CN108010035A - 基于方向谷形检测的指静脉图像分割方法及其系统、终端 - Google Patents
基于方向谷形检测的指静脉图像分割方法及其系统、终端 Download PDFInfo
- Publication number
- CN108010035A CN108010035A CN201711084029.2A CN201711084029A CN108010035A CN 108010035 A CN108010035 A CN 108010035A CN 201711084029 A CN201711084029 A CN 201711084029A CN 108010035 A CN108010035 A CN 108010035A
- Authority
- CN
- China
- Prior art keywords
- image
- vein
- segmentation
- region
- finger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003709 image segmentation Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 210000003462 vein Anatomy 0.000 claims abstract description 134
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
-
- 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
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于方向谷形检测的指静脉图像分割方法及其系统、终端，包括以下步骤：步骤1，接收图像采集模块采集的指静脉图像；步骤2，对截取的指静脉图像进行脊波变换作图像增强处理；步骤3，针对增强处理后的静脉图像提取谷形区域；步骤4，将得到的静脉图像分为三个区域：背景区、模糊区、前景区，并对该三个区域进行三次的阈值分割处理；步骤5，将得到的分割图像进行边缘检测，输出处理后的分割图像。本发明的系统及方法根据静脉图像中的蕴涵的一些内在信息如形状、阶跃性质、方向等特点而提出的一种算法，能够准确的提取图像中感兴趣的静脉特征，减少提取错误特征。
Description
技术领域
本发明涉及图像分割领域，具体为一种基于方向谷形检测的指静脉图像分割方法及其系统、终端。
背景技术
图像分割是指将图像中包含重要信息的部分与其背景进行分离，从而把图像中具有重要含义的对象、感兴趣的目标物体提取出来，进而对图像进行很好的理解。
对手指静脉图像进行分割处理，不但可以加快特征提取的速度，而且也增加了对低质量手指静脉图像特征提取的准确率，这些将非常有利于提高识别率。虽然己经研究出很多的图像分割算法，但是在手指静脉识别方面，图像分割的算法还是很缺乏的，因为在手指静脉图像中存在一些低质量的纹路区域，这些区域不易分割，如果算法效果不够好把这些区域归类于背景，那么部分手指静脉特征将被丢失，即使把这些区域归类为特征区域，因其质量比较差，不但不能从中提取出有用的特征信息，而且会对特征提取结果造成很大的干扰，从而降低了手指静脉的识别率。
发明内容
本发明目的在于提供一种基于方向谷形检测的指静脉图像分割方法及其系统、终端，本发明的系统及方法是根据静脉图像中的蕴涵的一些内在信息如形状、阶跃性质、方向等特点而提出的一种算法，能够准确的提取图像中感兴趣的静脉特征，减少提取错误特征。
为了达到上述目的，本发明的技术方案有：
一种基于方向谷形检测的指静脉图像分割方法，包括以下步骤：
步骤1，接收图像采集模块采集的指静脉图像；
步骤2，对截取的指静脉图像进行脊波变换作图像增强处理；
步骤3，针对增强处理后的静脉图像提取谷形区域；
步骤4，将得到的静脉图像分为三个区域：背景区、模糊区、前景区，并对该三个区域进行三次的阈值分割处理；
步骤5，将得到的分割图像进行边缘检测，输出处理后的分割图像。
进一步的，所述步骤3包括：
对指静脉图像的每一个像素，在以该像素为中心的9X9窗口内，把静脉的走向分为8个方向，然后根据8个方向设计8个谷形检测算子；利用8个方向的谷形检测算子分别对每个像素点9X9的邻域内的点相乘，然后对积累加求和，最后将最大的累加和作为该点像素的灰度值，得到一个图像，其中大于零的值处于谷形区域，小于等于零的值处于非谷形区域。通过设计一种算子来提取指静脉图像的谷形区域，得到含有静脉特征的图像，便于后续对指静脉图像的处理。
再进一步的，所述步骤4的阈值分割处理步骤包括：
对静脉图像进行第一次阈值分割，去掉指静脉图像的背景区；
对静脉图像进行第二次阈值分割，保留指静脉图像的前景区；
