手指静脉识别.docx
《手指静脉识别.docx》由会员分享，可在线阅读，更多相关《手指静脉识别.docx（20页珍藏版）》请在冰豆网上搜索。
手指静脉识别
手指静脉识别技术
手指静脉识别是一种新生的生物特征识别技术，它利用人体手指内部静脉的分布特征来进行身份识别，即利用专门的图像采集装置获取静脉血管图像，再经过计算机或其他处理器执行识别算法提取出静脉特征，然后通过匹配这些特征来实现身份认证。
手指静脉血管图像如图1.2所示。
手指静脉的形状具有唯一性和稳定性，即每个人都手指静脉都不同，同一个人的手指静脉也不相同，且健康成人的静脉形状不会发生变化。
与其他生物识别技术相比，手指静脉识别具有以下优点：
（l）唯一性好：
医学证明，不同人的手指静脉完全不同，即使是双胞胎也不同，并且静脉形状在成年后不会变化。
（2）安全性高：
由于静脉血管是隐藏在手指内部的，并且需要在专门的红外采集装置下才能获取图像，因此极难复制和窃取，具有很强的防伪性。
（3）准确率高：
手指静脉识别具有非常高的准确率，根据严格的医学证明和数学统计，F双（拒识率）小于0.01%，F从（误识率）小于0.001%。
（4）简便易用：
使用者对手指静脉识别的心理抗拒性低，静脉受生理或环境因素的影响也低，且属于身体部分，无需携带，不会遗忘。
静脉识别属于非接触式识别，使用安全卫生。
（5）快速识别：
由于手指静脉血管相对稳定且容易拍摄，同时采集静脉图像的样本小从而生成的静脉模板的数据量也小，匹配速度快。
综上所述，手指静脉识别技术具有多种突出优点，被业内认为是目前身份认证中最有发展前途的生物特征识别技术之一。
手指静脉识别的国内外研究现状
手指静脉识别技术通过获取近红外光照射下的静脉图像来进行身份认证，是当前具有高精度、高速度的生物识别技术。
手指静脉识别是利用手指内部特征来实现认证的，具有很高的防伪性，作为第二代生物识别技术备受瞩目。
20世纪90年代末，日立制作所的研发人员在一项度量人脑活动的研究中发现，利用近红外光观察血液流动可以作为一种有效的、高度安全的生物识别方法，这就是手指静脉研究的起源。
1997年日立中央研究所便开始对手指静脉认证技术进行研究，并利用透射光成像方式获取到了静脉分布图。
此后静脉认证技术逐渐成熟并走向市场，到2002年日立公司发布了第一台手指静脉门禁控制系统产品。
日立公司在2004年又推出了静脉新产品—用于ATM安全认证的指静脉认证系统，并在2005年使其商业化，同年还对外展示了载有“手指静脉认证设备”的汽车锁。
截至目前，在日本，80%的ATM存取款机都搭载了手指静脉识别认证设备。
手指静脉认证技术不仅在日本逐渐普及，在其他国家也备受关注。
图1.3显示的是日立公司推出的手指静脉门禁系统和计算机安全登录系统。
日立公司在手指静脉识别系统的研究中，由Miura等人提出了许多具有独创性的静脉识别算法，典型的有重复线形跟踪法、最大曲率算法等，这些算法都已经成功应用于其公司开发的多种手指静脉识别系统之中。
在国内，虽然目前尚自主开发的静脉识别相关产品出现，但已有很多学术机构、研究所和公司单位进行手指静脉技术的相关研究。
在高校，哈尔滨工程大学的王柯俊教授、重庆工学院的余成波教授及吉林大学的马驯良教授等人对静脉识别技术的研究做了大量的工作，指导多名博、硕士研究生发表了很多高水平的学术论文，有的还进行了样机的研制，并提出了许多创造性的算法。
