CN105930811A - 基于图像处理的手掌纹理特征检测方法 - Google Patents

Abstract

本发明公开了一种基于图像处理的手掌纹理特征检测方法，包括以下步骤：1)图像采集，对整个手掌图像进行拍照采集；2)图像去噪，对采集到的手掌图像首先进行滤波处理，去除噪声干扰；3)对去噪后的手掌图像进行区域划分，提取感兴趣部分，其中，整个手部分为手指和手掌两部分；4)对感兴趣部分进行边缘检测，得到手掌的纹理特征。本发明提供的检测结果可以作为判断患者身体健康的一个重要参考依据。

Description

基于图像处理的手掌纹理特征检测方法

技术领域：

本发明涉及一种手部纹理特征检测方法，具体涉及一种基于图像处理的手掌纹理特征检测方法。

背景技术：

随着科学技术的进步、医学事业的发展和生活质量的提高，人们对自身健康程度越来越重视，传统中医产业也顺势发展。根据传统中医理论，快速准确地进行手掌部分纹理细节检测及评价也变得越来越重要。

目前，对手部纹理细节的检测和评价大多靠主观判断，缺乏客观评价的标准。此外，相关纹理细节的各个指标之间是相互独立的，缺乏一个综合评判指标，更不能形成长期的科学而系统的评估。

发明内容：

本发明的目的在于提供一种基于图像处理的手部纹理特征检测方法。

为达到上述目的，本发明采取如下的技术方案予以实现：

基于图像处理的手掌纹理特征检测方法，包括以下步骤：

1)图像采集，对整个手掌图像进行拍照采集；

2)图像去噪，对采集到的手掌图像首先进行滤波处理，去除噪声干扰；

3)对去噪后的手掌图像进行区域划分，提取感兴趣部分，其中，整个手部分为手指和手掌两部分；在图像处理领域，感兴趣区域提取是从图像中选择的一个图像区域为关注的重点，以便进行进一步分析处理，可以减少处理时间，提高精度。在本发明中，手掌部分是研究分析的重点，即为感兴趣部分；

4)对感兴趣部分进行边缘检测，得到手掌的纹理特征。

本发明进一步的改进在于，步骤1)采用CCD相机对整个手掌图像进行拍照采集。

本发明进一步的改进在于，步骤2)采用5×5矩形中值滤波模板进行图像去噪，将像素点的5×5邻域内的所有像素按照灰度值的大小进行排列，取排列的中间值作为该像素点的新值，实现有效去除噪声，保留细节。

本发明进一步的改进在于，步骤3)的具体实现方法如下：采用图像投影的方法，根据水平灰度均值区分手指和手掌部分，相关计算公式为：

$x_i=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}f(i,j)$

其中，i＝1,2,…M，f(i,j)表示一幅M*N的图像中像素点i,j的灰度值，x_i是第i行按水平方向列投影的灰度均值，M和N为图像的分辨率。

本发明进一步的改进在于，步骤4)中采用分数阶微分算子对感兴趣部分进行边缘检测，具体实现方法如下：

分数阶微分的G-L定义为：

$D_t^v{}_a{}^{G}f\left(t\right)\≈\underset{n*h=t-a}{\underset{h\→0}{\mathrm{limt}{h}^{-v}}}\underset{r=0}{\overset{n}{\mathrm{\Σ}}}\left[\begin{array}{c}-v\\ r\end{array}\right]f(t-\mathrm{rh})$

其中，v表示微分的阶数，表示h微分步长，a和t分别表示微分上下限，

而且，

一维信号f(t)的v阶微分表达式为：

$\frac{d^{v}f\left(t\right)}{{\mathrm{dt}}^v}\≈f\left(t\right)+(-v)f(t-1)+\frac{(-v)(-v+1)}{2}f(t-2)+...+\frac{\mathrm{\Γ}(n-v-1)}{(n-1)!\mathrm{\Γ}(-v)}f(t-n+1)$