对静脉图像进行第三次阈值分割，对模糊区图像进行图像增强，再对增强后的模糊区图像进行再次进行阈值分割，提取模糊区的静脉特征。
通过阈值分割形成的三个区域，其中背景区不含或含有较少的静脉特征；在去除背景区的静脉图像中进行再次阈值分割，保留静脉图像中的前景区；再将分割出的模糊区进行图像增强处理，使图像清晰化，尽可能多的保留静脉特征信息，然后再次对增强后的模糊区进行阈值分割，得到模糊区内的静脉特征，最后输出经过分割的含有静脉特征的分割图像。
再进一步的，所述阈值分割方法为均值法、NiBl ack法或迭代法。所述均值法分割出的静脉图像的大部分静脉特征，包含的噪声不是很多，纹路比较平滑；NiBl ack均值法分割出的静脉图像特征的连通度较好，包含的噪声不多；迭代法分割出的手指静脉图像连通度没有前两者好，有的地方会断开。
再进一步的，所述图像增强方法包括以下步骤：
S1，通过小波变换得到指静脉图像中的高频子带；
S2，对S1中获得的高频子带进行有限脊波变换；
S3，通过修改阈值的方法，建立新的高频子带阈值；
S4，根据新的阈值，用新的非线性系数去处理脊波域中的子带系数；
S5，在高频子带上做有限脊波反变换；
S6，通过小波域中子频带的系数重建指静脉图像，形成增强图像。
为了便于分割指静脉图像中的静脉特征，有必要在对指静脉图像进行图像分割之前和过程之中对指静脉图像进行增强处理，使图像更加清晰化，在进行阈值分割时也更加方便快捷，而且在图像分割之后也能保留更多的静脉特征信息。
再进一步的，所述边缘检测为去除孤立的点，首先把分割图像分成不同的连通区域，在每个连通区域内计算连通区域的面积和纵向跨度，然后为两者选取阈值，根据阈值来去除那些孤立的点。静脉特征连通性比较好，所占的区域面积比较大，而且在纵向上有很大的跨度，而在横向上跨度相对来说比较小，而那些孤立的点其纵向跨度与横向跨度相比较而言，差别比较小，而且所占的区域面积比较小，因此可以根据这些不同来把那些孤立的点给去除掉，使分割出的指静脉图像更加清晰，方便后续对至静脉图像的分析和处理。
再进一步的，所述边缘检测为去除分割图像中的毛刺,采用中值滤波的方式进行去除分割图像中的毛刺。中值滤波是一种非线性的滤波方式，由线性滤波器产生的模糊的图像细节可以在一定程度上被这种滤波方式克服，同时滤波脉冲干扰和图像扫描噪声使用这种方法后的效果也比较好，中值滤波处理时，把模板窗口中心位置在图像上逐像素点的去做卷积，然后用该点的一个邻域中各点值的中值代替数字图像或数字序列中一点的值，以使得周围的像素值与真实值比较接近，以此来消除独立的噪声点。对静脉图像进行中值滤波以后，其边界变得比较平滑和清晰，使分割出的指静脉图像更加清晰，方便后续对至静脉图像的分析和处理。
再进一步的，所述边缘检测为填充细小孔洞，计算背景区内黑色区域的面积来填充孔洞，为黑色区域面积设置一个阈值，如果区域面积小于这个阈值，则该区域被添置为白色，来消除细小孔洞。小孔洞出现在静脉特征区内或者静脉特征的边界部分，如果不对这些细小孔洞进行填充，在图像细化过程中就会出现一些小的闭合曲线，这样就会增加伪特征点的个数，因此，在进行后续处理以前，需要对这些小的孔洞进行填充，使其于静脉特征成为一体。
一种基于方向谷形检测的指静脉图像分割系统，包括：
图像采集模块，所述图像采集模块包括摄像头、红外光源及控制电路；
输出模块，所述输出模块包括人机界面和/或输出接口，输出增强图像；
以及控制器，所述控制器包括存储器、处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于方向谷形检测的指静脉图像分割系统。
一种手指静脉识别与安全认证终端，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的基于方向谷形检测的指静脉图像分割方法。
初始静脉分割图像中不但会存在一些独立的、块状的点，被称为“盐噪声”，而且还可能存在一些小的孔洞和毛刺，因此为了便于后续的细化处理以及静脉特征提取，很有必要采取下述步骤去除这些孤立的点和噪声，并填充那些小的孔洞，使得静脉图像更加平滑与清晰。
本发明的一种基于方向谷形检测的指静脉图像分割方法及其系统、终端，该方法对三个不同的区域进行了不同的处理，对模糊区不但进行了图像增强，使其清晰化，而且又进行了一次分割，尽可能多的保留了静脉特征信息。就算对于低质量的图像的处理在图像分割过程中有一些误差，但是最后提取到的静脉特征还是比较清晰的，而且提取出的静脉图像的连通度、平滑度都很好，噪声也非常的少。这种方法不但适用于高质量的静脉图像，而且也适用于低质量的静脉图像，为静脉的图特征提取提供了很好的条件，具有很大的适用价值。
附图说明
图1为四组尺度归一化的指静脉图像经过图像分割后输出的图像分割图像；
图2为四组尺度归一化的指静脉图像经过均值法、NiBl ack法或迭代法阈值分割后分割图像对比；
图3左图为初始分割图像，右图为去除孤立点的分割图像；
图4左图为去除毛刺的分割图像，右图为填充细小孔洞的分割图像；
