CN111199527B - 一种基于多方向自适应阈值的指静脉图像噪声检测方法 - Google Patents

Abstract

本发明涉及一种基于多方向自适应阈值的指静脉图像噪声检测方法，其包括以下步骤：构造多个方向的增强谷型区域的滤波模板，得到多个方向的响应值；根据当前点的灰度值和周围邻域的灰度值计算得到当前点的自适应阈值；将各个方向的响应值与自适应阈值比较，若各方向的响应值均大于自适应阈值，则判定该点为疑似噪声区域；对疑似噪声区域进行边界点的剔除；对疑似噪声区域进行静脉纹路区域点的剔除；统计疑似噪声点的点数，比较噪声区域面积大小与阈值，判断图像质量。本发明可以实现对静脉图像中噪声区域的精确检测，在噪声达到一定量时防止包含噪声的指静脉图像注册为模板，引导用户注册正常干净指静脉图像为模板，提升使用体验。

Description

一种基于多方向自适应阈值的指静脉图像噪声检测方法

技术领域

本发明属于信息安全中的生物特征识别技术领域，尤其涉及一种基于多方向自适应阈值的指静脉图像噪声检测方法。

背景技术

手指静脉识别技术是第二代生物特征识别的代表性技术，它使用近红外光对手指进行照射，手指静脉血管中的血红蛋白对近红外光相比于骨骼肌肉等区域具有更高的吸收率，因此手指静脉血管纹路在指静脉图像中会形成低灰度区域。手指静脉纹路具有唯一性和稳定性，并且位于人体内部，具有高度的安全性和防伪性。因此可以利用指静脉图像进行个人的身份认证。

受当前指静脉图像采集设备工艺水平的影响，实际上所采集到的指静脉图像内低灰度区域除了静脉纹路外，通常还包含噪声，这些噪声来源于手指或者设备。比如手指沾染了泥土或者钢笔墨水、油污等，这种手指表面的脏污区域会导致近红外光在穿透手指时被吸收，在图像中形成低灰度区域，和静脉纹路区域难以区分。这种脏污区域不具备和手指静脉纹路一样的唯一性和稳定性，不具备稳定性会导致用户下次验证时成功率降低，而不具备唯一性则会导致认假的概率增加，因此该特征不能作为身份认证的依据，所以包含这种特征的指静脉图像不能被注册成为模板。由于噪声区域和手指静脉纹路具有相似性，即都是在指静脉图像中呈现为低灰度，并且形态各异，传统的噪声检测算法难以区分两者。

