CN110569815A - 基于改进灰度不均匀矫正的指静脉图像特征提取算法 - Google Patents

Abstract

针对低质量的指静脉图像，提出了基于改进灰度不均匀矫正的指静脉图像特征提取算法。该算法首先利用Gabor滤波调整图像整体亮度，再利用模糊C均值算法（Fuzzy C‑means Clustering,FCM）聚类算法找出图像特征与背景的模糊区域，接着利用特征与背景像素的本质差异对模糊区域进行逐像素处理，然后利用滤波估计图像偏场并去除，再以计算连通域面积的方式，找出并去除部分噪声，最后根据处理后图像中的像素布局信息，获取到原图中的特征信息。本算法实现了针对手指特征与背景模糊情况下的指静脉图像的灰度不均匀矫正，具有较强的鲁棒性。

Description

基于改进灰度不均匀矫正的指静脉图像特征提取算法

技术领域

本发明属于人体生物特征识别领域，具体涉及一种基于改进灰度不均匀矫正的指静脉图像特征提取算法。

背景技术

随着电子商务的飞速发展，身份识别的市场需求在持续增长，怎样高效精准的识别用户的身份信息是当今时代亟待解决的关键课题。与传统的身份识别技术相比，生物特征识别技术依靠它更稳定、更安全、更便利的优点获得了日渐广泛的认可与应用。生物特征识别的种类有很多，例如指纹、静脉、虹膜、人脸等，应用场景也多种多样，例如机场旅客身份核查、道路车辆人员信息检测、家庭门锁安保等。与其他种类的生物特征信息相比，静脉信息拥有其独有的优势：第一，静脉信息只在血液流通的情况下才能采集，而且静脉血管位于皮下组织内部，几乎不可能被损坏、伪造、盗用，具有安全性；第二，每个人的静脉信息都是唯一的，尤其在成年以后，静脉信息便不会再发生变化，具有唯一性；第三，静脉采集设备成本较低，采集步骤相对方便容易，具有经济性。因此，静脉识别技术具有相当广阔的应用前景。

静脉识别技术就是从人体某个部位的静脉图像中提取该部位的静脉特征信息，将提取到的静脉特征与已知身份信息的其他静脉特征对比，最后根据对比结果来对个体身份做出判别验证。目前研究较多的是手指静脉识别与手掌静脉识别。指静脉识别系统包括两种模式：注册模式和识别模式。在注册模式下，首先利用近红外设备拍摄待注册对象手指的静脉图像，接着对指静脉图像进行一系列预处理、特征提取，最终将提取到的指静脉特征存入特征库，即可完成对象的指静脉信息注册。在识别模式下，首先采集待识别对象的手指静脉图像，和注册模式一样对指静脉图像进行预处理、特征提取等操作，最后将获得的静脉特征与静脉特征库中的特征信息进行匹配，从而得到最终的匹配结果。

无论是注册模式还是识别模式都需要预处理和特征提取过程，丰富的手指静脉图像特征信息有助于区分不同手指的手指。而低质量的手指静脉图像会出现含噪高、对比度低、组织内部灰度不均匀、手指特征与图像背景之间边界模糊、细微结构分布复杂等特点，不利于后续图像特征信息的提取。为了在图像的特征提取过程中得到更多的静脉图像特征信息，一个重要工作就是在提取特征之前对手指静脉图像进行预处理，预处理的方式有很多，常见的有滤波、去噪、增强、细化等，灰度不均匀矫正也是预处理阶段重要的手段之一，对后续的特征提取起着至关重要的作用。

