低对比度手背静脉图像的增强和分割

合集下载

低对比度图像的清晰化与增强

低对比度图像的清晰化与增强低对比度图像指的是图像中的亮度差异较小，颜色灰暗、模糊的图像。

在处理这类图像时，可以通过清晰化和增强来提升图像的视觉效果和信息表达能力。

清晰化是指通过增强图像的边缘、纹理和细节等图像信息，使其更加清晰、锐利，提高图像的可识别度和可视性。

清晰化基于图像的局部特性进行操作，常用的方法有锐化滤波、边缘检测和图像增强等。

锐化滤波是一种常用的清晰化方法，它通过增强图像中的高频成分，使得图像的边缘和细节更加明显。

常用的锐化滤波器有拉普拉斯滤波器和Sobel滤波器等。

拉普拉斯滤波器通过对图像进行二阶导数操作，增强图像中的高频成分；Sobel滤波器通过计算图像中的梯度来增强图像的边缘信息。

边缘检测也是清晰化图像的重要方法，它可以通过检测图像中的边缘信息来增强图像的视觉效果。

常用的边缘检测算法有Canny算法和Sobel算法等。

Canny算法通过计算图像中的梯度和非极大值抑制来检测图像的边缘；Sobel算法通过计算图像中的梯度来检测图像的水平和垂直边缘。

图像增强是提高图像的亮度、对比度和饱和度等视觉属性，使图像更加美观和易于理解。

常见的图像增强方法有直方图均衡化和自适应直方图均衡化等。

直方图均衡化通过调整图像的亮度分布，使得图像的亮度范围更加均匀，增强图像的对比度和亮度；自适应直方图均衡化是一种根据图像局部特性来调整亮度分布的方法，使得不同区域的亮度得到合适的增强，并避免了全局对比度的过度增强。

除了上述方法，还可以通过增加图像的局部对比度来清晰化和增强图像。

局部对比度是指图像中不同区域之间的亮度差异，通过增加图像中的局部对比度，可以使图像中的细节更加清晰，提高图像的视觉效果。

常用的方法包括维纳滤波、小波变换和多尺度分解等。

维纳滤波通过对图像进行频域滤波操作，增加图像的高频成分，从而提高图像的清晰度；小波变换和多尺度分解可以将图像分解为不同尺度的频域成分，通过增加高频成分来增强图像的细节。

基于静脉灰度值特征的图像分割算法研究

DOI: 10.12086/oee.2018.180066基于静脉灰度值特征的图像分割算法研究王定汉，冯桂兰*，王雄，吴羽峰，邓毛华中国计量大学光学与电子科技学院，浙江杭州 310018摘要：手背静脉图像的采集过程中，由于图像采集设备、光照、皮下脂肪厚度等因素的影响，手背静脉图像的对比度比较低，同时图像噪声严重影响静脉提取。

针对此问题，本文提出了一种基于静脉灰度值特征的图像分割与对比度增强算法。

首先提取ROI(有效的感兴趣区域)和对ROI进行维纳滤波；然后采用新的图像分割算法对静脉图像进行静脉提取，利用8-邻接内边界跟踪方法和形态学处理方法对静脉二值图像进行去噪；最后将ROI与去噪后的图像进行加权叠加得到对比度增强的静脉图像。

实验结果表明，通过采用基于静脉灰度值特征的图像分割算法可以很好地获取到静脉脉络，最终可以获得高对比度的静脉图像。

关键词：手背静脉图像；图像分割；8-邻接内边界跟踪；图像加权叠加中图分类号：TP391.41 文献标志码：A引用格式：王定汉，冯桂兰，王雄，等. 基于静脉灰度值特征的图像分割算法研究[J]. 光电工程，2018，45(12): 180066 Research on image segmentation algorithm based on features of venous gray valueWang Dinghan, Feng Guilan*, Wang Xiong, Wu Yufeng, Deng MaohuaCollege of Optical and Electronic Technology, China Jiliang University, Hangzhou, Zhejiang 310018, ChinaAbstract: In the process of collecting hand vein images, due to the influence of image acquisition equipment, illu-mination and subcutaneous fat thickness, the contrast of hand vein images is relatively low. Meanwhile, vein extrac-tion is seriously affected by image noise. To solve this problem, an algorithm of image segmentation and contrast enhancement based on features of venous gray value is proposed in this paper. Firstly, effective region of interest (ROI) is extracted and filtered through Wiener filtering. Secondly, a new image segmentation algorithm is obtained to extract vein image. The venous binary image is denoised by an 8-adjacent inner boundary tracking method and morphological processing. Finally, contrast-enhanced venous images are obtained by weight stack of the ROI and denoised images. The experiments results show that intravenous veins can be obtained perfectly by using the image segmentation algorithm based on features of venous gray value. Moreover, the high contrast venous images can be obtained.Keywords: hand vein image; image segmentation; 8-adjacent inner boundary tracking; image weighted superposi-tionCitation: Wang D H, Feng G L, Wang X, et al. Research on image segmentation algorithm based on features of venous gray value[J]. Opto-Electronic Engineering, 2018, 45(12): 180066——————————————————收稿日期：2018-02-02；收到修改稿日期：2018-07-02基金项目：国家自然科学基金资助项目(61505192)；浙江省自然科学基金资助项目(LQ15F050004)作者简介：王定汉(1990-)，男，硕士研究生，主要从事图像处理的研究。