发明内容

本发明的目的在于针对传统的噪声检测算法难以区分噪声区域和手指静脉纹路而导致的无法准确判断图像质量的问题，提出一种基于多方向自适应阈值的指静脉图像噪声检测方法。

为了达到目的，本发明提供的技术方案为：

本发明涉及的一种基于多方向自适应阈值的指静脉图像噪声检测方法，其包括以下步骤：

1)构造多个方向的增强谷型区域的滤波模板，滤波后得到多个方向的响应值K_i；

2)根据当前点的灰度值和周围邻域的灰度值计算得到当前点的自适应阈值T₁；

3)将各个方向的响应值与自适应阈值T₁比较，若各方向的响应值均大于自适应阈值T₁，则判定该点为疑似噪声区域；

4)对疑似噪声区域进行边界点的剔除；

5)对疑似噪声区域进行静脉纹路区域点的剔除；

6)设定一个阈值ρ，统计疑似噪声点的点数，得到噪声区域的面积大小，比较噪声区域面积大小与阈值ρ，判断图像质量。

优选地，所述步骤1)中构造四个滤波模板，滤波后得到四个响应值。

优选地，所述四个响应值分别为K₁、K₂、K₃和K₄，

K₁＝f(x,y-1)×2+f(x,y)×(-4)+f(x,y+1)×2 (1)；

K₂＝f(x-1,y+1)×2+f(x,y)×(-4)+f(x+1,y-1)×2 (2)；

K₃＝f(x-1,y)×2+f(x,y)×(-4)+f(x+1,y)×2 (3)；

K₄＝f(x-1,y-1)×2+f(x,y)×(-4)+f(x+1,y+1)×2 (4)；

式中的f(x,y)指当前点的灰度值大小，x,y分别是图像矩阵的行坐标和列坐标，对应为手指的纵向和横向。

优选地，所述步骤2)中自适应阈值T₁的计算方式为：

式中，r代表周围邻域的半径。

优选地，所述步骤3)中，采用公式对各方向的响应值与当前点的自适应阈值进行比较，其公式为

其中k为阈值系数；当所有方向的响应值均满足要求，则将该点标记为1，否则标记为0，其中，1为疑似噪声区域，即

优选地，所述步骤4)的具体步骤为：

4.1)计算疑似噪声点F₁(x₀，y₀)的列方向左右两边的平均灰度，，左右两边的平均灰度分别用ave_L和ave_R表示，

4.2)根据左右两侧平均灰度的差值判定该点是否为边界点，并剔除边界点，即

其中，公式(9)中的T₂为边界点阈值，其计算公式如公式(10)所示：

T₂＝μ×T₁ (10)，

其中，μ为阈值系数。

优选地，所述步骤5)的具体步骤为：

5.1)分别计算中心邻域平均灰度T_M、左上角邻域平均灰度T_LU、左下角邻域平均灰度T_LD、右上角邻域平均灰度T_RU和右下角邻域平均灰度T_RD，

5.2)将中心邻域平均灰度T_M与左上角邻域平均灰度T_LU、左下角邻域平均灰度T_LD、右上角邻域平均灰度T_RU、右下角邻域平均灰度T_RD中的最小值进行比较，除掉中心邻域平均灰度T_M高于四周四块邻域平均灰度T_LU、T_LD、T_RU、T_RD的点，即

式中，min(T_LU,T_LD,T_RU,T_RD)是指四个平均灰度的最小值。

采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：

1、本发明首先利用多方向的滤波模板进行低灰度区域增强，然后再通过计算自适应阈值，提取出疑似噪声区域，再将疑似噪声区域进行边界点判断，静脉纹路区域判断，只保留噪声区域，去除掉少量边界点和静脉纹路区域，实现了对指静脉图像噪声区域的精确检测；

2、本发明采用了基于平均灰度的自适应阈值检测，对于指静脉图像不同亮度区域的噪声均可有效检测出来。

附图说明

图1为一幅指静脉灰度图像；

图2为提取出的疑似噪声区域图像；

图3为经过边界点判断后的疑似噪声区域图像；

图4为经过静脉纹路区域判断后的最终噪声区域图像；

图5是正常干净图像例举；

图6是包含噪声的图像例举；

图7是正常干净图的误检测概率和噪声图像的检测概率。

具体实施方式

为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例涉及的基于多方向自适应阈值的指静脉图像噪声检测方法，包括以下步骤：

1)对于一幅手指静脉灰度原图f，如图1所示，图像大小为300×120，构造多个方向的增强谷型区域的滤波模板，滤波后得到多个方向的响应值K_i，本实施例中构造四个滤波模板，滤波后得到四个四个响应值，四个响应值分别用表示K₁、K₂、K₃和K₄，K₁、K₂、K₃和K₄的计算方式为：

K₁＝f(x,y-1)×2+f(x,y)×(-4)+f(x,y+1)×2 (1)；

K₂＝f(x-1,y+1)×2+f(x,y)×(-4)+f(x+1,y-1)×2 (2)；

K₃＝f(x-1,y)×2+f(x,y)×(-4)+f(x+1,y)×2 (3)；

K₄＝f(x-1,y-1)×2+f(x,y)×(-4)+f(x+1,y+1)×2 (4)；

式中的f(x,y)指当前点的灰度值大小，x,y分别是图像矩阵的行坐标和列坐标，对应为手指的纵向和横向，由式1～4可知，当前点的灰度值越低，周围点的灰度值越高，滤波后的响应值就越大，实现了对低灰度区域的增强。

