CN110852291A - 一种采用Gabor变换和分块降维的腭皱识别方法 - Google Patents
一种采用Gabor变换和分块降维的腭皱识别方法 Download PDFInfo
- Publication number
- CN110852291A CN110852291A CN201911123991.1A CN201911123991A CN110852291A CN 110852291 A CN110852291 A CN 110852291A CN 201911123991 A CN201911123991 A CN 201911123991A CN 110852291 A CN110852291 A CN 110852291A
- Authority
- CN
- China
- Prior art keywords
- palate
- gabor
- image
- wrinkle
- ruffles
- 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
- 210000003254 palate Anatomy 0.000 title claims abstract description 140
- 230000037303 wrinkles Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000000903 blocking effect Effects 0.000 title claims abstract description 25
- 230000009467 reduction Effects 0.000 title claims abstract description 22
- 230000009466 transformation Effects 0.000 title claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 21
- 238000000638 solvent extraction Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 4
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000011514 reflex Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005549 size reduction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000011946 reduction process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 13
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000249 desinfective effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000001983 hard palate Anatomy 0.000 description 1
- 201000000615 hard palate cancer Diseases 0.000 description 1
- 210000004283 incisor Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000001595 mastoid Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于人体生物特征法医同一认定技术领域,具体技术方案为:一种采用Gabor变换和分块降维的腭皱识别方法,具体步骤为:获取腭皱数字图像;对采集到的高清腭皱图像进行预处理;选取合适的Gabor滤波器参数构建滤波模板;将预处理后的腭皱图像与Gabor滤波器模板进行卷积运算,构建由实部特征和虚部特征共同组成的腭皱Gabor特征图;采用四宫格、九宫格、十六宫格、横向八条、竖向八条五种不同的分块方案进行腭皱特征降维;采用最近邻分类器对腭皱特征进行分类,并输出腭皱分类结果;本方法提出的分块思想简化了降维的流程,在实际操作过程中,可以降低计算的复杂度,加快运算的速度。
Description
技术领域
本发明属于人体生物特征法医同一认定技术领域,具体涉及一种用于法医同一认定的采用Gabor变换和分块降维的腭皱识别方法。
背景技术
腭皱是位于人口腔硬腭前部,从切牙乳突向后由腭中缝向两侧延伸的黏膜隆起,以腭中缝为界,每侧3-7条,形状不规则,呈不对称的辐射状褶皱样。
