CN110415225A - 一种基于多信息融合的手指静脉图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于多信息融合的手指静脉图像质量评价方法，涉及指纹识别领域，解决了手指静脉图像采集过程中因手指放置位置或按压力度不当等问题引起的图像模糊及过亮导致图像不可用的问题。该方法包括步骤：步骤1、输入用于训练的质量正常和质量异常图像，规划亮度和模糊感兴趣区域(Region of Interest,RoI)，计算亮度RoI全局均值、模糊RoI局部二维熵和平滑前后局部标准差变化量三个特征，融合后得到质量评价特征矩阵；步骤2、将质量评价特征矩阵输入到支持向量机中，训练分类器；步骤3、输入待评价图像，根据步骤1提取融合特征；步骤4、将融合特征输入到分类器中进行匹配，得到质量评价结果并输出。本方法对质量异常图像识别的正确率高且实用性强。

Description

一种基于多信息融合的手指静脉图像质量评价方法

技术领域

本发明涉及生物特征身份识别技术领域，具体涉及一种基于多信息融合的手指静脉图像质量评价方法。

背景技术

手指静脉识别技术利用静脉中的氧化红血素可吸收700nm～1000nm特殊波长的红外线原理，利用近红外造影成像，得到具有活体性、内部性、无接触性的手指静脉图像，防欺诈性强，安全性高。然而，在采集图像时，偶尔会采集到清晰度低或过亮的图像导致血管纹路信息缺失，图像无法使用。其中影响最大的两个因素是手指放置位置不当和手指按压力度不当。手指放置位置不当，是指手指未完全放入采集区域，导致只采集到部分含有手指的图像，未放入手指的区域光线过亮，导致造影图像部分过亮、漏光。在采集图像时，手指应轻放入采集区域，若用力较大，会使血管变细，吸收红外光变少，导致成像较亮、纹路模糊甚至消失。

手指静脉图像质量评价的目的是筛除质量不好的图像，留下更加清晰、特征明确的图像。图像质量评价方法是指通过对图像特征进行描述，得到以上质量评价标准的定量描述。常用的图像质量评价方法分为无参考的评价方法和有参考的评价方法。无参考的评价方法是指在没有理想参考图像的情况下，仅依赖被评估图像本身的一些统计特征作为评价依据。常用的无参考评价方法有全局均值、标准差、平均梯度和熵等。全局均值反映图像的平均亮度，标准差反映图像灰度级的分布，平均梯度反映图像局部的细节和纹理变化，熵反映图像的平均信息量。

有参考的评价方法需要选取质量好的理想图像作为参考图像，常用于度量图像压缩过程中图像畸变程度以及信息量损失程度，主要包括平均绝对误差、峰值信噪比、均方误差、图像互信息、颜色描述子、边缘直方图以及结构相似性等方法。

综上所述，手指静脉图像质量评价过程中是没有具体参照物的，需提取质量异常图像的共性特征，属于无参考评价方法。无参考评价方法中常用特征均有其局限性，针对手指静脉图像质量评价正确率不高的问题，难以满足实际需求。因此对手指静脉图像质量评价方法进行深入研究，具有重要的意义。

发明内容

针对存在模糊和局部过亮问题的手指静脉图像质量评价问题，本发明提供一种基于多信息融合的手指静脉图像质量评价方法，该方法通过规划亮度RoI和模糊RoI，提取亮度RoI全局均值、模糊RoI局部二维熵和平滑前后局部标准差变化量三个特征，并结合支持向量机训练分类器，实现质量正常图像和质量异常图像的分类。该方法对模糊和局部过亮问题图像识别正确率高、适应性好且实用性强。

本发明的技术解决方案包括如下步骤：

步骤1、输入用于训练的质量正常和质量异常图像，规划亮度RoI和模糊RoI，计算亮度RoI全局均值、模糊RoI局部二维熵和平滑前后局部标准差变化量三个特征，融合后得到质量评价特征矩阵；

步骤2、将质量评价特征矩阵输入到支持向量机中，训练分类器；

步骤3、输入待评价图像，根据步骤1提取融合特征；

步骤4、将融合特征输入到类器中进行匹配，得到质量评价结果并输出。

步骤1输入图像后首先将图像尺寸归一化为60*120，可减少计算量并降低噪声干扰，然后规划亮度RoI和模糊RoI，并对RoI做分块处理，计算亮度RoI全局均值、模糊RoI局部二维熵和平滑前后局部标准差变化量三个特征，串联后得到质量评价特征矩阵。

步骤2将质量评价特征矩阵输入到支持向量机(Support Vector Machine,SVM)中，通过寻找数据分布的最优超平面来训练分类器。

步骤3输入待评价图像，通过步骤1区域规划和特征提取方法得到图像质量评价融合特征，待评价图像特征与训练集图像特征维数相等。

步骤4将待评价图像特征输入到SVM分类器中进行匹配，得到质量评价结果并输出。

本发明与现有技术相比，其显著优点是：1)本发明方法通过规划亮度RoI和模糊RoI，使提取的特征更具区分性的同时减少计算量；2)本发明方法融合亮度RoI全局均值、模糊RoI局部二维熵和平滑前后局部标准差变化量三个特征，提高了对手指静脉图像质量的分类正确率和适应性。

