CN109409181B - 一种用于低质量指静脉图像的手指上下边缘独立检测方法 - Google Patents
一种用于低质量指静脉图像的手指上下边缘独立检测方法 Download PDFInfo
- Publication number
- CN109409181B CN109409181B CN201810721781.1A CN201810721781A CN109409181B CN 109409181 B CN109409181 B CN 109409181B CN 201810721781 A CN201810721781 A CN 201810721781A CN 109409181 B CN109409181 B CN 109409181B
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- finger
- pixel
- edges
- 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.)
- Active
Links
Images
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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种用于低质量指静脉图像的手指上下边缘独立检测方法,包括下述步骤:将输入的手指静脉图像沿水平方向均匀分成上、下两部分,然后进行预处理得到上、下边缘图像;检测上、下边缘图像的边缘是否连续,若不存在断开边缘,则直接合并上、下边缘图像并输出;若存在断开边缘,则进行第一次修复:去除噪声边缘并将边缘间断点进行连接,同时去除双重边缘现象;若第一次修复后图像仍存在断开边缘,则进行再次修复;对多次修复后存在边缘缺失的情况,采用边缘像素值填充进行处理,然后将处理后的上、下边缘图像合并,得到最终的手指边缘图像。本发明的方法对手指上、下边缘进行独立检测,有效处理复杂背景下的低质量手指静脉图像。
Description
技术领域
本发明涉及一种生物识别领域中的手指静脉识别技术,特别涉及一种用于低质量指静脉图像的手指上下边缘独立检测方法。
背景技术
基于生物特征的识别验证系统已成为人们日常生活中不可或缺的部分。生物识别安全系统是基于人体不同的物理特征而建立的,具有很高的安全性,对不同对象的特征具有很好的区分性。指静脉是其中一种重要的生物特征,其存在于人体手指内,可通过非接触式操作获得,应用便捷。因其为活体生物特征,具有好的安全性和抗伪造能力。边缘检测对手指静脉感兴趣区域提取和识别过程影响重大,是手指静脉生物识别系统预处理最基本和必要的环节。边缘检测的重要性体现在:首先静脉图像获取装置来源多样,导致获取的指静脉图像质量存在较大差别,主要体现在不均匀光照和复杂背景两方面;其次,人将手指放在图像采集设备上时会存在不同的手指形态,一方面会产生对准错误和旋转等形变,同时也会引入较强的噪声,造成静脉区域的照明更加不均匀。上述因素使得手指边缘检测困难,可能导致错误的感兴趣区域分割和特征提取,造成错误的匹配。
近年来,国内外学者针对指静脉边缘检测与手指区域分割提出了多项成果,但仍存在不少问题。2013年,Yu Lu等人在《SENSORS》杂志上发表论文《Robust Finger Vein ROILocalization Based on Flexible Segmentation》,在感兴趣区域分割问题上考虑了指静脉图像存在的形变、散射、复杂背景、不均匀光照等因素,但并未针对边缘检测这一问题给出解决办法。HongyuRen等人于2016 年在中国生物特征识别会议上发表的论文《An EdgeDetection Algorithm for Nonuniformly Illuminated Images in Finger-veinAuthentication》中,在进行边缘检测时考虑到了手指静脉图像的局部不均匀光照因素,但没有从整体考虑指静脉图像的复杂噪声环境。另外,2017年8月,QingchangGuo等在2017年机电一体化及自动化国际会议上发表论文《Research on the Finger Vein ImageCapture and Finger Edge Extraction》,采用传统的图像滤波与分割方法来获得手指区域,但没有结合指静脉图像的特点,忽略了手指的姿势与周围环境噪声的影响,无法准确检测出手指边缘。