腭皱作为一种人体生物特征,其形态由DNA遗传基因控制发育而形成。在人的一生中,腭皱只会因正常生长发育而发生长度和宽度的变化,其形态、排列始终保持在同一位置,即使疾病,外伤以及化学腐蚀都不会使其发生变化,腭皱具有遗传性、稳定性、独特性、耐高温性和抗腐败性,因此,腭皱可以作为一种法医同一认定的生物特征指标。
Gabor小波与人类视觉里的简单细胞非常相似,它的实部可以增强图像的平滑度,虚部对图像细节和边缘比较敏感。与其他方法相比较,Gabor小波能够很好地描述对应于空间频率(尺度)、空间位置及方向的局部结构信息。因为,Gabor小波在提取图像特征时,对光照变化不太敏感,适应能力较强,能够容忍一定程度的图像变形;采用较小的数据就能满足实际需求;二维Gabor滤波器能同时在空间域和频率域提取图像最优局部特性。
采用Gabor小波提取腭皱图像特征,必然面临一个棘手的问题:即经过Gabor特征提取后,每一个腭皱图像都会产生一个超高维的特征行向量,如果直接用这个特征向量进行特征匹配,会增加计算难度甚至导致维度灾难,最终降低识别率,致使匹配效果非常差。由此,数据降维成为一个必须解决的关键问题,进而问题转化为选取一种合理的方法对采用Gabor变换提取的特征图像进行降维,如果选用的方法不合适,会造成大量数据丢失。目前常用的方法有主成分分析法(Principal Component Analysis,PCA)。PCA降维的主要思想是,将特征从高维映射到低维空间上,得到的低维特征是全新的正交特征,它就是所谓的主成分,是重新构造出来的特征。在PCA中,采用正交变换的方法,把一组可能存在相关性的变量变成一组线性不相关的变量,就是为了消除变量之间的相关性及冗余性,然而这种方法也有明显的不足:(1)当高维数据呈现非线性结构时,PCA不能有效地发现数据的本质特征;(2)PCA要求原始数据满足高斯分布,对于不服从高斯分布的数据,PCA不能得到理想的结果;(3)PCA中需要保持主成分量的个数难以确定。虽然在某些情况下可以通过协方差矩阵相邻特征值间的比值来选择主成分分量,但当特征值的变换比较平缓时,很难对主成分进行选取。
图像分类一般是根据所提取的特征向量,利用分类技术进行分类,对降维后的特征向量进行分类需要选择合适的分类器,选择不同的分类器会影响匹配的效果。在图像识别中,最常见的分类器有决策树、贝叶斯分类、支持向量机、Logistic回归和最近邻分类等,决策树分类器短时间内处理大量数据,得到可行且效果较好的结果,但是对于各类别样本数量不一致数据,信息增益更偏向于那些具有更多数值的特征且忽略属性之间的相关性;贝叶斯分类相对于其他分类算法需要事先知道先验概率,在判别过程中,存在一定的差错率;支持向量机可以解决高维以及非线性分类问题具有良好的效果,但是需要较大的内存;Logistic回归在分类过程之中,计算速度快,但是特征处理比较复杂;最近邻分类器在处理小样本分类识别问题上,思想简单,理论成熟。
发明内容
为解决现有技术存在的技术问题,本发明提供了一种能够完成腭皱图像识别的能够用于人体生物特征法医同一认定的方法,准确快速,识别效果好。
为实现上述目的,本发明所采用的技术方案为:一种采用Gabor变换和分块降维的腭皱识别方法,具体步骤为:
步骤一、获取腭皱图像基本信息,具体地,对口腔器械及采集设备进行消毒,让口腔志愿者平躺在牙椅上,将志愿者的椅位调整为规范位置(即:志愿者下颌与地面平行,上颌与地面呈90°),对志愿者进行口内消毒,让志愿者尽可能大张口,将牙科专用反光板固定在志愿者下颌后牙位置,利用光学原理,将腭皱成像至反光镜片中,调整数码单反相机(佳能EOS 300D),使其与反光板垂直,固定焦距拍摄即可获取高清腭皱数字图像,调整反光板位置和口腔椅的光照强度可以获取不同情况下的腭皱图像。
步骤二、对腭皱图像进行预处理,主要目的是消除图像中与腭皱无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而增加特征抽取、图像分割、匹配和识别的可靠性,因为采集图像会出现很多不必要的信息,如牙齿,舌头等,可利用图像处理软件Photoshop对其进行初步的裁剪处理,粗略去除大部分背景,将初步处理后的图像作为待处理图像送入预处理系统,具体地,对彩色腭皱图像进行灰度化。
对灰度化后的腭皱图像进行灰度归一化和尺寸归一化,此后,进行必要的平滑处理,消除腭皱图像采集过程中引入的噪声,同时进行必要的腭皱图像增强操作。
步骤三、构建腭皱Gabor滤波模板,构建二维Gabor滤波器:
二维Gabor函数都是由高斯函数调制而成,二维Gabor函数的表达式如下:
实数部分为:
虚数部分为:
其中,
x'=xcosθ+ysinθ
(4)
y'=-xsinθ+ycosθ
(5)
