这个项目，将包含以下流程：ROI提取、图像增强、简单训练。

ROI提取

提取流程

这里ROI做的比较简单，主要就是通过canny算子提取图像边缘，这个时候会产生很多的噪声边，所以要通过一些规则进行约束，才能使提取到的ROI有真正的作用。

因为图像本身存在曝光等方面的差异，所以要对其进行形态学的腐蚀与膨胀来让图像的轮廓更加清晰。

主要的流程如下：

image-20210702214416468

提取效果

image-20210702214737417

image-20210702214804779

这个ROI提取的流程存在一个问题：没有进行角度的矫正，以及最后得到的图片的size是不同的。

图像增强

增强流程

在图像增强方面，首先尝试了在指静脉识别领域传统的方法，从尺度归一化、直方图均衡化、阈值分割、细化，发现经过细化之后的图像质量还有识别效果都不是很好。所以又进行了进一步的尝试，还是从文献中得到了另外一个传统的方法–方向谷型检测，这个的效果会比之前的好上很多，这里采用了论文中的8方向的一个方向向量，去对这个图片进行卷积，最终得到方向最大的那个向量。方向谷型检测是对整个图像的处理帮助很大，除此之外还有其他的方法协助增强图像，具体流程如下：

image-20210702215450520
注:红圈中的是我所用的。

方向谷型检测

我看在网上没有对方向谷型检测有详细的介绍的内容，那就在这里写一下吧。

现在这里有一张灰度图，要对他进行八个方向的方向谷型检测，就需要有八个方向的模板每一次都对原来的灰度图进行类似于卷积的操作，之后会得到八张在各自方向强度的图像，创建一个空白图像，那么对这八张图像进行逐像素的比对，找其中方向强度最大的像素保存到空白图像对应的像素的位置。最终就得到了经过检测之后的图像。

增强效果

image-20210702215618059

image-20210702215712195image-20210702215735472image-20210702215845329

image-20210702220725319

当然增强之后也有缺点：因为方向谷型检测使用的是八个方向的向量，所以难免会在没有血管的地方产生一些噪声边，呈现波纹状。

简单训练

通过，论文可以知道的是对于指静脉识别，浅层卷积网络往往具有更好的效果，那么这次就采用浅层神经网络。

因为一些原因，这里不多进行介绍了。

参考文献

[1] Rafael C. Gonzalez.数字图像处理[M].中国工信出版集团:,2003:119-120.

[2]许伟伟. 面向低质量手指静脉图像识别的关键技术研究[D].杭州电子科技大学,2018.

[3]余雄. 手指静脉图像识别的算法研究[D].武汉理工大学,2013.

[4]余成波,秦华锋.手指静脉图像特征提取算法的研究[J].计算机工程与应用,2008(24):175-177.