CN107977935A - 一种掌静脉图像纹理滤波增强方法 - Google Patents
一种掌静脉图像纹理滤波增强方法 Download PDFInfo
- Publication number
- CN107977935A CN107977935A CN201711126132.9A CN201711126132A CN107977935A CN 107977935 A CN107977935 A CN 107977935A CN 201711126132 A CN201711126132 A CN 201711126132A CN 107977935 A CN107977935 A CN 107977935A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- msubsup
- infin
- mfrac
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002787 reinforcement Effects 0.000 title claims abstract description 10
- 210000003462 vein Anatomy 0.000 claims abstract description 25
- 238000005286 illumination Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000002146 bilateral effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V40/12—Fingerprints or palmprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种掌静脉图像纹理滤波增强方法，具体步骤如下：利用双边滤波思路，构建依赖于邻域像素的值的滤波器组合；通过Laplacian of Gaussian滤波器进行边缘增强处理，为了加快运算过程，方法利用高斯差分来近似计算，以此对滤除杂波之后的结果图进行边缘增强处理，得到处理后的静脉纹理图；根据Retinex理论继续消除光照不均问题；进一步利用公式对对数空间中的像素进行重建，得到最终的增强后的静脉纹线图。本发明具有获得对比度更强、更稳定的掌静脉特征等优点。
Description
技术领域
本发明涉及人体生物特征识别技术领域，具体来说是一种掌静脉图像纹理滤波增强方法。
背景技术
近年来，生物特征识别技术一直受到广泛关注，生物特征识别是指运用人体本身所独有的生理特性和行为特征来进行人体身份鉴定。传统的身份认证有钥匙，集成电路卡和密码等，现代生物特征识别有指纹识别、声纹识别、脸部识别、步态识别、和虹膜识别等，现代生物特征识别相对于传统身份识别具有不会丢失遗忘，防伪系数更高等特点，所以，现代生物特征识别在很多领域得到了广泛的应用。
现代生物特征识别技术中的各个识别技术有着不同的优缺点：指纹识别因其研究最早，技术相对成熟，目前占据市场较多，但指纹识别最大的缺点是可复制性高，容易被伪造，所以在安防等级要求高的场所不能被应用；声纹识别成本较低，获取语音信息简单，但人的声音具有易变性，很容易受到个人情绪，身体状况的变化而改变，同时随着年龄的增长，声音特征也会变化，多人混合说话和环境噪音都会影响系统的识别性能，故阻碍着声纹识别的发展与推进；虹膜识别准确率较高，但佩戴眼镜和美瞳会对识别有一定影响，所以用户体验并不好；步态识别因采集较为繁琐，所以并不能很好的占据市场。
掌纹掌静脉识别技术是利用人掌纹特征和掌静脉特征融合实现身份认证，掌纹具有终身不变性，同时掌静脉是人体的内生理特征，不会磨损，认证需要活体认证，无法复制，故安全性较高，现有技术中掌静脉的识别存在着以下缺陷：由于每个人的掌静脉的粗细和位于皮下深度的多样性，使得在短时间内采集到非常清晰理想的掌静脉非常困难，现有技术采集到的掌静脉所拥有特征信息少，而且现有的非接触式掌静脉图像容易受到环境光噪声干扰，导致稳定的静脉纹线提取困难，如何快速的对静脉图像纹理滤波进行增强已成为当前重要的课题之一。
发明内容
本发明所要解决的技术问题是为了克服现有的非接触式掌静脉图像容易受到环境光噪声干扰而导致稳定的静脉纹线提取困难的缺陷，而提供一种掌静脉图像纹理滤波增强方法。
本发明公开了一种掌静脉图像纹理滤波增强方法，具体步骤如下：
(1)、利用双边滤波思路，构建依赖于邻域像素的值的滤波器组合：
(1.1)、构建滤波器如下所述：
其中
其中的c即为基于空间距离的高斯权重，而kd(x)用来对结果进行单位化；
(1.2)、通过高斯滤波处理静脉纹中不稳定的细小纹理或者光线导致的噪声，同时考虑了像素间的空间位置上的关系，滤波中对于边缘的保持通过像素差值的强度来实现：
其中的s为基于像素间相似程度的高斯权重，kr(x)为对结果单位化因子，对两者进行结合即可以得到基于空间距离、相似程度综合考量滤波器：
上式中的单位化分部k(x)综合了两种高斯权重于一起而得到，其中的c与s计描述如下：
d(ξ，x)＝d(ξ-x)＝||ξ-x||
σ(φ，f)＝σ(φ-f)＝||φ-f||
其中，利用上述滤波器构建区域上离散化滤波单元，通过滑动滤波窗口进行滤波处理；
(2)、通过Laplacian of Gaussian滤波器进行边缘增强处理，为了加快运算过程，方法利用高斯差分来近似计算，以此对滤除杂波之后的结果图进行边缘增强处理，得到处理后的静脉纹理图；
(3)、根据Retinex理论继续消除光照不均问题，构建理论方程：
I(x,y)＝L(x,y)*R(x,y)
I(x,y)代表被观察或照相机接收到的图像信号；L(x,y)代表环境光的照射分量；R(x,y)表示携带图像细节信息的目标物体的反射分量，即为实际需要的剔除光照不均匀问题的完美图片信息，为提取R(x,y)，对公式两边取对数，得到：
Log[R(x,y)]＝Log[I(x,y)]-Log[L(x,y)]；
此处以图像中的灰度亮度值的高斯模糊值作为实际环境光照射分量，求得对数空间下的剔除环境光照不均匀干扰的静脉图；
进一步利用公式对对数空间中的像素进行重建，得到最终的增强后的静脉纹线图。
作为优选，所述的步骤(1.2)中，通过滑动滤波窗口进行滤波处理的具体形式为
作为优选，所述的步骤(2)中，所述的Laplacian of Gaussian滤波器的定义为：
