CN106548176B - 基于自适应引导滤波的指静脉图像增强方法 - Google Patents

Abstract

本发明公开了一种基于自适应引导滤波的指静脉图像增强方法，本申请针对原始的引导滤波器的不足，在不改变引导滤波的线性复杂度的情况下，基于边缘检测算子，提出了新的局部自适应的加权引导滤波方法。在对比度，清晰度和局部结构相似度这三个客观图像质量指标上，本申请的方法增强后的图像质量要优于基于引导滤波的增强算法，识别实验表明，本方法在识别率上也占优，充分说明了基于自适应引导滤波指静脉增强方法的有效性。

Description

基于自适应引导滤波的指静脉图像增强方法

技术领域

本发明属于生物特征身份识别技术领域，特别涉及一种基于自适应引导滤波的指静脉图像增强方法。

背景技术

随着信息技术和生物医学的不断发展,生物特征识别技术正在融入我们的日常生活，如门禁，考勤，支付等领域，常见的生物特征包括：人脸，虹膜，指纹，掌纹，步态等。静脉识别技术作为一种新兴的红外生物特征识别技术，由于自身的优势，已成为国内外生物识别领域的前沿研究热点,具有很高的研究价值和应用前景。目前静脉识别技术主要有手背静脉识别、手掌静脉识别、手指静脉识别等。其中手指静脉特征较为丰富，且手指的位置容易固定，易于设计采集装置，手指相对较小且皮肤脂肪较少，透射近红外光易于射透，能够采集出相对稳定的手指静脉图像，这些特点使手指静脉识别技术成为静脉特征识别技术的研究热点。在实际应用中，由于光照不均和设备等原因会出现静脉纹路信息较弱的低质量静脉图像，这样会影响静脉特征的提取以及识别，因此对手指静脉图像的增强是手指静脉识别技术中的重要研究内容。目前手指静脉图像的增强方法主要分为图像对比度提升和图像纹理特征增强算法。

图像对比度提升的增强算法主要依靠改进的直方图均衡技术、Retinex技术，其目的在于将图像主体的对比度提升，使感兴趣区域与背景区别开来。这一类算法的优点在于能更多的保留图像的细节信息，缺点则是对图像的质量要求比较高,无法对微弱纹理部分做到较好的增强。所以在静脉纹理增强的应用中，这一类算法主要适合于静脉纹理图像已较为清晰的图像。

图像纹理特征增强算法根据图像中相应纹理特征的结构描述，如纹路分布特性、纹路方向信息分为图像纹理分布特性增强算法和图像纹路方向特性增强算法。

图像纹理分布特性增强算法主要有PCA(Principal Component Analysis)、Hu矩不变量等方法，尽管这些方法可以用来描述灰度图像中静脉纹路与背景区域的相对分布情况，但无法描述静脉结构中最为显著的局部细节差异，如静脉图像中各目标点的位置差异；而其他基于关键点位置和相对距离等特征的点模式方法，虽然可以描述静脉的结构差异，但却丢失了许多显著的线型特征，无法充分描述静脉结构。

图像纹路方向特征增强算法主要依靠方向滤波技术、Hessian矩阵方法、图像阈值分割技术等，其目的在于充分使用了图像纹路的线型特征信息，可以较好的保持血管局部细节与线型特征。一般需要先对静脉图像纹理特征的方向进行提取，然后对获得的方向进行相应的滤波增强或者图像分割，最终提取出ROI的静脉纹理信息。然而由于静脉图像的低对比度，线型特征信息没有办法准确提取,增强后的图像中带有很多的错误信息,导致最后的特征提取失败。

图像对比度提升和图像纹理特征增强算法对多噪声、低对比度的指静脉图像增强效果不佳，不能在降噪效果的同时，进一步突出静脉图像的纹理细节。目前需要一种能够对微弱纹路特征进行提取，且带有噪声抑制功能的低复杂度算法，对低质量的静脉图像进行增强。

