生物识别技术是通过计算机与光学、声学、生物传感器和生物统计学原理等密切结合，利用人体固有的生理特性(指纹、人脸、虹膜等)和行为特征(笔迹、声音、步态等)进行个人身份的鉴定[1]。人体手指静脉识别技术是根据人体骨骼和肌肉组织对红外光吸收强弱的特点，选择当近红外光的入射光波长在720 nm~1 100 nm时,照射手指可较好地突显出静脉血管，并由一台CCD像机拍摄手指静脉图像来进行个人身份认证。手指静脉识别系统以采集人手内部的静脉血管作为数据，具有非接触式、设备成本低廉等优点,并且人的手指拥有比手背更为丰富的静脉对象，可以同时采集多个手指信息进行识别,以提高识别率。所以将手指静脉识别作为一种身份认证方式，应用于信息安全等领域具有非常重要的现实意义。

    在采集手指静脉图像的过程中，光照强度和手指厚度的不均匀性，导致采集到的图像光强度不均匀、对比度较差，造成手指静脉血管和背景的界限不明显,对静脉分割和特征识别等处理有很大的影响。针对手指静脉图像对比度低、光照不均的问题，采用直方图均衡化[2-4]方法以及基于频域的同态滤波[5]算法都能很好地对光照不均的问题进行处理。但图像分割一直以来都是图像处理的难点，没有通用的算法可以满足图像的多样性变化。目前，已有研究针对采集质量良好的手指静脉图像提出一些分割算法，但针对低对比度的静脉图像如何分割的问题，目前还没有理想的解决办法。
    本文基于对手指静脉图像特征的分析，采用自适应阈值的同态滤波算法消除光照不均匀的问题，然后在WELLNER P D提出的快速自适应阈值分割[6]的基础上，提出新的变权重判别函数，改进处理效果。实验选取真实手指静脉图像为处理对象，通过定性和定量分析来比较不同的算法。
1 自适应同态滤波算法
    受光照不均的影响，手指静脉图像中间部分亮度偏大、两边亮度偏暗，造成静脉的部分信息丢失。
    自适应同态滤波算法是针对同态滤波自身算法的局限性提出的一种智能对比度增强的算法，其在增强图像对比度的同时，可消除光照不均，保留图像的细节,处理结果如图1所示。

2 手指静脉分割
    常用的阈值方法有大津法(Otsu)[7]、局部动态阈值算法(NiBlack)[8]及二维最大熵[9]阈值算法。
    Otsu算法基本思想：选取最佳阈值t,使得不同类间的分离性最好。首先基于直方图得到各分割特性值的概率，并以阈值变量t将分割特征值分为两类，然后求出每一类的类内方差及类间方差，选取使类间方差最大、类内方差最小的t作为最佳阈值。
   
2.1 快速自适应阈值分割
    从机器视觉的角度出发，人眼在区别目标物和背景时，是依据所观察到的目标物及其周围背景的灰度值差异[10]来区别的。因此用机器语言模拟人眼的观察角度是最直接、最简单的方法，也是目前大多数机器视觉软件采取的方法。快速自适应阈值分割算法的基本思想是通过对每个像素周围或者扫描顺序上其他点的平均值来确定阈值后，再对像素的像素值进行修改(0代表黑色表示图像的静脉，255代表白色表示图像的背景)。从人眼的视觉角度出发，可以发现灰度值越是靠近人们所感兴趣的目标物重要性越高，而偏离分割物的灰度值则相反。因此，可以采取变权重的方法，使用递归调用来加快处理的效率。
    变权重方法使得像素点离目标物的距离和其重视程度成反比。距离越近，则受权重的影响越大；距离越远，则受权重的影响成线性减小。变权重函数的推导公式如下：
    
　    图8为细化后图像的局部图，可明显看出分叉点处有像素的冗余。目前常用的算法是用多个模版进行迭代[12]消除冗余点，但是这个算法比较耗费时间。本文则采用链表，直接对每一个像素的四邻域进行处理。算法描述如下：

    本文对手指静脉图像分割算法进行了优化。该算法的核心是先通过自适应同态滤波算法,把光照不均匀的图像进行增晰，采用快速自适应阈值算法提取静脉信息。实验结果表明，选择本文改进后的同态滤波算法，可以得到较好的图像增强效果。通过自适应阈值分割算法，可以很好地提取静脉信息，最大限度地消除伪静脉的影响。通过与其他图像分割的方法进行定性、定量比较证明，本文的图像分割方法更为实用。
参考文献
[1] 余成波, 秦华锋. 生物特征识别技术.手指静脉识别技术[M]. 北京:清华大学出版社, 2009.
[2] 毛本清, 金小梅. 自适应直方图均衡化算法在图像增强处理的应用[J]. 河北北方学院学报, 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] 温学兵, 赵江魏, 梁学章. 基于小波去噪和直方图模板均衡化的手指静脉图像增强[J]. 吉林大学学报, 2008,46(2):291-292.
[5] 陈春宁, 王延杰. 在频域中利用同态滤波增强图像对比度[J]. 微计算机信息, 2007,23(2):264-266.
[6] BRADLEY D. Adaptive thresholding using the integral image[C]. Tech. Rep. EPC-07-110, Euro PARC, 2007.
[7] 陈琪, 熊博莅. 改进的二维Otsu 图像分割方法及其快速实现[C]. 电子与信息学报, 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, 卢丽燕. 基于二维最大熵阈值分割的体绘制技术研究[J]. 电子器件, 2008,31(3): 923-930.
[10] 康文雄, 邓飞其. 基于最大邻域内差的静脉图像增强和图像分割[J]. 光学学报, 2009,29(7):1830-1837.
[11] 单建华. 种子像素滤波法去除随机脉冲噪声[J]. 中国图像图形学报, 2012,17(1):49-53.
[12] 张晋阳,孙懋珩.手背静脉图像骨架特征提取的算法[J].计算机应用, 2007,1(1):152-154.