其中高斯卷积函数定义为：
作为优选，所述的步骤(2)中，加快运算过程，方法利用高斯差分来近似计算，其中差分是由两个高斯滤波与不同变量的卷积结果求得的
作为优选，所述的步骤(3)中，对对数空间中的像素进行重建的公式为：
R(x,y)＝(Value-Min)/(Max-Min)*(255-0)
公式中Log[R(x,y)]的最大值为Max，最小值为Min，每个待重建像素值记为Value。
本发明解决上述技术问题提供的技术方案是：
本发明所述的掌静脉图像纹理滤波增强方法经过此三个大步骤的操作可以获得对比度更强，更稳定的掌静脉特征，其中，由于非接触式检测容易受到不均匀光照的影响，提取的静脉纹线在不同区域容易受到不均匀光照影响产生响应能量分布不均匀的问题，为此，步骤(3)中，根据Retinex理论继续消除光照不均问题，因此进一步提高了掌静脉特征。
附图说明
图1是实施例1中的128*128标准规格红外图转化成256级的灰度图；
图2是实施例1中的256级的灰度图的能量对比图；
图3是实施例1中的利用双边滤波思路，构建依赖于邻域像素的值的滤波器组合得到的图；
图4是实施例1中的利用使用LoG滤波器进行边界增强得到的图；
图5是实施例1中的得到的静脉图。
具体实施方式
(1)、算法首先利用双边滤波思路，构建依赖于邻域像素的值的滤波器组合：
(1.1)、构建滤波器如下所述：
其中
其中的c即为基于空间距离的高斯权重，而kd(x)用来对结果进行单位化；
(1.2)、通过高斯滤波处理静脉纹中不稳定的细小纹理或者光线导致的噪声，同时考虑了像素间的空间位置上的关系，滤波中对于边缘的保持通过像素差值的强度来实现：
其中的s为基于像素间相似程度的高斯权重，kr(x)为对结果单位化因子，对两者进行结合即可以得到基于空间距离、相似程度综合考量滤波器：
上式中的单位化分部k(x)综合了两种高斯权重于一起而得到，其中的c与s计描述如下：
d(ξ，x)＝d(ξ-x)＝||ξ-x||
σ(φ，f)＝σ(φ-f)＝||φ-f||
其中，利用上述滤波器构建区域上离散化滤波单元，通过滑动滤波窗口进行滤波处理，具体形式：
(2)、通过Laplacian of Gaussian滤波器进行边缘增强处理，其滤波器定义为：
其中高斯卷积函数定义为：
为了加快运算过程，方法利用高斯差分来近似计算，其中差分是由两个高斯滤波与不同变量的卷积结果求得的
以此对滤除杂波之后的结果图进行边缘增强处理，得到处理后的静脉纹理图；
(3)、由于非接触式检测容易受到不均匀光照的影响，提取的静脉纹线在不同区域容易受到不均匀光照影响产生响应能量分布不均匀的问题。为此，根据Retinex理论继续消除光照不均问题，构建理论方程：
I(x,y)＝L(x,y)*R(x,y)
I(x,y)代表被观察或照相机接收到的图像信号；L(x,y)代表环境光的照射分量；R(x,y)表示携带图像细节信息的目标物体的反射分量，即为实际需要的剔除光照不均匀问题的完美图片信息，为提取R(x,y)，对公式两边取对数，得到：
Log[R(x,y)]＝Log[I(x,y)]-Log[L(x,y)]；
此处以图像中的灰度亮度值的高斯模糊值作为实际环境光照射分量，求得对数空间下的剔除环境光照不均匀干扰的静脉图，
进一步利用公式对对数空间中的像素进行重建，得到最终的增强后的静脉纹线图：
R(x,y)＝(Value-Min)/(Max-Min)*(255-0)
公式中Log[R(x,y)]的最大值为Max，最小值为Min，每个待重建像素值记为Value。
实施例1
一种掌静脉图像滤波增强方法-实施例
参照图1-5，
原图：128*128标准规格红外图
转换成256级的灰度图图1，如下给出能量对比图图2：
利用双边滤波思路，构建依赖于邻域像素的值的滤波器组合：
通过高斯滤波处理静脉纹中不稳定的细小纹理或者光线导致的噪声，同时考虑了像素间的空间位置上的关系，滤波中对于边缘的保持通过像素差值的强度来实现：
其中归一化因子
为滤波器尺寸为5*5、标准差为ξ＝3的高斯滤波器，
d(ξ，x)＝d(ξ-x)＝||ξ-x||为距离中心像素点的坐标距离向量,
为差值高斯核函数，标准平滑高斯核标准差设置为0.1。
σ(φ，f)＝σ(φ-f)＝||φ-f||为与中心像素差值大小；
使用LoG滤波器进行边界增强，滤波器的定义为：
其中x,y为图像中像素点的坐标位置，高斯卷积函数滤波器窗口大小为7*7，滤波器高斯标准差为σ＝0.3；
最后使用Retinex进行光线均衡化处理，对对数空间中的像素进行重建的公式为：
I(x,y)＝L(x,y)*R(x,y)
I(x,y)代表被观察或照相机接收到的图像信号；L(x,y)代表环境光的照射分量，利用标准差为ξ＝3的高斯函数对原图I(x,y)进行滤波处理可以得到；R(x,y)表示携带图像细节信息的目标物体的反射分量，即为实际需要的剔除光照不均匀问题的完美图片信息，为提取R(x,y)，对公式两边取对数，得到：
Log[R(x,y)]＝Log[I(x,y)]-Log[L(x,y)]；
此处以图像中的灰度亮度值的高斯模糊值作为实际环境光照射分量，求得对数空间下的剔除环境光照不均匀干扰的静脉图，进一步利用公式对对数空间中的像素进行重建，得到最终的增强后的静脉纹线图：
R(x,y)＝(Value-Min)/(Max-Min)*(255-0)
重建公式如前述步骤中描述，得到纹理清晰并且稳定的静脉图。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种掌静脉图像纹理滤波增强方法，其特征在于：具体步骤如下：
(1)、利用双边滤波思路，构建依赖于邻域像素的值的滤波器组合：
(1.1)、构建滤波器如下所述：
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>k</mi>
<mi>d</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&xi;</mi>
</mrow>
其中
<mrow>
<msub>
<mi>k</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&xi;</mi>
</mrow>
其中的c即为基于空间距离的高斯权重，而kd(x)用来对结果进行单位化；