引导滤波最早由He等人在2010年计算机视觉会议上提出，目前在图像处理领域有着广泛应用，如边缘增强、图像平滑、抠图、去雾等。文献将引导滤波应用在指静脉图像增强算法上，取得了较好的效果。引导滤波也存在一些问题，比如在降噪的同时不能锐化突出边缘，而且对于灰度值变化剧烈的区域，它也可能出现伪边缘。针对这些问题，Li等提出了加权引导滤波。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种基于自适应引导滤波的指静脉图像增强方法。

为了实现上述目的，本发明采用以下技术方案：一种基于自适应引导滤波的指静脉图像增强方法，包括以下步骤：

(1)输入原始手指静脉图像并对图像尺寸进行归一化处理；

(2)对图像进行自适应自引导图像滤波去噪；

(3)对步骤2处理后的图像进行自适应自引导图像滤波增强；

(4)重复步骤2和步骤3各一次得到增强后指静脉图像。

所述步骤2的自适应自引导图像滤波去噪包括以下步骤：

(1)将归一化处理后的指静脉图像作为自适应引导滤波的输入图像P和引导图像G；

(2)取滤波半径r＝1，规整化因子λ＝0.01，正则化因子γ计算中的倍数n＝0.1，得到滤波结果q₁。

所述步骤3的自适应自引导图像滤波增强包括以下步骤：

(1)q₁作为引导图像滤波的输入图像P和引导图像G；

(2)取滤波半径r＝16，规整化因子λ＝0.01，正则化因子γ计算中的倍数n＝0.1，得到滤波结果q₂，再利用线性细节增强模型I'＝(I-q₂)*5+q₂得到增强后的图像。

所述引导图像G和滤波输出图像Z(滤波结果)的转换采用式：

假设引导图像G与输出图像Z在以像素点k为中心，半径为r的窗口内存在如下线性变换关系：

其中线性系数(a_k,b_k)为常量。对公式(1)两边求梯度得：

即输出图像和引导图像的边缘信息具有线性关系，通过最小化代价函数求线性系数，代价函数定义为：

其中ψ_G(k)是引导图像中像素点的权值，权值函数定义如下：

其中：N是图像的像素个数，|f(k)|是像素点k处的算子绝对幅值，正则化因子γ是为了避免|f(k)|值过大或过小对滤波结果的影响，实验过程中发现用自适应于算子绝对幅值大小变化的γ时，算法将更具有鲁棒性，故本文将γ取值为算子绝对幅值最大值的n倍，n∈(0,1),n∈R,R为实数集。

由公式(2)(3)求得线性系数(a_k,b_k)：

b_k＝μ_X,r(k)-a_kμ_G,r(k) (5)

其中μ是均值，·表示矩阵相乘。由于在包含像素点i的每个窗口中求解的线性系数(a_k,b_k)值不同，因此先求这些窗口求解的(a_k,b_k)值的平均值，再将结果作为像素点i的(a_k,b_k)值，因此公式(1)重新定义为：

其中|Ω_r(i)|为窗口Ω_r(i)的像素个数。

由于边缘检测算子在图像的静脉纹理细节处的像素绝对幅值比平滑区域处的大，故用图像的算子绝对幅值对引导滤波中固定的规整化因子进行惩罚时，由公式(3)(4)可知，静脉纹理细节处的像素权值ψ大于1，a_k值变大，由

可知，输出图像Z保留引导图像G更多的静脉纹理细节；平滑区域处像素权值ψ小于1，a_k值变小，故输出图像Z保留引导图像G更少的平滑区域信息。因此基于边缘检测的加权引导滤波的边缘保护效果好于引导滤波，应用在指静脉图像增强算法上能够更多的保留并突出图像的静脉纹理细节。

所述规整化因子的设定基于边缘检测算子，如Sobel、Canny、Log算子，优选Sobel算子。通过计算指静脉图像的边缘算子幅值对原有固定的规整化因子进行惩罚，得到对静脉图像纹理区域和平滑区域的自适应规整化因子

所述λ的取值都为0.01。

本申请结合区域边缘信息采用自适应的规整化因子提出了基于自适应引导滤波的指静脉增强方法，利用指静脉纹路部分的边缘像素点与非静脉区域像素点的差异对引导滤波的固定的规整化因子进行惩罚，使滤波器具有更好的边缘保护特性，应用在指静脉图像增强算法上，取得了较好的效果。

本申请针对原始的引导滤波器的不足，在不改变引导滤波的线性复杂度的情况下，基于边缘检测算子，提出了新的局部自适应的加权引导滤波方法。在对比度，清晰度和局部结构相似度这三个客观图像质量指标上，本申请的方法增强后的图像质量要优于基于引导滤波的增强算法，识别实验表明，本方法在识别率上也占优，实验充分说明了基于边缘检测加权引导滤波指静脉增强方法的有效性。

附图说明

图1是指静脉图像增强方法流程图。

图2是实施例1的图像增强流程图。

图3是FV图库中部分静脉图像增强前后对比(上图为增强前，下图为增强后)。

图4是USM图库中部分静脉图像增强前后对比(上图为增强前，下图为增强后)。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明。

本发明所用的第一个图库是天津市智能信号与图像处理重点实验室图库(FV),数据库有64个手指样本，每个手指有15幅图像，数据库经过了精准的ROI(感兴趣区域)提取，由于图像大小不统一，实验过程中，进行了归一化处理，图像大小统一为172pixel*76pixel。第二个图库是国外公开的一个手指静脉数据库(USM)，数据库中有492个手指样本，每个手指有6幅图像，数据库经过了精准的ROI提取，每个图像的大小统一为300pixel*100pixel，实验过程中，将图像大小归一化为172pixel*76pixel，与FV图库图像大小相同。

接着对归一化处理后的图像按如下步骤进行增强：

(1)首先对原始手指静脉图像进行自引导滤波，取r＝1，λ＝0.01先做一次滤波，起到去噪和均衡灰度图像的作用，滤波输出的结果比较平衡，滤波后丢掉的细节较少，得到滤波结果q₁。(2)q₁作为引导图像滤波的输入图像p和引导图像I，再进行一次自引导图像滤波，此时取r＝16，λ＝0.01，这次的引导图像滤波结果记为q₂。

(3)利用线性细节增强模型I'＝(I-q₂)*5+q₂。

(4)转步骤1，将(3)的结果I'作为(1)的输入图像和引导图像。再次执行完步骤(1)(2)(3)，结束。

步骤(1)(2)(3)整个的过程称为一次引导图像滤波细节增强过程，其中(2)中r取值较大是为了滤波掉更多细节，即静脉纹理细节，然后再倍乘放大这些细节加到引导滤波结果q₂上来做手指静脉纹理细节的增强。本方法进行了两次引导图像滤波细节增强过程，由图2可以看出，两次增强后的图像保持并突出了原图的静脉纹理细节。

图3和图4分别是FV和USM图库中部分静脉图像原图和经过本方法提出的指静脉增强算法处理后的图像之间的对比，可以看出，本方法提出的基于边缘检测加权引导滤波的指静脉图像增强算法在对图像去噪的同时，进一步突出了指静脉纹理细节。

增强图像质量评价对比实验

为了验证本发明的方法对低对比度的手指静脉图像的增强效果比基于原始引导滤波的增强算法效果好，将这两个增强算法对两个数据库分别进行增强，增强后的图像在对比度，清晰度，局部结构相似性这三个客观图像质量指标上进行了对比：

对比度(C)：计算图像均方差来表示对比度参数。

清晰度(D)：1).提取图像像素点8个方向上的边缘成分。

2).计算像素点的梯度值。

3).以图像方差为阈值，判断像素点是否为边缘点，如果像素点梯度值小于标准差，则像素点梯度值为0。

4).求图像所有边缘像素点的平均梯度和，用来表示清晰度参数。

局部结构相似性(MSSIM)：局部求SSIM指数的效果要好于全局。

其中，MN为局部窗口的数量，x_i,y_j为局部SSIM指数在映射中的位置。

方法1：引导滤波增强

方法2：本发明提出的自适应引导滤波增强

表1 两个算法在客观图像质量指标上的比较

从表1可以看出，本发明的自适应引导滤波增强方法在三个客观图像质量指标上都优于基于引导滤波的增强方法。

为了进一步验证本发明方法的优越性，在两个图库中分别对基于引导滤波以及本发明基于自适应引导滤波这两个方法进行了识别对比实验。

表2 两个增强算法的识别实验对比

从表2可以看出，本发明提出的自适应引导滤波增强方法识别率更高。

在分析了原始的引导滤波的基础上，对比常用的边缘检测算子，在不改变原有滤波器的算法复杂度的情况下，提出了基于自适应引导滤波的指静脉图像增强方法。通过对比度，清晰度和局部结构相似度这三个客观图像质量指标上，对基于两个不同滤波器的指静脉增强图像质量进行了对比，结果表明，本发明提出的基于自适应引导滤波器的指静脉增强图像质量更好。在国内和国外的图库上，用二级小波分解特征提取方法进行类内、类间识别实验，结果显示，未增强之前的错误识别率分别是1.25％和4.607％，增强之后分别是0.1562％和2.71％，说明本方法有效提高了识别率。对基于两个不同滤波器的指静脉增强算法后的识别率进行了比较，本方法提出的增强算法识别率更高。

本发明针对原始的引导滤波器的不足，基于边缘检测算子，提出了新的局部自适应的加权引导滤波方法。在对比度，清晰度和局部结构相似度这三个客观图像质量指标上，本发明提出的算法增强后的图像质量要优于基于引导滤波的增强方法，在FV和USM两个数据库的识别实验表明，本方法在识别率上也占优，实验充分说明了本申请的基于自适应引导滤波指静脉增强方法的有效性。

以上所述，仅是本发明的较佳实例而已，并非对本发明做任何形式的限制。凡是依据本发明的技术和方法实质对以上实例所作的任何简单修改、等同变化与修饰，均仍属于本发明的技术和方法方案的范围内。

Claims (1)

1.一种基于自适应引导滤波的指静脉图像增强方法，其特征在于包括以下步骤：

(1)输入原始手指静脉图像并对图像尺寸进行归一化处理；

(2)对图像进行自适应自引导图像滤波去噪；

(3)对步骤2处理后的图像进行自适应自引导图像滤波增强；

(4)重复步骤2和步骤3各一次得到增强后指静脉图像；

所述步骤2的自适应自引导图像滤波去噪包括以下步骤：

(1)将归一化处理后的指静脉图像I作为自适应自引导滤波的输入图像P和引导图像G；

(2)取滤波半径r＝1，规整化因子λ＝0.01，正则化因子γ计算中的倍数n＝0.1，得到滤波结果q₁；

所述步骤3的自适应自引导图像滤波增强包括以下步骤：

(3)将q₁作为自适应自引导滤波的输入图像P和引导图像G；

(4)取滤波半径r＝16，规整化因子λ＝0.01，正则化因子γ计算中的倍数n＝0.1，得到滤波结果q₂，再利用线性细节增强模型I'＝(I-q₂)*5+q₂得到增强后的图像；

所述引导图像G和输出图像Z的转换采用式1：

假设引导图像G与输出图像Z在以像素点k为中心，半径为r的窗口内存在如下线性变换关系：

其中|Ω_r(i)|为窗口Ω_r(i)的像素个数，线性系数(a_k,b_k)为常量；

所述规整化因子的设定基于边缘检测算子，通过计算指静脉图像的边缘算子幅值对原有固定的规整化因子进行惩罚，得到对静脉图像纹理区域和平滑区域的自适应规整化因子为

ψ_G(k)是引导图像中像素点的权值，权值函数采用式2确定：

其中：N是引导图像中的像素个数，|f(k)|是像素点k处的算子绝对幅值，正则化因子γ取值为算子绝对幅值最大值的n倍，n∈(0,1),n∈R,R为实数集；所述λ的取值都为0.01。

Images