CN104766095A - 一种移动终端图像识别方法 - Google Patents

Abstract

本发明提供了一种移动终端图像识别方法，该方法包括：在预处理过程中，利用ROI定位获取图像区域，然后进行去噪和增强处理，对预处理的图像进行特征提取，根据所提取的特征进行图像分类识别。本发明有效地解决了手纹量化识别研究中的小样本、分类模型推广能力差等问题，适用于移动智能终端。

Description

一种移动终端图像识别方法

技术领域

本发明涉及图像处理，特别涉及一种图像识别方法。

背景技术

移动医疗是指以移动计算、医疗传感和通信技术为基础的新型医疗模式。随着移动通信技术的发展以及移动终端设备的进步，移动医疗系统的发展呈现出快速上升的趋势。其中，手纹的是进行辅助诊病的重要依据。在诊断时，医师往往根据自己的主观经验对手纹进行观察作出论断。为了减少医师诊断过程中由一些主观因素带来的判断误差，对手纹图像进行客观的分类量化就变得十分重要。手纹图像具有可在低分辨率条件下识别的特点，普通数码相机拍摄的手纹图像即可以获得有效的识别精度。由于智能手机具有拍照功能，因此可以考虑将手纹识别技术嵌入到这些移动设备中。然而，受这些智能设备资源等条件限制，如较小的存储空间、较弱的处理能力和相对复杂的应用环境等，现有的手纹识别算法一般不能有效地嵌入到这些设备中。

因此，针对相关技术中所存在的上述问题，目前尚未提出有效的解决方案。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种移动终端图像识别方法，用于在嵌入式系统中启动操作系统，其特征在于，包括：

在预处理过程中，利用ROI定位获取图像区域，然后进行去噪和增强处理；

对预处理的图像进行特征提取；

根据所提取的特征进行图像分类识别。

优选地，所述ROI定位进一步包括：

采用自适应阈值分割方法对图像进行二值化，对二值图像进行边缘检测获得图像轮廓，建立直角坐标系，从而确定ROI区域。

优选地，所述二值化进一步包括：

首先得到图像灰度直方图，对直方图进行归一化，得到灰度概率函数，计算出灰度均值μ_T，直方图零阶累加矩ω(k)和一阶累加矩μ(k)，并计算分离指标σB(k)：

$\mathrm{\σB}\left(k\right)=\frac{{[u_T\mathrm{\ω}\left(k\right)-\mathrm{\μ}\left(k\right)]}^2}{\mathrm{\ω}\left(k\right)[1-\mathrm{\ω}\left(k\right)]},k=\mathrm{0,1},...,255$

由此计算出对每一个灰度进行一次分割后的类间方差，取最大类间方差时对应的灰度的阈值k作为最佳阈值；

根据得到的最佳阈值对图像进行二值化，把灰度值大于k的像素设置为255，小于等于k的像素设置为0，这样就得到图像二值化图像。

优选地，所述边缘检测进一步包括：

对平滑处理后的二值图像进行八邻域轮廓跟踪，得到图像轮廓和图像轮廓的freeman链码，在经过八邻域追踪完成后，得到边缘点的坐标，保存在一个链表中，此链表描述的是一个封闭的曲线，以这些点的横坐标为自变量，纵坐标为因变量，计算出它的局部极值；最终通过对这些极值点进行筛选，得到所需要的定位点。

优选地，所述确定ROI区域进一步包括：

根据得到的定位点计算图像所要旋转的角度，对图像进行旋转校正，在分割中心点周围截取的矩形区域建立坐标系，对定位好的区域进行截取。

优选地，所述去噪和增强处理进一包括：

采用均值偏移滤波方法，首先对一个滑动窗口的像素按灰度排序，然后用排序得到的序列的均值代替窗口中心像素原来的灰度值；

采用高频强调滤波和直方图均衡化相结合的方法进行图像增强，其包括：

(1)对去噪后的图像进行傅里叶变换获得低频和高频两部分的频率分量；

(2)经过傅里叶变换后，对低频系数和高频系数同时进行加权处理，并使低频系数的加权值小于高频系数的加权值；

(3)对高频滤波后的图像进行傅里叶反变换，然后在空域上对其进行直方图均衡化处理。

优选地，所述分类进一步包括：

在对图像进行特征提取结束后，将样本空间映射到更高维的特征空间，在高维空间中求出最优超平面，寻找到满足分类条件的分类平面，使得训练集中的不同类的点距离分类平面尽可能远；

(1)从采集到的已知类别的图像中选出一定数量的两类图像图片作为训练样本，将特征提取后的数据构成n×16矩阵，即属性矩阵，行数代表样本个数，列数表示属性个数；

(2)利用训练函数对训练样本进行训练，选择核函数:

设K(x_i，x_j)＝(γx_ix_j+r)^d为所得到的d阶多项式分类器；

则多项式核函数 $f_p(x,a)=\mathrm{sign}(\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i{(x_{i}x+1)}^d-b)$

并且径向基核函数定义为:

$f_{\mathrm{RB}}\left(x\right)=\mathrm{sign}(\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\α}}_i{K}_{\mathrm{\γ}}\left(\right|x-x_i\left|\right)-b)$

其中，K_γ(|x_i－x_j|)取决于两个向量之间的距离|x_i－x_j|，对于任何的γ值，K_γ(|x_i－x_j|)是一个非负的单调函数；

当径向基核函数f_RB(x)均方差大于或等于多项式核函数f_p(x，a)的均方差时，采用径向基核函数；

当径向基核函数f_RB(x)均方差小于多项式核函数f_p(x，a)均方差时，采用多项式核函数。

本发明相比现有技术，具有以下优点：

利用信息处理手段，客观准确地对手纹进行分类量化，有利于增强诊断的客观性与准确性。

附图说明

图1是根据本发明实施例的移动终端图像识别方法的流程图。

具体实施方式

下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。

从采集到的整个手部图像开始，首先对其进行预处理，包括图像定位分割，图像去噪和增强；然后基于预处理后的手纹图像，提取手纹图像的特征；最后利用支持向量机对提取的这些特征进行聚类。

本发明的一方面提供了一种移动终端图像识别方法。图1是根据本发明实施例的移动终端图像识别方法流程图。如图1所示，实施本发明的具体步骤如下：

1.预处理

要对手纹图像进行分类识别，采集到的图像是整个手掌图像，因此要对手纹图像进行定位分割，即感兴趣区域ROI。本发明借鉴手纹识别技术中的ROI的定位方法，首先采用改进的自适应阈值分割方法对手纹图像进行二值化，对二值图像进行边缘检测获得手掌轮廓，利用3个手指间隙上的基准点来建立直角坐标系，从而确定ROI区域。

首先得到手纹图像灰度直方图，对直方图进行归一化，得到灰度概率函数，计算出灰度均值μ_T，直方图零阶累加矩ω(k)和一阶累加矩μ(k)，

$\mathrm{\σB}\left(k\right)=\frac{{[u_T\mathrm{\ω}\left(k\right)-\mathrm{\μ}\left(k\right)]}^2}{\mathrm{\ω}\left(k\right)[1-\mathrm{\ω}\left(k\right)]},k=\mathrm{0,1},...,255$

根据上式的分离指标，计算出对每一个灰度进行一次分割后的类间方差，取最大类间方差时对应的灰度的阈值k就是最佳阈值。

根据得到的最佳阈值对图像进行二值化，把灰度值大于k的都设置为255，小于等于k的都设置为0，这样就得到手纹二值化图像。

对平滑处理后的二值手纹图像进行八邻域轮廓跟踪，得到手纹轮廓和手纹轮廓的freeman链码。八邻域追踪完成后得到手掌边缘点的坐标保存在一个链表中，此链表描述的是一个封闭的曲线，以这些点的横坐标为自变量，纵坐标为因变量，求出它的局部极值。最终通过对这些极值点进行筛选，得到所需要的定位点。

根据得到的定位点计算图像所要旋转的角度，对图像进行旋转校正，本发明在分割中心点周围截取的矩形区域建立坐标系，对定位好的区域进行截取。

在采集图片过程中难免混入噪声，这些噪声会使图片质量下降，干扰到分类结果，因此要对图像进行去噪处理。手纹图像主要信息集中在边缘部分，本发明采用均值偏移滤波方法去噪，首先对一个滑动窗口的像素按灰度排序，然后用排序得到的序列的均值代替窗口中心像素原来的灰度值，在抑制噪声的同时减少了边缘模糊。

图像的纹理特征影响到分类效果，为增加分类准确率，要对图像进行增强，使得纹理清晰，特征明显。目前，图像增强的方法有多种，鉴于我们要使图像纹理更加清晰，增加其对比度，同时还要突出其边缘信息，本发明采用高频强调滤波和直方图均衡化相结合的方法进行图像增强。

本发明优选的图像增强算法如下:

(1)对去噪后的图像进行傅里叶变换获得低频和高频两部分的频率分量。

(2)傅里叶变换后，对低频系数和高频系数同时进行加权处理，但要使低频系数的加权值小于高频系数的加权值。

(3)对高频滤波后的图像进行傅里叶反变换，然后在空域上对其进行直方图均衡化处理。

2.特征提取

特征参数的提取在图像识别分类中至关重要，是成功进行分类的重要环节。不同级别的手纹图像其亮度、颜色不同，结合手纹图像这些特点，将对其提取纹理特征作为分类特征。本发明采用基于图像中不同灰度级结构重复出现的概率来描述图像纹理信息，提取手纹的纹理特征。