在公司，江苏东大金智能建筑智能化系统工程有限公司利用CMOS器件设计了较低成本的手指静脉图像的采集装置[25]，采集到了较高质量的静脉图像。
与国外静脉识别产业蓬勃发展的势头相比，国内的手指静脉识别技术起步相对较晚，且研究成果主要集中在算法方面，在产品研发和应用仍面临许多问题需要解决。
手指静脉识别的系统架构
静脉识别的基本原理
手指静脉是指人体手指内部的静脉血管，手指静脉识别就是利用该血管结构的特征来实现身份认证。
在可见光下，静脉是不可见的，只有在特殊的采集装置下才能获取。
医学证明，人体手指静脉的血管结构在波长为0.7一1.lum的近红外光的照射下，能够穿透骨骼和肌肉，而流经静脉血管的血红蛋白容易吸收该波段的红外光而突显出静脉结构。
通过专门的图像采集装置如红外CCD摄像机即可拍摄到静脉图像，然后对静脉图像进行分析处理，便可从中得到静脉特征。
研究表明]，不同人的静脉结构是不同的，即使是双胞胎的各手指静脉也是不同的，而且成年人的静脉结构不再变化，即静脉具有唯一性，这就为静脉识别提供了科学依据。
图2.1所示的是两幅采集到的手指静脉图像，指尖在左，图中的阴影纹路就是静脉血管结构，利用静脉的分布特征可以识别不同的人。
这就手指静脉识别的基本原理。
静脉识别的系统流程
典型的生物特征识别系统主要包括四个部分:
图像采集、预处理、特征提取和模式识别。
其中特征提取和模式识别是最主要的两个部分，关系到整个识别系统的识别精度，手指静脉识别系统也不例外。
一个基本的手指静脉识别系统由静脉采集、质量评估、图像预处理、特征提取和编码、模式匹配共5个部分组成。
静脉图像的预处理一般包括图像定位、滤波除噪、归一化等步骤。
手指静脉识别的流程如图2，2所示。
其中，图像采集模块是静脉系统的第一步，负责完成近红外图像的获取，一般通过近红外CCD或者CMos器件拍摄。
质量评估是一个可选模块，主要功能是评价当前的静脉图像是否合格，例如可排除非法使用异物试图进入识别系统的情况发生。
图像预处理是静脉识别算法的第一步，也是有必要的一个环节，它直接影响着后续的提取效果。
特征提取模块完成对静脉模式的提取，主要包括对静脉图像的分割、二值化、细化等操作，最终提取出静脉结构特征。
模式匹配是静脉识别算法的最后一步，执行输入静脉与数据中的静脉特征匹配，计算出匹配度，最终输出识别结果给相应控制系统，如门禁系统、ATM机、计算机登录系统等。
静脉识别一般用于多用户的身份识别，因此要求用户注册静脉并录入系统，系统组成框图中的静脉注册模块就是完成这个功能的。
手指静脉的特征提取与匹配
静脉图像的预处理
静脉图像的定位
拍摄到的手指静脉图像可知，在装置封闭性好的情况下，背景部分呈现黑色，即灰度级级低，而手指区域（含静脉）的灰度级别相对较高，两者有明显的灰度差别。
根据这种实际情况，本文采用的手指定位步骤如下:
STEP1:
简单滤波，滤除图像噪声。
先使用中值滤波算法，滤除斑点状噪声或扫描线噪声，然后进行简单平均滤波，使图像更加清晰、平滑，为后面的图像二值化做准备。
STEP2:
利用图像二值化获取手指掩膜图。
由于手指区域和背景区域的灰度级相差很大，因此采用一般的单阂值二值化就可以将静脉图像分为静脉和背景两部分，即获得手指掩膜图像。
STEP3:
对原静脉图像进行反掩膜处理获取感兴趣区域（ROI）。
即将当前采集的整幅静脉图像与前面得到的掩膜图像相乘，背景部分灰度置为0，手指部分灰度保持不变，就得到了需要的感兴趣区域—手指部分图像。