2)根据当前点的灰度值和周围邻域的灰度值计算得到当前点的自适应阈值T₁，自适应阈值T₁的计算方式为：

式中，r代表周围邻域的半径，经过试验，r选定为2。

3)将各个方向的响应值与自适应阈值T₁比较。由于正常静脉纹路区域响应值比较小，并且在静脉延伸方向上的响应值接近0；而对于噪声区域，由于其存在随机间断的特点，因此在其边界处会出现四个响应值都比较大的情况。因此，若各方向的响应值均大于自适应阈值T₁，则判定该点为疑似噪声区域，其中，

式中，阈值系数k取0.05；

然后根据比较结果对当前点进行标记，若满足公式(6)，则当前点标记为1，若不满足公式(6)，则当前点标记为0，得到疑似噪声区域图像F₁，如图2所示

其中，值为1的是疑似噪声区域，可见边界区域被检测出较多噪声，这是因为边界部分灰度值变化差异大。

4)对疑似噪声区域图像F₁的值为1的点逐个进行边界点剔除，具体步骤为：

4.1)指静脉图像边界容易出现在手指横向区域，一个静脉图像采集设备的宽度是固定的，但是人的手指宽度却有大有小，因此对于细的手指，采集的指静脉图像容易出现边界线，在边界线两边的灰度差异非常明显，而噪声点两边的灰度差异较小，据此可以区分边界点和真实噪声点，计算疑似噪声点F₁(x₀，y₀)的列方向左右两边的平均灰度，左右两边的平均灰度分别用ave_L和ave_R表示，

4.2)根据左右两侧平均灰度的差值判定该点是否为边界点，当ave_L和ave_R相差不大时认为该点不是边界点，当ave_L和ave_R相差较大时认为该点为边界点，如公式(9)所示，

公式(9)中的T₂为边界点阈值，其计算公式如公式(10)所示：

T₂＝μ×T₁ (10)，

其中，μ为阈值系数。

根据公式(9)的计算结果剔除边界点，得到疑似噪声区域图F₂，如图3所示，可见边界区域基本上被剔除了。

5)对F₂值为1的点逐个进行静脉纹路判断，并对疑似噪声区域进行静脉纹路区域点的剔除，其具体步骤为：

5.1)分别计算中心邻域平均灰度T_M、左上角邻域平均灰度T_LU、左下角邻域平均灰度T_LD、右上角邻域平均灰度T_RU和右下角邻域平均灰度T_RD；

中心邻域平均灰度T_M、左上角邻域平均灰度T_LU、左下角邻域平均灰度T_LD、右上角邻域平均灰度T_RU和右下角邻域平均灰度T_RD的计算公式如公式(11)～(15)：

5.2)将中心邻域平均灰度T_M与左上角邻域平均灰度T_LU、左下角邻域平均灰度T_LD、右上角邻域平均灰度T_RU、右下角邻域平均灰度T_RD中的最小值进行比较，通过公式(17)，除掉中心邻域平均灰度T_M高于四周四块邻域平均灰度T_LU、T_LD、T_RU、T_RD的点，这些点是静脉纹路区域的概率更大。

式中，min(T_LU,T_LD,T_RU,T_RD)指的是四个平均灰度的最小值，得到最终的噪声区域图F，如图4所示。

6)设定一个阈值ρ，统计疑似噪声点的点数，得到噪声区域的面积大小，比较噪声区域面积大小与阈值ρ，当其值为1的点数量超过ρ时认为是噪声过多，图像质量较差，不允许其注册为模板；