为了提高指静脉识别中边缘检测的性能,我们设计了一种手指上下边缘独立检测方法.针对传统边缘检测存在的漏检、误检等现象,该方法通过对手指上下边缘进行独立检测,克服了复杂背景、不均匀光照、手指姿势等因素对边缘检测造成的不良影响,能高效、精确地检测出低质量指静脉图像的手指边缘。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种用于低质量指静脉图像的手指上下边缘独立检测方法。针对传统边缘检测存在的漏检、误检现象,通过对手指上下边缘进行独立检测,能高效、精确检测出低质量指静脉图像的手指边缘。
为实现以上目的,本发明采取如下技术方案:
一种用于低质量指静脉图像的手指上下边缘独立检测方法,包括下述步骤:
S1、首先从手指静脉扫描装置获取用户输入图像,然后进行预处理,所述预处理,具体为:将所述用户输入图像转为灰度图像,然后将灰度图像分割并应用梯度算子得到上、下两部分梯度图像,再进行边缘提取,得到初始的上、下边缘图像;
S2、通过形态学方法分别检验上、下边缘图像的初始边缘是否连续;若在图像中分别只检测到一条连续的边缘,即不存在边缘断开的区域,则认为边缘检测结果是满意的,直接合并上、下边缘图像输出最终边缘图像;若在图像中存在若干段断开的边缘,则需要对边缘进行修复,进入下一步骤;
S3、对于上、下边缘图像的边缘进行修复,具体包括:
S31、检测边缘是否连续,若存在断开边缘,则去除长度小于设定阈值的噪声边缘;然后找出边缘间断点对并进行连接,若存在双重边缘情况,只保留手指上/下边缘图像中离图像底端/顶端最近的边缘;
S32、通过形态学方法检验步骤S31的图像修复效果,若仍存在断开边缘,则调整设定参数并执行步骤S31进行再次修复;
S4、针对步骤S3修复得到的上、下边缘图像,检验是否存在两端边缘缺失的情况,若存在该情况,则采用边缘像素值填充方法处理边缘缺失,然后将处理后的上、下边缘图像进行合并,得到完整的最终边缘图像并输出。
作为优选的技术方案,步骤S1,具体包括下述步骤:
S11、从手指静脉扫描装置获取用户输入图像,图像水平方向为手指长度方向,图像垂直方向为手指宽度方向,将所述用户输入图像转为灰度图像,记为 I(x,y),其宽和高分别为cols和rows,(x,y)为像素;将灰度图像I(x,y)沿水平方向均匀分成上、下两部分灰度图像,分别为Iu(x,y),Id(x,y);
S12、对上下两部分灰度图像Iu(x,y)和Id(x,y)分别应用Sobel算子,得到对应的上下两部分梯度图像Iuf(x,y)和Idf(x,y);
S13、对于手指上半部的梯度图像Iuf(x,y),寻找每列灰度值最大且纵坐标最靠近图像底部的像素,将其判为手指上边缘候选像素;对手指下半部的梯度图像Idf(x,y),寻找每列灰度值最大且纵坐标最靠近图像顶部的像素,将其判为手指下边缘候选像素;将检测到的手指上、下边缘候选像素值置为1,其余像素值置为0,得到初始的上下边缘图像Iue和Ide。
作为优选的技术方案,步骤S12中,采用如下式所示的尺寸为3×9Sobel算子masku和maskd,
作为优选的技术方案,步骤S2中,通过形态学方法分别检验上、下边缘图像的初始边缘是否连续;具体为:检测图中的端点数目,若只有两个端点,则认为只含有一条连续的边缘,否则认为存在断开区域;像素(x,y)是否为端点可根据如下式子来判断:
上式表示当像素(x,y)的值为1,且以该像素为中心的3×3邻域中只有一个相邻像素的值为1,则表明该中心像素点是线段端点。
作为优选的技术方案,步骤S31,具体包括下述步骤:
S311、设定噪声边缘长度阈值lnoise;
S312、去除噪声边缘,具体为:对于上下边缘图像Iue和Ide,分别检测所有连通区域并计算各个区域的连通面积,即各段连续边缘的长度;将连续边缘的长度小于阈值lnoise的边缘段作为噪声边缘,将其像素点置0;