低对比度图像的清晰化与增强

低对比度图像的清晰化与增强低对比度图像指的是图像中颜色的变化范围较小，即图像中的最亮和最暗的像素之间差异较小。

这种图像通常会使人感到模糊、暗淡，缺乏细节和清晰度。

我们可以采用一些方法来清晰化和增强低对比度图像，使其变得更加清晰和易于观察。

第一种方法是调整图像的对比度。

对比度是指图像中最亮和最暗像素之间的差异度量，高对比度意味着图像中的颜色变化范围较大，而低对比度则意味着颜色变化范围较小。

我们可以使用图像处理软件中的对比度调整工具来增加图像的对比度。

通过增大对比度，我们可以使图像中的细节更加清晰，使图像变得更加鲜明。

但是要注意不要过度增加对比度，否则可能会引入噪声和失真。

第二种方法是使用直方图均衡化。

直方图是图像中像素分布的统计图，它显示了每个灰度级对应的像素数量。

直方图均衡化是一种调整图像亮度和对比度的方法，它可以通过重新映射图像中像素的灰度级分布来增强图像的对比度。

直方图均衡化可以使图像中的灰度级均匀分布，从而使图像中的细节更清晰可见。

第三种方法是增强局部细节。

低对比度图像通常会使细节变得模糊不清，因此我们可以使用图像锐化技术来增强细节。

常用的图像锐化技术包括拉普拉斯滤波和增强边缘检测。

这些方法可以突出显示图像中的边缘和细节，使图像变得更加清晰和鲜明。

我们还可以使用图像平滑技术来减少图像中的噪声，从而提高图像的清晰度。

常用的图像平滑技术包括高斯模糊和中值滤波。

这些方法可以去除图像中的噪声，使图像变得更加清晰和平滑。

还有一些基于深度学习的图像增强方法可以用来清晰化低对比度图像。

这些方法利用神经网络来学习图像特征，并生成增强后的图像。

这些方法通常能够提供更好的结果，但其计算复杂度较高，需要较长的处理时间。

通过对比度调整、直方图均衡化、锐化、平滑和基于深度学习的方法，我们可以有效地清晰化和增强低对比度图像，使其变得更加清晰和易于观察。

这些方法在图像处理和计算机视觉领域中被广泛应用，为我们观察和分析图像提供了有力的工具。

手背静脉图像分割算法技术研究

《数字图像处理与分析大作业》
题目：手背静脉图像分割算法技术研究学号： 111006125 学生姓名：孙利
专业：计算机科学与应用
指导教师：郑小东
2014年6月7日
目录
1手背静脉分割识别技术摘要............................. 错误！未定义书签。

2手背静脉分割识别技术现状 .......................................................... 错误！未定义书签。

2.1 手背静脉分割识别技术现状 (1)
2.2 手背静脉特征分割提取与匹配过程 (1)
3 手背静脉图像分割的预处理 (3)
3.1图像的有效区域分割提取 (3)
3.2图像的归一化 (4)
3.3图像的增强 (4)
3.4 图像的分割 (5)
3.5图像的细化 (6)
4 手背静脉图像的特征分割提取与匹配算法 (6)
4.1特征提取算法 (7)
4.2基于原点静距的特征提取 (7)
4.3 匹配算法 (8)
4.4 基于原点静距的匹配算法 (9)
5 总结 (9)
参考文献 (10)
附录 (11)。