λ为滤波器的波长,它的值以像素为单位,通常大于等于2,λ不大于输入图像尺寸的五分之一;θ为滤波器的方向,它指定了Gabor函数并行条纹的方向,它的取值为0到360°;ψ为相位偏移,取值范围为-180°到180°;γ参数值为空间纵横比,决定了Gabor函数形状的椭圆率;当γ=1时,形状为圆;当γ<1时,形状随着平行条纹方向而拉长,通常该值为0.5;Gabor滤波器的半响应空间频率带宽b和σ/γ的比率有关,其中,σ表示Gabor函数的高斯因子的标准差,如公式(6)和(7)所示:
式(6)和式(7)中参数σ的值不能直接设置,它仅随着带宽b变化,频率带宽值必须是正实数,通常为1,标准差和波长的关系式如公式(8)所示:
σ=0.56λ
(8)
频率带宽越小,标准差越大,Gabor滤波器形状越大,可见平行兴奋和抑制区条纹数量越多。在空域中,一个二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积。
Gabor滤波器参数选择:
在Gabor滤波器参数选择问题上,主要考虑方向和尺度两个参量。Gabor滤波器对腭皱图像的方向以及高低频信息比较敏感,每个Gabor滤波器的方向和尺度都不相同,可以提取到非常多的图像特征细节信息。
步骤四、将预处理后的腭皱图像与Gabor滤波器模板进行卷积,得到腭皱图像Gabor特征图,采用Gabor变换提取腭皱图像特征,构建由5个尺度和8个方向组成腭皱图像的Gabor滤波器模板,将输入的腭皱图像分别与Gabor滤波器模板进行卷积,得到腭皱图像的Gabor实部特征和Gabor虚部特征,并依次转化为一维行向量,得到2621440(256×256×5×8)维的Gabor特征向量。
步骤五、采用四宫格、九宫格、十六宫格、横向八条、竖向八条五种不同的分块方案对腭皱特征图进行降维;从左到右、从上到下依次输入每个样本的40个腭皱Gabor滤波特征图,按照五种不同的分块方案进行分块,计算每个腭皱小分块矩阵的均值和方差,依次把每个腭皱小分块矩阵得到的均值和方差依次排列成一个一维的行向量,采用不同的腭皱分块方案最后获得的行向量长度不同。
腭皱数据库由91个样本的共1456幅腭皱图像组成,每个样本又包括16幅腭皱图像,训练集由每个样本中的前6幅标准图像组成,测试集由每个样本其余的10幅腭皱图像组成,训练集共有546幅腭皱图像,测试集共有910幅腭皱图像。在测试样本中,样本类型包括经模糊、加噪声、旋转、光照和形状变化处理的腭皱图像,样本类型不同,腭皱识别结果也不同。
步骤六、将降维后的腭皱特征送入最近邻分类器,分类器会根据提供的这些信息,最终输出腭皱分类结果,分类结果包括正确的识别率、错误率以及错误类型标签。
本方法还包括训练和测试两个组成部分,这两个部分中又分别包括腭皱图像信息采集、腭皱预处理模块、腭皱图像Gabor变换模块、分块降维模块,腭皱特征字典构造模块以及腭皱特征分类模块。
相比于经典算法,本方法提出的分块思想简化了降维的流程,在实际操作过程中,可以降低计算的复杂度,加快运算的速度。
附图说明
图1为彩色腭皱图像灰度化过程的示意图。
图2为二维Gabor滤波器的三维示意图。
图3为本方法构建的Gabor滤波器模板示意图。
图4为采用Gabor变换提取的腭皱特征图像示意图。
图5为采用Gabor滤波器提取的腭皱图像过程示意图。
图6为腭皱Gabor特征图像的示意图。
图7为腭皱Gabor滤波特征的示意图。
图8为腭皱4宫格分块方案的示意图。
图9为腭皱9宫格分块方案的示意图。
图10为腭皱16宫格分块的示意图。
图11为腭皱横向8条分块的示意图。
图12为腭皱竖向8条分块的示意图。
图13为基于分块思想的腭皱特征降维操作过程示意图。
图14为腭皱识别系统的示意图。
图15为腭皱样本数据库的示意图。
图16为样本类型对不同方案腭皱识别效果的影响示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一种采用Gabor变换和分块降维的腭皱识别方法,具体步骤为:
步骤一、获取腭皱图像基本信息,具体地,对口腔器械及采集设备进行消毒,让口腔志愿者平躺在牙椅上,将志愿者的椅位调整为规范位置(即:志愿者下颌与地面平行,上颌与地面呈90°),对志愿者进行口内消毒,让志愿者尽可能大张口,将牙科专用反光板固定在志愿者下颌后牙位置,利用光学原理,将腭皱成像至反光镜片中,调整数码单反相机(佳能EOS 300D),使其与反光板垂直,固定焦距拍摄即可获取高清腭皱数字图像,调整反光板位置和口腔椅的光照强度可以获取不同情况下的腭皱图像。