S313、判断边缘断点对,具体为:分别设定边缘端点对的列距离阈值dcol和行距离阈值drow,列距离阈值用于限定两个端点在横坐标的距离,行距离阈值用于限定两个端点在纵坐标上的距离;对于经过步骤S312去除噪声边缘的上下边缘图像Iue和Ide,分别检测所有连通边缘区域及对应的端点;任何不属于同一连通区域的两个端点都有可能是一对边缘断点,当行、列距离均小于对应阈值的两个端点被视为边缘断点对;
S314、对于经过步骤S313判断边缘断点对的上下边缘图像Iue和Ide,分别将各个边缘断点对连接起来,为避免出现的双重边缘现象,只保留离手指中线最近的边缘线,而将其他边缘线的亮像素点值重置为0。
作为优选的技术方案,步骤S314中,采用线性插值方法将边缘断点对连接起来。
作为优选的技术方案,步骤S4,具体包括下述步骤:
S41、经过步骤S3的连接修复后,得到的边缘是连续的,但是可能存在上下边缘图像Iue和Ide两端的噪声边缘被删除而未能进行连接修复的情况,即边缘不完整的情况,则采用从相应端点开始向边缘缺失的方向做边缘像素值填充;
S42、将经过步骤S41边缘像素值填充后的上下边缘图像Iue和Ide进行合并,得到完整的最终边缘图像Ie并输出。
作为优选的技术方案,对于步骤S41中,若存在边缘两端缺失的情况,即起、始位置不在图像边界的情况,需要进行延伸修复;所述延伸修复,具体为:以现有边缘端点为起点,采用边缘像素值填充并向图像边界填充一段水平直线。
本发明相对于现有技术具有如下的优点和效果:
(1)本发明的边缘检测方法广泛适用于含复杂背景的低质量手指静脉图像数据库,克服了复杂背景、不均匀光照、手指姿势等因素对边缘检测造成的不良影响。
(2)本发明的边缘检测方法操作简单却有惊人的稳健性,显着提高了边缘检测的准确性。
(3)本发明有助于降低对指静脉获取装置的硬件要求,即使获取到低质量的指静脉图像也能够准确检测出边缘。
附图说明
图1是本实施例中用于低质量指静脉图像的自适应边缘检测方法流程图;
图2是本实施例中用户输入图像;
图3(a)和图3(b)分别是本实施例中将输入图像转换成灰度图像后的划分为上、下两部分图像;
图4(a)和图4(b)分别是本实施例中Sobel算子处理后的上、两部分梯度图像;
图5(a)和图5(b)分别是本实施例中的初始上、下边缘图像;
图6(a)和图6(b)分别是本实施例中第一次去燥并进行断点对连接后的上、下边缘图像;
图7(a)和图7(b)分别是本实施例中在第一次修复后的上、下边缘图像;
图8(a)和图8(b)分别是本实施例中第二次修复后的上、下边缘图像后;
图9(a)和图9(b)分别是本实施例中对第二次修复后的上、下边缘图像进行边缘缺失填充;
图10是本实施例中经过修复、合并后,完整的最终边缘图像;
图11是本实施例中无需修复的边缘输出结果图。
具体实施方式
为了使本发明的目的、技术方案以及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不限于本发明。
实施例
如图1所示,一种用于低质量指静脉图像的手指上下边缘独立检测方法,包括以下步骤:
S1、首先从手指静脉扫描装置获取用户输入图像,然后进行预处理,所述预处理,具体为:将所述用户输入图像转为灰度图像,然后将灰度图像分割并应用梯度算子得到上、下两部分梯度图像,再进行边缘提取,得到初始的上、下边缘图像;
S2、通过形态学方法分别检验上、下边缘图像的初始边缘是否连续;若在图像中分别只检测到一条连续的边缘,即不存在边缘断开的区域,则认为边缘检测结果是满意的,直接合并上、下边缘图像输出最终边缘图像;若在图像中存在若干段断开的边缘,则需要对边缘进行修复,进入下一步骤;
S3、对于上、下边缘图像的边缘进行修复,具体包括:
S31、检测边缘是否连续,若存在断开边缘,则去除长度小于设定阈值的噪声边缘;然后找出边缘间断点对并进行连接,若存在双重边缘情况,只保留手指上/下边缘图像中离图像底端/顶端最近的边缘;
S32、通过形态学方法检验步骤S31的修复效果,若仍存在断开边缘,则调整设定参数并执行步骤S31进行再次修复;