图5为所述基于方向谷形检测的指静脉图像分割方法流程图。
具体实施方式
结合附图说明本发明的一种基于方向谷形检测的指静脉图像分割方法及其系统、终端。
一种基于方向谷形检测的指静脉图像分割方法，包括以下步骤：
步骤1，接收图像采集模块采集的指静脉图像；
步骤2，对截取的指静脉图像进行脊波变换作图像增强处理；
步骤3，针对增强处理后的静脉图像提取谷形区域；
步骤4，将得到的静脉图像分为三个区域：背景区、模糊区、前景区，并对该三个区域进行三次的阈值分割处理；
步骤5，将得到的分割图像进行边缘检测，输出处理后的分割图像。
进一步的，所述步骤3包括：
对指静脉图像的每一个像素，在以该像素为中心的9X9窗口内，把静脉的走向分为8个方向，然后根据8个方向设计8个谷形检测算子；利用8个方向的谷形检测算子分别对每个像素点9X9的邻域内的点相乘，然后对积累加求和，最后将最大的累加和作为该点像素的灰度值，得到一个图像，其中大于零的值处于谷形区域，小于等于零的值处于非谷形区域。通过设计一种算子来提取指静脉图像的谷形区域，得到含有静脉特征的图像，便于后续对指静脉图像的处理。
再进一步的，所述步骤4的阈值分割处理步骤包括：
对静脉图像进行第一次阈值分割，去掉指静脉图像的背景区；
对静脉图像进行第二次阈值分割，保留指静脉图像的前景区；
对静脉图像进行第三次阈值分割，对模糊区图像进行图像增强，再对增强后的模糊区图像进行再次进行阈值分割，提取模糊区的静脉特征。
通过阈值分割形成的三个区域，其中背景区不含或含有较少的静脉特征；在去除背景区的静脉图像中进行再次阈值分割，保留静脉图像中的前景区；再将分割出的模糊区进行图像增强处理，使图像清晰化，尽可能多的保留静脉特征信息，然后再次对增强后的模糊区进行阈值分割，得到模糊区内的静脉特征，最后输出经过分割的含有静脉特征的分割图像。
再进一步的，所述阈值分割方法为均值法、NiBl ack法或迭代法。所述均值法分割出的静脉图像的大部分静脉特征，包含的噪声不是很多，纹路比较平滑；NiBl ack均值法分割出的静脉图像特征的连通度较好，包含的噪声不多；迭代法分割出的手指静脉图像连通度没有前两者好，有的地方会断开。
均值法首先选取图像灰度中值作为初始阈值，将前景、背景区分开来，然后对其分别进行积分，用结果的均值作为新的阈值，如此反复进行下去，直到所得到的阈值是一个趋于稳定的值，并将该值作为最终对图像进行分割的阈值。
NiBlack法是一种局部动态阈值算法。此算法是对图像中的任意一点，计算该点的r*r邻域内像素点的灰度均值和方差，然后再利用下面的公式分割前景区和背景区。
T(x，y)＝m(x，y)+k*σ(x，y)
其中，T(x,y)为像素点(x,y)处的阈值，m(x,y),σ(x,y)分别为像素点(x,y)的r*r邻域内像素点的灰度均值和方差，k是修正系数。若假设像素点(i,j)的灰度值为g(l,J)，则m(x,y)和σ(x,y)可以分别由以下两个公式计算:
再进一步的，所述图像增强方法包括以下步骤：
S1，通过小波变换得到指静脉图像中的高频子带；
S2，对S1中获得的高频子带进行有限脊波变换；
S3，通过修改阈值的方法，建立新的高频子带阈值；
S4，根据新的阈值，用新的非线性系数去处理脊波域中的子带系数；
S5，在高频子带上做有限脊波反变换；
S6，通过小波域中子频带的系数重建指静脉图像，形成增强图像。
为了便于分割指静脉图像中的静脉特征，有必要在对指静脉图像进行图像分割之前和过程之中对指静脉图像进行增强处理，使图像更加清晰化，在进行阈值分割时也更加方便快捷，而且在图像分割之后也能保留更多的静脉特征信息。
再进一步的，所述边缘检测为去除孤立的点，首先把分割图像分成不同的连通区域，在每个连通区域内计算连通区域的面积和纵向跨度，然后为两者选取阈值，根据阈值来去除那些孤立的点。静脉特征连通性比较好，所占的区域面积比较大，而且在纵向上有很大的跨度，而在横向上跨度相对来说比较小，而那些孤立的点其纵向跨度与横向跨度相比较而言，差别比较小，而且所占的区域面积比较小，因此可以根据这些不同来把那些孤立的点给去除掉，使分割出的指静脉图像更加清晰，方便后续对至静脉图像的分析和处理。
再进一步的，所述边缘检测为去除分割图像中的毛刺,采用中值滤波的方式进行去除分割图像中的毛刺。中值滤波是一种非线性的滤波方式，由线性滤波器产生的模糊的图像细节可以在一定程度上被这种滤波方式克服，同时滤波脉冲干扰和图像扫描噪声使用这种方法后的效果也比较好，中值滤波处理时，把模板窗口中心位置在图像上逐像素点的去做卷积，然后用该点的一个邻域中各点值的中值代替数字图像或数字序列中一点的值，以使得周围的像素值与真实值比较接近，以此来消除独立的噪声点。对静脉图像进行中值滤波以后，其边界变得比较平滑和清晰，使分割出的指静脉图像更加清晰，方便后续对至静脉图像的分析和处理。