图4.1（a）为采集到的一幅静脉图像，包含背景和静脉部分，并且背景部分灰度接近0值。
如果对整幅图像进行特征提取，可能在背景部分提取到静脉，显然是错误的静脉信息。
图4.1（b）显示的是经过单阂值分割后得到的二值图像，其中背景灰度为。
，静脉区域的灰度为255，这幅二值图像也被称为掩膜图像。
在实际图像数据处理过程中，为方便计算，可创建这样一个掩模矩阵:
背景像素灰度为0，静脉区域像素灰度为1，这样可以直接通过矩阵相乘获得手指部分的图像数据。
图4.1（c）所示是经反掩膜后得到的手指区域图。
其背景区域的灰度已全部设置为O，而静脉区域的灰度保持原值不变。
这样就避免了在后续的静脉脉络提取中，背景图像对提取结果带来的影响。
静脉图像归一化
在静脉血管图像采集时，因系统光强、手指厚度、血液温度、手指倾斜度等条件不同，在不同时间采集到的图像在灰度分布上有较大差异，这会给以后的图像处理和匹配增加难度。
因此在采集图像以后要进行归一化处理，包括静脉尺寸归一化和灰度归一化。
1、尺寸归一化
在静脉特征匹配阶段需要统一大小的静脉图像，而同一只手指在不同时刻放置在采集器的位置会有一定偏差，因而采集到的图像手指部分的图像大小也不同，会影响后续的匹配结果。
因此，手指静脉图像的尺寸归一化的必要步骤。
静脉识别的尺寸归一化其作用主要有以下三个方面:
（l）相同的静脉尺寸便于静脉的提取算法的参数设置，例如图像分割阈值等，有利于统一静脉特征的提取。
（2）对于不同手指而言，尺寸大小不同对静脉的匹配结果无影响，即不会引起误识;但如果是同一手指，如果尺寸不一样，采用有关识别算法如模板匹配，易引起拒识，即自己认不出自己的情况。
（3）如果实际采集到的图像过大，进行图像处理的时间会很长，而归一化尺寸例如缩小到一定像素大小，在不影响识别结果的前提下，可以进一步缩短算法时间。
图像尺寸归一化实质上是一种图像的几何变换，一般采用从目标图像反方向影射实现。
反向影射就是扫描目标图像的每个像素，按照给定的变换公式来确定目标像素对应的原像素。
用这种方法来计算目标图像可以保证整个目标图像没有空像素，即得到的目标图像每个像素点上都有相应的灰度值。
然而，由于经过变换公式计算出来的原图像的像素位置可能不是整数，而是分数。
因此难以选取该分数位置处的灰度。
为此，必须使用灰度插值的方式来弥补图像缩放带来的误差。
常用的灰度插值算法有3种:
最近临近插值法、双线性内插法和曲线插值法。
其中双线性插值法使用较广泛，保真度比较好，本文归一化选取了这种方法。
实验中，静脉原始图像大小为768X288像素，经过双线性内插算法归一化后的图像大小为384X128，且图像不失真，效果满意。
尺寸归一化前后的对比图见图4.2所示。
另外，归一化操作也可以对静脉提取后的二值图像处理，但是考虑到对灰度尺寸归一化后，由于静脉样本变小，提取时间能够缩减很多，因此这里选取了先尺寸归一化，再进行后续的提取等操作。
灰度归一化
由于原始的静脉图像灰度级相对集中，即对比度低。
为了规范化静脉提取，需要对静脉图像进行灰度归一化处理，使其分布均匀。
假设原图像的灰度分布范围是[G1，G2」，设定归一化后的灰度为[0，255」，则归一化后的任意一点（i，j）的灰度可表示为:
静脉图像的增强
静脉图像的采集过程中难免引入噪声，如扫描线噪声、椒盐噪声、高斯白噪声等，这些噪声直接影响静脉的提取。