灰度不均匀矫正实质上是利用某种算法将图像上特征信息的像素点与背景像素点区分开。对于优质的静脉图片来说，图像中手指特征与背景对比度明显，所以用传统的灰度不均匀矫正算法即可实现矫正，但是大多情况下，由于采集设备的曝光、采集环境的光照不均匀问题，通常会出现含噪高、对比度低、组织内部灰度不均匀、手指特征与背景之间边界模糊、细微结构分布复杂等特点的低质量静脉图片，对于这类图片，仅用传统的灰度矫正方法并不能有效改善图像的灰度不均匀性，如果不解决这类问题就采用特征提取方法提取特征，将会严重影响提取到的特征信息的质量，也会降低后续识别算法的识别效果。传统灰度不均匀算法主要应用于医学图像领域，最常用的灰度不均匀矫正算法大体可以分为4类：基于滤波的方法、基于曲面拟合的方法、基于直方图的方法和基于分割的方法。将传统灰度不均匀矫正方法应用到低质量的指静脉图像中效果并不明显，而且传统方法也存在复杂耗时、矫正效果不明显和噪声较多等缺点。因此，本发明提出了一种针对低质量指静脉图像的灰度不均匀矫正方法，该方法能够较好地提取出指静脉图像的特征信息，既有优于传统灰度不均匀矫正算法的效果，也适用于质量不好的指静脉图像，更对指静脉识别过程中的特征提取与特征匹配起到了较好的辅助作用。

发明内容

本发明所要解决的技术问题是如何在低质量的指静脉图像上矫正背景与特征之间的不均匀信号。本发明针对低质量的指静脉图像，提出了一种改进的灰度不均匀矫正算法。该算法首先利用Gabor滤波调整图像整体亮度，再利用模糊C均值算法(Fuzzy C-meansClustering,FCM)聚类算法找出图像特征与背景的模糊区域，接着利用特征与背景像素的本质差异对模糊区域进行逐像素处理，然后利用滤波估计图像偏场并去除，再以计算连通域面积的方式，找出并去除部分噪声，最后根据处理后图像中的像素布局信息，获取到原图中的特征信息。本算法实现了针对手指特征与背景模糊情况下的指静脉图像的灰度不均匀矫正，具有较强的鲁棒性。

基于改进灰度不均匀矫正的指静脉图像特征提取算法，包括以下步骤：

步骤1：输入指静脉图像，利用Gabor滤波调整图像整体亮度；

步骤2：根据指静脉图像中特征与背景像素点灰度值的本质差异，利用模糊C均值算法，将指静脉图像划分为3个部分：背景集中区域、模糊区域、特征集中区域；

步骤3：以计算均值的方式估计模糊区域中背景像素的像素值，对整个模糊集中区域进行逐像素处理，扩大背景像素与特征像素之间的灰度差异；

步骤4：采用基于滤波的灰度不均匀矫正方法对图像进行处理，此时不考虑噪声的干扰，利用低通滤波估计图像偏场后，基于典型图像结构模型去除图像偏场；

步骤5：二值化步骤4得到的图像，计算图像中各个连通域的面积，经过上述处理后，图像背景和不均匀信息已经不存在大面积的分布，所以设定阈值将小于阈值的区域全部去除，就能得到图像中大部分特征的布局信息；

步骤6：根据指静脉图像的特征信息分布，定位到原图获得原图中对应位置的像素信息，完成指静脉图像的灰度不均匀矫正。

进一步地，所述步骤2中，具体的，利用模糊C均值算法将步骤1经过滤波处理得到的图像矩阵Q中的点按灰度值大小划分为三类区域，记为：Q₁、Q₂、Q₃；分别计算这3类区域内像素点的灰度均值，记为：I₁、I₂、I₃；

I_s＝∑Q_s(i,j)/n_s,s∈{1,2,3} ⑴

其中，i∈{1,2,3…m},j∈{1,2,3…n}，Q_s(i,j)代表矩阵Q中记为Q_s的区域内，坐标为(i,j)的像素点的灰度值，n_s表示的是Q_s区域内像素点的总个数；