(1.2)、通过高斯滤波处理静脉纹中不稳定的细小纹理或者光线导致的噪声，同时考虑了像素间的空间位置上的关系，滤波中对于边缘的保持通过像素差值的强度来实现：
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>k</mi>
<mi>r</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>,</mo>
<mi>f</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&xi;</mi>
</mrow>
<mrow>
<msub>
<mi>k</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>,</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&xi;</mi>
</mrow>
其中的s为基于像素间相似程度的高斯权重，kr(x)为对结果单位化因子，对两者进行结合即可以得到基于空间距离、相似程度综合考量滤波器：
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>k</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>,</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&xi;</mi>
</mrow>
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>,</mo>
<mi>f</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&xi;</mi>
</mrow>
上式中的单位化分部k(x)综合了两种高斯权重于一起而得到，其中的c与s计描述如下：
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>d</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
d(ξ，x)＝d(ξ-x)＝||ξ-x||
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>,</mo>
<mi>f</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>r</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
σ(φ，f)＝σ(φ-f)＝||φ-f||
其中，利用上述滤波器构建区域上离散化滤波单元，通过滑动滤波窗口进行滤波处理；
(2)、通过Laplacian of Gaussian滤波器进行边缘增强处理，为了加快运算过程，方法利用高斯差分来近似计算，以此对滤除杂波之后的结果图进行边缘增强处理，得到处理后的静脉纹理图；
(3)、根据Retinex理论继续消除光照不均问题，构建理论方程：
I(x,y)＝L(x,y)*R(x,y)
I(x,y)代表被观察或照相机接收到的图像信号；L(x,y)代表环境光的照射分量；R(x,y)表示携带图像细节信息的目标物体的反射分量，即为实际需要的剔除光照不均匀问题的完美图片信息，为提取R(x,y)，对公式两边取对数，得到：
Log[R(x,y)]＝Log[I(x,y)]-Log[L(x,y)]；
此处以图像中的灰度亮度值的高斯模糊值作为实际环境光照射分量，求得对数空间下的剔除环境光照不均匀干扰的静脉图，进一步利用公式对对数空间中的像素进行重建，得到最终的增强后的静脉纹线图。
2.根据权利要求1所述的一种掌静脉图像纹理滤波增强方法，其特征在于：所述的步骤(1.2)中，通过滑动滤波窗口进行滤波处理的具体形式为
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>k</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mi>&Omega;</mi>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>,</mo>
<mi>f</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的一种掌静脉图像纹理滤波增强方法，其特征在于：所述的步骤(2)中，所述的Laplacian of Gaussian滤波器的定义为：
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>G</mi>
<mover>
<mo>=</mo>
<mi>&Delta;</mi>
</mover>
<msub>
<mi>&Delta;G</mi>
<mi>&sigma;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<mrow>
<mo>&part;</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msub>
<mi>G</mi>
<mi>&sigma;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<mrow>
<mo>&part;</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msub>
<mi>G</mi>
<mi>&sigma;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>4</mn>
</msup>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
其中高斯卷积函数定义为：
<mrow>
<msub>
<mi>G</mi>
<mi>&sigma;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
4.根据权利要求1或3所述的一种掌静脉图像纹理滤波增强方法，其特征在于：所述的步骤(2)中，加快运算过程，方法利用高斯差分来近似计算，其中差分是由两个高斯滤波与不同变量的卷积结果求得的