静脉提取是直接基于灰度来实现的，一般要求输入图像足够平滑且又不能过于模糊，因为平滑可以消除算法过程中的阈值计算误差，而图像保持清晰、对比度高则有利于区分出静脉部分和背景，即实现图像增强。
图像增强是对图像进行处理，使其比原始图像更合适于特定的应用，是一种基本的图像预处理手段。
图像增强技术不是孤立存在的，而是必须和实际应用结合起来，离开了特定应用的图像增强技术是没有意义的。
增强的主要目的主要是突出图像中的有用信息，削弱或去除某些不需要的信息，使结果更符合实际处理的需求。
下面介绍几种常用的图像增强方法。
（l）平滑滤波
图像的平滑滤波也称均值滤波，是图像增强处理中最基本的方法之一。
它是利用卷积运算对图像领域内的像素灰度进行平均化，从而达到减少图像杂点影响的目的。
在图像的产生、传输和采集的过程中，往往会受环境的干扰而引入杂点干扰或者丢失部分信息，致使图像的质量大大降低。
为了消除图像上离散状的杂点，平滑滤波就是一种非常有效的图像增强方法。
从频域的角度上看，平滑滤波实质是低通滤波，即减少或消除图像中的高频成分，而不影响低频分量。
图像的高频分量是指图像中灰度起伏较大的部分，例如图像边缘部分。
而低频分量对应图像灰度变化缓慢的部分。
经过均值滤波后，图像变得比较平滑。
平滑滤波的过程是遍历地求取图像一定领域内的像素灰度均值，然后用该均值作为新图中该像素位置处的灰度值。
其增强实质是将杂点对某点灰度的影响，分散到受污染点的领域各像素中，减小杂点对图像的影响。
理论运算公式可表达如下:
将模板算子在原图像中滑动地遍历每一个像素点（除边界外），模板算子分别与原图像中的像素灰度值相乘并相加结果，即执行卷积运算，最后将结果除以归一化系数9，便完成了一次3x3的平滑滤波。
滤波效果如图4.5（b）所示。
从图中可看出，通过均值滤波能够有效地消除或减少图像中的分布均匀的噪声，如密布的雪花点状物，得到的图像比较平滑。
但过度的均值滤波后，图像会变得模糊，丢失一些明显特征，这是简单均值滤波的缺陷。
（2）中值滤波
中值滤波是一种非线性的图像处理方式，它通过对邻域内像素按灰度排序后的结果决定中心像素的灰度。
图像的中值滤波在少量离散杂点噪声的消除方面效果显著。
均值平滑属于线性平滑滤波算法，在消除离散杂点方面，采样的是将杂点的干扰分摊到整个领域中的各个像素，以减小杂点的影响，然而这样做的代价就是图像变得不够清晰。
均值滤波适合消除孤立的杂点，而对于较大杂点或者密集的杂散点的滤除效果并不理想。
而中值滤波不去关注孤立点的属性，而是确定图像中的每个像素和邻域内其他像素点的某种关系，来决定中心点的像素值。
这个关系就是灰度值的大小分布，顾名思义，中值滤波就是选择邻域内的灰度大小排序后的中间值作为邻域中心点的灰度。
在静脉采集的过程中，偶尔会出现扫描线噪声。
由上述的平滑滤波很难消除此类噪声，而设计一个一维的中值滤波器就能解决此类问题。
以为扫描线噪声的特点是呈细线条状，方向固定为垂直或水平的，而且灰度级一般很低，和静脉部分的灰度级相比很容易区分开来。
因此只需沿着垂直于摄像机的视频扫描方向，使用一维的中值滤波算法，即可消除此类噪声。
（3）高斯滤波
图像的高斯平滑滤波是平滑线性滤波器的另一种应用，与图像的均值平滑不同的是，它在领域内像素的灰度进行平均时，赋予了不同位置像素不同的权值。
高斯平滑的最大优势是，能够保留源图像的总体特征。
高斯模板的权值是有高斯分布函数的形状来确定的。
高斯滤波器对于抑制服从正态分布的噪声特别有效。
高斯噪声是一种具有高斯特性的噪声，通过一般的均值滤波并不能很好地消除。
此类噪声需要相应的高斯平滑滤波才能有效消除，常用的方法是2一D高斯低通滤波器。
在数字图像处理中，常用零均值的二维高斯函数作为滤波器，函数表达式如下:
高斯函数具有几个特点，首先二维高斯函数具有旋转对称性，即滤波器在各方向的平滑程度是相同的。
对于静脉图像，其脉络方向事先是未知的，因此使用高斯平滑不会偏向任何方向。
其次，高斯函数单值的，即高斯滤波器使用领域像素的加权替代中心点的像素值，且其权值随之偏离中心点位置的距离而递减。
因此，高斯平滑保持了图像的总体灰度特征而不会使图像失真。
在对静脉图像的滤波与增强的过程中，先对尺寸归一化后的静脉图，首先使用中值滤波消除明显的斑点噪声和扫描线噪声;然后使用2一D高斯滤波器滤除呈正态分布的高斯噪声;用均值滤波进一步平滑图像，即采用多级滤波的方式处理。
此外，滤波方式的选择和静脉提取算法有关系，若提取算法好，滤波处理的效果可以适当降低些要求。
几种静脉特征的提取算法
手指静脉没有虹膜那么丰富的纹理特征[37]，也没有指纹具有较多的细节点（端点、交叉点等）特征。
在现有的静脉采集技术下，静脉的特征主要表现为具有较复杂的拓扑结构，即静脉纹路。
因此静脉特征的提取主要是对静脉图像的分割，提取其纹路结构特征。
手指静脉采集装置获取的静脉图像包括静脉纹路和背景组成。
静脉在静脉图像中呈现具有一定方向的纹路特征，静脉图像的分割就是要提取出静脉纹路。
图像分割主要有传统的固定阈值法、动态阈值（Niblack）法、最大类间法（OSTU）、模糊阈值法等。
而实际上，传统的阈值分割法并不合适手指静脉图像的分割。
针对静脉图像的特点，研究者相继提出了很多算法。
其中比较典型的算法有哈尔滨工业大学的王柯俊教授提出的阈值图像法、重庆工学院余成波教授提出的基于模糊增强的方向谷形算子法、以及日立公司中央实验室的MiruaNato等提出的重复线形跟踪法、最大曲率法等。
闽值分割算法
传统的阂值分割算法主要有单阂值、多阂值、迭代阂值选取法、Niblack方法、最大类间（OTSU）法等。
其中以Niblack方法对静脉提取的效果比较理想，下面简要介绍其算法原理。
（1）Niblack方法
（2）阈值图像法
阈值图像法的具体过程为:
首先利用一定大小的平滑模板对图像进行足够的平滑处理;然后创建一个位图T（x，y），设置新创建的位图的每一个像素点的灰度值初始化为0，用给定大小的均值模板算子在图像上滑动，计算每个位置处的均值作为对应位置处的位图灰度阈值，赋给T（x，y），遍历图像每一个点（除靠边界部分外）得到的T（x，y）即阈值图像。
最后拿原图像和阈值图像逐点比较，进行二值化处理如下:
仔细分析可知，阂值图像法实质就是前述的动态阈值法（Niblack）的特例，即在动态阈值法中求取均值时，标准差的修正系数值为O，即不考虑邻域灰度分布的方差。
因此，这种阈值图像法的分割对静脉图像的处理效果仍不理想，它适合质量比较好的静脉图像的分割，而实际上手指静脉的成像质量比手背要差得多。
静脉提取算法
手指静脉图像的特征
静脉图像主要包括静脉部分和背景部分。
从上图可见，静脉部分表现为纹线性状，并且具有一定的方向性。
静脉特征的提取就是提取出这些纹线结构。