步骤二、对腭皱图像进行预处理,主要目的是消除图像中与腭皱无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而增加特征抽取、图像分割、匹配和识别的可靠性,因为采集图像会出现很多不必要的信息,如牙齿,舌头等,可利用图像处理软件Photoshop对其进行初步的裁剪处理,粗略去除大部分背景,将初步处理后的图像作为待处理图像送入预处理系统。具体地,如图1所示,对彩色腭皱图像进行灰度化,对灰度化后的腭皱图像进行灰度归一化和尺寸归一化,此后,进行必要的平滑处理,消除腭皱图像采集过程中引入的噪声,同时进行必要的腭皱图像增强操作。
步骤三、构建腭皱Gabor滤波模板,构建二维Gabor滤波器:
二维Gabor函数都是由高斯函数调制而成,二维Gabor函数的表达式如下:
实数部分为:
虚数部分为:
其中,
x'=xcosθ+ysinθ
(4)
y'=-xsinθ+ycosθ
(5)
λ为滤波器的波长,它的值以像素为单位,通常大于等于2,λ不大于输入图像尺寸的五分之一;θ为滤波器的方向,它指定了Gabor函数并行条纹的方向,它的取值为0到360°;ψ为相位偏移,取值范围为-180°到180°;γ参数值为空间纵横比,决定了Gabor函数形状的椭圆率;当γ=1时,形状为圆;当γ<1时,形状随着平行条纹方向而拉长,通常该值为0.5;Gabor滤波器的半响应空间频率带宽b和σ/γ的比率有关,其中,σ表示Gabor函数的高斯因子的标准差,如公式(6)和(7)所示:
式(6)和式(7)中参数σ的值不能直接设置,它仅随着带宽b变化,频率带宽值必须是正实数,通常为1,标准差和波长的关系式如公式(8)所示:
σ=0.56λ
(8)
频率带宽越小,标准差越大,Gabor滤波器形状越大,可见平行兴奋和抑制区条纹数量越多。在空域中,一个二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积。
Gabor滤波器参数选择:
如图2所示,在Gabor滤波器参数选择问题上,主要考虑方向和尺度两个参量。Gabor滤波器对腭皱图像的方向以及高低频信息比较敏感,每个Gabor滤波器的方向和尺度都不相同,可以提取到非常多的图像特征细节信息。
步骤四、将预处理后的腭皱图像与Gabor滤波器模板进行卷积,得到腭皱图像Gabor特征图,采用Gabor变换提取腭皱图像特征,构建由5个尺度和8个方向组成腭皱图像的Gabor滤波器模板,将输入的腭皱图像分别与Gabor滤波器模板进行卷积,得到腭皱图像的Gabor实部特征和Gabor虚部特征,并依次转化为一维行向量,得到2621440(256×256×5×8)维的Gabor特征向量。
如图3所示,可以看出,每一列上的Gabor滤波器其尺度大小不同,类似地,每一行上的Gabor滤波器其方向不同。Gabor滤波器模板就好比人类视网膜中的简单细胞,可以观测到不同尺度和方向上的事物,能够响应不同频率范围内的局部特征。
(2)腭皱图像特征提取
设输入的腭皱图像为I(x,y),将输入的腭皱图像与(2)中构建的Gabor滤波器模板进行卷积运算:
T(x,y)=I(x,y)*g(x,y)
(9)
在式(9中),*表示卷积,T(x,y)表示经过卷积后得到的腭皱特征图,Gabor小波提取出来的腭皱特征图像的实部和虚部如图4所示。
如图5所示,本方法采用经过Gabor小波变换后的幅值特征来进行处理,给出了采用Gabor滤波器提取腭皱图像特征的示意图。从图中可以看到,本方法分别构建了5个尺度8个方向的Gabor滤波器的实部模板和虚部模板;然后将输入的腭皱图像(大小为256*256)分别与这两个模板进行卷积,可以得到腭皱图像Gabor实部特征和Gabor虚部特征,通过函数G(x,y)生成最终的腭皱Gabor特征图像,最后将其依次转化为一个一维的行向量,G(x,y)函数如下式所示:
式中,f(x1,y1)代表Gabor滤波器实部模板特征图中像素的灰度值,p(x2,y2)指的是Gabor滤波器虚部模板特征图中像素的灰度值。图6给出了采用Gabor变换对样本库中样本16腭皱图像进行特征提取所得的腭皱Gabor特征图像的示意图。
从图6中可以看出,Gabor滤波特征从不同方向和尺度上较好地反映了原始图像的特征,由于有多个方向和尺度,所以得到的Gabor特征向量维数是2621440(256×256×5×8)维,远远大于原来的特征维数65536(256*256),如果使用这个特征向量用作接下来的处理,就会导致维度灾难,且使用传统的Gabor滤波器组提取特征时用时较长,所以要进行特征降维。
经过Gabor滤波后最终得到5个尺度8个方向的特征图,即40个腭皱Gabor滤波特征(如图7(a)所示),分块思想降维主要是在每个腭皱Gabor滤波特征图(如图7(b)所示)上,基于腭皱像素点位置进行均等大小的分块,然后计算每个小分块的均值和方差,最终把40个腭皱Gabor滤波特征图的分块均值和方差依次排列成一维的行向量,用作接下来的分类处理。
