CN105426847A - 低质量自然光虹膜图像非线性增强方法 - Google Patents
低质量自然光虹膜图像非线性增强方法 Download PDFInfo
- Publication number
- CN105426847A CN105426847A CN201510808886.7A CN201510808886A CN105426847A CN 105426847 A CN105426847 A CN 105426847A CN 201510808886 A CN201510808886 A CN 201510808886A CN 105426847 A CN105426847 A CN 105426847A
- Authority
- CN
- China
- Prior art keywords
- image
- natural light
- enhancing
- brightness
- linear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims description 32
- 230000000903 blocking effect Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对低质量自然光虹膜图像利用分块多尺度高斯卷积进行纹理增强的算法。本发明首先将虹膜图像转换到HSV空间,在V通道将图像分块,对每块进行非线性亮度增强运算。之后利用多尺度高斯函数完成卷积,并与亮度增强的结果进行非线性运算,实现对比度增强。增强的V通道图像与原H、S颜色信息合成最终图像。本发明同时增强了自然光虹膜图像的纹理细节与整体亮度,有利于后续特征提取,可增强自然光虹膜识别的准确性与鲁棒性。
Description
技术领域
本发明属于计算机视觉及模式识别技术领域,特备涉及自然光虹膜图像增强技术,通过增强低质量自然光虹膜纹理信息提高虹膜识别率。
背景技术
虹膜识别以其高可靠性、稳定性和非侵犯性的优势在生物特征识别技术领域占有重要地位。现有技术多采用近红外照明下的高质量虹膜图像用于识别。随着虹膜识别技术的推广,在成像环境为自然光场景下采集的虹膜图像用于识别可有效拓展虹膜识别系统的应用。由于图像因包含场景干扰且纹理清晰度不高,可能出现低质量的自然光虹膜图像,给后续预处理与特征提取算法带来困难。因此,寻找一种针对自然光条件下拍摄的低质量虹膜图像有效的纹理增强方法,以增强虹膜纹理信息,提高虹膜识别系统鲁棒性。
目前,自然光虹膜图像增强方法可以基于传统图像增强技术,目前对虹膜图像增强采用的算法有直方图均衡化以及基于人眼视网膜机制的Retinex增强等。
直方图均衡化能够对图像灰度级相对密集并且对比度较差的图像增强效果较好,整体范围上可以提升图像的亮度,变换所得到的直方图使图像的灰度值均匀的分布于整个256级灰度之间。但是该方法容易存在饱和及过增强效果,不能很好地处理边缘细节,所以直方图均衡化算法通用性不强,应用时具有一定的局限性。现有方法是将RGB虹膜图像转化为灰度图像,然后直接做直方图均衡化来增强图像纹理信息。此外,有研究人员认为RGB颜色空间的B通道含有较多的噪声,从而只对R和G通道做直方图均衡化来减少光照的影响。
Retinex算法图像增强的目的就是从原始图像中估计出光照,从而分解出反射分量。可以消除光照不均的影响,且不会在边缘位置产生光晕现象。有研究人员利用Retinex算法来消除自然光虹膜图像光照变化的影响并对图像做亮度和对比度的增强,取得了一定的效果。Retinex算法在灰度拉伸的时候没有照顾到局部的特性,可能会出现图像整体亮度偏暗。
现有方法只是考虑了全局的亮度信息,对图像局部细节的增强存在局限性。因此,可以利用局部信息对于低质量虹膜图像进行非线性增强以改善虹膜纹理细节。
发明内容
本发明的目的在于提供一种增强低质量自然光虹膜图像的整体亮度和纹理细节的方法。此方法使得自然光虹膜图像在预处理阶段保留了更多的有效纹理信息,提高虹膜识别率。
为到达上述目的,本发明把自然光虹膜图像由RGB颜色空间转换成HSV颜色空间,并单独在V通道进行分块多尺度高斯卷积运算。RGB分别代表红、绿、蓝三个颜色分量;HSV分别代表色调、饱和度、亮度三个分量。包含以下步骤:
S1、将RGB图像转换成HSV彩色图像;
S2、在V通道完成亮度矩阵的分块处理并对每块图像进行非线性亮度增强;
S3、结合亮度增强结果利用多尺度高斯函数对子块图像V通道亮度矩阵进行非线性对比度增强;
S4、应用步骤S3得到的V通道增强结果与原图像的H、S通道合成,最后转换成RGB图像。
优选地,所述步骤S2包括:
S21、对V通道的亮度矩阵以等边长进行矩形分块,块的大小记为M×M个像素;
S22、对每块亮度矩阵进行非线性运算实现增强,其中,通过下式进行亮度增强:
其中,V1是原图像V通道亮度的归一化形式;参数z为变换系数。
优选地,步骤S22中的变换系数z采用如下公式求取
其中L为每个小块亮度值的累积分布函数(CDF)为特定数值时对应的亮度值。一般选择CDF较低的数值对应较低的亮度值。对不同的亮度值选择不同的变换系数z可以实现非线性增强。
变换系数z定义传输的形式,或者可以说是代表每个亮度值增强的程度。在大多数图像中,所有区域的照明是不相似的,应用传递函数估计整幅图的参数z,不能保留图像细节,所以此处对V通道的数据矩阵进行有效的分块计算参数z。
优选地,对每个小块再次划分为N×N的子块,利用双线性差值对各子块参数z进行计算并更新原系数,以减弱块效应和过渡效应。
优选地,所述步骤S3包括:
S31、利用高斯函数与原图像V通道进行卷积运算,得到V3;
S32、结合步骤S2的结果V2与V3进行非线性对比度增强,得到V4;
S33、改变步骤S31中高斯函数的标准差,并重复步骤S31和S32,得到多尺度增强结果;
S34、取所有尺度增强后的亮度矩阵的均值作为增强最终结果。
优选地,步骤S32的非线性对比度增强采用如下公式实现
V4(x,y)=255V2(x,y)E(x,y)
其中σ为每个子块亮度的标准差。
优选地,步骤S33中高斯函数的标准差由较小数值递增到较大数值,且数值数量及间隔可以变化。高斯函数的两个重要参数是高斯矩阵的大小和标准差,标准差代表了不同的尺度。图像和小尺度高斯函数卷积可以增强局部亮度和细节,而和大尺度高斯函数卷积则可以增强整体的亮度。所以,我们通过运用多尺度变换的高斯函数与图像进行卷积,将多尺度增强的结果进行平均,实现细节和整体的亮度增强。
本发明提供了一种低质量自然光虹膜图像增强方法,用于解决自然光环境下拍摄的虹膜图像对比度低、纹理丢失等问题。它对图像的V通道进行非线性变换,实现了亮度和对比度的增强,在增强图像的纹理信息不会破坏图像真实的颜色信息。其次,基于分块方法利用局部信息,对虹膜图像细节能够实现很好的增强。此外,采用多个尺度的高斯函数的标准差参数与亮度矩阵进行卷积运算,既可以增强局部纹理细节,也可以增强整体亮度。综合而言,该方法有效的增强了自然光虹膜图像纹理细节,利于后续处理与识别。
附图说明
图1是本发明的流程图;
图2是实施例低质量虹膜图像;
图3是实施例变换后V通道亮度图像;
图4是实施例增强算法结果与其他算法对比图,(a)为本发明算法的结果图;(b)为Retinex增强算法结果图;(c)为直方图均衡化结果图;(d)为直方图均衡化RG通道结果图;
图5是识别结果的ROC曲线分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,不用于限定本发明。
本发明提出的这种低质量自然光虹膜图像非线性增强算法,其流程图如图1所示,包括以下步骤:
S1、将RGB图像转换成HSV彩色图像;
S2、在V通道完成亮度矩阵的分块处理并对每块图像进行非线性亮度增强;
S3、结合亮度增强结果利用多尺度高斯函数对子块图像V通道亮度矩阵进行非线性对比度增强;
S4、应用步骤S3得到的V通道增强结果与原图像的H、S通道合成,最后转换成RGB图像。
下面对本发明涉及的关键步骤进行逐一说明。本发明所述方法中各个基本步骤的具体形式如下所述:
首先,步骤S1输入原始自然光虹膜图像,如图2,将RGB图像转换成HSV彩色图像,公式如下:
转换后的V通道亮度图像如图3。
其次,步骤S2在V通道完成亮度矩阵的分块处理并对每块图像进行非线性亮度增强;具体过程如下:
S21、对V通道的亮度矩阵以等边长进行矩形分块,块的大小记为M×M个像素;本例中块的大小设为4×4。
S22、对每块亮度矩阵利用下式进行非线性运算实现增强,得到V2。
其中L为每个小块亮度值的累积分布函数为0.1时对应的亮度值。对小块再进行划分为子块,利用双线性差值对各子块参数z进行计算并更新原系数,本例中子块大小为2×2。
再次,步骤S3结合亮度增强结果利用多尺度高斯函数对子块图像V通道亮度矩阵进行非线性对比度增强。具体过程如下:
S31、利用高斯函数与原图像V通道进行卷积运算,如下式,得到V3;
S32、结合步骤S2的结果V2与V3进行非线性对比度增强,如下式,得到V4;
V4(x,y)=255V2(x,y)E(x,y)
S33、改变步骤S31中高斯函数的标准差,并重复步骤S31和S32,得到多尺度增强结果。高斯函数两个主要参数,分别是高斯随机矩阵大小和高斯函数标准差。本例中高斯矩阵大小取为200×200,高斯函数从1到101,间隔为5,共21组。
S34、取所有尺度增强后的亮度矩阵的均值作为增强最终结果。增强结果如图4(a)。
最后,步骤S4应用步骤S3得到的V通道增强结果与原图像的H、S通道合成,转换成RGB图像。
为了验证算法有效性,利用UBIRIS.v2虹膜数据库中的图像对此增强算法进行了测试。UBIRIS.v2数据库是可见光虹膜图像数据库,图像分辨率为400×300。我们从中选取低质量虹膜图像200幅用于实验,包含40类虹膜图像,每类5张。
经过上述步骤S1-S3,实现图像纹理的增强。步骤S4主要为复原图像彩色,所以可以只对步骤S3增强后的灰度图像进行对比。不同算法增强效果对比如图4所示。图4(a)为本发明算法的结果图;图4(b)为Retinex增强算法结果图;图4(c)为直方图均衡化结果图;图4(d)为直方图均衡化RG通道结果图。
为评估输出图像质量,我们采用改进的banner算子和峰值信噪比(PSNR)作为客观评价。改进的banner算子公式如下:
其中f(x,y)为图像灰度值,M、N为图像区域尺寸。
不同算法增强结果图像质量对比如表1所示。可以看出,本发明所提出的算法图像质量高于其它图像增强方法。
表1不同算法增强结果对比
我们对上述不同算法增强的灰度图像进行纹理提取及识别,以对比验证增强效果。通过灰度投影及Hough变换进行虹膜定位,并对图像归一化,选择2D-Gabor滤波器提取特征,用汉明距离进行识别判断,最后做出的ROC曲线如图5所示。由图5可以得出,原始虹膜图像等错误率为6.2%,而本发明所提出的图像增强算法具有较低的等错误率2.9%,并且在这些增强算法里面是最低的。
综上所述,本发明可以增强低质量自然光虹膜图像的纹理信息且能够有效地提高虹膜的识别率,是一种有效的自然光虹膜图像增强方法。
Claims (7)
1.一种低质量自然光虹膜图像非线性增强方法,包括以下步骤:
S1、将RGB图像转换成HSV彩色图像;
S2、在V通道完成亮度矩阵的分块处理并对每块图像进行非线性亮度增强;
S3、结合亮度增强结果利用多尺度高斯函数对子块图像V通道亮度矩阵进行非线性对比度增强;
S4、应用步骤S3得到的V通道增强结果与原图像的H、S通道合成,最后转换成RGB图像。
2.根据权利要求1所述的自然光虹膜图像非线性增强方法,其特征在于,所述步骤S2包括:
S21、对V通道的亮度矩阵以等边长进行矩形分块;
S22、对每块亮度矩阵进行非线性运算实现增强,其中,通过下式进行亮度增强:
其中,V1是原图像V通道亮度的归一化形式;参数z为变换系数。
3.根据权利要求2所述的低质量自然光虹膜图像非线性增强方法,其特征在于,
步骤S22中的变换系数z采用如下公式求取
其中L为每个小块亮度值的累积分布函数为特定数值时对应的亮度值。
4.根据权利要求3所述的低质量自然光虹膜图像非线性增强方法,其特征在于,
对每个小块再次划分为子块,利用双线性差值对各子块参数z进行计算并更新原系数,以减弱块效应和过渡效应。
5.根据权利要求1所述的低质量自然光虹膜图像非线性增强方法,其特征在于,所述步骤S3包括:
S31、对每个子块图像,利用高斯函数与原图像V通道进行卷积运算,得到V3;
S32、结合步骤S2的结果V2与V3进行非线性对比度增强,得到V4;
S33、改变步骤S31中高斯函数的标准差,并重复步骤S31和S32,得到多尺度增强结果;
S34、取所有尺度增强后的亮度矩阵的均值作为增强最终结果。
6.根据权利要求5所述的低质量自然光虹膜图像非线性增强方法,其特征在于,
步骤S32的非线性对比度增强采用如下公式实现
V4(x,y)=255V2(x,y)E(x,y)
其中σ为每个子块亮度的标准差。
7.根据权利要求5所述的自然光虹膜图像增强方法,其特征在于,
步骤S33中高斯函数的标准差由较小数值递增到较大数值,且数值数量及间隔可以变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510808886.7A CN105426847A (zh) | 2015-11-19 | 2015-11-19 | 低质量自然光虹膜图像非线性增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510808886.7A CN105426847A (zh) | 2015-11-19 | 2015-11-19 | 低质量自然光虹膜图像非线性增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105426847A true CN105426847A (zh) | 2016-03-23 |
Family
ID=55505047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510808886.7A Pending CN105426847A (zh) | 2015-11-19 | 2015-11-19 | 低质量自然光虹膜图像非线性增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426847A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805873A (zh) * | 2017-04-28 | 2018-11-13 | 南宁富桂精密工业有限公司 | 图像处理方法及装置 |
CN109377462A (zh) * | 2018-10-23 | 2019-02-22 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
CN109410127A (zh) * | 2018-09-17 | 2019-03-01 | 西安电子科技大学 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
WO2019223068A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 虹膜图像局部增强方法、装置、设备及存储介质 |
CN112669239A (zh) * | 2021-01-15 | 2021-04-16 | 华南理工大学 | 一种工业x射线图像对比度增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101052100A (zh) * | 2007-03-29 | 2007-10-10 | 上海交通大学 | 多曝光图像增强方法 |
CN102629316A (zh) * | 2011-11-25 | 2012-08-08 | 浙江外国语学院 | 自动指纹识别技术中的图像增强方法 |
CN104754184A (zh) * | 2015-04-10 | 2015-07-01 | 四川理工学院 | 一种实时监控视频光照补偿方法及其系统 |
-
2015
- 2015-11-19 CN CN201510808886.7A patent/CN105426847A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101052100A (zh) * | 2007-03-29 | 2007-10-10 | 上海交通大学 | 多曝光图像增强方法 |
CN102629316A (zh) * | 2011-11-25 | 2012-08-08 | 浙江外国语学院 | 自动指纹识别技术中的图像增强方法 |
CN104754184A (zh) * | 2015-04-10 | 2015-07-01 | 四川理工学院 | 一种实时监控视频光照补偿方法及其系统 |
Non-Patent Citations (2)
Title |
---|
BOYAN HOU等: "Texture Enhancement of Iris Images Acquired under", 《SPRINGERLINK》 * |
姚鹏等: "基于局部频率特征和局部方向特征的虹膜识别算法", 《电子学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805873A (zh) * | 2017-04-28 | 2018-11-13 | 南宁富桂精密工业有限公司 | 图像处理方法及装置 |
WO2019223068A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 虹膜图像局部增强方法、装置、设备及存储介质 |
CN109410127A (zh) * | 2018-09-17 | 2019-03-01 | 西安电子科技大学 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
CN109377462A (zh) * | 2018-10-23 | 2019-02-22 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
CN112669239A (zh) * | 2021-01-15 | 2021-04-16 | 华南理工大学 | 一种工业x射线图像对比度增强方法 |
CN112669239B (zh) * | 2021-01-15 | 2023-07-18 | 华南理工大学 | 一种工业x射线图像对比度增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614996B (zh) | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 | |
CN113313657B (zh) | 一种用于低光照图像增强的非监督学习方法和系统 | |
CN107944379B (zh) | 基于深度学习的眼白图像超分辨率重建与图像增强方法 | |
CN103593830B (zh) | 一种低照度视频图像增强方法 | |
CN102509272B (zh) | 一种基于颜色恒常性的彩色图像增强方法 | |
CN103606137B (zh) | 保持背景和细节信息的直方图均衡化方法 | |
CN109191390A (zh) | 一种基于不同颜色空间多算法融合的图像增强算法 | |
CN105426847A (zh) | 低质量自然光虹膜图像非线性增强方法 | |
CN106504212A (zh) | 一种改进的hsi空间信息低照度彩色图像增强算法 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
CN104268843A (zh) | 基于直方图修饰的图像自适应增强方法 | |
CN102903081A (zh) | 基于rgb彩色模型的低光照图像增强方法 | |
CN104166967A (zh) | 提升视频图像清晰度的方法 | |
CN109919859A (zh) | 一种户外场景图像去雾增强方法、计算设备及其存储介质 | |
CN112508814B (zh) | 一种基于无人机低空视角下的图像色调修复型去雾增强方法 | |
CN108288258A (zh) | 一种针对恶劣天气条件下的低质图像增强方法 | |
CN106651817A (zh) | 一种基于非抽样Contourlet的图像增强方法 | |
CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
US11887218B2 (en) | Image optimization method, apparatus, device and storage medium | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN116681636A (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 | |
CN104463806B (zh) | 基于数据驱动技术的高度自适应图像对比度增强方法 | |
Kumar et al. | Enhancing scene perception using a multispectral fusion of visible–near‐infrared image pair |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160323 |
|
WD01 | Invention patent application deemed withdrawn after publication |