低对比度图像的清晰化与增强

低对比度图像的清晰化与增强低对比度图像的清晰化与增强是图像处理领域中的一个重要任务，主要用于改善图像的质量和可视化效果。

低对比度图像通常指的是灰度图像中像素灰度级别较少或灰度差异较小的情况。

低对比度图像的清晰化可以通过以下几个步骤实现：1. 直方图均衡化：直方图是图像中不同灰度级别像素的数量分布情况。

直方图均衡化通过调整图像的像素值分布，使得像素灰度级别更加均匀分布，从而增强图像的对比度。

该方法通过计算图像的累积直方图，并对图像中每个像素值进行归一化处理，从而实现对图像的清晰化增强。

2. 自适应直方图均衡化：常规直方图均衡化方法对整个图像应用相同的像素值变换规则，这可能导致图像的局部细节被过度增强或压缩。

自适应直方图均衡化则通过分割图像为不同的区域，并对每个区域分别进行直方图均衡化操作，从而保留了图像的局部细节信息，提高了图像的清晰化增强效果。

3. 对比度拉伸：对比度是图像中最亮（最大灰度级别）和最暗（最小灰度级别）像素之间的灰度差异程度。

对比度拉伸通过调整图像的像素值范围，将原本分布在较窄灰度范围内的图像像素均匀分布到整个灰度级别范围内，从而增强图像的对比度。

对比度拉伸方法可以通过简单的线性变换实现，或者通过应用特定的增强函数进行非线性变换。

4. 锐化滤波：锐化滤波通过增强图像边缘和细节信息来改善图像的清晰度。

常用的锐化滤波方法包括拉普拉斯滤波、Sobel滤波和Canny边缘检测等。

这些滤波器可以通过基于图像梯度的计算方法来增强图像的边缘信息，从而使图像变得更加清晰。

低对比度图像的增强可以通过上述方法进行，下面给出一个具体的实现示例：1. 加载图像并转化为灰度图像。

2. 对图像进行直方图均衡化操作。

6. 输出增强后的图像。

通过上述步骤，我们可以清晰化并增强低对比度图像，从而改善图像的可视化效果和质量。

低对比度图像的清晰化与增强是通过直方图均衡化、自适应直方图均衡化、对比度拉伸和锐化滤波等方法来实现。

低对比度图像的清晰化与增强

低对比度图像的清晰化与增强【摘要】低对比度图像是一种常见且常见的图像质量问题，影响着图像的清晰度和质量。

在本文中，我们将探讨低对比度图像的特点、常见的清晰化与增强方法，以及基于直方图均衡化、模糊滤波和锐化、深度学习等技术的图像增强方法。

通过对比这些方法的优缺点，可为提高图像质量提供参考。

未来，值得进一步研究和探讨的是如何综合运用不同方法，以实现更有效的低对比度图像的清晰化与增强。

通过这些研究，我们可以更好地应用于实际图像处理任务，并提升图像质量和可视化效果。

【关键词】低对比度图像、清晰化、增强、直方图均衡化、模糊滤波、锐化、深度学习、总结、未来研究方向。

1. 引言1.1 背景介绍低对比度图像是指图像中亮度差异较小，色彩变化不明显的图像。

这种图像通常给人视觉上的模糊、暗淡的感觉，影响了图像的清晰度和信息传达效果。

低对比度图像常见于拍摄条件不理想或者图像处理过程中信息损失导致的情况。

在日常生活和工作中，低对比度图像给图像识别、分析和处理带来了困难和挑战。

清晰化与增强低对比度图像的研究变得尤为重要。

通过有效地提高图像的对比度，可以使图像信息更加清晰、准确地传达给用户。

目前，关于低对比度图像的清晰化与增强方法有很多种，包括基于直方图均衡化、基于模糊滤波和锐化、以及基于深度学习等技术。

通过对这些方法的研究和分析，我们可以更好地了解如何有效地提高低对比度图像的质量，从而满足实际应用中对图像质量和清晰度的需求。

本文将深入探讨低对比度图像的特点和常见的清晰化与增强方法，以及基于直方图均衡化、模糊滤波和锐化、以及深度学习等技术来增强和清晰化低对比度图像的方法。

通过这些研究，我们希望可以为提高低对比度图像的质量和应用提供一些有益的参考和借鉴。

1.2 研究意义低对比度图像的清晰化与增强在图像处理领域具有重要的研究意义。

随着数字摄影技术的不断发展，人们对于图像质量的要求也越来越高。

由于光照条件、摄影设备等因素的影响，很多图像在拍摄过程中会出现低对比度的情况，导致图像细节不清晰，色彩不鲜明，影响了图像的观赏效果和信息传递能力。

