基于灰度近邻和方差约束的手指静脉纹路修复方法
技术领域
本发明主要涉及一种基于灰度近邻和方差约束的手指静脉纹路修复方法,属于安防生物特征识别技术领域。
背景技术
手指静脉识别技术是当前生物特征识别领域的研究热点,其主要优势在于静脉藏匿于手指内部,不易被伪造和窃取,安全可靠。点模式匹配方法是手指静脉识别领域的常用方法之一,此类方法基于细化后的手指静脉纹路图像提取特征进行匹配。
手指静脉的成像机理导致采集到的手指静脉图像质量较低,这给清晰、完整的静脉纹路的获取带来很大困难。为了获取清晰完整的静脉纹路,近些年提出许多有意义的算法。其中,N.Miura等人提出的重复线跟踪(RLT,Repeated Line
Tracking)算法性能最好,Liu等人又提出了一种改进的重复线跟踪(MRLT,Modified Repeated Line Tracking)算法,克服RLT算法在鲁棒性和效率方面的不足。尽管现有的技术可以提取清晰的静脉纹路,然而,静脉纹路个别分支断裂的现象仍然普遍存在,这对手指静脉纹路特征的提取和匹配产生不利影响。
发明内容
针对断裂纹路的修复问题,本发明提出一种基于灰度近邻和方差约束的手指静脉纹路修复方法。
该方法首先采用MRLT方法进行图像分割、采用数学形态学的顶帽变换进行图像滤波、采用数学形态学的击中与击不中变换进行图像细化,获取细化后的手指静脉纹路;然后定位静脉纹路断裂的初始位置,并按照静脉纹路的走向确定候选的目标点集合;接着提出灰度近邻准则,从候选目标点集合中选择可疑的目标点;最后提出类内方差上限一致准则和边界约束条件,判别可疑目标点是否为丢失的目标点,并迭代搜索丢失的目标点,修复断裂的静脉纹路。
本发明的技术方案是:
1、手指静脉纹路提取
手指静脉纹路提取包括图像分割、图像滤波和图像细化三个步骤,具体描述如下:
1.1 图像分割
本发明采用Liu等人提出的MRLT方法对低质量手指静脉图像进行分割,图2为图1中手指静脉图像的分割效果。
1.2 图像滤波
分割后的手指静脉图像难免存在毛刺和噪声,这里采用数学形态学方法滤除部分噪声和毛刺。考虑到低质量手指静脉图像分割后噪声、毛刺较多,这里先采用开运算消除噪声和毛刺,然后再采用闭运算修复断裂静脉,并保持静脉管径大小基本不变,避免给后续手指静脉平均宽度的估计带来误差。为了尽可能保持静脉管径大小、静脉连接关系等属性基本不变,滤波器窗口尺寸设为3×3,避免过度滤波而破坏静脉结构。这里,先进行开运算再进行闭运算的数学形态学方法也称为顶帽变换。
滤波后的图像如图3所示。
1.3 图像细化
图像细化采用数学形态学的击中与击不中变换进行,并保证细化图像中各目标像素是m邻接的,以便在保证目标连通性的同时去除冗余的目标点。假设p为目标像素点,与之m相邻的目标像素点q必须满足如下条件之一:
Ⅰ、q在p的4邻域内;
Ⅱ、q在p的对角邻域内,且q与p的4邻域点的交集中不存在目标像素点。
细化后的图像如图4所示。
2、手指静脉纹路修复
2.1 初始条件
MRLT方法提取的静脉纹路细节丰富,基本不会出现某条静脉纹路上所有目标点都未被提取出来的现象。此时,静脉纹路断裂一般出现在静脉纹路的各个端点处。
端点:静脉纹路上的目标点,且其八邻域中有且仅有1个目标点与其相邻。
因此,本发明只针对端点处发生的纹路断裂现象进行修复。初始条件为:断裂纹路修复的起点为静脉纹路上的端点。
2.2 纹路修复
纹路修复的过程实质上是搜寻丢失的静脉目标点的过程。为了描述方便,记原始静脉图像为OIMG(Original Image),细化后的静脉图像为TIMG(Thinning Image)。这里,以静脉纹路上某一端点P 1为例,介绍以P 1为起点的那条断裂纹路的修复过程,其他端点的断裂纹路修复过程与之相似,不再赘述。
(1)候选点集合
在TIMG上,由于目标点之间满足m邻接性质,这样与端点P 1相邻的目标点只有一个,记为P 2。
为修复以P 1为起点的那条断裂纹路,首先定位与P 1相邻的可疑目标点集合。由于被选中的目标点仍需满足m邻接性质,因此,与P 1相邻的候选目标点集合只有8种空间分布,如图6所示。其中,候选点集合记为 Q ={Q 1, Q 2, Q 3},该集合由P 1与P 2的方向唯一确定。