S4、针对步骤S3修复得到的上、下边缘图像,检验是否存在两端边缘缺失的情况,若存在该情况,则采用边缘像素值填充方法处理边缘缺失,然后将处理后的上、下边缘图像进行合并,得到完整的最终边缘图像并输出。
以下详细说明本实施例的技术方案:
第一步、如图2所示,从手指静脉扫描装置获取用户输入图像,图像水平方向为手指长度方向,图像垂直方向为手指宽度方向,将所述用户输入图像转为灰度图像,记为I(x,y),其宽和高分别为cols和rows,x为,y为;如图3(a) 和图3(b)所示,将灰度图像I(x,y)沿水平方向均匀分成上、下两部分灰度图像,分别记为Iu(x,y),Id(x,y),大小为480×752像素;在后续步骤中对手指上、下边缘进行独立提取,这样可简便有效地抵抗非理想获取条件对手指边缘的干扰;
需要说明的是,对于包含指尖的手指图像,需先将指尖部分截断,再运用本实施例方法进行手指边缘提取;
第二步、为减少不均匀光照对边缘完整性的干扰,提高对较为细小弱边缘的敏感度,减少漏检,采用式(1)中的尺寸延长的Sobel算子,对于上下边缘图像Iu(x,y)和Id(x,y)应使用不同方向的算子进行滤波,如下式(1)所示的尺寸为3×9Sobel算子masku和maskd,得到对应的上下两部分梯度图像Iuf(x,y)和 Idf(x,y),如图4(a)和图4(b)所示;
第三步、对于手指上半部的梯度图像Iuf(x,y),寻找每列灰度值最大且纵坐标最靠近图像底部的像素,将其判为手指上边缘候选像素,像素值置1,该列其他像素置0;对手指下半部的梯度图像Idf(x,y),寻找每列灰度值最大且纵坐标最靠近图像顶部的像素,将其判为手指下边缘候选像素,像素值置1,该列其他像素置0;由此得到初始的上下边缘图像Iue和Ide,如图5(a)和图5(b)所示;
本实施例中,对于上、下两部分梯度图像,仅保留梯度最大且纵坐标位置离手指中部最近的像素作为手指边缘。这样处理充分考虑了指静脉图像的特点,能有效排除手指周围复杂环境的干扰。
第四步、通过形态学方法分别检验上、下边缘图像的初始边缘是否连续;具体地,检测图中的端点数目,若只有两个端点,则认为只含有一条连续的边缘,否则认为存在断开区域。某像素(x,y)是否为端点可根据式(2)来判断:
上式表示当某像素的值为1,且以它为中心的3×3邻域中只有一个相邻像素的值为1,则表明该中心像素点是线段端点。
若在上、下边缘图像中分别只检测到一条连续的边缘,即不存在边缘断开的区域,则认为边缘检测结果是满意的,直接合并上、下边缘图像输出最终边缘图像Ie,如图11所示;若在上、下边缘图像中存在若干段断开的边缘,则需要对边缘进行修复,进入下一步骤;
第五步、设定噪声边缘长度阈值lnoise为图像宽度的5%,本实施例中为38像素;
第六步、将上、下边缘图像Iue和Ide中过短的边缘段,即噪声边缘去除。具体地,分别检测所有连通区域并计算各个区域的连通面积,即各段连续边缘的长度,将连续边缘的长度小于阈值lnoise的边缘段作为噪声边缘,并将所述噪声边缘的像素值置0;
第七步、判断边缘断点对,具体为:分别设定边缘端点对的列距离阈值dcol和行距离阈值drow,列距离阈值用于限定两个端点在横坐标的距离,行距离阈值用于限定在纵坐标上的距离;边缘端点对的列距离阈值dcol和行距离初始阈值drow应与图像的宽、高相关,本实施例中,可分别设为图像宽度的50%和图像高度的 4%,即:设dcol为376像素,drow为19像素;
对于经过第六步去除噪声边缘的上下边缘图像Iue和Ide,分别检测所有连通边缘区域及对应的端点;任何不属于同一连通区域的两个端点都有可能是一对边缘断点,且当行、列距离均小于对应阈值的两个端点被视为边缘断点对,具体采用如下公式(3);
其中(x1,y1)和(x2,y2)为一对不属于同一连通区域的端点坐标;若(3)式满足,则认为(x1,y1)和(x2,y2)是一对边缘断点对。
