

算法的高效性對(duì)于實(shí)際識(shí)別系統(tǒng)的設(shè)計(jì)具有一定的現(xiàn)實(shí)意義，本文對(duì)增強(qiáng)算法的時(shí)間進(jìn)行統(tǒng)計(jì)，求取平均值。表2中展示出不同增強(qiáng)方法對(duì)運(yùn)算時(shí)間的影響，其中，文獻(xiàn)[20-23]方法比較簡(jiǎn)單，直接應(yīng)用于整幅圖，用時(shí)少;本文方法采用了分塊融合的形式，運(yùn)算時(shí)間有所增加，但以0.14s的時(shí)間進(jìn)行增強(qiáng)仍能夠滿足實(shí)時(shí)性的要求;文獻(xiàn)[22]方法使用4個(gè)方向Gabor濾波器，用時(shí)較其他方法多。由此看出，本文方法簡(jiǎn)單有效，在獲得較好的識(shí)別精度的同時(shí)，所用運(yùn)算時(shí)間也比較少，具有實(shí)時(shí)性。

3?結(jié)語(yǔ)

本文研究的目的是設(shè)計(jì)合適的方法，盡可能提高掌靜脈圖像的對(duì)比度和亮度，突出掌靜脈的細(xì)節(jié)信息，為后續(xù)的掌靜脈識(shí)別提供更可靠的增強(qiáng)圖像。本文方法基于DCP和POSHE算法，將兩種算法增強(qiáng)后的圖像進(jìn)行自適應(yīng)選取最優(yōu)融合權(quán)重，實(shí)現(xiàn)優(yōu)劣互補(bǔ)，解決了DCP算法丟失局部細(xì)節(jié)信息與POSHE算法帶來(lái)的過(guò)增強(qiáng)和塊效應(yīng)等問(wèn)題。實(shí)驗(yàn)結(jié)果表明，本文方法與現(xiàn)有增強(qiáng)方法相比增強(qiáng)效果更好，提高了識(shí)別率，降低了EER。本文提出的自適應(yīng)融合方法可以拓展至其他增強(qiáng)方法，為進(jìn)一步研究不同增強(qiáng)算法之間的自適應(yīng)融合提供參考，以期獲得更好的增強(qiáng)效果。

參考文獻(xiàn)（References）

[1] 孟憲靜， 襲肖明， 楊璐， 等. 基于灰度不均勻矯正和SIFT的手指靜脈識(shí)別方法[J]. 南京大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 54（1）： 1-10. （MENG X J， XI X M， YANG L， et al. Finger vein recognition based on intensity inhomogeneity correction and scale invariant tfeature transform[J]. Journal of Nanjing University （Natural Science）， 2018， 54（1）： 1-10.）

[2] KUBANEK M， SMORAWA D， HOLOTYAK T. Feature extraction of palm vein patterns based on two-dimensional density function[C]// ICAISC 2015： Proceedings of the 2015 Artificial Intelligence and Soft Computing， LNCS 9120. Berlin： Springer， 2015： 101-111.

[3] SHIN K Y， PARK Y H， NGUYEN D T， et al. Finger-vein image enhancement using a fuzzy-based fusion method with Gabor and Retinex filtering[J]. Sensors， 2014， 14（2）： 3095-3129.

[4] ZHANG L G. A novel algorithm for hand vein enhancement and segmentation based on the Retinex method[EB/OL]. [2018-05-10]. http：//dx.doi.org/10.2495/CECNet130411.

[5] YANG X， JIAN L， WU W， et al. Implementing real-time RCF-Retinex image enhancement method using CUDA[J]. Journal of Real-Time Image Processing， 2018， 25（4）： 1-11.

[6] 楊數(shù)強(qiáng)， 楊杰慧， 宋亞龍.手指靜脈圖像小波增強(qiáng)算法[J]. 現(xiàn)代電子技術(shù)， 2013， 36（15）： 73-75. （YANG S Q， YANG J H， SONG Y L. Finger vein image enhancement algorithm based on wavelet transform[J]. Modern Electronics Technique， 2013， 36（15）： 73-75.）

[7] ZHANG C， FU Y. Research on the image enhancement algorithm based on improved wavelet transform[J]. Journal of Convergence Information Technology， 2013， 8（6）： 384-392.