手指静脉图像的分割与细化算法研究

手指静脉图像的分割与细化算法研究手指静脉图像的分割与细化算法研究摘要：手指静脉识别作为一种生物识别技术已经被广泛研究和应用。

在手指静脉图像处理过程中，分割和细化是两个重要的步骤，直接影响到识别的准确性和性能。

本文针对手指静脉图像的特点，提出了一种分割与细化算法，并分析了其性能及实际应用效果。

1. 引言随着生物识别技术的发展，手指静脉作为一种新的身份验证方式逐渐受到关注。

相比于传统的指纹、人脸等生物识别技术，手指静脉具有唯一性高、不易伪造的优点，因此在金融、安全等领域具有广泛的应用前景。

手指静脉图像的分割与细化是手指静脉识别的基础步骤，旨在提取出手指静脉的主要特征并去除图像中的干扰部分。

因此，精确且高效的分割与细化算法对于手指静脉识别系统的性能和可靠性至关重要。

2. 分割算法手指静脉图像通常包含了背景、手指、皮肤和静脉等多个元素。

为了准确地分割出手指静脉，本文提出了一种基于阈值分割的算法。

具体步骤如下：2.1 图像预处理首先，对手指静脉图像进行预处理，包括图像灰度化、滤波和增强等操作。

该步骤旨在消除图像中的噪声，增强静脉纹理的对比度，提高分割的准确性。

2.2 阈值分割基于预处理后的图像，使用阈值分割来将手指静脉从图像中分割出来。

阈值分割是一种简单而有效的分割方法，通过设定适当的阈值来获取目标图像中的目标。

2.3 噪声去除分割后的图像通常会存在一些噪声点或干扰线，为了确保分割结果的准确性，需要对这些噪声进行去除。

本文采用形态学操作来消除噪声点并保持静脉的完整性。

3. 细化算法细化是将分割后的静脉纹理变细的过程，以便更好地提取纹理特征。

本文提出了一种基于细化算法的方法，通过对分割结果进行迭代细化，保留静脉的主要特征。

3.1 边缘检测首先，对分割后的图像进行边缘检测，将静脉纹理的边缘提取出来，作为细化的初始值。

3.2 细化算法本文采用迭代的方式进行细化，具体步骤如下：- 对于每一个像素点，计算其周围8个邻域的像素值，并与当前像素值进行比较，如果周围像素中至少有3个像素值大于当前像素值，则将当前像素值设置为0。

手背静脉图像分割及细化算法研究

设定的邻域大小当邻域大小设定为５１ｘ５１时．ＮｉＢＩａｃｋ
法的分割效果较好。阈值图像法次之。这是由于ＮｉＢ１ａｃｋ法实质上可以看做是阈值图像法的推广
２图像分割与细化
针对手背静脉图像中静脉纹路与背景灰度级比较
提取手背静脉图像中的细节特征点必须首先得到以单像素宽度描述的静脉纹路然而，手背静脉图像往往
对比度不高．静脉血管和背景之间的分界不明显。因此．需要对采集到的静脉图像进行预处理。从而得到以
Ｚｈａｎｇ＆Ｓｕｅｎ算法和ＯＰＴＡ算法对分割后的二值图像进
行细化以获取静脉纹路。实验结果表明：（１）从分割效果来看．经ＯＳＴＵ算法分割后得到的图像中存在严重的快效应．因此不适合于手背静脉图像的分割阈值图像法和ＮｉＢｌａｃｋ法的分割结果依赖于
关键词：
手背静脉识别；图像分割；图像细化
基金项目：
２０１１年河南省科技计划项目（Ｎｏ．１１２１０２２１０１８９）、郑州轻工业学院博士科研基金项目（Ｎｏ．２０１１ＢＳＪＪ００７）
０引言
手背静脉识别是生物特征识别技术中的一种．它
是指在特定波长近红外光源的照射下．利用由ＣＣＤ摄
１图像有效区域提取、归一化、增强及去噪
本文基于Ｍ０ｈａｍｅｄＳｈａｈｉｎ博士提供的手背静脉图像数据库对相关的图像处理算法进行研究闭。数据库中的手背静脉图像分辨率为３２０ｘ２４０．具有２５６个灰度

一种低对比度CT图像的血管分割方法

一种低对比度CT图像的血管分割方法叶建平;郭李云;田毅【摘要】CT图像血管分割技术在疾病的诊断，手术规划等许多实际应用中发挥着重要的作用。

由于个体性差异和成像设备的限制，造影后的血管通常存在对比度低和噪声高的缺陷。

针对该数据特点提出了一套分割方法，首先采用直方图对图像进行预处理，以增强血管和周围区域的对比度；其次，改进 Hessian 矩阵血管增强的判别方法，使其对细小和模糊的管状结构更加敏感；最后，采用区域生长算法对增强后的数据进行血管提取，获得血管分支较丰富的分割数据。