本发明设计得到一幅矩形图像I(在水平方向和垂直方向的分辨率分别为Nx，Ny)的灰度共生矩阵，

其算法步骤为:

(1)将图像灰度做归并，将所有像素的灰度都量化到Ng个等级上。

(2)构建零度方向灰度共生矩阵，统计左右两个方向，定义一个指针lps指向当前遍历到的像素点，定义另一个指针lpd指向偏离点，第一次循环遍历图像，lpd指向的像素点在lps所指向的像素点的右方。第二次循环遍历图像，lpd指向的像素点在lps所指向的像素点的左方。通过两次循环遍历图像，完成了零度方向上灰度共生矩阵的统计。

(3)最后用同样方法，分别建立45°，90°，135°三个方向灰度共生矩阵。

使在得到四个方向的灰度共生矩阵后，要分别计算每个灰度矩阵所对应的纹理特征，本发明采用利于聚类的四个纹理特征进行分类:

(1)角二阶矩:用来度量图像灰度分布均匀性，是灰度共生矩阵像素的平方和，能反映纹理的粗细。

$f_1=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left\{P(i,j)\right\}}^2$

(2)对比度:表示图像的纹理清晰程度。

$f_2=\underset{n=0}{\overset{N_g-1}{\mathrm{\Σ}}}{n}^2\left\{\frac{\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left\{P(i,j)\right\}}^2}{|i-j|=n}\right\}$

(3)相关性:用来表示灰度共生矩阵各元素在某方向上的相似程度。

$f_3=\frac{\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\left(\mathrm{ij}\right)P(i,j)\}-u_x{u}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}$

其中，μ_x，μ_y，σ_x，σ_y是P_x和P_y的均值和均方差。

$\begin{array}{cc}{P}_x\left(i\right)=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j);& P_y\left(j\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j)\end{array}$

(4)熵:熵值是图像所具有的信息量的度量。

$f4=-\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j)\log \left\{P(i,j)\right\}$

如果图像没有任何纹理，灰度共生矩阵几乎为零矩阵，则熵值接近于零。如果图像充满着细纹理，则P(i，j)数值近似相等，此时图像的熵值最大。如果图像中分布着较少的纹理，此时P(i，j)的数值差别较大，则图像熵值较小。

为了使图像分类结果更加准确，本发明分别建立了上述四个方向上的灰度共生矩阵，对每个方向上的共生矩阵提取f1－f4四个特征值。

基于上面的计算，实验得到每张图片都有四个方向上共16个特征值，把这16个特征值组成一个特征向量，作为分类特征输入量。

3.基于支持向量机的特征聚类

在对手纹图片进行特征提取结束后，要将这些特征向量作为SVM输入向量进行分类。基本思路是将样本空间映射到更高维的特征空间，在高维空间中求出最优超平面，寻找到满足分类条件的分类平面，使得训练集中的不同类的点距离分类平面尽可能远。

采用不同的函数作为支持向量机的核函数K(x，y)，可以构造实现输入空间不同类型的非线性决策面的支持向量机。目前常用且效果比较理想的核函数主要有多项式核函数、径向基核函数、多层感知机。本发明优选的分类算法步骤如下:

(1)从采集到的已知类别的手纹图像中选出一定数量的两类手纹图片作为训练样本，将特征提取后的数据构成n×16矩阵，即属性矩阵，行数代表样本个数，列数表示属性个数。

(2)利用训练函数对训练样本进行训练，选择核函数:

设K(x_i，x_j)＝(γx_ix_j+r)^d为所得到的d阶多项式分类器。

则多项式核函数 $f_p(x,a)=\mathrm{sign}(\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i{(x_{i}x+1)}^d-b)$

并且径向基核函数定义为:

$f_{\mathrm{RB}}\left(x\right)=\mathrm{sign}(\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\α}}_i{K}_{\mathrm{\γ}}\left(\right|x-x_i\left|\right)-b)$

其中，K_γ(|x_i－x_j|)取决于两个向量之间的距离|x_i－x_j|，对于任何的γ值，K_γ(|x_i－x_j|)是一个非负的单调函数。

对比上述两种核函数，当径向基核函数f_RB(x)均方差大于或等于多项式核函数f_p(x，a)的均方差时，采用径向基核函数；当径向基核函数f_RB(x)均方差小于多项式核函数f_p(x，a)均方差时，采用多项式核函数。

设置核函数类型参数t，惩罚参数c值和核函数参数g值，得到相应的训练模型，然后利用预测函数对训练样本进行测试，观察所得到的准确率，若准确率低于预设阈值，则反复改变c和g的值，直至准确率接近100％，这时得到的训练模型用于下一步的测试。

(3)把剩余的样本作为测试样本，标出测试样本的属性矩阵。用预测函数对测试样本进行测试，得出测试结果。

综上所述，本发明提出了移动终端的图像识别方法，有效地解决了手纹量化识别研究中的小样本、分类模型推广能力差及参数难以优化等问题。

显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (7)

1.一种移动终端图像识别方法，其特征在于，包括：

在预处理过程中，利用ROI定位获取图像区域，然后进行去噪和增强处理；

对预处理的图像进行特征提取；

根据所提取的特征进行图像分类识别。

2.根据权利要求1所述的方法，其特征在于，所述ROI定位进一步包括：

采用自适应阈值分割方法对图像进行二值化，对二值图像进行边缘检测获得图像轮廓，建立直角坐标系，从而确定ROI区域。

3.根据权利要求2所述的方法，所述二值化进一步包括：

首先得到图像灰度直方图，对直方图进行归一化，得到灰度概率函数，计算出灰度均值μ_T，直方图零阶累加矩ω(k)和一阶累加矩μ(k)，并计算分离指标σB(k)：

$\mathrm{\σB}\left(k\right)=\frac{[u_T\mathrm{\ω}\left(k\right)-\mathrm{\μ}\left(k\right){]}^2}{\mathrm{\ω}\left(k\right)[1-\mathrm{\ω}\left(k\right)]}$ k＝0，1，…，255

由此计算出对每一个灰度进行一次分割后的类间方差，取最大类间方差时对应的灰度的阈值k作为最佳阈值；

根据得到的最佳阈值对图像进行二值化，把灰度值大于k的像素设置为255，小于等于k的像素设置为0，这样就得到图像二值化图像。

4.根据权利要求2或3所述的方法，所述边缘检测进一步包括：

对平滑处理后的二值图像进行八邻域轮廓跟踪，得到图像轮廓和图像轮廓的freeman链码，在经过八邻域追踪完成后，得到边缘点的坐标，保存在一个链表中，此链表描述的是一个封闭的曲线，以这些点的横坐标为自变量，纵坐标为因变量，计算出它的局部极值；最终通过对这些极值点进行筛选，得到所需要的定位点。

5.根据权利要求4所述的方法，所述确定ROI区域进一步包括：

根据得到的定位点计算图像所要旋转的角度，对图像进行旋转校正，在分割中心点周围截取的矩形区域建立坐标系，对定位好的区域进行截取。

6.根据权利要求1所述的方法，其特征在于，所述去噪和增强处理进一包括：

采用均值偏移滤波方法，首先对一个滑动窗口的像素按灰度排序，然后用排序得到的序列的均值代替窗口中心像素原来的灰度值；

采用高频强调滤波和直方图均衡化相结合的方法进行图像增强，其包括：

(1)对去噪后的图像进行傅里叶变换获得低频和高频两部分的频率分量；

(2)经过傅里叶变换后，对低频系数和高频系数同时进行加权处理，并使低频系数的加权值小于高频系数的加权值；

(3)对高频滤波后的图像进行傅里叶反变换，然后在空域上对其进行直方图均衡化处理。

7.根据权利要求1所述的方法，其特征在于，所述分类进一步包括：

在对图像进行特征提取结束后，将样本空间映射到更高维的特征空间，在高维空间中求出最优超平面，寻找到满足分类条件的分类平面，使得训练集中的不同类的点距离分类平面尽可能远；

(1)从采集到的已知类别的图像中选出一定数量的两类图像图片作为训练样本，将特征提取后的数据构成n×16矩阵，即属性矩阵，行数代表样本个数，列数表示属性个数；

(2)利用训练函数对训练样本进行训练，选择核函数:

设K(x_i，x_j)＝(γx_ix_j+r)^d为所得到的d阶多项式分类器；

则多项式核函数 $f_p(x,a)=\mathrm{sign}(\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i{(x_{i}x+1)}^d-b)$

并且径向基核函数定义为:

$f_{\mathrm{RB}}\left(x\right)=\mathrm{sign}(\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\α}}_i{K}_{\mathrm{\γ}}\left(\right|x-x_i\left|\right)-b)$

其中，K_γ(|x_i－x_j|)取决于两个向量之间的距离|x_i－x_j|，对于任何的γ值，K_γ(|x_i－x_j|)是一个非负的单调函数；

当径向基核函数f_RB(x)均方差大于或等于多项式核函数f_p(x，a)的均方差时，采用径向基核函数；

当径向基核函数f_RB(x)均方差小于多项式核函数f_p(x，a)均方差时，采用多项式核函数。