将I₁、I₂、I₃中的最大值记为I_max，最小值记为I_min，中间值记为I_mid，均值对应的区域也被重新记为Q_max、Q_min、Q_mid。

进一步地，将Q_max看作背景密集区域、Q_min看作手指特征密集区域、Q_mid看作模糊区域。

进一步地，所述步骤3中，以步骤2中得到的I_mid为阈值，对Q矩阵中的Q_mid区域做逐像素处理：

其中，i∈{1,2,3…m},j∈{1,2,3…n}，Q_mid(i,j)代表Q_mid区域中坐标为(i,j)的像素点的灰度值。

进一步地，所述步骤4中，图像矩阵Q经过上述处理后得到Q’，然后基于典型的图像结构模型来去除图像Q’的不均匀信号，即图像偏场；

Q’(i,j)＝O(i,j)*b(i,j)+t(i,j) ⑶

其中，i∈{1,2,3…m}，j∈{1,2,3…n}，O矩阵代表图像中真实的特征信息，b矩阵代表图像的偏场，t表示图像噪声信息，从而得到：

利用高斯滤波来估计图像偏场：

此处，是卷积操作，高斯滤波器的尺寸设定为40×40，标准方差σ为6，这时先依据典型的图像结构模型除去图像偏场，进一步得到图像矩阵P。

进一步地，所述步骤5中，首先二值化步骤4得到的图像矩阵P，再以计算矩阵中连通域的面积，将面积小于20的连通域全部去除，即可得到只在指静脉图像特征位置值为1，其余位置都为0的矩阵，记为P’。

进一步地，所述步骤6中，遍历步骤5获得的P’矩阵中的每个元素，找出其中不为0元素的坐标，将图像矩阵Q中相应坐标处的灰度值存入X矩阵的相同位置，最终获得只包含图像特征信息的矩阵X；X中只在图像特征位置具有灰度值信息，其余位置均为0：

此时，获得的X矩阵即为要提取的指静脉图像的特征信息。

本发明达到的有益效果为：

(1)传统灰度不均匀矫正算法对低质量的指静脉图像效果不显著，且复杂耗时、破坏特征信息。本发明结合指静脉图像特点对传统灰度不均匀矫正算法进行了改进，利用FCM聚类方法找到图像中手指特征与背景模糊的集中区域，并对这部分区域进一步处理后再进行滤波矫正，减弱了传统矫正方法的不足，提高了灰度不均匀矫正的效果，对指静脉识别过程中的静脉细节特征提取与特征匹配步骤大有裨益。

(2)相比于保留局部信息或者细节点信息，保留整体信息更能体现图像本身信息，经本发明的方法矫正后，获取的指静脉图像特征信息中不仅包含手指的静脉信息，还包含手指的其他特征，比如粗细、长度、部分稳定的褶皱。保留更多的指静脉图像特征信息，能够进一步提升该手指静脉图像的辨识度，对后续的静脉细节特征提取与特征匹配步骤也有一定的帮助。

(3)只对模糊集中区域采用了逐像素的处理方法，减小了传统算法的复杂性缩短了灰度不均匀矫正的处理时间。针对性处理，降低了传统矫正算法对图像中有用信息的损耗，也考虑到了噪声的影响做了有效的去噪处理。处理结束后并没有直接使用处理后的像素灰度信息，而是仅依据矫正后获得特征信息的坐标布局从原图提取到了更加真实的图像灰度值，使得图像上的特征信息更加可靠。

附图说明

图1为本发明所述算法的步骤流程图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

基于改进灰度不均匀矫正的指静脉图像特征提取算法，包括以下步骤：

步骤1：输入指静脉图像，利用Gabor滤波调整图像整体亮度。

步骤2：根据指静脉图像中特征与背景像素点灰度值的本质差异，利用模糊C均值算法，将指静脉图像划分为3个部分：背景集中区域、模糊区域、特征集中区域。

步骤2中，具体的，利用模糊C均值算法将步骤1经过滤波处理得到的图像矩阵Q中的点按灰度值大小划分为三类区域，记为：Q₁、Q₂、Q₃；分别计算这3类区域内像素点的灰度均值，记为：I₁、I₂、I₃。

I_s＝∑Q_s(i,j)/n_s,s∈{1,2,3} ⑴

其中，i∈{1,2,3…m},j∈{1,2,3…n}，Q_s(i,j)代表矩阵Q中记为Q_s的区域内，坐标为(i,j)的像素点的灰度值，n_s表示的是Q_s区域内像素点的总个数。