(2)灰度近邻准则
按照静脉细化的思路,候选点集合中最多只有一个可能是目标点。这里依据丢失的目标点与当前已知目标点最相似的原则,制定灰度近邻准则,具体上,在3个候选目标点中,按照Q 1、Q 2、Q 3的顺序,选取一个与当前目标点灰度最接近的点作为可疑目标点,记为Q m 。
(3)类内方差上限一致准则
手指静脉图像采集过程中,手指局部受压或者静脉藏匿深度太深都可能导致采集图像中静脉纹路存在实质性的断裂,而这种断裂是无法修复的。因此,可疑目标点Q m 并不一定是真实目标点。这里,设计类内方差上限一致准则,用于判断Q m 是否为真实目标点。
由于手指静脉低质量图像亮度不均匀,不同位置的各条静脉分支之间的类内方差还存在一定差异。因此,只在P 1所在的静脉分支上计算类内方差上限。记P 1所在静脉分支上目标点集合为 P ={P i |i=1,2,…,n},n为静脉分支上目标点总数。P 1所在静脉分支未修复之前的类内方差为:
其中,f(x)是指在OIMG上,像素点x处的灰度值。
假设Q m 为真实目标点,则点Q m 所在静脉分支的类内方差为:
当Δ m <Δ时,判定Q m 是真实目标点;否则,判定Q m 为背景点。
(4)边界约束条件
静脉纹路修复是不断寻找丢失的目标点Q m 的过程,该过程终止于两个边界约束条件:
条件1:Q m 不是TIMG的边界点;
条件2:Q m 不是TIMG的目标点。
2.3 实现步骤
如图7所示,给出了以P 1为起点的那条断裂纹路的修复流程,详细说明如下:
Step1:在TIMG上,定位一个端点P 1;
Step2:在OIMG上,计算P 1所在静脉分支未修复之前的类内方差Δ;
Step3:在TIMG上,定位与端点P 1相邻的唯一目标点P 2;
Step4:按照图2所示,由P 1、P 2唯一确定候选点集合 Q ={Q 1, Q 2,
Q 3};
Step5:在OIMG上,按照Q 1、Q 2、Q 3的顺序,选取与P 1灰度最接近的可疑目标点Q m ;
Step6:在OIMG上,计算Q m 所在静脉分支的类内方差Δ m ;
Step7:如果Δ m <Δ,而且Q m 不是TIMG的边界点或者目标点,则将Q m 判定为真实目标点,并令P 2=P 1、P 1=Q m ,转至Step4,继续修复P 1所在静脉分支的断裂纹路;否则,判定P 1所在静脉分支的断裂纹路修复完毕。重新定位下一个端点P 1,继续修复断裂的静脉纹路,直至所有端点所在静脉纹路都已被修复。
最终得到的修复后的手指静脉纹路图像如图5所示。
本方法可以有效修复部分断裂的手指静脉纹路,并最终提高手指静脉识别性能。
附图说明
图1-图5是手指静脉纹路提取过程中手指静脉图;
图6是候选点集合图;
图7是静脉纹路修复流程图。
具体实施方式
一种基于灰度近邻和方差约束的手指静脉纹路修复方法,首先采用MRLT方法、数学形态学的顶帽变换、数学形态学的击中与击不中变换,获取细化后的手指静脉纹路;然后定位静脉纹路断裂的初始位置,并按照静脉纹路的走向确定候选的目标点集合;接着提出灰度近邻准则,从候选目标点集合中选择可疑的目标点;最后提出类内方差上限一致准则和边界约束条件,判别可疑目标点是否为丢失的目标点,并迭代搜索丢失的目标点,修复断裂的静脉纹路。
具体内容为:
1、手指静脉纹路提取
手指静脉纹路提取包括图像分割、图像滤波和图像细化三个步骤,具体描述如下:
1.1 图像分割
本发明采用Liu等人提出的MRLT方法对低质量手指静脉图像进行分割,图2为图1中手指静脉图像的分割效果。
1.2 图像滤波
分割后的手指静脉图像难免存在毛刺和噪声,这里采用数学形态学的顶帽变换滤除部分噪声和毛刺。具体是先采用开运算消除噪声和毛刺,然后再采用闭运算修复断裂静脉,并保持静脉管径大小基本不变,避免给后续手指静脉平均宽度的估计带来误差。为了尽可能保持静脉管径大小、静脉连接关系等属性基本不变,滤波器窗口尺寸设为3×3,避免过度滤波而破坏静脉结构。