再进一步的，所述边缘检测为填充细小孔洞，计算背景区内黑色区域的面积来填充孔洞，为黑色区域面积设置一个阈值，如果区域面积小于这个阈值，则该区域被添置为白色，来消除细小孔洞。小孔洞出现在静脉特征区内或者静脉特征的边界部分，如果不对这些细小孔洞进行填充，在图像细化过程中就会出现一些小的闭合曲线，这样就会增加伪特征点的个数，因此，在进行后续处理以前，需要对这些小的孔洞进行填充，使其于静脉特征成为一体。
一种基于方向谷形检测的指静脉图像分割系统，包括：
图像采集模块，所述图像采集模块包括摄像头、红外光源及控制电路；
输出模块，所述输出模块包括人机界面和/或输出接口，输出增强图像；
以及控制器，所述控制器包括存储器、处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于方向谷形检测的指静脉图像分割系统。
一种手指静脉识别与安全认证终端，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的基于方向谷形检测的指静脉图像分割方法。
初始静脉分割图像中不但会存在一些独立的、块状的点，被称为“盐噪声”，而且还可能存在一些小的孔洞和毛刺，因此为了便于后续的细化处理以及静脉特征提取，很有必要采取下述步骤去除这些孤立的点和噪声，并填充那些小的孔洞，使得静脉图像更加平滑与清晰。
在进行图像分割之前，可以对采集的指静脉图像进行尺度和灰度归一化处理，便于提高对指静脉图像的分割速度。
本发明的一种基于方向谷形检测的指静脉图像分割方法及其系统、终端，该方法对三个不同的区域进行了不同的处理，对模糊区不但进行了图像增强，使其清晰化，而且又进行了一次分割，尽可能多的保留了静脉特征信息。就算对于低质量的图像的处理在图像分割过程中有一些误差，但是最后提取到的静脉特征还是比较清晰的，而且提取出的静脉图像的连通度、平滑度都很好，噪声也非常的少。这种方法不但适用于高质量的静脉图像，而且也适用于低质量的静脉图像，为静脉的图特征提取提供了很好的条件，具有很大的适用价值。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。
Claims (10)
1.一种基于方向谷形检测的指静脉图像分割方法，其特征在于，包括以下步骤：
步骤1，接收图像采集模块采集的指静脉图像；
步骤2，对截取的指静脉图像进行脊波变换作图像增强处理；
步骤3，针对增强处理后的静脉图像提取谷形区域；
步骤4，将得到的静脉图像分为三个区域：背景区、模糊区、前景区，并对该三个区域进行三次的阈值分割处理；
步骤5，将得到的分割图像进行边缘检测，输出处理后的分割图像。
2.根据权利要求1所述的指静脉图像分割方法，其特征在于，所述步骤3包括：
对指静脉图像的每一个像素，在以该像素为中心的9X9窗口内，把静脉的走向分为8个方向，然后根据8个方向设计8个谷形检测算子；利用8个方向的谷形检测算子分别对每个像素点9X9的邻域内的点相乘，然后对积累加求和，最后将最大的累加和作为该点像素的灰度值，得到一个图像，其中大于零的值处于谷形区域，小于等于零的值处于非谷形区域。
3.根据权利要求1所述的指静脉图像分割方法，其特征在于，所述步骤4的阈值分割处理步骤包括：
对静脉图像进行第一次阈值分割，去掉指静脉图像的背景区；
对静脉图像进行第二次阈值分割，保留指静脉图像的前景区；
对静脉图像进行第三次阈值分割，对模糊区图像进行图像增强，再对增强后的模糊区图像进行再次进行阈值分割，提取模糊区的静脉特征。
4.根据权利要求3所述的指静脉图像分割方法，其特征在于，所述阈值分割方法为均值法、NiBlack法或迭代法。
5.根据权利要求1或3所述的指静脉图像分割方法，其特征在于，所述图像增强方法包括以下步骤：
S1，通过小波变换得到指静脉图像中的高频子带；
S2，对S1中获得的高频子带进行有限脊波变换；
S3，通过修改阈值的方法，建立新的高频子带阈值；
S4，根据新的阈值，用新的非线性系数去处理脊波域中的子带系数；
S5，在高频子带上做有限脊波反变换；
S6，通过小波域中子频带的系数重建指静脉图像，形成增强图像。
6.根据权利要求1所述的指静脉图像分割方法，其特征在于，所述边缘检测为去除孤立的点，首先把分割图像分成不同的连通区域，在每个连通区域内计算连通区域的面积和纵向跨度，然后为两者选取阈值，根据阈值来去除那些孤立的点。
7.根据权利要求1所述的指静脉图像分割方法，其特征在于，所述边缘检测为去除分割图像中的毛刺,采用中值滤波的方式进行去除分割图像中的毛刺。
8.根据权利要求1所述的指静脉图像分割方法，其特征在于，所述边缘检测为填充细小孔洞，计算背景区内黑色区域的面积来填充孔洞，为黑色区域面积设置一个阈值，如果区域面积小于这个阈值，则该区域被添置为白色，来消除细小孔洞。
9.一种基于方向谷形检测的指静脉图像分割系统，其特征在于，包括：
图像采集模块，所述图像采集模块包括摄像头、红外光源及控制电路；