步骤五、如图8、图9、图10、图11和图12所示,采用四宫格、九宫格、十六宫格、横向八条、竖向八条五种不同的分块方案对特征图进行降维,在图9中,由于256*256的腭皱图像不能均分为9块,本方法对超出部分做了补零操作。从左到右、从上到下依次输入每个样本的40个腭皱Gabor滤波特征图,按照五种不同的分块方案进行分块,计算每个腭皱小分块矩阵的均值和方差,依次把每个腭皱小分块矩阵得到的均值和方差依次排列成一个一维的行向量,采用不同的腭皱分块方案最后获得的行向量长度不同。
相比于经典算法,本方法提出的分块思想简化了降维的流程,在实际操作过程中,可以降低计算的复杂度,加快运算的速度。采取等分的思想,在腭皱Gabor滤波特征图上,进行均匀分块,然后求出每一个小块矩阵的均值和方差,用均值和方差代表每一个小块特征的变化情况,值越大,说明提取的腭皱特征越明显,相反的,值越小说明提取腭皱特征效果较差。
综上,如图13所示,基于分块思想的腭皱特征降维操作过程,首先,从左到右以及从上到下依次输入每个样本的40个腭皱Gabor滤波特征图;然后,按照提前选好的分块方案进行腭皱特征图分块,接着计算每个腭皱小分块矩阵的均值和方差;最后,依次把每个腭皱小分块矩阵得到的均值和方差依次排列(从上到下,从左到右)成一个一维的行向量,采用不同的腭皱分块方案最后获得的行向量长度不同。
如图15所示,腭皱数据库由91个样本的共1456幅腭皱图像组成,每个样本又包括16幅腭皱图像,训练集由每个样本中的前6幅标准图像组成,测试集由每个样本其余的10幅腭皱图像组成,训练集共有546幅腭皱图像,测试集共有910幅腭皱图像。在测试样本中,样本类型包括经模糊、加噪声、旋转、光照和形状变化处理的腭皱图像,样本类型不同,腭皱识别结果也不同。
在测试样本中,样本类型包括经模糊、加噪声、旋转、光照和形状变化处理的腭皱图像。样本类型不同,腭皱识别结果也不同,具体如表1所示:
表1样本类型对Gabor+16宫格分块方案识别效果的影响
从表1中可以看出,Gabor+16宫格分块降维方法对形变+模糊和形变+旋转较大的度数识别率明显很低,不足10%,对其他类型样本的识别率达到90%以上,有的甚至达到100%的识别率。说明本方法只是对ID#5和ID#6类型识别效果较差,如果针对较为常规的腭皱图像或者形变不大的腭皱图像样本,可以选择这种方法进行识别。
如图16所示,可以清晰的发现,横轴表示7种不同的腭皱样本类型,从ID#0到ID#6依次代表经模糊化、加噪声、旋转、形变、光暗变化、形变+模糊和形变+旋转处理的腭皱样本类型,纵轴代表对不同腭皱样本进行识别的识别准确率,其中不同颜色的折线代表本方法提出的各种腭皱识别方案,腭皱分块方案(4分块、9分块、16分块、横8和竖8)明显对样本类型ID#5和ID#6识别效果较差。如果在实际情况中,样本类型ID#5和ID#6较少可以选择Gabor+16宫格分块方案进行识别。
分块方案对腭皱识别结果的影响
表2研究了不同降维方法对腭皱识别率的影响。
表2不同降维方法对腭皱识别率的影响
从表中可以看到,本文提出的分块降维的方法最高的识别率是16宫格分块的方法,识别率达到了79.34%,也说明分块方案的不同会对识别造成很大影响,分块方案越密集,识别效果越好。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包在本发明范围内。
Claims (6)
1.一种采用Gabor变换和分块降维的腭皱识别方法,其特征在于,具体步骤为:
步骤一、获取腭皱图像基本信息;
步骤二、对腭皱图像进行预处理;
步骤三、构建腭皱Gabor滤波模板;
步骤四、将预处理后的腭皱图像与Gabor滤波器模板进行卷积,得到腭皱图像Gabor特征图;
步骤五、采用四宫格、九宫格、十六宫格、横向八条、竖向八条五种不同的分块方案对特征图进行降维;
步骤六、将降维后的腭皱特征送入最近邻分类器,输出腭皱识别结果。
2.根据权利要求1所述的一种采用Gabor变换和分块降维的腭皱识别方法,其特征在于,在步骤一中,志愿者平躺并口内消毒,志愿者张口至最大张度,将反光板固定在志愿者下颚后牙位置,将腭皱成像至反光镜片中,调节数码单反相机的镜头与反光板垂直,摄取高清腭皱数字图像,调整反光板位置和光照强度以获取多种腭皱图像。
3.根据权利要求1所述的一种采用Gabor变换和分块降维的腭皱识别方法,其特征在于,在步骤二中,去除腭皱图像中的无关信息,并对彩色腭皱图像灰度化。
4.根据权利要求1所述的一种采用Gabor变换和分块降维的腭皱识别方法,其特征在于,在步骤三中,构建二维Gabor滤波器:
二维Gabor函数的表达式如下:
实数部分为:
虚数部分为:
其中,
x'=xcosθ+ysinθ
(4)
y'=-xsinθ+ycosθ
(5)