第八步、根据第七步判断边缘断点对的结果,分别将上、下边缘图像的各个边缘断点对连接起来,具体地,可采用线性插值方法将边缘断点对连接起来,如图6(a)和图6(b)所示;连接断点后,为避免可能出现的双重边缘现象,检查每一列是否有两个以上像素值为1,若有,则只保留离手指中线(即Iue的底端或Ide的顶端)最近的亮像素点,而将其它亮像素点值重置为0。由此得到第一次修复后的上、下边缘图像,如图7(a)和图7(b)所示;
第九步、再次检验经过第五至第八步修复后的上下边缘图像Iue和Ide的边缘是否完整连续,判断过程同第四步一样。本实施例中,从图7(a)可见,手指上边缘图像中仍然存在断开的边缘,需调大噪声边缘长度阈值lnoise,将其增加为图像宽度的15%,约为113个像素,然后重新执行第五至第八步骤,对边缘进行再次修复;图8(a)和图8(b)为根据增加阈值去除噪声边缘并进行断点对连接后的结果。
第十步、经过上述步骤连接修复后,得到上、下边缘图像的边缘是连续的,但是可能存在图像两端的噪声边缘被删除而未能进行连接修复的情况,即边缘不完整,如图8(a)上边缘图像所示;此时需从相应端点开始向边缘缺失的方向做边缘像素值填充,保证边缘的完整性,图9(a)和图9(b)为边缘缺失填充后的结果。
若存在边缘两端缺失的情况,即起、始位置不在图像边界的情况,需要进行延伸修复;所述延伸修复,具体为:以现有边缘端点为起点,采用边缘像素值填充并向图像边界填充一段水平直线。
第十一步、将经上述处理后的上、下边缘图像合并,得到完整的最终边缘图像Ie并输出,如图10所示。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以权利要求所述为准。
Claims (5)
1.一种用于低质量指静脉图像的手指上下边缘独立检测方法,其特征在于,包括下述步骤:
S1、首先从手指静脉扫描装置获取用户输入图像,然后进行预处理,所述预处理,具体为:将所述用户输入图像转为灰度图像,然后将灰度图像分割并应用梯度算子得到上、下两部分梯度图像,再进行边缘提取,得到初始的上、下边缘图像;
S2、通过形态学方法分别检验上、下边缘图像的初始边缘是否连续;若在图像中分别只检测到一条连续的边缘,即不存在边缘断开的区域,则认为边缘检测结果是满意的,直接合并上、下边缘图像输出最终边缘图像;若在图像中存在若干段断开的边缘,则需要对边缘进行修复,进入下一步骤;
S3、对于上、下边缘图像的边缘进行修复,具体包括:
S31、检测边缘是否连续,若存在断开边缘,则去除长度小于设定阈值的噪声边缘;然后找出边缘间断点对并采用线性插值方法进行连接,若存在双重边缘情况,只保留手指上/下边缘图像中离图像底端/顶端最近的边缘;具体包括下述步骤:
S311、设定噪声边缘长度阈值lnoise;
S312、去除噪声边缘,具体为:对于上下边缘图像Iue和Ide,分别检测所有连通区域并计算各个区域的连通面积,即各段连续边缘的长度;将连续边缘的长度小于阈值lnoise的边缘段作为噪声边缘,将其像素点置0;
S313、判断边缘断点对,具体为:分别设定边缘端点对的列距离阈值dcol和行距离阈值drow,列距离阈值用于限定两个端点在横坐标的距离,行距离阈值用于限定两个端点在纵坐标上的距离;对于经过步骤S312去除噪声边缘的上下边缘图像Iue和Ide,分别检测所有连通边缘区域及对应的端点;任何不属于同一连通区域的两个端点都有可能是一对边缘断点,当行、列距离均小于对应阈值的两个端点被视为边缘断点对;
S314、对于经过步骤S313判断边缘断点对的上下边缘图像Iue和Ide,分别将各个边缘断点对连接起来,为避免出现的双重边缘现象,只保留离手指中线最近的边缘线,而将其他边缘线的亮像素点值重置为0;
S32、通过形态学方法检验步骤S31的图像修复效果,若仍存在断开边缘,则调整设定参数并执行步骤S31进行再次修复;
S4、针对步骤S3修复得到的上、下边缘图像,检验是否存在两端边缘缺失的情况,若存在该情况,则采用边缘像素值填充方法处理边缘缺失,然后将处理后的上、下边缘图像进行合并,得到完整的最终边缘图像并输出,具体包括下述步骤:
S41、经过步骤S3的连接修复后,得到的边缘是连续的,但是可能存在上下边缘图像Iue和Ide两端的噪声边缘被删除而未能进行连接修复的情况,即边缘不完整的情况,则采用从相应端点开始向边缘缺失的方向做边缘像素值填充;
