最近学习到的静脉图像识别方法，大致做一下整理。

背景：

类似指纹识别，实现静脉识别。

目的：通过红外线图，得到血管细线图，以下程序是未完成代码截图，先做整理。​

识别方法A：

​其中，线性拉伸(imadjust(HD,[0.3

0.6],[]);)目的为提高对比度，经过实验，取0.3-0.6的值进行拉伸，效果最佳。直方图均衡也是增强对比度的一种方法，经过实验，效果不如线性拉伸，因此忽视。

为了更好的边缘提取，使用高斯滤波进行去噪。

Niblack算法基于图像的局部均值和标准差计算阈值，像素(x,y)处阈值T(x,y)=m(x,y)+k*s(x,y)

其中m(x,y)与s(x,y)分别是以(x,y)为中心邻域(邻域常用15*15)的均值和标准差,k为修正系数可取-0.1;经过实验，发现r取50，k取-0.2效果较好。

该算法是静脉图像识别中常用的二值化算法，也曾尝试matlab中提供的其他边缘提取的算法，效果不如该算法，但在matlab中该算法运行速度较慢，需改进代码或直接使用C++实现该算法。

图像二值化算法，该网页提供了另外几种方法，有时间尝试。http://blog.csdn.net/cxf7394373/article/details/6335281​

中值滤波去噪。闭操作可使轮廓线更光滑，消弥狭窄的间断和长细的鸿沟，消除小的空洞，并填补轮廓线中的断裂，用来做图像修补和去除小面积噪声。

余下工作：细化图像，曾尝试细化，但效果不佳，可尝试再做一次闭操作之后细化。

细化后进行特征提取，之后匹配得出结论。

最终得到预处理图像：

​

​识别方法2：

​根据吴薇等2013.10在光学学报发表的文章《基于灰度曲面匹配的快速手掌静脉识别》，提出一种基于灰度曲面匹配的快速手掌静脉识别算法。

大致方法整理如下：

1、​提取感兴趣区域(参考吴薇等2013年在光电子激光

发表的《手掌静脉识别中感兴趣区域的选择与定位研究》)。

2、​将感兴趣区域分成若干个之区域(经过试验8*8子区域效果最佳)，计算每个子区域像素灰度平均值作为该子区域的灰度值，以各子区域灰度值构建待匹配图像。

3、两个待匹配灰度曲面中的像素灰度做差，得到灰度曲面差，求该灰度曲面差的方差。

4、用此方差​衡量两张灰度曲面图是否来自同一只手。

该方法在第一步结束后，得到的是一张没有背景的完整的血管图。

因此，若使用该方法，如何获得感兴趣图片成为重点。

另，根据论文描述，​该算法的正确识别率达到97.94%，且时间仅为0.163ms，值得尝试。

​

其余有待补充。​

​