实验证明本文的分割方法可以准确地实现血管分割，有效地避免了误分割，具有较好的鲁棒性。

%Vascular segmentation based on CT images plays an important role in many practical applications, such as disease diagnosis, surgical planning and so on. Due to limitations of individual differences and image forming apparatus, angiographic images still remain low contrast and strong noise. The paper provides a method of vessel segmentation, which first do the image preprocessing using histogram, then improve vesselness function of the vessel enhancement using Hessian matrix to make it more sensitive to small and fuzzy tubular structures, finally region growing algorithm is employed to extract the richer in vessel branching. The experiments proved the segmentation method can be achieved vessel segmentation accurately. It can avoid the error segmentation effectively and has a better robustness.【期刊名称】《计算机系统应用》【年(卷),期】2015(000)002【总页数】5页(P184-188)【关键词】血管分割;直方图预处理;Hessian矩阵血管增强;区域生长算法【作者】叶建平;郭李云;田毅【作者单位】深圳市旭东数字医学影像技术有限公司，深圳 518046;深圳市旭东数字医学影像技术有限公司，深圳 518046;深圳市旭东数字医学影像技术有限公司，深圳 518046【正文语种】中文血管分割技术在医学领域具有重要的科研价值和临床意义, 血管准确分割能够帮助医生对病情的了解及分析, 从而更好地引导医生进行手术; 血管三维重建模型也可以帮助病人快速根据病变器官周围血管的分布情况来判断病灶部位的病变程度. 螺旋CT造影是目前常用的血管成像技术, 但由于成像过程引入图像噪声和造影扫描时间个体化差异的影响, 使得血管增强后的数据通常带有低对比度、高噪声和边界模糊等影响观察和计算机识别的不良因素, 使得在低对比度和高噪声下的脉管分割成为一个棘手的难题.在血管分割方面, 很多研究者已经做了大量的工作. 如果血管的造影较好, 血管区域灰度值较高, 与周围组织可以区分, 采用区域生长算法可以获得满意的血管分割结果[1]. 但是, 由于血管分支属于细长的管状结构, 任何灰度的局部变化都有可能提前终止区域生长, 除非参数可以自适应的进行调整. 采用模糊连接算法虽然可以解决这一问题, 所以也被用于进行血管分割[2], 但是, 如果血管区域的灰度持续缓慢过渡到周围临近区域, 该算法无法正确处理. 中心线跟踪技术也被用于进行血管分割[3], 该方法由于不需要遍历整个图像空间, 所以计算速度快, 并且可以处理各种血管变形的情况, 如动脉瘤和动脉狭窄, 但是并不能获得所有可见的血管分支, 如垂直的血管分支. Hessian矩阵通常用于检测管状结构, 文献[4]采用传统的Hessian增强算法进行血管增强, 对增强后的数据通过区域生长算法进行血管提取. 文中的血管增强算法是一种较为理想的血管增强方法, 主要缺陷是对于高噪声和低对比度的血管图像较为不敏感, 因此提取的血管分支不够丰富.为了提取低对比度的血管分支, 本文设计了一套血管分割方法. 首先, 采用直方图对原始图像进行预处理, 以增强血管和周围区域的对比度. 其次, 采用改进的Hessian 矩阵血管增强算法对数据中的管状结构进行增强. 最后, 对增强后的数据采用区域生长算法进行血管分割, 并对分割的数据采用闭运算进行孔洞区域填充. 由于CT造影数据的血管区域通常存在高噪声和低对比度的特点, 传统的Hessian矩阵脉管增强的判断函数对模糊的管状结构提取效果不理想, 通过对Hessian矩阵的判断函数进行修改, 使肉眼可分辨的血管分支都可以增强, 之后采用区域生长算法可以消除增强后的伪管状区域, 提取完整的血管模型.为了将人眼可分辨的血管区域从低对比度影像数据分割出来, 本文设计了一套血管分割方法, 实现了对低对比度、高噪声的螺旋CT造影图像血管的准确分割.1.1 图像预处理本文首先对原始图像进行灰度直方图预处理, 以增强血管和周围区域的对比度, 提高血管分割的准确率. 以肝脏内血管数据为例, 预处理过程如下:1) 采用直方图统计血管以及周围区域的灰度分布范围;2) 设置一个半径为灰度邻域, 灰度中心值为,从到统计结果划分为份进行再次统计, 得到个统计结果为: ;3) 对个统计结果求出最大值;4)重设区域内所有像素点的灰度值该预处理算法可以最大限度地消除肝脏内血管周围区域的影响, 结果如图2所示,肝实质的绝大部分像素的灰度值被赋0. 其他部位脉管分割预处理方法可以参考上述过程.1.2 Hessian矩阵血管增强由于血管直径的差别, 各级血管中的造影剂厚度不同, 在图像中分布为较粗的血管灰度值较高, 而一些远端的细小的血管灰度值较低, 与周围的组织难以区分开来, 并且在成像过程中噪声是不可避免的, 这些都影响分割效果. 本文采用改进Hessian 矩阵特征值判别方法来实现对管状结构的增强.Hessian血管增强主要依据Hessian矩阵特征值对管状结构进行增强. 首先, 构造高斯滤波器, 为高斯滤波器的方差, 计算二阶导数, 用的二阶导数与直方图增强后图像的各个像素点逐一进行卷积得到、、、、和; 然后, 构造Hessian矩阵, 计算的三个特征值并按照从小到大进行排序, 三个特征值代表像素点在三维图像中各个方向的梯度变化程度.Frangi[5]提出Hessian矩阵特征值的判别方法:其中, 和分别体现对片状结构和团状结构的抑制作用强弱, 表示像素所在区域对于片状结构的相似程度, 代表了像素所在区域对于团状结构的相似程度.上述经典Hessian血管增强算法虽然对管状结构具有增强作用, 对片状或团状结构具有抑制作用, 但是该方法对于密度存在差异的管状结构容易形成凸起或者凹陷, 对于血管模糊区域增强后通常不满足管状条件, 无法获得增强. 因此, 对于对于影像中噪声较大, 灰度特征模糊的血管, 我们采用改进的特征值判别方法:其中, 抑制管状结构, 越大抑制作用越强;和的主要作用的增强管状结构, 和越大增强作用越明显.图3采用(2)中的判别方法对预处理后的数据进行增强, 灰色区域为增强后的结果, 可以看到较粗的特征明显的管状结构获得增强, 但是对于肉眼可观察的较细血管依然无法得到增强; 图4为采用式(3)中的判别方法对预处理后的数据进行增强后的结果, 可以看到该方法检测到的血管分支比图3丰富, 一些较细较模糊的血管分支都得到增强.1.3 区域生长算法即使在模糊的影像数据中, 血管主干也比较清晰, 所以Hessian矩阵进行血管增强的目标是增强半径较小的管状结构, 不需要考虑多尺度增强问题. 由于采用单尺度策略, 较粗血管(如动脉主干, 门静脉主干)会形成空洞, 并且增强后的血管存在间断和类管状结构的干扰等的问题, 故采用区域生长算法对增强后的数据进行分割. 区域生长算法[6,7]的优点是计算简单, 速度快, 对于均匀连续的的目标有较好的分割结果, 但是该方法对噪声敏感, 对影像数据比较模糊的部分处理效果不佳. 在Hessian增强后的数据上进行自适应区域生长可以避免这个缺点, 提取较完整的血管结构, 并且可以去除增强后类管状结构的干扰.本文采用基于区域内灰度分布统计性质作为血管分割的区域生长准则, 具体的过程[8]如下:①根据CT数据的灰度分布, 采用统计的方法设置血管的灰度范围, 该灰度范围不需要很准确.②在三维数据中手动选取种子点, 并将其相邻的26个像素点作为初始区域, 计算出此区域像素的均值和标准差.③根据均值和标准差, 确定一个阈值范围进行区域生长. 在第次生长中, 根据第次生长计算的均值和标准差,计算第次的阈值范围.④在第次迭代中, 以第次生长的结果作为第次的初始区域, 计算满足阈值范围, 并与相连通的所有点的集合.⑤计算第n次感兴趣区域的均值和标准差.⑥重复3到5步, 直到不再生长, 或者阈值超出设定值.的选择对整个算法的效果影响很大, 越大, 分割区域越充分, 但是可能导致过分割的现象, 反之, 越小, 容易造成分割不足. 预设置血管灰度的范围可以避免灰度渐变导致的过分割现象.采用自适应区域生长算法对数据进行分割后, 可以获得血管的分割数据, 但是可能存在空洞区域, 我们采用数字形态学中的闭运算对该区域进行填充, 获得完整的分割数据.采用文中介绍的方法进行血管分割, 并对分割结果进行三维重建以方便显示, 在自主研发软件3DMIA的平台上进实验及结果展示.通常, 文中介绍算法的参数定义: , , , ,, , . 采用Philips公司的CT采集的一组静脉期血管造影数据. 图6表示图5的切片分割后的结果, 血管区域用红色表示, 可以看到肉眼可分辨的血管区域大多数都可以分割出来, 并且不存在错误分割的情况. 图7表示采用1.3节中介绍的区域生长算法进行血管分割重建后的结果, 可以发现单纯采用区域生长算法对模糊的血管提取效果很差, 门静脉血管主干也无法正确提取. 图8是采用传统的Hessian矩阵进行血管增强后, 结合区域生长算法进行血管提取的重建结果, 该方法的血管分支比较丰富, 但是依然会丢失灰度差异较大, 但是肉眼可分辨的血管分支. 图9采用文中介绍的方法进行血管的分割重建, 可以看到血管分支较图8更为丰富.由于门静脉血管和肝静脉血管互相穿插, 其行走如双手十指交叉, 通常进行血管分割时会将门静脉和肝静脉血管同时分割出来, 如图中所示.由于成像设备的限制和个体性差异, 许多CT造影数据中的血管分割依然存在困难. 本文结合Hessian矩阵血管增强算法和自适应区域生长算法进行血管分割, 该方法可以有效地提取细小血管和模糊血管, 实验证明该方法对低对比度高噪声的数据依然可以获得满意的分割结果.1 Selle D, Preim B, Schenk A, Peitgen HO. Analysis of vasculature for liver surgical planning. IEEE Trans. on Medical Imaging, 2002, 21(11): 1344–1357.2 Saha PK, Udupa JK, Odhner D. Scale-based fuzzy connected image segmentation: Theory, algorithms, and validation. Computer Vision Image Understanding, 2000, 77(2): 145–174.3 Wink O, Nieesen WJ, Viergever MA. Fast delineation and visualization of vessels in 3-D angiographic images. IEEE Trans. on Med Imaging, 2000, 19(4): 337–346.4 刘晏丽,赵卫东,陈宇飞,王志成,孟齐文.基于Hessian矩阵和区域生长的肝血管树的分割算法研究.计算机与现代化, 2011,1(185):113–116.5 Van AHC, Danilouchkine MG, et al. SPASM: a 3D-ASM for segmentationof sparse and arbitrarily oriented cardiac MRI data. Medical Image Analysis. 2006, 10(2): 286–303.6 李全民,张运楚.自适应回合高斯背景模型的改进.计算机应用,2007,27(8):102–109.7 彭丰平,鲍苏苏,曾碧卿.基于自适应区域生长算法的肝脏分割.计算机工程与应用,2010,46(33):198–200.8 宋红,王勇,黄小川,等.基于动态自适应区域生长的肝脏CT图像肿瘤分割算法.北京理工大学学报,2014,34(1):72–76.。

人体手背静脉血管图像增强与特征匹配

ａｏｔａｍ－ｏｓｅｎｉｇｅｔｃｔｎｉｒｐｓｄＡｄｐｉｅｈｓｏｒｍａａｃｎｓｄｔｎａｃｅｃｎｒｓｆｅｂｃｇｏｎｂｕｌｄｒａｖｉｐｍａｅｉｎｉａｉｐｏｏｅ．ｄｉｆｏｓａｔｉｔｇａｂｌｉｇｉｕｅｅｈｖｎｓｏｎｅｔｏｔａｔａｋｒｕｄｈｏｔｈ
关键词：脉识别；自适应直方均衡化；分水岭算法；特征提取与匹配；相似性原理静
中图法分类号：Ｐ９．１Ｔ３１４
文献标识码：Ａ
文章编号：００７２２０）５３２．３１０．０４（０７１．６３０
Ｉｇｎａｃｍｅｔｎａｕｅｍａｃｉｇｏａｍ— ｏｓｅｎｍａｅｅｈｎｅｎ ቤተ መጻሕፍቲ ባይዱｄｆｔｒｔｈｎｆｌｄｒａｖｉａｅｐ
ＬＰｉｚｕ，ＬＡＩＳｅ２ｌＵｅ — ｈｏｈｎ一ｉ
（ｃｏｌｆｌｔｎｎｆｒｔｎｎｉｅｎ，ＳｕｈｈａｎｖｒｉｆｅｈｏｏｙＧａｇｈｕ６０ＣｉａＳｈｏｏＥｅｒｉａｄｎｏｍａｏｇｅｒｇｏｔＣｉｉｅｓｙｏｃｎｌ，ｕｎｚｏ１４，ｈｎ）ｃｏｃＩｉＥｎｉｎＵｔＴｇ５０
ｈｏｙｉｕｅｅｒｙｏｔｍａｅｍａｃｉｇａｎｉａｉ，ｔｅｒｓｄｔａｌｕｇｔｈｎｄｉｅｔｃｔｎＥｘｅｍｅｔｌｅｕｔｓｏｔａｅＡＲｎＲＲｅＯａｄ１％ｒｓｅ — ｓｏｉｎｄｉｆｏｐｒｉｎａｓｌｈｗｔｒｓｈｔＦｈａｄＦｒａ％ｎ２ｅｐｃ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｍｅｈｄａｄｔｅｃｎｒｔｉｉｄｌａｈｓｇａｅｕｌａｉｎ（ＬＨｔｎｈｏｔｍｔｃｌｉｏｒｍｑａｚｔｏｓａｌｅｏｔｉｏＣＡＥ）ｉｐｅｅｔ．Ｅｐｒｅｔｉｄｃｔａｅｐｏｏｅｅｏａｓｒｓｎｄｘｅｉｎｓｎｉｅｈｔｒｐｓｄｍｔｄｃｎｅｍａｔｔｈｈ
（安徽大学计算智能与信号处理教育部重点实验室，安徽合肥２０３）３０９
摘要：体予背静脉识别技术是生物特征识别技术的一种。人的手背拥有比手指更为丰富的静脉血管，以提取更多人可
的并且适于身份认证的特征，以把手背静脉识别作为一种身份认证方式，用于信息安全等领域具有非常重要的现实所应
ＺＨＵｎＣｏｇ—ｈｕ，ＷＡＮＧａｉＨｕ —ｂｎ，ＴＡＯａｇＬｉｎ
（ＭＯＥＫｅａｏａｏｙｏｔｌｇｎｅＣｏｕｉｇａｄＳｇａｒｃｓｉｇｙＬｂｒｔｒｆＩｅｌｅｃｍｐｔｎｉｎｌＰｏｅｓ，ｎｉｎｎ
第２卷１
第５期
计算机技术与发展
ＣＯＭＰＥＲＴＥＵＴＣＨＮＯＬＯＧＹＡＮＤＤＥＶＥＬＯＰＭＥＮＴ