S42、将经过步骤S41边缘像素值填充后的上下边缘图像Iue和Ide进行合并,得到完整的最终边缘图像Ie并输出。
2.根据权利要求1所述的用于低质量指静脉图像的手指上下边缘独立检测方法,其特征在于,步骤S1,具体包括下述步骤:
S11、从手指静脉扫描装置获取用户输入图像,图像水平方向为手指长度方向,图像垂直方向为手指宽度方向,将所述用户输入图像转为灰度图像,记为I(x,y),其宽和高分别为cols和rows,(x,y)为像素;将灰度图像I(x,y)沿水平方向均匀分成上、下两部分灰度图像,分别为Iu(x,y),Id(x,y);
S12、对上下两部分灰度图像Iu(x,y)和Id(x,y)分别应用Sobel算子,得到对应的上下两部分梯度图像Iuf(x,y)和Idf(x,y);
S13、对于手指上半部的梯度图像Iuf(x,y),寻找每列灰度值最大且纵坐标最靠近图像底部的像素,将其判为手指上边缘候选像素;对手指下半部的梯度图像Idf(x,y),寻找每列灰度值最大且纵坐标最靠近图像顶部的像素,将其判为手指下边缘候选像素;将检测到的手指上、下边缘候选像素值置为1,其余像素值置为0,得到初始的上下边缘图像Iue和Ide。
5.根据权利要求1所述的用于低质量指静脉图像的手指上下边缘独立检测方法,其特征在于,对于步骤S41中,若存在边缘两端缺失的情况,即起、始位置不在图像边界的情况,需要进行延伸修复;所述延伸修复,具体为:以现有边缘端点为起点,采用边缘像素值填充并向图像边界填充一段水平直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721781.1A CN109409181B (zh) | 2018-07-04 | 2018-07-04 | 一种用于低质量指静脉图像的手指上下边缘独立检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721781.1A CN109409181B (zh) | 2018-07-04 | 2018-07-04 | 一种用于低质量指静脉图像的手指上下边缘独立检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409181A CN109409181A (zh) | 2019-03-01 |
CN109409181B true CN109409181B (zh) | 2022-06-14 |
Family
ID=65464230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810721781.1A Active CN109409181B (zh) | 2018-07-04 | 2018-07-04 | 一种用于低质量指静脉图像的手指上下边缘独立检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409181B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903297B (zh) * | 2019-03-08 | 2020-12-29 | 数坤(北京)网络科技有限公司 | 基于分类模型的冠脉分割方法及系统 |
CN110765856B (zh) * | 2019-09-12 | 2022-08-12 | 南京邮电大学 | 基于卷积的低质量手指静脉图像边缘检测算法 |
CN111199527B (zh) * | 2020-01-04 | 2021-02-02 | 圣点世纪科技股份有限公司 | 一种基于多方向自适应阈值的指静脉图像噪声检测方法 |
CN112348807B (zh) * | 2020-11-27 | 2022-11-18 | 安徽大学 | 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统 |