滤波后的图像如图3所示。
1.3 图像细化
图像细化采用数学形态学的击中与击不中变换进行,并保证细化图像中各目标像素是m邻接的,以便在保证目标连通性的同时去除冗余的目标点。假设p为目标像素点,与之m相邻的目标像素点q必须满足如下条件之一:
Ⅰ、q在p的4邻域内;
Ⅱ、q在p的对角邻域内,且q与p的4邻域点的交集中不存在目标像素点。
细化后的图像如图4所示。
2、手指静脉纹路修复
2.1 初始条件
MRLT方法提取的静脉纹路细节丰富,基本不会出现某条静脉纹路上所有目标点都未被提取出来的现象。此时,静脉纹路断裂一般出现在静脉纹路的各个端点处。
端点:静脉纹路上的目标点,且其八邻域中有且仅有1个目标点与其相邻。
因此,本发明只针对端点处发生的纹路断裂现象进行修复。初始条件为:断裂纹路修复的起点为静脉纹路上的端点。
2.2 纹路修复
纹路修复的过程实质上是搜寻丢失的静脉目标点的过程。为了描述方便,记原始静脉图像为OIMG,细化后的静脉图像为TIMG。这里,以静脉纹路上某一端点P 1为例,介绍以P 1为起点的那条断裂纹路的修复过程,其他端点的断裂纹路修复过程与之相似,不再赘述。
(1)候选点集合
在TIMG上,由于目标点之间满足m邻接性质,这样与端点P 1相邻的目标点只有一个,记为P 2。
为修复以P 1为起点的那条断裂纹路,首先定位与P 1相邻的可疑目标点集合。由于被选中的目标点仍需满足m邻接性质,因此,与P 1相邻的候选目标点集合只有8种空间分布,如图6所示。其中,候选点集合记为 Q ={Q 1, Q 2, Q 3},该集合由P 1与P 2的方向唯一确定。
(2)灰度近邻准则
按照静脉细化的思路,候选点集合中最多只有一个可能是目标点。这里依据丢失的目标点与当前已知目标点最相似的原则,制定灰度近邻准则,具体上,在3个候选目标点中,按照Q 1、Q 2、Q 3的顺序,选取一个与当前目标点灰度最接近的点作为可疑目标点,记为Q m 。
(3)类内方差上限一致准则
手指静脉图像采集过程中,手指局部受压或者静脉藏匿深度太深都可能导致采集图像中静脉纹路存在实质性的断裂,而这种断裂是无法修复的。因此,可疑目标点Q m 并不一定是真实目标点。这里,设计类内方差上限一致准则,用于判断Q m 是否为真实目标点。
由于手指静脉低质量图像亮度不均匀,不同位置的各条静脉分支之间的类内方差还存在一定差异。因此,只在P 1所在的静脉分支上计算类内方差上限。记P 1所在静脉分支上目标点集合为 P ={P i |i=1,2,…,n},n为静脉分支上目标点总数。P 1所在静脉分支未修复之前的类内方差为:
其中,f(x)是指在OIMG上,像素点x处的灰度值。
假设Q m 为真实目标点,则点Q m 所在静脉分支的类内方差为:
当Δ m <Δ时,判定Q m 是真实目标点;否则,判定Q m 为背景点。
(4)边界约束条件
静脉纹路修复是不断寻找丢失的目标点Q m 的过程,该过程终止于两个边界约束条件:
条件1:Q m 不是TIMG的边界点;
条件2:Q m 不是TIMG的目标点。
2.3 实现步骤
如图7所示,给出了以P 1为起点的那条断裂纹路的修复流程,详细说明如下:
Step1:在TIMG上,定位一个端点P 1;
Step2:在OIMG上,计算P 1所在静脉分支未修复之前的类内方差Δ;
Step3:在TIMG上,定位与端点P 1相邻的唯一目标点P 2;
Step4:按照图2所示,由P 1、P 2唯一确定候选点集合 Q ={Q 1, Q 2,
Q 3};
Step5:在OIMG上,按照Q 1、Q 2、Q 3的顺序,选取与P 1灰度最接近的可疑目标点Q m ;
Step6:在OIMG上,计算Q m 所在静脉分支的类内方差Δ m ;
Step7:如果Δ m <Δ,而且Q m 不是TIMG的边界点或者目标点,则将Q m 判定为真实目标点,并令P 2=P 1、P 1=Q m ,转至Step4,继续修复P 1所在静脉分支的断裂纹路;否则,判定P 1所在静脉分支的断裂纹路修复完毕。重新定位下一个端点P 1,继续修复断裂的静脉纹路,直至所有端点所在静脉纹路都已被修复。