λ为滤波器的波长,λ不大于输入图像尺寸的五分之一;θ为滤波器的方向,它指定了Gabor函数并行条纹的方向,它的取值为0到360°;ψ为相位偏移,取值范围为-180°到180°;γ参数值为空间纵横比,决定了Gabor函数形状的椭圆率;当γ=1时,形状为圆;当γ<1时,形状随着平行条纹方向而拉长;Gabor滤波器的半响应空间频率带宽b和σ/γ的比率有关,其中,σ表示Gabor函数的高斯因子的标准差,如公式(6)和(7)所示:
标准差和波长的关系式如公式(8)所示:
σ=0.56λ
(8)。
5.根据权利要求1所述的一种采用Gabor变换和分块降维的腭皱识别方法,其特征在于,在步骤四中,采用Gabor变换提取腭皱图像特征,构建由5个尺度和8个方向组成腭皱图像的Gabor滤波器模板,将输入的腭皱图像分别与Gabor滤波器模板进行卷积,得到腭皱图像的Gabor实部特征和Gabor虚部特征,并依次转化为一维行向量,得到2621440维的Gabor特征向量。
6.根据权利要求1所述的一种采用Gabor变换和分块降维的腭皱识别方法,其特征在于,在步骤五中,从左到右、从上到下依次输入每个样本的40个腭皱Gabor滤波特征图,按照五种不同的分块方案进行分块,计算每个腭皱小分块矩阵的均值和方差,依次把每个腭皱小分块矩阵得到的均值和方差依次排列成一个一维的行向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911123991.1A CN110852291A (zh) | 2019-11-15 | 2019-11-15 | 一种采用Gabor变换和分块降维的腭皱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911123991.1A CN110852291A (zh) | 2019-11-15 | 2019-11-15 | 一种采用Gabor变换和分块降维的腭皱识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852291A true CN110852291A (zh) | 2020-02-28 |
Family
ID=69600642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911123991.1A Pending CN110852291A (zh) | 2019-11-15 | 2019-11-15 | 一种采用Gabor变换和分块降维的腭皱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852291A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753709A (zh) * | 2020-06-19 | 2020-10-09 | 太原科技大学 | 一种基于分数阶傅里叶变换的三维腭皱识别方法 |
CN112086199A (zh) * | 2020-09-14 | 2020-12-15 | 中科院计算所西部高等技术研究院 | 基于多组学数据的肝癌数据处理系统 |
CN112254801A (zh) * | 2020-12-21 | 2021-01-22 | 浙江中自庆安新能源技术有限公司 | 一种微小振动视觉测量方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119117A1 (en) * | 2010-03-26 | 2011-09-29 | Agency For Science, Technology And Research | Facial gender recognition |
WO2013087028A1 (zh) * | 2011-12-16 | 2013-06-20 | 北京天诚盛业科技有限公司 | 虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法 |
CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
CN106022218A (zh) * | 2016-05-06 | 2016-10-12 | 浙江工业大学 | 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法 |
EP3462373A1 (en) * | 2017-10-02 | 2019-04-03 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
CN109784335A (zh) * | 2019-01-25 | 2019-05-21 | 太原科技大学 | 一种基于最小二乘拟合的腭皱图像感兴趣区边界标定方法 |