附图说明

图1为本发明的低质量异常图像和正常图像示例；

图2为本发明的基于多信息融合的手指静脉图像质量评价方法流程图；

图3为本发明的图像亮度RoI和模糊RoI规划示意图；

具体实施方式

下面结合附图及具体实施例对本发明方案作进一步说明。

基于基于多信息融合的手指静脉图像质量评价方法流程图如图2，包括输入图像、图像RoI区域规划、融合特征提取、训练SVM分类器、匹配并输出评价结果等五个模块。

具体步骤如下：

步骤1、输入有标签的质量正常图像和质量异常图像，用于提取多信息融合特征训练质量评价分类器。

步骤2、首先将图像尺寸归一化为60*120，然后规划亮度RoI和模糊RoI，并对RoI做分块处理，如附图3所示，图像均分为36块，白色虚线区域为亮度RoI，灰色粗实线区域为模糊RoI。

步骤3、计算亮度RoI全局均值、模糊RoI局部二维熵和平滑前后局部标准差变化量三个特征，具体方法为：(1)计算亮度RoI的全局均值，计算公式为：

式中R表示亮度RoI的尺寸，I(i,j)表示像素点(i,j)的灰度值；

计算模糊RoI的局部二维熵和平滑前后局部标准差变化量。局部二维熵将图像像素点灰度值与像素点邻域灰度全局均值融合组合成特征二元组，表达式为：

式中，M和N表示图像模糊RoI的尺寸，(i,j)为特征二元组的表示,f(i,j)表示其出现的次数，P(i,j)表示其出现的频率。

图像局部二维熵的计算公式为：

计算模糊RoI的平滑前后局部标准差变化量，首先采用高斯滤波模版对图像模糊区域进行平滑，高斯滤波模版为：

式中，(x,y)为像素点坐标，σ为高斯核的标准差，σ的大小决定了高斯核的宽度。

图像对比度的描述采用标准差，图像局部标准差的计算公式为：

式中，u为局部图像全局均值。

平滑前后局部标准差变化量定义为平滑前与平滑后的标准差之差。

三个特征串联融合后保存到特征数组g，再将特征数组g按行存入特征数据矩阵G中。

步骤4、将质量评价特征矩阵输入到SVM分类器中，通过寻找数据分布的最优超平面来训练手指静脉图像质量评价分类器；

步骤5、输入无标签的待评价图像，根据步骤2、3规划RoI并提取融合特征向量，将其输入SVM分类器中进行分类，得到评价结果并输出。

实验结果如表1所示。单幅图像提取全局均值(Mean)特征维数为8，提取局部二维熵(2-D Entropy,2-DE)和平滑标准差变化量(The Variable of Standard Deviationafter Smoothed,VSDS)维数均为16，三个特征共40维。评价指标为分类正确率(AccuracyRate,AR)、真阳性率(True Positive Rate,TPR)以及假阳性率(False Positive Rate,FPR)。由表1分析可知，单一特征中，全局均值的分类正确率最高，且FPR值最低，比其他两种单一特征效果更优。两融合特征中，2-DE+VSDS效果最差，而全局均值与另外两个特征融合的效果明显更好，且融合后的特征优于单一特征，证明了融合特征的有效性。本发明方法所提出的三个特征融合方法则在七种方法中效果更好，且假阳性率为0，表明没有把正常图像错分类为异常图像的情况。

表1各种手指静脉图像质量评价方法实验对比

Claims (4)

1.一种基于多信息融合的手指静脉图像质量评价方法，包括如下步骤：

步骤1、输入用于训练的质量正常和质量异常图像，规划亮度RoI和模糊RoI，计算亮度RoI全局均值、模糊RoI局部二维熵和平滑前后局部标准差变化量三个特征，融合后得到质量评价特征矩阵；

步骤2、将质量评价特征矩阵输入到支持向量机中，训练分类器；

步骤3、输入待评价图像，根据步骤1提取融合特征；

步骤4、将融合特征输入到SVM分类器中进行匹配，得到质量评价结果并输出。

2.根据权利要求1所述的基于多信息融合的手指静脉图像质量评价方法，其特征在于，步骤1通过计算图像平滑前后局部标准差变化量得到图像模糊特征，图像平滑采用高斯模糊函数，平滑前后局部标准差变化量定义为平滑前与平滑后的标准差之差。

3.根据权利要求1所述的基于多信息融合的手指静脉图像质量评价方法，其特征在于，规划亮度RoI和模糊RoI，使提取的特征更具区分性的同时减少计算量，规划亮度RoI和模糊RoI方法如下：

将图像均分为36块，白色虚线区域亮度变化特征明显，对于该部分分块计算全局均值，灰色粗实线区域包含图像的主体，对于该部分分块计算局部二维熵和平滑前后局部标准差变化量。

4.根据权利要求1所述的基于多信息融合的手指静脉图像质量评价方法，其特征在于，提取全局均值、局部二维熵、平滑前后局部标准差变化量三个特征后，进行串联融合，权重相同，得到的融合特征作为单幅图像质量评价特征。