但从视觉上看，上图中，静脉部分和背景部分的区别不是特别明显，灰度级别相差不大。
图4.12显示了静脉图像的灰度直方图，即灰度的分布特征。
由图可知，静脉图像的灰度直方图没有明显的双峰或者多峰分布特征，因此采用传统的阂值分割方法，显然难以取得理想的效果。
静脉图像的分割，需要采样符合静脉特征的专用算法。
虽然手指静脉纹路的灰度分布比较集中，静脉与背景的区别不大，但是相对背景它总是可见的，并且具有管状线特征，即沿着垂直于静脉延展方向，其灰度分布具有从亮到暗，再由暗到亮的变化特征。
取图4.12中的静脉图像最中间一列即第192列灰度剖线来分析，其灰度具有图4.13所示的分布特征。
上图中，横坐标为第384列的像素点位置，纵坐标代表各像素点对应的灰度值。
从Matlab图中可看出，该灰度曲线呈现3个谷形区域，各谷点位置大概位于第35、58和1巧行。
再观察手指静脉图像样本，最中间一列的确有3条静脉穿过，可见灰度分布的谷形特征和实际的静脉分布特征有一定关系。
可以借助这种特征，来确定静脉的准确位置。
以上分析的仅是沿着静脉图像的一个方向的灰度分布，而静脉纹路的走向是随机的，但绝大多数是朝着指尖方向延伸。
因此，如果只分析单方向（如垂直于静脉图）的静脉灰度分布，是不足以完整地提取静脉结构的，原因在于当静脉呈竖直走向时，90度方向的切线会覆盖较多静脉点，因此谷形特征不明显，不利于静脉的提取。
为此，本文基于四方向的谷形搜索的方法来提取静脉，即某方向不好确定是否是静脉点时，再兼顾其他方向的分布情况，只要有任一方向满足静脉谷形的特征，就可以认为当前像素点属于静脉特征点。
四方向谷形搜索的静脉提取
分析了手指静脉图像的基本特征后，发现通过静脉图像的灰度剖线的谷形形状，可以用来提取静脉特征。
针对静脉纹路方向的随机性，理论上需要分析所有方向的灰度分来确定静脉位置。
然而事实上，静脉的延展方向大部分是顺着指尖方向的，即分析垂直于手指的灰度剖线最为有效。
考虑到，数字图像处理的方便和静脉方向分布特性，本文仅取了O、45、90、135共四个离散的方向来替代静脉所有方向。
但如果直接截取整幅静脉图像对应方向上的切线数据进行分析是比较繁琐的。
为此，借鉴指纹识别中常用的方向图，本文设计一个用于静脉提取的方向模板，如图4.14所示。
图中，0，1，…，3分别代表。
、45、90、135度方向。
在计算某方向的分布时，设定该方向上的算子全为1，而其他方向上的算子全为O，即仅取该方向上的图像数据运算。
“*”号表示模板邻域中心点。
根据采集到的样本实际情况，本文取模板大小为9x9像素。
模板的大小跟实验环境有很大关系，因为模板的大小与静脉的宽度存在一定关系，即模板越大提取的静脉越宽。
静脉提取算法原理及步骤
基于四方向谷形检测的手指静脉提取算法原理为:
把静脉的走向分为四个方向，通过分析各方向曲线的灰度谷形特征，确定中心像素点是否属于谷形区内，是则将当前点设为静脉点，从而获得该方向上的静脉纹线分布图;然后叠加所有方向的搜索结果，即可初步提取出静脉结构特征。
取d方向的静脉图像灰度剖面，以像素点（i，j）为中心，分析该点剖面曲线的灰度分布特征。
若其周围的像素点的灰度曲线呈现凹形，即中心点处于谷形区域，则将该点判别静脉上的点。
实际上灰度凹形的深度和宽度与中心点属于静脉的概率有密切的关系，在宽度满足一定范围内是，其深度越深则属于静脉特征点的可能性就越大。