２１年５月０１
Ｖｏ．Ｎｏ５１２１．Ｍａ２ｖ０１１
低对比度手背静脉图像的增强和分割
朱丛虎，华彬，亮王陶
ｇｅｓＩｒｅｏａｑｉｅｔｒｃｎｒｓａｄｄｒａｅｎｉａｅ，ａｈｄｄｒａｅｎｐｏｅｓｎｔｏｈｔｃｍｂｎｓｔｅｍｏｐｏｏｙｒｅ．ｎｏｄｒｔｃｕｒｂｔｅｏｔａｔｈｅｎｏｓｌｖｉｍｇｓａｏｓｌｖｉｒｃｓｉｇｍｅｈｄｔａｏｎｉｅｒｈｌｇｈ
关键词：：静脉陶像；态学处理；比度受限局部直方图均衡；背形对静脉分割中图分类号：Ｎｌ．３Ｔ９１７文献标识码：Ａ文章编号：６３６９（０１０ — ０２０１７ — ２Ｘ２１）５０５ — ４
ＥｎｎｅｅｔａｄＳｅｍｅａｉｎｏｗｎｒｓｈａｃｍｎｎｇｎｔｔｏｆＬｏＣｏｔａｔＨａｄＤｏｓｌＶｅｎＩａｅｎｒａｉｍｇ
Ａｈｉｎｖｒｔ，ｅｉ３０９ＣｉａｎｕＵｉｅｓｙＨｆ０３，ｈｎ）ｉｅ２
ＡｂｔａｔＴｈｕｎｈｎｏｓｌｖｉｅｏｎｔｎｔｃｎｌｇｓａｂｏｔｉｅｈｏｏｙ．Ｔｅｈｍａａｄｄｒａａｃｓｒｃ：ｅｈｍａａｄｄｒａｅｎｒｃｇｉｏｅｈｏｏｙｉｉｍｅｒｃｔｃｎｌｇｉｈｕｎｈｎｏｓｌｈｓｍｕｈｍｏｅｖｉｓｒｅｎ
ｕｅｎｔｅｆｌｆｉｆｒｔｅｕｉａｅｙｉｏｔｎｒｃｉａｓｇｉｃｎｅＤｕｏｔｅｄｆｅｅｃｆｔｅｌｈｎｅｓｔｎｅｓｄｉｅｄｏｎｏｍａｉｓｃｒｔｈｓａｖｒｍｐｒａｔｐａｔｌｉｎｆａｃ．ｈｉｏｎｙｃｉｅｔｈｉｒｎｅｏｈｉｔｉｔｎｉａｄｔｆｇｙｈｔｉｋｅｓｏａｄｄｒａ，ｔｅｑａｉｆｔｅｈｎｏａｍａｅｉｏｅｏｄＴａｄｄｒａｅｎｉｇｓｈｖｏｒｃｔａｔｄ — ｈｃｎｓｆｈｎｏｓｌｈｕｔｏａｄｄｒｌｉｇｓｎｔｖｒｇｏ．ｈｅｈｎｏｓｖｉｍａｅａｅｌｗｅｏｎｒｓｅｌｙｈｓｙｌ
意义。由于光照强度、下背厚度的不同，所采集到的手背静脉图像的质量不是很好，比度比较低。为了得到有较好对比对
度的手背静脉图像，出＿一种綦于形态学处理与对比度受限的局部直方图均衡（ＬＨ）结合的手背静脉图像处理提ｒＣＡＥ相的方法实验表明，这种方法能有效地增强手背静脉和背景的对比度，使得静脉分割取得了很好的效果。
ｔａｅｆｇｒ，ａｄｃｎｂｘｒｃｅｏｅｆａｕｅｏｕｈｎｉａｉｎ，ＳｅｈｄｄｒａｅｎｒｃｇｉｏｓａｕｅｔｃｔｎａｐｏｃｈｎｔｎｅｓｎａｅｅｔｔｄｍｒｅｔｒｓｆｒａｔｅｔｔｈｉａｃｏＯｔａｏｓｖｉｅｏｎｔｎａｎａｔｎｉａｉｐｒａｈｈｎｌｉｈｏ