<mrow>
<mi>&sigma;</mi>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>g</mi>
</mrow>
<mi>&sigma;</mi>
</mfrac>
<mo>&ap;</mo>
<mfrac>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>k</mi>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>k</mi>
<mi>&sigma;</mi>
<mo>-</mo>
<mi>&sigma;</mi>
</mrow>
</mfrac>
</mrow>
5.根据权利要求1所述的一种掌静脉图像纹理滤波增强方法，其特征在于：所述的步骤(3)中，对对数空间中的像素进行重建的公式为：
R(x,y)＝(Value-Min)/(Max-Min)*(255-0)
公式中Log[R(x,y)]的最大值为Max，最小值为Min，每个待重建像素值记为Value。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711126132.9A CN107977935A (zh) | 2017-11-15 | 2017-11-15 | 一种掌静脉图像纹理滤波增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711126132.9A CN107977935A (zh) | 2017-11-15 | 2017-11-15 | 一种掌静脉图像纹理滤波增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107977935A true CN107977935A (zh) | 2018-05-01 |
Family
ID=62013404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711126132.9A Pending CN107977935A (zh) | 2017-11-15 | 2017-11-15 | 一种掌静脉图像纹理滤波增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107977935A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298290A (zh) * | 2019-06-24 | 2019-10-01 | Oppo广东移动通信有限公司 | 静脉识别方法、装置、电子设备及存储介质 |
| WO2019223067A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技（深圳）有限公司 | 基于多重处理的虹膜图像增强方法、装置、设备及介质 |
| CN115953865A (zh) * | 2023-03-10 | 2023-04-11 | 立芯科技股份有限公司 | 一种rfid物流电子锁 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101884537A (zh) * | 2009-05-14 | 2010-11-17 | 索尼公司 | 静脉成像设备、位移插值方法以及程序 |
| CN103767698A (zh) * | 2014-01-22 | 2014-05-07 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱技术的静脉动态特性分析装置及其分析方法 |
| US20140376814A1 (en) * | 2013-06-19 | 2014-12-25 | Hitachi Industry & Control Solutions, Ltd. | Image Signal Processing Apparatus, Imaging Apparatus and Image Processing Program |
| CN105426843A (zh) * | 2015-11-19 | 2016-03-23 | 安徽大学 | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 |
| CN105957054A (zh) * | 2016-04-20 | 2016-09-21 | 北京航空航天大学 | 一种图像变化检测方法 |
| CN106023097A (zh) * | 2016-05-11 | 2016-10-12 | 华中科技大学 | 一种基于迭代法的流场图像预处理算法 |
| CN106156754A (zh) * | 2016-07-29 | 2016-11-23 | 浙江工业大学 | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 |
-
2017
- 2017-11-15 CN CN201711126132.9A patent/CN107977935A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101884537A (zh) * | 2009-05-14 | 2010-11-17 | 索尼公司 | 静脉成像设备、位移插值方法以及程序 |
| US20140376814A1 (en) * | 2013-06-19 | 2014-12-25 | Hitachi Industry & Control Solutions, Ltd. | Image Signal Processing Apparatus, Imaging Apparatus and Image Processing Program |
| CN103767698A (zh) * | 2014-01-22 | 2014-05-07 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱技术的静脉动态特性分析装置及其分析方法 |
| CN105426843A (zh) * | 2015-11-19 | 2016-03-23 | 安徽大学 | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 |