CN116884048B (zh) * | 2023-09-08 | 2023-12-12 | 江苏圣点世纪科技有限公司 | 一种基于边缘形态的异常静脉图像检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8565525B2 (en) * | 2005-12-30 | 2013-10-22 | Telecom Italia S.P.A. | Edge comparison in segmentation of video sequences |
CN101226631B (zh) * | 2007-12-12 | 2010-06-09 | 华为技术有限公司 | 一种超分辨率图像重构方法和装置 |
CN103778423B (zh) * | 2013-11-25 | 2016-09-21 | 中国人民解放军国防科学技术大学 | 基于灰度近邻和方差约束的手指静脉纹路修复方法 |
-
2018
- 2018-07-04 CN CN201810721781.1A patent/CN109409181B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109409181A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409181B (zh) | 一种用于低质量指静脉图像的手指上下边缘独立检测方法 | |
CN108960068B (zh) | 用于采集手指静脉图像的光源亮度调节装置及方法 | |
KR100374708B1 (ko) | 회전영상의 보정에 의한 비접촉식 홍채인식방법 | |
Aminzadeh et al. | Automatic thresholding for defect detection by background histogram mode extents | |
CN103914827B (zh) | 汽车密封条轮廓缺陷的视觉检测方法 | |
CN107563364B (zh) | 基于汗腺的指纹真伪辨别方法以及指纹识别方法 | |
Yang et al. | Superpixel based finger vein ROI extraction with sensor interoperability | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN106096569A (zh) | 一种手指静脉识别方法 | |
CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
CN105512656A (zh) | 采集手掌静脉图像的方法 | |
CN115082972B (zh) | 一种基于rgb图像和静脉灰度图像的活体检测方法 | |
CN114882539B (zh) | 一种静脉图像roi提取方法及装置 | |
CN112651957A (zh) | 人眼闭眼程度检测装置 | |
JP2022538127A (ja) | 非接触指紋画像のスラップセグメンテーション | |
CN106780470A (zh) | Ct图像乳头自动化检测方法 | |
Khaliluzzaman et al. | Zebra-crossing detection based on geometric feature and vertical vanishing point | |
Deng et al. | A new measuring method of wool fiber diameter based on image processing | |
CN105678795B (zh) | 一种现场鞋印图像检验方法 | |
CN115131387A (zh) | 基于图像处理的汽油机喷雾撞壁参数自动提取方法及系统 | |
CN107392170A (zh) | 一种符合自然生长规律的掌纹主线提取方法 | |
CN109145748B (zh) | 可见光静脉显像图像的静脉线提取算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |