CN109522842A - 一种基于手指静脉图像的血管网络修复方法 - Google Patents
一种基于手指静脉图像的血管网络修复方法 Download PDFInfo
- Publication number
- CN109522842A CN109522842A CN201811365959.XA CN201811365959A CN109522842A CN 109522842 A CN109522842 A CN 109522842A CN 201811365959 A CN201811365959 A CN 201811365959A CN 109522842 A CN109522842 A CN 109522842A
- Authority
- CN
- China
- Prior art keywords
- image
- finger vein
- blood vessel
- network
- repair
- 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.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000003462 vein Anatomy 0.000 claims abstract description 234
- 230000002792 vascular Effects 0.000 claims abstract description 55
- 230000008439 repair process Effects 0.000 claims abstract description 52
- 238000010586 diagram Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013519 translation Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V40/10—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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于手指静脉图像的血管网络修复方法。其包括对原始手指静脉图像进行预处理及增强;进行二值化处理及冗余信息去除;提取手指静脉血管网络骨架图像并按区域顺序进行标记;提取手指静脉血管网络修复的源点;修复手指静脉血管网络骨架图像;获得手指静脉血管修复图像;将待测试手指静脉的手指静脉血管修复图像与手指静脉数据库中的二值图进行匹配等步骤。本发明优点:充分利用了手指静脉血管网络骨架结构的稳定性,通过利用最小路径原则在特征点邻域内寻找血管断裂信息,将端点、二分叉点作为修复的源点来修复残缺血管,可获得更加稳定且完整性良好的血管网络,并成功应用于静脉图像识别,提高了识别性能。
Description
技术领域
本发明属于手指静脉图像识别技术领域,特别是涉及一种基于手指静脉图像的血管网络修复方法。
背景技术
生物特征识别技术由于具有难丢失、难伪造以及何时何地都可使用等优势而备受瞩目。近几年来,利用人的手指静脉特征进行身份鉴别已逐步发展成一种新的生物识别研究方向。手指静脉作为人的生理特征之一,不仅具有唯一性、普遍性、稳定性和可度量性等基本生物特性,还天然具有防伪性和活体性,这些都是由静脉的形成机理、解剖结构、存在环境等天然因素决定的。
同指纹、脸像、虹膜和掌纹等传统生物特征相比,手指静脉的成像质量普遍偏低,这就成为制约手指静脉识别技术发展的重要瓶颈。影响手指静脉成像的不利因素主要有两种:①手指静脉图像的退化性模糊;②手指静脉血管网络的局部性残缺。对于手指静脉图像退化性模糊问题目前可采用传统图像复原技术得以解决,但对于手指静脉血管网络的局部性残缺问题仍无法得到很好地解决,原因是生物组织的高散射效应会直接造成细小血管无法成像。从手指静脉识别问题本身来看,决定手指静脉特征的唯一性恰好就在于具有独特性和复杂性的血管网络结构。因此,如何在现有成像基础上,获得相对完备的手指静脉血管网络已成为亟待探索解决的一个重要理论和实际问题。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于手指静脉图像的血管网络修复方法。
为了达到上述目的,本发明提供的基于手指静脉图像的血管网络修复方法包括按顺序进行的下列步骤:
1)对采集的原始手指静脉图像进行预处理及增强,得到增强手指静脉图像;
2)对上述增强手指静脉图像进行二值化处理及冗余信息去除,得到手指静脉图像主体血管结构图像;
3)从上述手指静脉图像主体血管结构图像中提取出手指静脉血管网络骨架图像并按区域顺序进行标记;
4)从上述手指静脉血管网络骨架图像中提取出手指静脉血管网络修复的源点;
5)按照步骤3)中标记的顺序,根据步骤4)中提取出的手指静脉血管网络修复的源点修复手指静脉血管网络骨架图像;
6)以手指静脉血管网络骨架图像的修复结果作为血管网络管径信息修复的基准,利用Gabor增强方向图作为血管网络管径信息修复的约束条件对血管网络管径进行修复,获得二值化的包含管径信息的手指静脉血管修复图像;
7)将待测试手指静脉的手指静脉血管修复图像与手指静脉数据库中的二值图进行匹配,获得两张图像的相似度,并根据相似度判断两张图像是否相似。
在步骤1)中,所述的对采集的原始手指静脉图像进行预处理及增强,得到增强手指静脉图像的方法是:
首先对采集的原始手指静脉图像进行包括背景消除、直方图均衡、中值滤波、归一化在内的预处理,得到预处理后的手指静脉图像I(x,y);利用手指静脉具有的方向性特征,采用Gabor增强方法对上述预处理后的手指静脉图像I(x,y)进行3尺度8方向的图像增强,同时得到手指静脉图像的Gabor增强方向图,图像增强时采用的偶对称Gabor滤波器的表达式如式(1)所示:
其中,
k(=1,2,…,n)为通道编号,θk(=(kπ/n)和fk分别表示第k通道的方向和目标频率;第k通道的增强手指静脉图像Ik(x,y)通过将预处理后的手指静脉图像I(x,y)与第k通道的Gabor算子卷积得到,如式(2)所示:
其中,表示二维卷积。
在步骤2)中,所述的对上述增强手指静脉图像进行二值化处理及冗余信息去除,得到手指静脉图像主体血管结构图像的方法是:
采用多阈值分割算法对上述增强手指静脉图像进行图像分割,获得二值化图像,然后根据血管连通性剔除二值化图像中小于5个像素点的浮点和极小血管段,由此获取手指静脉图像主体血管结构图像。
在步骤3)中,所述的从上述手指静脉图像主体血管结构图像中提取出手指静脉血管网络骨架图像并按区域顺序进行标记的方法是:
采用Hilditch算法从上述手指静脉图像主体血管结构图像中提取出手指静脉血管网络骨架图像,然后计算出连通血管段总数并将血管段按照区域大小顺序进行标记。
在步骤4)中,所述的从上述手指静脉血管网络骨架图像中提取出手指静脉血管网络修复的源点的方法是:
以特征点模板中p为当前待判断的像素点,周围p1~p8为其8邻域像素点,以端点及二分叉点模板逐一遍历手指静脉血管网络骨架图像中的每个像素点p,若其8邻域像素点分布情况与模板一致,则判定为端点或二分叉点,并将得到的端点和二分叉点作为后续手指静脉血管网络修复的源点。
在步骤5)中,所述的按照步骤3)中标记的顺序,根据步骤4)中提取出的手指静脉血管网络修复的源点修复手指静脉血管网络骨架图像的方法是:
按照步骤3)中标记的顺序,根据最小路径原则依次将各血管段进行连接关系判断并修复,然后根据步骤4)中提取出的手指静脉血管网络修复的源点,设定修复搜索区域阈值为wn,在此源点的(wn+1)×(wn+1)邻域内进行修复目标血管点搜索并连接,即搜索距离最小的特征点并连接而形成完整血管段。
在步骤6)中,所述的以手指静脉血管网络骨架图像的修复结果作为血管网络管径信息修复的基准,利用Gabor增强方向图作为血管网络管径信息修复的约束条件对血管网络管径进行修复,获得二值化的包含管径信息的手指静脉血管修复图像的方法是:
以上述手指静脉血管网络骨架图像的修复结果作为血管网络管径信息修复的基准,利用Gabor增强方向图作为血管网络管径信息修复的约束条件,遍历手指静脉血管网络骨架图像上每一基准骨架点的5×5邻域,搜索与当前基准骨架点具有相同方向值的点并标记为血管点,然后利用形态学操作去除血管网络管径修复后残余斑块,填补血管区域内微小孔洞,由此完成手指静脉血管网络管径信息的修复,最终获得二值化的手指静脉血管修复图像。
在步骤7)中,所述的将待测试手指静脉的手指静脉血管修复图像与手指静脉数据库中的二值图进行匹配,获得两张图像的相似度,并根据相似度判断两张图像是否相似方法是:
设R(x,y)和T(x,y)分别表示注册在手指静脉数据库中的二值图和待测试手指静脉的手指静脉血管修复图像,尺寸均为m×n;首先,将注册在手指静脉数据库中的二值图R(x,y)左右各平移k个像素点得到平移图像G(x,y),如式(3)所示;然后,计算平移图像G(x,y)与待测试手指静脉的手指静脉血管修复图像T(x,y)的静脉像素不重合率,选取静脉像素不重合率的最小值作为两张图像的相似度;注册在手指静脉数据库中的二值图R(x,y)和待测试手指静脉的手指静脉血管修复图像T(x,y)的静脉像素不重合率根据式(4)计算得到:
其中,
然后,通过求解系统的最佳相似度阈值来判定两张图像是否相似;在相似度阈值区间0-1当中,选择使得系统取得最小等误率时所对应的相似度阈值作为此系统的最佳相似度阈值ψ,当两图像相似度大于最佳相似度阈值ψ时判定为相似,否则不相似。
本发明提供的基于手指静脉图像的血管网络修复方法具有如下优点:充分利用了手指静脉血管网络骨架结构的稳定性,通过利用最小路径原则在特征点邻域内寻找血管断裂信息,将端点、二分叉点作为修复的源点来修复残缺血管,可获得更加稳定且完整性良好的血管网络,并成功应用于静脉图像识别,提高了识别性能。
附图说明
图1为本发明提供的基于手指静脉图像的血管网络修复方法流程图。
图2为Gabor增强结果图。
图3为8方向的手指静脉Gabor增强方向图。
图4为血管特征点提取模板图。其中,(a)为特征点模板;(b)为端点模板;(c)为二分叉点模板。
图5为从数据库中随机挑选的3个样本的手指静脉血管网络管径信息修复过程示意图。其中,(a)为原图二值化结果;(b)为血管网络骨架;(c)为骨架修复结果;(d)为管径信息修复结果;(e)为最终血管网络修复结果。
图6为从数据库中随机挑选的另3个样本的手指静脉血管网络管径信息修复过程示意图。其中,(a)为原图二值化结果;(b)为血管网络骨架;(c)为骨架修复结果;(d)为管径信息修复结果;(e)为最终血管网络修复结果。
图7为不同修改搜索区域阈值下的ROC曲线。
图8为加入二分叉点后的ROC曲线。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于手指静脉图像的血管网络修复方法进行详细说明。
如图1所示,本发明提供的基于手指静脉图像的血管网络修复方法包括按顺序进行的下列步骤:
1)对采集的原始手指静脉图像进行预处理及增强,得到增强手指静脉图像;
首先对采集的原始手指静脉图像进行包括背景消除、直方图均衡、中值滤波、归一化在内的预处理,得到预处理后的手指静脉图像I(x,y)。为进一步增强手指静脉图像以便进行血管形态特征提取,利用手指静脉具有的方向性特征,采用Gabor增强方法对上述预处理后的手指静脉图像I(x,y)进行3尺度8方向的图像增强,图2所示为采集的分别记作M1、M2、M3的3个不同人的6幅增强手指静脉图像,其中(a)、(d)分别为M1的原始手指静脉图像和增强手指静脉图像,(b)、(e)分别为M2的原始手指静脉图像和增强手指静脉图像,(e)、(f)分别为M3的原始手指静脉图像和增强手指静脉图像。同时得到手指静脉图像的Gabor增强方向图,如图3所示。图像增强时采用的偶对称Gabor滤波器的表达式如式(1)所示:
其中,
k(=1,2,…,n)为通道编号,θk(=(kπ/n)和fk分别表示第k通道的方向和目标频率。第k通道的增强手指静脉图像Ik(x,y)可以通过将预处理后的手指静脉图像I(x,y)与第k通道的Gabor算子卷积得到,如式(2)所示。
其中,表示二维卷积。
2)对上述增强手指静脉图像进行二值化处理及冗余信息去除,得到手指静脉图像主体血管结构图像;
采用多阈值分割算法对上述增强手指静脉图像进行图像分割,获得二值化图像,然后根据血管连通性剔除二值化图像中小于5个像素点的浮点和极小血管段,由此获取稳定的手指静脉图像主体血管结构图像。
3)从上述手指静脉图像主体血管结构图像中提取出手指静脉血管网络骨架图像并按区域顺序进行标记;
采用Hilditch算法从上述手指静脉图像主体血管结构图像中提取出手指静脉血管网络骨架图像,然后计算出连通血管段总数并将血管段按照区域大小顺序进行标记。此顺序代表各段手指静脉血管网络骨架的主次级别,其将影响后续手指静脉血管网络修复的先后顺序。
4)从上述手指静脉血管网络骨架图像中提取出手指静脉血管网络修复的源点;
利用如图4所示的血管特征点提取模板获得手指静脉血管网络修复的源点。以图4(a)所示的特征点模板中p为当前待判断的像素点,周围p1~p8为其8邻域像素点,以图4(b)、(c)所示的端点及二分叉点模板逐一遍历手指静脉血管网络骨架图像中的每个像素点p,若其8邻域像素点分布情况与模板一致,则判定为端点或二分叉点,并将得到的端点和二分叉点作为后续手指静脉血管网络修复的源点。
(a)为特征点模板;(b)为端点模板;(c)为二分叉点模板。
5)按照步骤3)中标记的顺序,根据步骤4)中提取出的手指静脉血管网络修复的源点修复手指静脉血管网络骨架图像;
按照步骤3)中标记的顺序,根据最小路径原则依次将各血管段进行连接关系判断并修复,然后根据步骤4)中提取出的手指静脉血管网络修复的源点,设定修复搜索区域阈值为wn,在此源点的(wn+1)×(wn+1)邻域内进行修复目标血管点搜索并连接,即搜索距离最小的特征点并连接而形成完整血管段。
6)以手指静脉血管网络骨架图像的修复结果作为血管网络管径信息修复的基准,利用Gabor增强方向图作为血管网络管径信息修复的约束条件对血管网络管径进行修复,获得二值化的包含管径信息的手指静脉血管修复图像;
以上述手指静脉血管网络骨架图像的修复结果作为血管网络管径信息修复的基准,利用如图3所示的Gabor增强方向图作为血管网络管径信息修复的约束条件,遍历手指静脉血管网络骨架图像上每一基准骨架点的5×5邻域,搜索与当前基准骨架点具有相同方向值的点并标记为血管点,然后利用形态学操作去除血管网络管径修复后残余斑块,填补血管区域内微小孔洞,由此完成手指静脉血管网络管径信息的修复,最终获得二值化的手指静脉血管修复图像。图5和图6分别为数据库中随机挑选的3个样本的手指静脉血管网络管径信息修复结果。
7)将待测试手指静脉的手指静脉血管修复图像与手指静脉数据库中的二值图进行匹配,获得两张图像的相似度,并根据相似度判断两张图像是否相似;
设R(x,y)和T(x,y)分别表示注册在手指静脉数据库中的二值图和待测试手指静脉的手指静脉血管修复图像,尺寸均为m×n;首先,将注册在手指静脉数据库中的二值图R(x,y)左右各平移k个像素点得到平移图像G(x,y),如式(3)所示;然后,计算平移图像G(x,y)与待测试手指静脉的手指静脉血管修复图像T(x,y)的静脉像素不重合率,选取静脉像素不重合率的最小值作为两张图像的相似度;注册在手指静脉数据库中的二值图R(x,y)和待测试手指静脉的手指静脉血管修复图像T(x,y)的静脉像素不重合率可以根据式(4)计算得到:
其中,
然后,通过求解系统的最佳相似度阈值来判定两张图像是否相似;在相似度阈值区间0-1当中,选择使得系统取得最小等误率时所对应的相似度阈值作为此系统的最佳相似度阈值ψ,当两图像相似度大于最佳相似度阈值ψ时判定为相似,否则不相似。
本发明是利用手指静脉图像采集设备采集的原始手指静脉图像进行实验分析,从手指静脉数据库中随机选取100类,每一类包含10张图像,共1000张原始手指静脉图像作为样本。其中,原始手指静脉图像的位深度为8,图像大小为91×200。实验环境为PC机,MATLABR2014a环境下完成。
由于本发明方法中的修改搜索区域阈值wn以及手指静脉血管网络修复的源点的选择都对手指静脉血管网络修复结果有一定的影响,并进一步影响手指静脉识别的性能,本发明人利用ROC评价标准和识别等错误率(简称EER),分别对手指静脉血管网络复原前后及参数变化对识别结果的影响进行了对比分析。
利用不同的修复搜索区域阈值wn作为实验测试值,分别对原始手指静脉图像进行血管网络复原,并与未修复的二值化图像进行手指静脉识别性能对比,ROC识别性能曲线如图6所示。表1给出了修复搜索区域阈值wn取不同值时得到的识别等错误率EER。可以看出,利用本发明方法有利于降低手指静脉识别的等错误率。同时,随着修复搜索区域阈值wn取值的变化,对手指静脉识别性能有一定的影响。
表1在不同修复搜索区域阈值下的等错误率
(仅用端点作为血管网络骨架修复的源点)
以上实验都是仅以血管端点作为血管网络骨架修复的源点,并不包含二分叉点。为考察二分叉点在修复中的作用,下面将包括二分叉点在内的所有特征点作为血管网络修复的源点进行对比实验,结果如图7和表2所示。可以看出,引入二分叉点作为手指静脉血管网络修复的源点后,结合修复搜索区域阈值wn的调整可以进一步降低手指静脉识别的等错误率EER。实验中发现,修复搜索区域阈值wn为30时,手指静脉识别等错误率可以降低到0.0507,与未经过血管网络骨架复原直接进行手指静脉识别的结果相比,EER降低了近0.03个百分点。
表2手指静脉血管网络修复的源点为端点和二分叉点的等错误率
Claims (8)
1.一种基于手指静脉图像的血管网络修复方法,其特征在于:所述的基于手指静脉图像的血管网络修复方法包括按顺序进行的下列步骤:
1)对采集的原始手指静脉图像进行预处理及增强,得到增强手指静脉图像;
2)对上述增强手指静脉图像进行二值化处理及冗余信息去除,得到手指静脉图像主体血管结构图像;
3)从上述手指静脉图像主体血管结构图像中提取出手指静脉血管网络骨架图像并按区域顺序进行标记;
4)从上述手指静脉血管网络骨架图像中提取出手指静脉血管网络修复的源点;
5)按照步骤3)中标记的顺序,根据步骤4)中提取出的手指静脉血管网络修复的源点修复手指静脉血管网络骨架图像;
6)以手指静脉血管网络骨架图像的修复结果作为血管网络管径信息修复的基准,利用Gabor增强方向图作为血管网络管径信息修复的约束条件对血管网络管径进行修复,获得二值化的包含管径信息的手指静脉血管修复图像;
7)将待测试手指静脉的手指静脉血管修复图像与手指静脉数据库中的二值图进行匹配,获得两张图像的相似度,并根据相似度判断两张图像是否相似。
2.根据权利要求1所述的基于手指静脉图像的血管网络修复方法,其特征在于:在步骤1)中,所述的对采集的原始手指静脉图像进行预处理及增强,得到增强手指静脉图像的方法是:
首先对采集的原始手指静脉图像进行包括背景消除、直方图均衡、中值滤波、归一化在内的预处理,得到预处理后的手指静脉图像I(x,y);利用手指静脉具有的方向性特征,采用Gabor增强方法对上述预处理后的手指静脉图像I(x,y)进行3尺度8方向的图像增强,同时得到手指静脉图像的Gabor增强方向图,图像增强时采用的偶对称Gabor滤波器的表达式如式(1)所示:
其中,
k(=1,2,…,n)为通道编号,θk(=(kπ/n)和fk分别表示第k通道的方向和目标频率;第k通道的增强手指静脉图像Ik(x,y)通过将预处理后的手指静脉图像I(x,y)与第k通道的Gabor算子卷积得到,如式(2)所示:
其中,表示二维卷积。
3.根据权利要求1所述的基于手指静脉图像的血管网络修复方法,其特征在于:在步骤2)中,所述的对上述增强手指静脉图像进行二值化处理及冗余信息去除,得到手指静脉图像主体血管结构图像的方法是:
采用多阈值分割算法对上述增强手指静脉图像进行图像分割,获得二值化图像,然后根据血管连通性剔除二值化图像中小于5个像素点的浮点和极小血管段,由此获取手指静脉图像主体血管结构图像。
4.根据权利要求1所述的基于手指静脉图像的血管网络修复方法,其特征在于:在步骤3)中,所述的从上述手指静脉图像主体血管结构图像中提取出手指静脉血管网络骨架图像并按区域顺序进行标记的方法是:
采用Hilditch算法从上述手指静脉图像主体血管结构图像中提取出手指静脉血管网络骨架图像,然后计算出连通血管段总数并将血管段按照区域大小顺序进行标记。
5.根据权利要求1所述的基于手指静脉图像的血管网络修复方法,其特征在于:在步骤4)中,所述的从上述手指静脉血管网络骨架图像中提取出手指静脉血管网络修复的源点的方法是:
以特征点模板中p为当前待判断的像素点,周围p1~p8为其8邻域像素点,以端点及二分叉点模板逐一遍历手指静脉血管网络骨架图像中的每个像素点p,若其8邻域像素点分布情况与模板一致,则判定为端点或二分叉点,并将得到的端点和二分叉点作为后续手指静脉血管网络修复的源点。
6.根据权利要求1所述的基于手指静脉图像的血管网络修复方法,其特征在于:在步骤5)中,所述的按照步骤3)中标记的顺序,根据步骤4)中提取出的手指静脉血管网络修复的源点修复手指静脉血管网络骨架图像的方法是:
按照步骤3)中标记的顺序,根据最小路径原则依次将各血管段进行连接关系判断并修复,然后根据步骤4)中提取出的手指静脉血管网络修复的源点,设定修复搜索区域阈值为wn,在此源点的(wn+1)×(wn+1)邻域内进行修复目标血管点搜索并连接,即搜索距离最小的特征点并连接而形成完整血管段。
7.根据权利要求1所述的基于手指静脉图像的血管网络修复方法,其特征在于:在步骤6)中,所述的以手指静脉血管网络骨架图像的修复结果作为血管网络管径信息修复的基准,利用Gabor增强方向图作为血管网络管径信息修复的约束条件对血管网络管径进行修复,获得二值化的包含管径信息的手指静脉血管修复图像的方法是:
以上述手指静脉血管网络骨架图像的修复结果作为血管网络管径信息修复的基准,利用Gabor增强方向图作为血管网络管径信息修复的约束条件,遍历手指静脉血管网络骨架图像上每一基准骨架点的5×5邻域,搜索与当前基准骨架点具有相同方向值的点并标记为血管点,然后利用形态学操作去除血管网络管径修复后残余斑块,填补血管区域内微小孔洞,由此完成手指静脉血管网络管径信息的修复,最终获得二值化的手指静脉血管修复图像。
8.根据权利要求1所述的基于手指静脉图像的血管网络修复方法,其特征在于:在步骤7)中,所述的将待测试手指静脉的手指静脉血管修复图像与手指静脉数据库中的二值图进行匹配,获得两张图像的相似度,并根据相似度判断两张图像是否相似方法是:
设R(x,y)和T(x,y)分别表示注册在手指静脉数据库中的二值图和待测试手指静脉的手指静脉血管修复图像,尺寸均为m×n;首先,将注册在手指静脉数据库中的二值图R(x,y)左右各平移k个像素点得到平移图像G(x,y),如式(3)所示;然后,计算平移图像G(x,y)与待测试手指静脉的手指静脉血管修复图像T(x,y)的静脉像素不重合率,选取静脉像素不重合率的最小值作为两张图像的相似度;注册在手指静脉数据库中的二值图R(x,y)和待测试手指静脉的手指静脉血管修复图像T(x,y)的静脉像素不重合率根据式(4)计算得到:
其中,
然后,通过求解系统的最佳相似度阈值来判定两张图像是否相似;在相似度阈值区间0-1当中,选择使得系统取得最小等误率时所对应的相似度阈值作为此系统的最佳相似度阈值ψ,当两图像相似度大于最佳相似度阈值ψ时判定为相似,否则不相似。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365959.XA CN109522842B (zh) | 2018-11-16 | 2018-11-16 | 一种基于手指静脉图像的血管网络修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365959.XA CN109522842B (zh) | 2018-11-16 | 2018-11-16 | 一种基于手指静脉图像的血管网络修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522842A true CN109522842A (zh) | 2019-03-26 |
CN109522842B CN109522842B (zh) | 2023-01-17 |
Family
ID=65778293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811365959.XA Active CN109522842B (zh) | 2018-11-16 | 2018-11-16 | 一种基于手指静脉图像的血管网络修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522842B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197495A (zh) * | 2019-05-30 | 2019-09-03 | 数坤(北京)网络科技有限公司 | 血管提取的调整方法及装置 |
CN110288572A (zh) * | 2019-06-13 | 2019-09-27 | 北京理工大学 | 血管中心线自动提取方法及装置 |
CN110443128A (zh) * | 2019-06-28 | 2019-11-12 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
CN111383191A (zh) * | 2019-12-11 | 2020-07-07 | 北京深睿博联科技有限责任公司 | 用于血管断裂修复的图像处理方法及装置 |
CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
CN113822897A (zh) * | 2021-11-22 | 2021-12-21 | 武汉楚精灵医疗科技有限公司 | 血管分割方法、终端及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956579A (zh) * | 2016-05-27 | 2016-09-21 | 国创科视科技股份有限公司 | 融合模糊模板和点特征的手指静脉快速识别方法 |
CN107862282A (zh) * | 2017-11-07 | 2018-03-30 | 深圳市金城保密技术有限公司 | 一种手指静脉识别与安全认证方法及其终端及系统 |
CN108520211A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于手指折痕的手指静脉图像特征的提取方法 |
CN108596126A (zh) * | 2018-04-28 | 2018-09-28 | 中国民航大学 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
CN108805023A (zh) * | 2018-04-28 | 2018-11-13 | 平安科技(深圳)有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
-
2018
- 2018-11-16 CN CN201811365959.XA patent/CN109522842B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956579A (zh) * | 2016-05-27 | 2016-09-21 | 国创科视科技股份有限公司 | 融合模糊模板和点特征的手指静脉快速识别方法 |
CN107862282A (zh) * | 2017-11-07 | 2018-03-30 | 深圳市金城保密技术有限公司 | 一种手指静脉识别与安全认证方法及其终端及系统 |
CN108520211A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于手指折痕的手指静脉图像特征的提取方法 |
CN108596126A (zh) * | 2018-04-28 | 2018-09-28 | 中国民航大学 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
CN108805023A (zh) * | 2018-04-28 | 2018-11-13 | 平安科技(深圳)有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (8)
Title |
---|
DAN LI等: "Finger-Vein Image Inpainting Based on an Encoder-Decoder Generative Network", 《CHINESE CONFERENCE ON PATTERN RECOGNITION AND COMPUTER VISION》 * |
JINFENG YANG等: "Finger-vein image matching based on adaptive curve transformation", 《PATTERN RECOGNITION》 * |
JINFENG YANG等: "Multi-Channel Gabor Filter Design for Finger-vein Image Enhancement", 《2009 FIFTH INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 * |
刘洋等: "基于稀疏分解的指静脉图像去噪", 《信号处理》 * |
刘通等: "手指静脉结构的B样条描述方法", 《国防科技大学学报》 * |
卢中宁等: "手指多模态Gabor编码特征局部融合方法研究", 《信号处理》 * |
吕永钢等: "血管网分形研究进展", 《化工学报》 * |
贾桂敏等: "指静脉红外图像特征不变性编码新方法", 《红外与激光工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197495A (zh) * | 2019-05-30 | 2019-09-03 | 数坤(北京)网络科技有限公司 | 血管提取的调整方法及装置 |
CN110197495B (zh) * | 2019-05-30 | 2021-03-09 | 数坤(北京)网络科技有限公司 | 血管提取的调整方法及装置 |
CN110288572A (zh) * | 2019-06-13 | 2019-09-27 | 北京理工大学 | 血管中心线自动提取方法及装置 |
CN110443128A (zh) * | 2019-06-28 | 2019-11-12 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
CN110443128B (zh) * | 2019-06-28 | 2022-12-27 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
CN111383191A (zh) * | 2019-12-11 | 2020-07-07 | 北京深睿博联科技有限责任公司 | 用于血管断裂修复的图像处理方法及装置 |
CN111383191B (zh) * | 2019-12-11 | 2024-03-08 | 北京深睿博联科技有限责任公司 | 用于血管断裂修复的图像处理方法及装置 |
CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
CN111932554B (zh) * | 2020-07-31 | 2024-03-22 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
CN113822897A (zh) * | 2021-11-22 | 2021-12-21 | 武汉楚精灵医疗科技有限公司 | 血管分割方法、终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109522842B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522842B (zh) | 一种基于手指静脉图像的血管网络修复方法 | |
WO2022063199A1 (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
Lajevardi et al. | Retina verification system based on biometric graph matching | |
CN111626146B (zh) | 一种基于模板匹配的合并单元格表格分割识别方法 | |
Joshi et al. | Latent fingerprint enhancement using generative adversarial networks | |
CN111598876B (zh) | 甲状腺结节自动识别模型构建方法、系统及设备 | |
CN1152340C (zh) | 基于知识的指纹图像增强方法 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
CN111583210B (zh) | 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 | |
Thalji et al. | Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding | |
CN109523484B (zh) | 一种基于分形特征的手指静脉血管网络修复方法 | |
Shen et al. | CNN-based high-resolution fingerprint image enhancement for pore detection and matching | |
Espinosa-Duro | Fingerprints thinning algorithm | |
CN112819834B (zh) | 基于人工智能的胃部病理图像的分类方法和装置 | |
Lim et al. | Enhancing fingerprint recognition using minutiae-based and image-based matching techniques | |
CN108230341A (zh) | 一种基于分层抠图算法的眼底图像血管分割方法 | |
CN110826384A (zh) | 增强虹膜识别精度的系统和方法 | |
CN111242168A (zh) | 一种基于多尺度注意力特征的人体皮肤图像病变分类方法 | |
Ahmed et al. | Minutiae based partial fingerprint registration and matching method | |
Kaur et al. | Finger print recognition using genetic algorithm and neural network | |
CN109559317A (zh) | 一种基于ct影像的肺结节分割方法 | |
CN115147303A (zh) | 一种基于掩膜引导的二维超声医学图像修复方法 | |
Walker et al. | Partial iris and recognition as a viable biometric scheme | |
CN110619273B (zh) | 一种高效的虹膜识别方法以及识别装置 | |
Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) |
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 |