静脉提取算法的具体步骤如下:
静脉特征图后处理
手指静脉图像经过前面的图像分割后所提取的静脉特征中存在较多的孤立点和孤立小块，有时还会出现小空洞。
这些区域属于噪声，会影响静脉的匹配结果。
由于使用方向谷形检索的方法提取到的静脉，并非完全和真实静脉的宽度相对应，因此如果直接使用二值化后的静脉图作为特征进行匹配，可能会因为提取到静脉区域和真实静脉差异较大而带来误差。
例如实验中谷形宽度的阈值和实际输入的静脉宽度不同是，就会把非静脉区当成静脉处理或者把原本是静脉的区域当成了背景，这种错误必然在一定程度上影响匹配的结果。
结合静脉分割中提取的静脉特点，本文认为有必要对分割的结果进行滤波除去噪声并进行细化操作，取细化后的静脉图作为静脉特征。
这种做法是基于以下三点:
（l）在谷形区域的确定上面，判决条件是对称的，即中心点两边均满足一定阈值条件。
这样提取时不会偏向无论静脉的任一边缘，使用较好的细化方法，细化后得到的单像素静脉纹线理论是接近真实的静脉中心的。
（2）在实际静脉的采集中，由于采集环境的微小变化，人体血液温度的变化，都会导致同一个人的手指在不同时刻采集到的静脉，其宽度总会有所差异。
然而无论静脉宽度如何变化，只要静脉整体结构不会受压迫变形，则其静脉中心位置是基本保持不变的。
利用准确的不变量作为静脉的特征，会比大量含噪声的特征更为准确。
（3）细化后的特征数据量较少，有利于特征存储、传输和加快匹配过程。
1、二值图像的滤波与去噪
灰度图像常见的噪声有椒盐噪声、高斯噪声和颗粒噪声等，在预处理过程中采用了中值滤波、平滑滤波等操作可以削弱这些噪声的影响，但不能够完全清除，使得二值化后的图像中仍然存在噪声。
另一方面，在灰度图像本身的分割过程中，也会产生噪声。
图4.16（a）所示的是一幅初步提取到的手指静脉二值特征图，其中主要存在三种噪声:
（l）斑点:
白色斑点的面积要比于静脉特征区域小很多，而且比较分散、孤立;而手指静脉部分基本是连通的，这个实际相符，因为手指的血管必然是连通着的。
另外，静脉区域的延展性好，在图中表现为横向跨度大，而斑点跨度小。
（2）空洞:
上图中在手指的指尖（左端）区域有黑色空洞，实际上这与实际静脉分布不相符合，尽管在此例中此区域的提取结果并不准确。
此类空洞在细化时，容易产生一些闭合的环形结构，即伪特征结构。
（3）毛刺:
在二值图像中，那些附着在静脉边缘的白色小凸起区域。
这些凸起在细化时易生成毛刺，影响特征匹配。
根据三种噪声的特点，提出对应的噪声滤除方法如下:
首先，对于斑点噪声，可通过计算其面积大小，与设定的面积阈值比较，若低于此阈值则判为噪声，否则仍保留，视为静脉区域。
因为实际采集到的静脉图不一定都是连通的，孤立的并不说明它不属于静脉。
此类方法叫做面积阈值除噪。
连通区域的面积计算是通过区域标记来实现的。
具体方法如下:
（l）设置区域标记初始值Lable0，从图像的第一个像素点开始，判断当前点是否属于目标（在静脉二值图中即白色像素点），若是则标记该像素点值为Lable0，例如其值从1开始，见图4.17所示。
（2）从第一个标记为Lable0的像素点开始，遍历整幅图片，判断当前点的8邻域内是否有存在任何一点为目标灰度，若存在则标记其值为Lable0，直至没有相连的目标点存在。
（3）让标记值Lable加1，继续重复步骤
（2）直至将所有区域全部标记完，得到一幅被标记过的连通区域图，各
升级会员 