分数阶微分算子模板参数为：

a₀＝1，a₁＝-v

$a_2=\frac{(-v)(-v+1)}{2},a_3=\frac{(-v)(-v+1)(-v+2)}{6}$

其中，a₀，a₁，a₃分别为分数阶微分算子模板对应的三个参数；

采用0.5阶次的分数阶微分算子进行感兴趣部分边缘检测，在保持纹理细节的前提下，提取手掌上的边缘信息。

与现有技术相比，本发明具有如下的有益效果：

本发明首先选取CCD相机进行图像采集，可以快速获得手部的高清图像；其次，选取中值滤波去噪，可以去除大部分噪声；然后，根据水平灰度均值划分感兴趣区域，提取手掌部分；最后，根据分数阶微分理论获，能在保留细节的前提下，有效检测图像边缘信息，最终得手掌纹理特征。

附图说明：

图1为中值滤波模板示意图，其中，图1(a)为初始图像，图1(b)为中值滤波后的图像；

图2为分数阶微分算子模板；

图3为本发明的方法流程图；

图4为获取的手掌图像；

图5为灰度化后中值滤波的图像；

图6为感兴趣提取示意图；

图7为手掌提取图像；

图8为分数阶微分的边缘检测图像。

具体实施方式：

以下结合附图与具体实施方式对本发明的技术方案作进一步解释说明。

具体的手掌纹理检测算法可以作如下描述：

1、中值滤波去噪

图像的去噪是图像预处理中最为重要的环节，该步骤不仅可以有效去除噪声的干扰，还能提高后续处理的速度。传统的滤波去噪方法有中值滤波，均值滤波，高斯滤波等。每种算法都有其优点和有效应用范围。

中值滤波是一种非线性平滑技术，其原理根据像素点的某邻域内的所有像素按照灰度值的大小进行排列，取排列的中值作为该像素点的新值，从而达到去除噪声的效果。一般情况下，像素点的邻域大小为奇数，像3×3，5×5等，可以根据实际的需要进行选取。此外，常用的邻域形状有矩形、十字形和圆形等。

本发明采用5×5矩形中值滤波模板进行图像去噪，可以有效去除噪声，保留细节。

2、手部区域划分

整个手部可以简单的分为手指和手掌两部分。从图像角度来讲，由于手指之间空隙的存在，手指部分的水平方向灰度均值和手掌部分的水平方向灰度均值肯定有很大的不同。因此，采用图像投影的方法，根据水平灰度均值将手指和手掌部分区分出来。

图像投影方法采用水平均值投影法。用f(i,j)表示图像中像素点(i,j)的灰度值，则一幅M*N的图像的投影法表示如下：

$x_i=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}f(i,j)---\left(1\right)$

其中，i＝1,2,…M，x_i是第i行按水平方向列投影的灰度均值，针对实际的手掌图像，采用水平均值投影法时，自顶向下将图像中各像素的灰度值按水平方向求均值，形成水平弧度投影。投影图中的第一个极小值(或小于一定的阈值)对应的水平位置认为是分界线的位置。

3、分数阶微分边缘检测

图像的边缘检测是图像处理中的重要内容，也是图像分析，模式识别等处理的关键步骤。目前，常见的边缘检测方法都是利用整数阶次的微分进行运算处理，例如一阶的梯度算子和二阶的拉普拉斯算子，根据局部的最大点或零点。但是这些传统的整数阶微分算子都存在一个不足，就是对于噪声很敏感，易受噪声的影响。

根据信号的幅频特性，当微分阶数较小，即在0和1之间是，不仅可以大幅度提升图像边缘信息，还能加强对纹理细节的检测，同时可以非线性的保留平滑区域，有较好的抗噪声性能。

分数阶微分的定义有多种，其中应用最为广泛的是G-L定义，其微分表达式为：

$D_t^v{}_a{}^{G}f\left(t\right)\≈\underset{n*h=t-a}{\underset{h\→0}{\mathrm{limt}{h}^{-v}}}\underset{r=0}{\overset{n}{\mathrm{\Σ}}}\left[\begin{array}{c}-v\\ r\end{array}\right]f(t-\mathrm{rh})---\left(2\right)$

其中，v表示微分的阶数，表示h微分步长，a和t分别表示微分上下限，

而且，

则一维信号f(t)的v阶微分表达式为：

$\frac{d^{v}f\left(t\right)}{{\mathrm{dt}}^v}\≈f\left(t\right)+(-v)f(t-1)+\frac{(-v)(-v+1)}{2}f(t-2)+...+\frac{\mathrm{\Γ}(n-v-1)}{(n-1)!\mathrm{\Γ}(-v)}f(t-n+1)---\left(3\right)$

在数字图像处理技术中，分数阶微分算子的模板如图2所示，

因此，根据公式2可以得出，在数字图像处理技术中分数阶微分算子模板参数为：

a₀＝1，a₁＝-v，

$a_2=\frac{(-v)(-v+1)}{2},a_3=\frac{(-v)(-v+1)(-v+2)}{6},$

$a_n=\frac{\mathrm{\Γ}(n-v-1)}{(n-1)!\mathrm{\Γ}(-v)}$

本发明采用0.5阶次的分数阶微分算子进行图像边缘检测，可以有效保持纹理细节的前提下，有效地提取手掌上的边缘信息。

Claims (6)

1.基于图像处理的手掌纹理特征检测方法，其特征在于，包括以下步骤：

1)图像采集，对整个手掌图像进行拍照采集；

2)图像去噪，对采集到的手掌图像首先进行滤波处理，去除噪声干扰；

3)对去噪后的手掌图像进行区域划分，提取感兴趣区域，其中，整个手部分为手指和手掌两部分；

4)对感兴趣部分进行边缘检测，得到手掌的纹理特征。

2.根据权利要求1所述的基于图像处理的手掌纹理特征检测方法，其特征在于，步骤1)采用CCD相机对整个手掌图像进行拍照采集。

3.根据权利要求1所述的基于图像处理的手掌纹理特征检测方法，其特征在于，步骤2)采用5×5矩形中值滤波模板进行图像去噪，将像素点的5×5邻域内的所有像素按照灰度值的大小进行排列，取排列的中间值作为该像素点的新值，实现有效去除噪声，保留细节。

4.根据权利要求1所述的基于图像处理的手掌纹理特征检测方法，其特征在于，步骤3)的具体实现方法如下：采用图像投影的方法，根据水平灰度均值区分手指和手掌部分，相关计算公式为：

$x_i=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}f(i,j)$

其中，i＝1,2,…M，f(i,j)表示一幅M*N的图像中像素点i,j的灰度值，x_i是第i行按水平方向列投影的灰度均值，M和N为图像的分辨率。

5.根据权利要求1所述的基于图像处理的手掌纹理特征检测方法，其特征在于，步骤3)中，感兴趣区域为手掌部分。

6.根据权利要求1所述的基于图像处理的手掌纹理特征检测方法，其特征在于，步骤4)中采用分数阶微分算子对感兴趣部分进行边缘检测，具体实现方法如下：

分数阶微分的G-L定义为：

$D_t^v{}_a{}^{G}f\left(t\right)\≈\underset{n*h=t-a}{\underset{h\→0}{{\mathrm{limth}}^{-v}}}\underset{r=0}{\overset{n}{\Σ}}\left[\begin{array}{c}-v\\ r\end{array}\right]f(t-rh)$

其中，v表示微分的阶数，表示h微分步长，a和t分别表示微分上下限，而且，

一维信号f(t)的v阶微分表达式为：

$\frac{d^{v}f\left(t\right)}{{\mathrm{dt}}^v}\≈f\left(t\right)+(-v)f(t-1)+\frac{(-v)(-v+1)}{2}f(t-2)+\mathrm{...}+\frac{\mathrm{\Γ}(n-v-1)}{(n-1)!\mathrm{\Γ}(-v)}f(t-n+1)$

分数阶微分算子模板参数为：

a₀＝1，a₁＝-v

$a_2=\frac{(-v)(-v+1)}{2},a_3=\frac{(-v)(-v+1)(-v+2)}{6}$

其中，a₀，a₁，a₃分别为分数阶微分算子模板对应的三个参数；

采用0.5阶次的分数阶微分算子进行感兴趣部分边缘检测，在保持纹理细节的前提下，提取手掌上的边缘信息。