为了确定ρ的合适取值，对一批正常手指采集的干净图像进行了噪声检测和所提取的噪声区域图值为1的点数统计，如图5为6张正常干净图像库举例。同时为了验证本算法的有效性，对如图6所示的多种类型的包含噪声的图像库也进行了检测。其中正常干净图像库包含5000根手指，每根手指5幅图，多种类型的噪声图像库包含1000根手指，每根手指5幅图。不同ρ值对应的正常干净图像库误检测概率和噪声图像库检出概率如图7所示。根据图7综合考虑，确定ρ＝350，此时误检测概率为0.00％，而对于包含噪声的图像库，平均检测概率可以达到99.14％，说明本算法的检测精确而有效。

以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (7)

1.一种基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：其包括以下步骤：

1)构造多个方向的增强谷型区域的滤波模板，滤波后得到多个方向的响应值K_d，d表示多个方向的第d个方向；

2)根据当前点的灰度值和周围邻域的灰度值计算得到当前点的自适应阈值T₁；

3)将各个方向的响应值与自适应阈值T₁比较，若各方向的响应值均大于自适应阈值T₁，则判定该点为疑似噪声区域；

4)对疑似噪声区域进行边界点的剔除；

5)对疑似噪声区域进行静脉纹路区域点的剔除；

6)设定一个阈值ρ，统计疑似噪声点的点数，得到噪声区域的面积大小，比较噪声区域面积大小与阈值ρ，判断图像质量。

2.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤1)中构造四个滤波模板，滤波后得到四个响应值。

3.根据权利要求2所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述四个响应值分别为K₁、K₂、K₃和K₄，

K₁＝f(x,y-1)×2+f(x,y)×(-4)+f(x,y+1)×2 (1)；

K₂＝f(x-1,y+1)×2+f(x,y)×(-4)+f(x+1,y-1)×2 (2)；

K₃＝f(x-1,y)×2+f(x,y)×(-4)+f(x+1,y)×2 (3)；

K₄＝f(x-1,y-1)×2+f(x,y)×(-4)+f(x+1,y+1)×2 (4)；

式中的f(x,y)指当前点的灰度值大小，x,y分别是图像矩阵的行坐标和列坐标，对应为手指的纵向和横向。

4.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤2)中自适应阈值T₁的计算方式为：

式中，r代表周围邻域的半径，i、j分别表示求和的邻域范围，-r≤i≤r，-r≤j≤r。

5.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤3)中，采用公式对各方向的响应值与当前点的自适应阈值进行比较，其公式为

其中，k为阈值系数；当所有方向的响应值均满足要求，则将该点标记为1，否则标记为0，其中，1为疑似噪声区域，即

6.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤4)的具体步骤为：

4.1)计算疑似噪声点F₁(x₀，y₀)的列方向左右两边的平均灰度，左右两边的平均灰度分别用ave_L和ave_R表示，

4.2)根据左右两侧平均灰度的差值判定该点是否为边界点，并剔除边界点，即

其中，公式(9)中的T₂为边界点阈值，其计算公式如公式(10)所示：

T₂＝μ×T₁ (10)，

其中，μ为阈值系数，y_max为当前待检测的图像的列宽的最大值，j_L表示求和的左边邻域范围，j_R表示求和的右边邻域范围，0≤j_L≤y₀-1，y₀+1≤j_R≤y_max。

7.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤5)的具体步骤为：

5.1)分别计算中心邻域平均灰度T_M、左上角邻域平均灰度T_LU、左下角邻域平均灰度T_LD、右上角邻域平均灰度T_RU和右下角邻域平均灰度T_RD，

5.2)将中心邻域平均灰度T_M与左上角邻域平均灰度T_LU、左下角邻域平均灰度T_LD、右上角邻域平均灰度T_RU、右下角邻域平均灰度T_RD中的最小值进行比较，除掉中心邻域平均灰度T_M高于四周四块邻域平均灰度T_LU、T_LD、T_RU、T_RD的点，即

式中，min(T_LU,T_LD,T_RU,T_RD)是指四个平均灰度的最小值。

Images