-
2019
- 2019-11-15 CN CN201911123991.1A patent/CN110852291A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119117A1 (en) * | 2010-03-26 | 2011-09-29 | Agency For Science, Technology And Research | Facial gender recognition |
WO2013087028A1 (zh) * | 2011-12-16 | 2013-06-20 | 北京天诚盛业科技有限公司 | 虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法 |
CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
CN106022218A (zh) * | 2016-05-06 | 2016-10-12 | 浙江工业大学 | 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法 |
EP3462373A1 (en) * | 2017-10-02 | 2019-04-03 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
CN109784335A (zh) * | 2019-01-25 | 2019-05-21 | 太原科技大学 | 一种基于最小二乘拟合的腭皱图像感兴趣区边界标定方法 |
Non-Patent Citations (8)
Title |
---|
FAN GUOJUAN等: "HOGG: Gabor and HOG-Based Human Detection", 《2016 8TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY IN MEDICINE AND EDUCATION (ITME)》 * |
MENTARI PANGESTU等: "Identification pattern ruage palatine for gender classfication with digital image processing using gabor wavelet and fuzzy k-nn", 《E-PROCEEDING OF ENGINEERING》 * |
李冰等: "利用腭皱特征进行同一认定的指标体系构建", 《中国法医学杂志》 * |
武小雪: "可视化腭皱识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
汪维华: "视网膜图像分割算法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
王宪等: "基于Gabor小波变换与分块PCA的人脸识别", 《计算机工程与应用》 * |
胡风明等: "利用Gabor滤波分块特征对SAR目标识别", 《武汉理工大学学报》 * |
贾宇等: "腭皱法医学同一认定中倾斜图像矫正方法的研究", 《口腔医学研究》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753709A (zh) * | 2020-06-19 | 2020-10-09 | 太原科技大学 | 一种基于分数阶傅里叶变换的三维腭皱识别方法 |
CN112086199A (zh) * | 2020-09-14 | 2020-12-15 | 中科院计算所西部高等技术研究院 | 基于多组学数据的肝癌数据处理系统 |
CN112086199B (zh) * | 2020-09-14 | 2023-06-09 | 中科院计算所西部高等技术研究院 | 基于多组学数据的肝癌数据处理系统 |
CN112254801A (zh) * | 2020-12-21 | 2021-01-22 | 浙江中自庆安新能源技术有限公司 | 一种微小振动视觉测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smal et al. | Quantitative comparison of spot detection methods in fluorescence microscopy | |
EP2345995B1 (en) | Method for investigating live cells | |
CN110852291A (zh) | 一种采用Gabor变换和分块降维的腭皱识别方法 | |