| CN105957054A (zh) * | 2016-04-20 | 2016-09-21 | 北京航空航天大学 | 一种图像变化检测方法 |
| CN106023097A (zh) * | 2016-05-11 | 2016-10-12 | 华中科技大学 | 一种基于迭代法的流场图像预处理算法 |
| CN106156754A (zh) * | 2016-07-29 | 2016-11-23 | 浙江工业大学 | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019223067A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技（深圳）有限公司 | 基于多重处理的虹膜图像增强方法、装置、设备及介质 |
| CN110298290A (zh) * | 2019-06-24 | 2019-10-01 | Oppo广东移动通信有限公司 | 静脉识别方法、装置、电子设备及存储介质 |
| CN110298290B (zh) * | 2019-06-24 | 2021-04-13 | Oppo广东移动通信有限公司 | 静脉识别方法、装置、电子设备及存储介质 |
| CN115953865A (zh) * | 2023-03-10 | 2023-04-11 | 立芯科技股份有限公司 | 一种rfid物流电子锁 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Radzi et al. | Finger-vein biometric identification using convolutional neural network | |
| Zhang et al. | Finger vein image enhancement based on guided tri-Gaussian filters | |
| CN104239769B (zh) | 基于手指静脉特征的身份识别方法及系统 | |
| CN105426843B (zh) | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 | |
| CN1152340C (zh) | 基于知识的指纹图像增强方法 | |
| CN105956578A (zh) | 一种基于身份证件信息的人脸验证方法 | |
| CN110188614A (zh) | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 | |
| CN103745237A (zh) | 光照变化条件下的人脸识别算法 | |
| TW201211913A (en) | A method for recognizing the identity of user by palm vein biometric | |
| CN107977935A (zh) | 一种掌静脉图像纹理滤波增强方法 | |
| CN107392114A (zh) | 一种基于神经网络模型的手指静脉识别方法及系统 | |
| Kang et al. | The biometric recognition on contactless multi-spectrum finger images | |
| CN110390282A (zh) | 一种基于余弦中心损失的指静脉识别方法及系统 | |
| CN104123547B (zh) | 基于改进的方向滤波与柔性匹配的识别方法 | |
| Ahamed et al. | Low complexity iris recognition using curvelet transform | |
| CN110348289A (zh) | 一种基于二值图的手指静脉识别方法 | |
| CN107480600A (zh) | 一种基于深度卷积神经网络的手势识别方法 | |
| CN100495427C (zh) | 复杂背景下的人耳检测及多信息融合的人耳识别方法 | |
| Ezhilmaran et al. | A review study on latent fingerprint recognition techniques | |
| CN102368333A (zh) | 基于时域和频域滤波的指纹增强方法 | |
| CN115273282A (zh) | 一种基于掌静脉识别的车门解锁方法 | |
| CN102214292B (zh) | 人脸图像的光照处理方法 | |
| Jose et al. | Towards building a better biometric system based on vein patterns in human beings | |
| Thenmozhi et al. | Comparative analysis of finger vein pattern feature extraction techniques: An overview | |
| Sharma et al. | Improved human identification using finger vein images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180718 Address after: 321300 16 Lantian Road, Xicheng West Industrial Zone, Yongkang, Jinhua, Zhejiang Applicant after: Xinduo Group Co.,Ltd. Address before: 230000 B block 1402, Wangjiang West Road, Hefei high tech Zone, Shushan, Hefei, Anhui, 1402 Applicant before: Hefei Zhongke Pemba Technology Co. Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180501 |