输出模块，所述输出模块包括人机界面和/或输出接口，输出增强图像；
以及控制器，所述控制器包括存储器、处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的基于方向谷形检测的指静脉图像分割系统。
10.一种手指静脉识别与安全认证终端，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的基于方向谷形检测的指静脉图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711084029.2A CN108010035A (zh) | 2017-11-07 | 2017-11-07 | 基于方向谷形检测的指静脉图像分割方法及其系统、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711084029.2A CN108010035A (zh) | 2017-11-07 | 2017-11-07 | 基于方向谷形检测的指静脉图像分割方法及其系统、终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108010035A true CN108010035A (zh) | 2018-05-08 |
Family
ID=62052206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711084029.2A Pending CN108010035A (zh) | 2017-11-07 | 2017-11-07 | 基于方向谷形检测的指静脉图像分割方法及其系统、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108010035A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110660030A (zh) * | 2019-09-12 | 2020-01-07 | 中实信息(深圳)有限公司 | 图像处理方法以及装置 |
| CN111640106A (zh) * | 2020-06-02 | 2020-09-08 | 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) | 一种基于人工智能的多模态医学影像的转换方法 |
| CN111652088A (zh) * | 2020-05-15 | 2020-09-11 | 圣点世纪科技股份有限公司 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
| CN111753848A (zh) * | 2020-06-19 | 2020-10-09 | 福建省海峡智汇科技有限公司 | 一种用于油污程度的识别方法和系统 |
| CN113657275A (zh) * | 2021-08-16 | 2021-11-16 | 中国科学院空天信息创新研究院 | 一种林草火点自动检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020028004A1 (en) * | 2000-09-06 | 2002-03-07 | Naoto Miura | Personal identification device and method |
| CN101162504A (zh) * | 2007-11-27 | 2008-04-16 | 重庆工学院 | 手指静脉认证系统的静脉特征提取方法 |
-
2017
- 2017-11-07 CN CN201711084029.2A patent/CN108010035A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020028004A1 (en) * | 2000-09-06 | 2002-03-07 | Naoto Miura | Personal identification device and method |
| CN101162504A (zh) * | 2007-11-27 | 2008-04-16 | 重庆工学院 | 手指静脉认证系统的静脉特征提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周召敏: "免疫克隆生长算法在手指静脉特征", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 李彦林: "基于OMAPL137嵌入式平台的手指静脉身份识别系统的研制", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 秦华锋: "手指静脉识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110660030A (zh) * | 2019-09-12 | 2020-01-07 | 中实信息(深圳)有限公司 | 图像处理方法以及装置 |