[8] 陳朋， 姜立， 王海霞， 等. 基于散射卷積網(wǎng)絡(luò)的手指靜脈識(shí)別方法研究[J]. 浙江工業(yè)大學(xué)學(xué)報(bào)， 2018， 46（1）： 56-60. （CHEN P， JIANG L， WANG H X， et al. Finger vein recognition based on scattering convolution network[J]. Journal of Zhejiang University of Technology， 2018， 46（1）： 56-60.）

[9] HAJIAN A， AMLI D. Sharpness enhancement of finger-vein image based on modified un-sharp mask with Log-Gabor filter[J]. Procedia Computer Science， 2018， 126（7）： 431-440.

[10] 蔡超峰，任景英. 基于直方圖均衡化的手背靜脈圖像對(duì)比度增強(qiáng)[J]. 計(jì)算機(jī)應(yīng)用， 2013， 33（4）： 1125-1127.（CAI C F， REN J. Contrast enhancement of hand vein images based on histogram equalization[J]. Journal of Computer Applications， 2013， 33（4）： 1125-1127.）

[11] FRANCIS M. An efficient algorithm to enhance near infrared images of blood vein in antecubital fossa based on adaptive histogram equalization [C]// Proceedings on ELSEVIER International Conference on Emerging Trends in Electrical Engineering. Amsterdam： Elsevier， 2014： 35.

[12] JENA G， JENA S， BONAM V R. Image enhancement using fuzzy set[C]// AHFE 2017： Proceedings of the 2017 Advances in Human Factors in Simulation and Modeling. Berlin： Springer， 2017： 141-150.

[13] 江曉龍， 王華彬， 王東旭， 等. 改進(jìn)的單幅近紅外掌紋掌靜脈圖像融合識(shí)別[J/OL]. 計(jì)算機(jī)應(yīng)用研究， 2019. [2018-04-12]. http：//www.arocmag.com/article/02-2019-07-055.html. （JIANG X L， WANG H B， WANG D X， et al. Improved fusion recognition for near infrared palmprint and palm vein image [J/OL]. Application Research of Computers， 2019. [2018-04-12]. http：//www.arocmag.com/article/02-2019-07-055.html.）

[14] ZHAO J， TIAN H， X U W， et al. A new approach to hand vein image enhancement[C]// Proceedings of the 2009 Second International Conference on Intelligent Computation Technology and Automation. Piscataway， NJ： IEEE， 2009： 499-501.

[15] HE K， SUN J， TANG X. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（12）： 2341-2353.

[16] KIM J Y， KIM L S， HWANG S H. An advanced contrast enhancement using partially overlapped sub-block histogram equalization[J]. IEEE Transactions on Circuits & Systems for Video Technology， 2001， 11（4）： 475-484.

[17] ZHOU Y， KUMAR A. Human identification using palm-vein images [J]. IEEE Transactions on Information Forensics & Security， 2011， 6（4）： 1259-1274.

[18] 周宇佳， 劉婭琴， 楊豐， 等. 基于方向特征的手掌靜脈識(shí)別[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2014， 19（2）： 243-252. （ZHOU Y J， LIU Y Q， YANG F， et al. Palm-vein recognition based on oriented features[J]. Journal of Image and Graphics， 2014， 19（2）： 243-252.）

[19] LIU Y， ZHOU Y， QIU S， et al. Real-time locating method for palmvein image acquisition[C]// ICIG 2015： Proceedings of the 2015 Image and Graphics. Berlin： Springer， 2015： 94-110.

[20] EZHILMARAN D， JOSEPH R B. Finger vein biometric system with type-2 fuzzy enhancement and minutiae matching[C]// Proceedings of the 2017 IEEE Region 10 Symposium. Piscataway， NJ： IEEE， 2017： 1-4.

[21] KANG W， LIU Y， WU Q， et al. Contact-free palm-vein recognition based on local invariant features[J]. PLoS One， 2014， 9（5）： 1-12.

[22] QIU S， LIU Y， ZHOU Y， et al. Finger-vein recognition based on dual-sliding window localization and pseudo-elliptical transformer[J]. Expert Systems with Applications， 2016， 64： 618-632.

[23] 袁玲， 黃靖， 劉婭琴， 等. 基于圖像融合的去掌紋手掌靜脈圖像增強(qiáng)方法[J]. 科學(xué)技術(shù)與工程， 2016， 16（36）： 48-54. （YUAN L， HUANG J， LIU Y Q， et al. Palm vein enhancement algorithm by removing palmprint based on image fusion[J]. Science Technology and Engineering， 2016， 16（36）： 48-54.）