CN105809173B (zh) | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 | |
Singh et al. | A review of image fusion: Methods, applications and performance metrics | |
Schlachter et al. | Harmonic filters for 3D multichannel data: Rotation invariant detection of mitoses in colorectal cancer | |
CN113256561A (zh) | 一种基于无归一化深度残差与注意力机制的肠道病灶辅助诊断方法 | |
CN114399510B (zh) | 结合图像和临床元数据的皮肤病灶分割和分类方法及系统 | |
CN113781488A (zh) | 舌象图像的分割方法、装置及介质 | |
Pramunendar et al. | Fish classification based on underwater image interpolation and back-propagation neural network | |
Chen et al. | Generalized face antispoofing by learning to fuse features from high-and low-frequency domains | |
Rahman et al. | MRI brain tumor classification using deep convolutional neural network | |
Azam et al. | Using feature maps to unpack the CNN ‘Black box’theory with two medical datasets of different modality | |
Ning et al. | Multiscale context-cascaded ensemble framework (MsC 2 EF): application to breast histopathological image | |
Rigamonti et al. | On the relevance of sparsity for image classification | |
CN108280417A (zh) | 一种手指静脉快速识别方法 | |
CN114170224B (zh) | 应用生成式染色归一化的细胞病理分类的系统及方法 | |
Iakovidis et al. | A comparative study of color-texture image features | |
Xu et al. | MDTL-NET: Computer-generated image detection based on multi-scale deep texture learning | |
Andreia et al. | Hyperspectral Image Classification using Extended Local Binary Patterns and Wavelet Transform Descriptors | |
Liu et al. | Visual attention based hyperspectral imagery visualization | |
Nancy et al. | Skin lesion segmentation and classification using fcn-alexnet framework | |
Kumar et al. | An efficient framework for brain cancer identification using deep learning | |
CN115511882B (zh) | 一种基于病变权重特征图的黑色素瘤识别方法 | |
Baldeon-Calisto et al. | Deepsit: Deeply supervised framework for image translation on breast cancer analysis |
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 |
Application publication date: 20200228 |
|
RJ01 | Rejection of invention patent application after publication |