| CN111652088A (zh) * | 2020-05-15 | 2020-09-11 | 圣点世纪科技股份有限公司 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
| CN111652088B (zh) * | 2020-05-15 | 2023-06-20 | 圣点世纪科技股份有限公司 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
| CN111640106A (zh) * | 2020-06-02 | 2020-09-08 | 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) | 一种基于人工智能的多模态医学影像的转换方法 |
| CN111753848A (zh) * | 2020-06-19 | 2020-10-09 | 福建省海峡智汇科技有限公司 | 一种用于油污程度的识别方法和系统 |
| CN113657275A (zh) * | 2021-08-16 | 2021-11-16 | 中国科学院空天信息创新研究院 | 一种林草火点自动检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108010035A (zh) | 基于方向谷形检测的指静脉图像分割方法及其系统、终端 | |
| US20230377158A1 (en) | Image segmentation method, apparatus, device, and medium | |
| CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| CN102819827B (zh) | 一种基于灰度分割的自适应矩匹配条带噪声去除方法 | |
| CN114821114B (zh) | 一种基于视觉系统的坡口切割机器人图像处理方法 | |
| CN107507215B (zh) | 一种基于自适应量化增强的电力设备红外热图分割方法 | |
| EP3073415B1 (en) | Image processing apparatus and image processing method | |
| CN112883824A (zh) | 一种用于智能采血的手指静脉特征识别装置及其识别方法 | |
| CN112801031A (zh) | 静脉图像识别方法、装置、电子设备及可读存储介质 | |
| CN112396565A (zh) | 静脉穿刺机器人的图像及视频血管增强与分割方法和系统 | |
| CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
| CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
| CN112561919A (zh) | 一种图像分割方法、设备和计算机可读存储介质 | |
| CN109087347B (zh) | 一种图像处理方法及装置 | |
| CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
| CN116739943A (zh) | 图像平滑处理方法及目标轮廓提取方法 | |
| CN110298816B (zh) | 一种基于图像重生成的桥梁裂缝检测方法 | |
| CN112069924A (zh) | 车道线检测方法、装置及计算机可读存储介质 | |
| CN117058182A (zh) | 一种用于视觉测距的目标检测边框优化方法 | |
| CN116912115A (zh) | 一种水下图像自适应增强方法、系统、设备及存储介质 | |
| CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
| CN110751059B (zh) | 基于最小二乘法的指静脉roi提取的方法、装置及存储介质 | |
| CN112052859B (zh) | 一种自由场景下的车牌精准定位方法及装置 | |
| CN108961290B (zh) | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 | |
| CN108986156A (zh) | 深度图处理方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |