CN102222229B - 手指静脉图像预处理方法 - Google Patents

Abstract

本发明公开了一种手指静脉图像预处理的方法，包括是一系列连续的处理过程，包括：读入原图像；检测手指边缘；旋转校正静脉图像；重新确定旋转后的手指边界；对图像进行去噪、增强处理；对图像进行谷型边缘检测，并二值化图像；滤波去噪；屏蔽背景区域；对图像进行膨胀、腐蚀；进行细化，得到单像素细线化图像。使用该处理方法对手指静脉图像，尤其是对于因光照不均，图像对比度不高，静脉纹路不清晰的低质量手指静脉图像有很好的处理效果，最终得到的细线化图像基本包含了原始图像中静脉纹路的有用信息，为基于细线化图像的手指静脉特征提取和匹配方法提供最有用的静脉信息。

Description

手指静脉图像预处理方法

技术领域

本发明涉及的是一种生物特征身份识别技术，具体涉及一种近红外手指静脉图像预处理方法。

背景技术

基于手指静脉模式特征进行身份识别技术的研究，是近几年生物特征身份识别技术领域研究的热点。在目前使用的多种手指静脉特征提取方法中，基于细化后的手指静脉纹路特征提取方法是最为常见，也是最为可靠合理的。但鉴于手指静脉模式固有的特点，通常采用近红外装置进行模式样本采集，采集到样本图像的特点是对比度低、灰度值范围窄且分布极不均匀，如果直接进行处理，后续相关算法的可操作性、准确性、稳定性都会受到很大的影响，因此必须首先解决这些问题，在生物特征身份识别技术领域属于样本预处理的过程。

目前大多数的手指静脉特征提取和匹配的算法都是基于细线化的手指静脉图像，这要求处理得到的细化图线要尽可能的保留原来静脉纹路的信息，否则最终的认证精度和安全性得不到保证。但是目前在手指静脉认证领域中还没有发现对如何从原始图像得到细化图像的研究。本发明针对这个问题，提出一套完整的从原始图像开始，进行去噪、增强处理，然后进行分割、细线化等操作，最终得到基本包含原始静脉信息的细线化图像，为基于细线化图像的手指静脉特征提取和匹配的算法提供有力帮助。

发明内容

本发明的目的在于提出一种手指静脉图像的预处理算法，可以根据原始手指静脉图像提取出静脉信息量完整的细线化图像，为基于细线化图像的手指静脉特征提取和匹配的方法提供最有效最方便处理的信息。

为达上述目的，本发明采用如下的技术方案：手指静脉图像预处理方法，它包括以下步骤：

第一步，读入原始手指静脉图像，读入时要求手指平稳放置在一水平装置上；

第二步，使用领域加权平均法对图像进行平滑去噪处理，模版如下：

其中，M是矩阵模板的行数，N表示矩阵的列数，M、N都为奇数，且M>1，N>1；

平滑公式为：；

然后对平滑后的图像进行边缘检测，得到手指边缘：

为便于分析，还需要对边缘检测后的图像进行一次二值化：

其中g(x,y)是二值化后的像素灰度值，f(x,y)是二值化前的图像灰度值，二值化阈值T可以根据实际图像多次试验得到；

第三步，对图像进行旋转校正。具体做法是：由第二步得到的二值化图像基本满足边界灰度为255，手指内部灰度值为0的条件，从图像垂直方向上的中线处分别往上下两个方向扫描，扫描到灰度为255的象素点即可认为是手指的边界线上的点，由此可以得到两组分别表示上边界和下边界的坐标点，令(X_UP_i,Y_UP_i)表示上边界点坐标，(X_DOWN_i,Y_DOWN_i)表示下边界点坐标，用最小二乘法可以拟合得到表示上下两条边界的直线；

使用最小二乘法拟合直线所用最简单的线性式是,写成行列式，为：

该式的参数解为：

和

其中，为t值的算术平均值；

计算图像的边界时使用了最小二乘法来把前面得到的手指边界拟合成一条直线，其中直线的斜率的计算方法为

其中X、Y为对应边界点的坐标；

拟合得到的上下边界直线记为：

y_up=k_up*x_up+b_up(1)

y_down=k_down*x_down+b_down(2)

其中(1)式表示上边界线，(2)式表示下边界线；

利用上下边界线计算手指中轴线的坐标，具体做法为：

记中轴线上点的坐标为(X_MID_i,Y_MID_i)，其中X_MID_i=X_UP_i=X_DOWN_i，Y_MID_i=(Y_UP_i+Y_DOWN_i),使用上述(1)式(2)式可以得到(X_MID_i,Y_MID_i)的具体数值，然后根据同样的最小二乘法拟合得到中轴线的直线函数：

y_mid=k_mid*x_mid+b_mid(3)

根据以上的斜率计算方法可以就得到中轴线的斜率；由于计算出来的值比较小，可以适当使其扩大一定的倍数，这样做就可以由的值通过查表的方法得到倾角的角度，而不必计算反三角函数，从而提高了算法的效率，本发明将得到的斜率乘以系数1024；

得到倾角后，先根据其大小判断是否要进行旋转校正，当||小于一定阈值时，可以认为原始图像已经是水平，无须旋转，否则就可以对图像进行一次旋转校正操作。旋转图形的目的是使图像中手指中轴线接近水平；

旋转图像使用下式进行映射：

其中cx,cy为旋转的中心点的X和Y坐标，x,y为原图像的某像素坐标，X,Y为旋转后的坐标。如果映射后的坐标超出原图像的坐标范围，将忽略这些点，也就是说该映射不应改变图像的大小；

同样地，角度的值往往也很小，因此算法采取了同样的办法把乘以一系数，这样正弦和余弦的计算就可以由查表操作代替，节省运算时间；

在数字图像中，由于其灰度值只在整数位置(x,y)被定义，即规定所有的像素值都位于采样栅格的整数坐标处。但通过几何变换后的灰度值可能会出现在原始图像中的相邻像素点之间，为此，需要通过插值运算来获得变换后不在采样点上的像素的灰度值，这里使用了双线性插值的方法；

双线性插值通常是沿图像矩阵的每一列（行）进行插值，然后对插值后得到的矩阵再沿着行(列)方向进行线性插值；

例如，令表示（x,y）坐标处的像素灰度值，其中x、y均大于0小于1，根据四点(0,0)、(0,1)、(1,0)、(1,1)来进行双线性插值。首先对(0,0)和(1,0)两点进行线性插值，得到(x,0)点的像素灰度值为

；

对(0,1)，(1,1)两点进行线性插值，得到(x,1)点的像素灰度插值为

；

然后进行水平方向的线性插值，得到

；

联合上面三式，得到

；

于是，旋转后的像素的灰度值按下式计算：

；如果X,Y坐标超出原图像的坐标范围，令Gray(x,y)=0。这样就可以得到效果较好的旋转图像；

第四步，重新确定旋转后的手指边界，具体做法是将所述第三步得到上下边界直线使用所述第三步的旋转映射函数进行旋转，就可以得到旋转后的手指边界；

第五步，对旋转后的图像依次进行一次平滑处理，锐化处理，增强处理，平滑处理和锐化处理。这一系列处理方法具体实现内容如下：

平滑处理使用领域加权平均法，处理模板如下：

其中，M是矩阵模板的行数，N表示矩阵的列数，M、N都为奇数，且M>1，N>1；

平滑公式为：

锐化使用领域最大值锐化方法，处理模板如下：

用M表示该模板的行数，N表示该模板的列数,M、N都为奇数，且，；

锐化公式为：

其中，；

增强处理采用谷型区域增强，增强过程可能使某个象素点的灰度值超出正常灰度范围，需要进行校正，其方法如下：

其中，g(x,y)是增强后的静脉图对应坐标(x,y)处的灰度值；

第六步，使用谷型边缘检测采用4方向边缘检测并二值化，具体实现如下：

(1)初始化，取；

(2)4方向边缘检测，并进行阈值判断，取阈值为：

方向：，

方向：，

方向：，

方向：，

(3)处理后的图像灰度为，得到的纹路为黑色，背景为白色；

第七步，对所述第六步检测得到的图像进行滤波去噪处理；

第八步，对所述第七步得到的滤波后的二值化图进行背景屏蔽，具体做法是：取出上边界最低点作为手指有效区的最高界限，取出下边界最高点坐标作为手指有效区的最低界限，将最高界限以上部分和最低界限以下部分进行填充为白色的屏蔽处理；对静脉图像两端背景的屏蔽是定量屏蔽，可根据具体图像对固定大小的区域进行屏蔽处理；

第九步，对所述第八步得到的图像依次进行膨胀和腐蚀处理，使用一般的膨胀、腐蚀图像处理方法即可；

第十步，对所述第九步得到的图像进行细线化处理，使用一般的细线化图像处理方法即可。

使用本发明所述的方法处理手指静脉图像，尤其是对于因光照不均，图像对比度不高，静脉纹路不清晰的低质量手指静脉图像有很好的处理效果，最终得到的细线化图像基本包含了原始图像中静脉纹路的有用信息，为基于细线化图像的手指静脉特征提取和匹配方法提供最有用的静脉信息。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合附图举例对本发明做更详细的描述。

如图1所示，本发明所述的手指静脉图像预处理方法，包括下述步骤：

1、读入原始手指静脉图像，读入时要求手指平稳放置在一水平装置上。

2、提取手指静脉图像边缘线。由于一般的边缘检测方法对噪声很敏感，为了去除边界处噪声的影响，尽可能的检测出完整边界，需要对原图像进行一次平滑去噪处理，用简单的模板平滑即可去掉大部分噪声，本发明使用8-领域加权平均法进行平滑处理其模板如下：

平滑公式为：；

对平滑后的图像直接使用Sobel算子进行边界检测，该算子模板如下：

垂直方向：水平方向：

为了方便后续处理，还对检测后的图像进行一次灰度二值化处理，二值化公式如下：

其中g(x,y)是二值化后的像素灰度值，f(x,y)是二值化前的图像灰度值，二值化阈值T=90。

3、对图像进行旋转校正。根据扫描提取出来的边界线坐标，可以用最小二乘法拟合得到边界直线，记为：

y_up=k_up*x_up+b_up(1)

y_down=k_down*x_down+b_down(2)

其中(1)式表示上边界线，(2)式表示下边界线；

根据上下边界线得到中轴线的坐标，记为(X_MID_i,Y_MID_i),则有X_MID_i=X_UP_i=X_DOWN_i,Y_MID_i=(Y_UP_i+Y_DOWN_i)/2,得到中轴线坐标后，同样的使用最小二乘法得到中轴线直线，即为：

y_mid=k_mid*x_mid+b_mid(3)

根据中轴线斜率，计算其倾角。而旋转的目的是使中轴线接近水平，可以使用下式进行映射：

(4)。

4、重新确定旋转后的手指边界。利用实施方式所述2检测得到的手指上下边界线，即式(1)和式(2)表示的直线，根据所述2使用的式(4)表示的旋转映射方式进行映射，得到旋转后的边界。

5、对旋转后的图像依次进行7*7模板加权平均平滑处理，5*5模板锐化处理，9*9谷型区域增强处理，9*9模板平滑处理和5*5模板锐化处理。具体实现内容如下：

7*7平滑使用模板如下：

平滑公式为：

9*9平滑使用模板如下：

平滑公式为：

5*5锐化使用模板如下：

锐化公式为：

其中i,j的范围都是[-2,2]；

9*9增强使用模板如下：

增强运算公式为：

；

其中W[i,j]表示模版中各个位置的值，最后必须对得到的g(m,n)进行判断，判断方法如下：

。

6、对已经进行过去噪、增强的图像进行谷型边缘检测，同时进行二值化，可以将静脉纹路大致提取出来，但是还会有一些伪静脉线，其中背景为白色，静脉纹路用黑色显示。

7、对所述5得到的二值化图像进行3*3模板的中值滤波，去除部分伪静脉。

8、对二值化的图像的进行背景区域填充。

9、对中值滤波处理后的图像进行膨胀、腐蚀处理。

10、最后对静脉图像进行细线化，得到单像素细线化静脉纹路图。

Claims (5)

1.一种手指静脉图像预处理方法，其特征在于，包括以下步骤：

第一步，读入原始手指静脉图像，读入时要求手指平稳放置在一水平装置上；

第二步，对原始图像进行边缘检测，得到手指两侧边界；

第三步，根据得到的手指两侧边界，对手指静脉图像进行旋转校正，所述第三步对静脉图像进行旋转校正的过程包括以下子步骤：

3.1、所述第二步检测到的二指化手指边缘图像中的边缘线灰度为255，而且满足边缘以内即手指内部灰度都为0，因此可以从图像垂直方向上的中线开始向上下两侧扫描，当检测到扫描点灰度值为255时，则可认为该点是手指边界上的点，依次扫描分别可以得到上边界线和下边界线的坐标点，分别为(X_UP_i,Y_UP_i)和(X_DOWN_i,Y_DOWN_i),其中(X_UP_i，Y_UP_i)表示上边界的坐标，(X_DOWN_i,Y_DOWN_i)表示下边界的坐标，然后使用最小二乘法拟合分别得到两条代表上下边缘走向的直线线性函数，其模型为：

y＝kx+b

其中，(x，y)表示直线上的点坐标，k表示该直线的斜率；

3.2、所述3.1得到上下边界直线分别为：

y_up＝k_up*x_up+b_up(1)

y_down＝k_down*x_down+b_down(2)

其中，(1)式表示上边界直线，(2)式表示下边界直线，由这两条直线可以确定手指中轴线的位置，具体做法是：任取一个横坐标X_i，以两条直线对应纵坐标的平均值作为其垂直方向上的坐标，令计算出来的中轴线坐标为(X_i,Y_i),则X_i＝x_up_i＝x_down_i,Y_i＝(y_up_i+y_down_i)/2，根据(X_i,Y_i)，可以利用所述3.1的最小二乘法再一次拟合直线，得到中轴线的直线方程：

y_mid＝k_mid*x_mid+b_mid

该直线斜率的计算方法为：

$k=\frac{n\underset{i=1}{\overset{n}{\Σ}}{X}_i{Y}_i-\underset{i=1}{\overset{n}{\Σ}}{X}_i\underset{i=1}{\overset{n}{\Σ}}{Y}_i}{n\underset{i=1}{\overset{n}{\Σ}}{X_i}^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{X}_i\right)}^2}$

其中，X，Y为中轴线上点的坐标，由于计算出来的斜率值比较小，扩大一定倍数R，并使扩大后的数据类型为整型，由该值通过查表的方法得到这条中轴线的倾角的角度θ；

3.3、所述3.2得到手指图像中轴线的倾角θ后，对图像进行旋转校正，旋转图像使用下式进行映射：

X＝cx+(x-cx)*cosθ+(y-cy)*sinθ

Y＝cy-(x-cx)*sinθ+(y-cy)*cosθ

其中cx,cy为旋转图像的中心点的横坐标和纵坐标，x,y为原图像的某个像素点的坐标，X,Y为旋转后的像素点坐标，如果映射后的坐标超出原图像的坐标范围，将忽略这些点，该映射不应改变图像的大小；

第四步，重新检测旋转后的图像两侧边界线；

第五步，对静脉图像在图像空间域进行一系列去噪、增强处理，内容包括：平滑处理，锐化处理，区域增强处理，所述平滑处理采用领域加权平均法，其平滑模板如下：

其中，M是矩阵模板的行数，N表示矩阵的列数，M、N都为奇数，且M>1，N>1；

平滑公式如下：

$g(m,n)=\frac{1}{M*N}{\mathrm{\Σ}}_{i=\frac{1-M}{2}}^{\frac{M-1}{2}}{\mathrm{\Σ}}_{i=\frac{1-N}{2}}^{\frac{N-1}{2}}f(m-i,n-j)$

二值化使用的阈值根据具体试验，得出的符合实际图像的理想经验值，二值化公式为：

$s(x,y)=\left\{\begin{array}{c}255,\left(f\right(x,y)>T)\\ 0,\left(f\right(x,y)\≤T)\end{array}\right.$

其中f(x,y)为坐标为(x,y)的点的灰度值，s(x,y)为坐标为(x,y)的点二值化后的灰度值，255、0分别为灰度的最高值和最低值；

所述锐化使用领域最大值锐化方法，处理模板如下：

用M表示该模板的行数，N表示该模板的列数,M、N都为奇数，且M＞1，N＞1；锐化公式为：

g(m,n)＝_MAX{f(m-i,n-j)}

其中 $\frac{1-M}{2}\≤i\≤\frac{M-1}{2},\frac{1-N}{2}\≤j\≤\frac{N-1}{2};$

所述增强处理采用谷型区域增强，增强过程可能使某个像素点的灰度值超出正常灰度范围，需要进行校正，其方法如下：

$g(x,y)=\left\{\begin{array}{c}g(x,y)\\ 255,\left(g\right(x,y)>255)\\ 0,\left(g\right(x,y)<0)\end{array}\right.$

其中，g(x,y)是增强后的静脉图像对应坐标(x,y)处的灰度值；

第六步，对静脉图像进行谷型边缘检测并二值化图像，谷型边缘检测采用4方向边缘检测并二值化，具体实现如下：

$\left[\begin{array}{ccc}(x-r,y-r)& (x,y-r)& (x+r,y-r)\\ (x-r,y)& (x,y)& (x+r,y)\\ (x-r,y+r)& (x,y+r)& (x+r,y+r)\end{array}\right]$

(1)初始化val＝0xff，取r＝4；

(2)4方向边缘检测，并进行阈值判断，取阈值为T＝1：

0°方向：f((f(x-r,y)-f(x,y))＞＝T&&(f(x+r,y)-f(x,y))＞＝T)，val＝0x00

45°方向：f((f(x-r,y+r)-f(x,y))＞＝T&&(f(x+r,y-r)-f(x,y))＞＝T)，val＝0x00

90°方向：f((f(x,y-r)-f(x,y))＞＝T&&(f(x,y+r)-f(x,y))＞＝T)，val＝0x00

135°方向：f((f(x-r,y-r)-f(x,y))＞＝T&&(f(x+r,y+r)-f(x,y))＞＝T)，val＝0x00

(3)处理后的图像灰度为g(x,y)＝val，得到的纹路为黑色，背景为白色；

第七步，对二值化的图像进行滤波处理；

第八步，对二值化的图像的进行背景区域填充；

第九步，对图像进行膨胀、腐蚀处理；

第十步，对图像进行细线化，得到最终的单像素细化图像。

2.根据权利要求1所述的手指静脉图像预处理方法，其特征是：所述第二步边缘检测使用的方法是：先对图像进行一次平滑处理，去除边缘处的噪声，接着用边缘检测算子进行手指边缘的检测，最后设定一个阈值，对得到的边界图像进行二值化处理。

3.根据权利要求1所述的手指静脉图像预处理方法，其特征是：所述第四步重新检测旋转后的图像两侧边界线的做法是：用所述3.1步骤得到的边缘直线根据上述3.3步骤使用的映射函数进行旋转，重新得到旋转校正后的手指边缘。

4.根据权利要求1所述的手指静脉图像预处理方法，其特征是：所述第七步滤波过程采用中值滤波法。

5.根据权利要求1所述的手指静脉图像预处理方法，其特征是：所述第八步对二值化的图像的进行背景区域填充的方法是：根据所述第四步确定的旋转后的手指边缘，取出上边界线的最低点记为(X_upmin,Y_upmin),取出下边界线的最高点记为(X_downmax,Y_downmax)，对上边界最低点以上部分和下边界最低点以下部分进行屏蔽；再根据图片大小和具体图像对图像两侧20个像素的区域进行填充屏蔽。