将I₁、I₂、I₃中的最大值记为I_max，最小值记为I_min，中间值记为I_mid，均值对应的区域也被重新记为Q_max、Q_min、Q_mid。

将Q_max看作背景密集区域、Q_min看作手指特征密集区域、Q_mid看作模糊区域。

步骤3：以计算均值的方式估计模糊区域中背景像素的像素值，对整个模糊集中区域进行逐像素处理，扩大背景像素与特征像素之间的灰度差异。

步骤3中，以步骤2中得到的I_mid为阈值，对Q矩阵中的Q_mid区域做逐像素处理：

其中，i∈{1,2,3…m},j∈{1,2,3…n}，Q_mid(i,j)代表Q_mid区域中坐标为(i,j)的像素点的灰度值。

步骤4：采用基于滤波的灰度不均匀矫正方法对图像进行处理，此时不考虑噪声的干扰，利用低通滤波估计图像偏场后，基于典型图像结构模型去除图像偏场。

步骤4中，图像矩阵Q经过上述处理后得到Q’，然后基于典型的图像结构模型来去除图像Q’的不均匀信号，即图像偏场。

Q’(i,j)＝O(i,j)*b(i,j)+t(i,j) ⑶

其中，i∈{1,2,3…m}，j∈{1,2,3…n}，O矩阵代表图像中真实的特征信息，b矩阵代表图像的偏场，t表示图像噪声信息，从而得到：

利用高斯滤波来估计图像偏场：

此处，是卷积操作，高斯滤波器的尺寸设定为40×40，标准方差σ为6，这时先依据典型的图像结构模型除去图像偏场，进一步得到图像矩阵P。

步骤5：二值化步骤4得到的图像，计算图像中各个连通域的面积，经过上述处理后，图像背景和不均匀信息已经不存在大面积的分布，所以设定阈值将小于阈值的区域全部去除，就能得到图像中大部分特征的布局信息。

步骤5中，首先二值化步骤4得到的图像矩阵P，再以计算矩阵中连通域的面积，将面积小于20的连通域全部去除，即可得到只在指静脉图像特征位置值为1，其余位置都为0的矩阵，记为P’。

步骤6：根据指静脉图像的特征信息分布，定位到原图获得原图中对应位置的像素信息，完成指静脉图像的灰度不均匀矫正。

步骤6中，遍历步骤5获得的P’矩阵中的每个元素，找出其中不为0元素的坐标，将图像矩阵Q中相应坐标处的灰度值存入X矩阵的相同位置，最终获得只包含图像特征信息的矩阵X；X中只在图像特征位置具有灰度值信息，其余位置均为0：

此时，获得的X矩阵即为要提取的指静脉图像的特征信息。

传统灰度不均匀矫正算法对低质量的指静脉图像效果不显著，且复杂耗时、破坏特征信息。本发明结合指静脉图像特点对传统灰度不均匀矫正算法进行了改进，利用FCM聚类方法找到图像中手指特征与背景模糊的集中区域，并对这部分区域进一步处理后再进行滤波矫正，减弱了传统矫正方法的不足，提高了灰度不均匀矫正的效果，对指静脉识别过程中的静脉细节特征提取与特征匹配步骤大有裨益。

相比于保留局部信息或者细节点信息，保留整体信息更能体现图像本身信息，经本发明的方法矫正后，获取的指静脉图像特征信息中不仅包含手指的静脉信息，还包含手指的其他特征，比如粗细、长度、部分稳定的褶皱。保留更多的指静脉图像特征信息，能够进一步提升该手指静脉图像的辨识度，对后续的静脉细节特征提取与特征匹配步骤也有一定的帮助。

本发明只对模糊集中区域采用了逐像素的处理方法，减小了传统算法的复杂性缩短了灰度不均匀矫正的处理时间。针对性处理，降低了传统矫正算法对图像中有用信息的损耗，也考虑到了噪声的影响做了有效的去噪处理。处理结束后并没有直接使用处理后的像素灰度信息，而是仅依据矫正后获得特征信息的坐标布局从原图提取到了更加真实的图像灰度值，使得图像上的特征信息更加可靠。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (7)

1.基于改进灰度不均匀矫正的指静脉图像特征提取算法，其特征在于：所述提取算法包括以下步骤：

步骤1：输入指静脉图像，利用Gabor滤波调整图像整体亮度；

步骤2：根据指静脉图像中特征与背景像素点灰度值的本质差异，利用模糊C均值算法，将指静脉图像划分为3个部分：背景集中区域、模糊区域、特征集中区域；

步骤3：以计算均值的方式估计模糊区域中背景像素的像素值，对整个模糊集中区域进行逐像素处理，扩大背景像素与特征像素之间的灰度差异；

步骤4：采用基于滤波的灰度不均匀矫正方法对图像进行处理，此时不考虑噪声的干扰，利用低通滤波估计图像偏场后，基于典型图像结构模型去除图像偏场；

步骤5：二值化步骤4得到的图像，计算图像中各个连通域的面积，经过上述处理后，图像背景和不均匀信息已经不存在大面积的分布，所以设定阈值将小于阈值的区域全部去除，就能得到图像中大部分特征的布局信息；

步骤6：根据指静脉图像的特征信息分布，定位到原图获得原图中对应位置的像素信息，完成指静脉图像的灰度不均匀矫正。

2.根据权利要求1所述的基于改进灰度不均匀矫正的指静脉图像特征提取算法，其特征在于：所述步骤2中，具体的，利用模糊C均值算法将步骤1经过滤波处理得到的图像矩阵Q中的点按灰度值大小划分为三类区域，记为：Q₁、Q₂、Q₃；分别计算这3类区域内像素点的灰度均值，记为：I₁、I₂、I₃；

I_s＝∑Q_s(i,j)/n_s,s∈{1,2,3} ⑴

其中，i∈{1,2,3…m},j∈{1,2,3…n}，Q_s(i,j)代表矩阵Q中记为Q_s的区域内，坐标为(i,j)的像素点的灰度值，n_s表示的是Q_s区域内像素点的总个数；

将I₁、I₂、I₃中的最大值记为I_max，最小值记为I_min，中间值记为I_mid，均值对应的区域也被重新记为Q_max、Q_min、Q_mid。

3.根据权利要求2所述的基于改进灰度不均匀矫正的指静脉图像特征提取算法，其特征在于：将Q_max看作背景密集区域、Q_min看作手指特征密集区域、Q_mid看作模糊区域。

4.根据权利要求1所述的基于改进灰度不均匀矫正的指静脉图像特征提取算法，其特征在于：所述步骤3中，以步骤2中得到的I_mid为阈值，对Q矩阵中的Q_mid区域做逐像素处理：

其中，i∈{1,2,3…m},j∈{1,2,3…n}，Q_mid(i,j)代表Q_mid区域中坐标为(i,j)的像素点的灰度值。

5.根据权利要求1所述的基于改进灰度不均匀矫正的指静脉图像特征提取算法，其特征在于：所述步骤4中，图像矩阵Q经过上述处理后得到Q’，然后基于典型的图像结构模型来去除图像Q’的不均匀信号，即图像偏场；

Q’(i,j)＝O(i,j)*b(i,j)+t(i,j) ⑶

其中，i∈{1,2,3…m}，j∈{1,2,3…n}，O矩阵代表图像中真实的特征信息，b矩阵代表图像的偏场，t表示图像噪声信息，从而得到：

利用高斯滤波来估计图像偏场：

b(i,j)≈G(i,j,σ)⊕Q’(i,j)⑸

此处，⊕是卷积操作，高斯滤波器的尺寸设定为40×40，标准方差σ为6，这时先依据典型的图像结构模型除去图像偏场，进一步得到图像矩阵P。

6.根据权利要求1所述的基于改进灰度不均匀矫正的指静脉图像特征提取算法，其特征在于：所述步骤5中，首先二值化步骤4得到的图像矩阵P，再以计算矩阵中连通域的面积，将面积小于20的连通域全部去除，即可得到只在指静脉图像特征位置值为1，其余位置都为0的矩阵，记为P’。

7.根据权利要求1所述的基于改进灰度不均匀矫正的指静脉图像特征提取算法，其特征在于：所述步骤6中，遍历步骤5获得的P’矩阵中的每个元素，找出其中不为0元素的坐标，将图像矩阵Q中相应坐标处的灰度值存入X矩阵的相同位置，最终获得只包含图像特征信息的矩阵X；X中只在图像特征位置具有灰度值信息，其余位置均为0：

此时，获得的X矩阵即为要提取的指静脉图像的特征信息。