CN111223063A - 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 - Google Patents

Abstract

本发明公开了一种基于纹理特征和双核函数的手指静脉图像NLM去噪方法。本发明首先使用平滑系数较小的NLM算法针对背景区域噪声作粗去噪处理；然后编码获得GTFM对传统NLM算法的图像块权重值进行修正，使用Gabor纹理相似度与灰度值欧式距离共同判断图像块之间的相似性；其次提出巴特沃兹余弦双核函数针对图像的静脉纹理结构区域作精去噪处理；本发明采用的去噪算法相比传统NLM算法以及改进的NLM算法去噪后的图像质量更高，尤其是对静脉纹理边缘信息的保护能力得到了提高，并且后续图像的静脉骨架特征提取更加稳定。因此，基于Gabor纹理特征和BC双核函数的手指静脉图像NLM去噪算法是一种对手指静脉图像去噪效果较好的指静脉去噪算法。

Description

基于纹理特征和双核函数的手指静脉图像NLM去噪方法

技术领域

本发明属于生物特征识别及信息安全技术领域，特别涉及到手指静脉图像预处理领域。

背景技术

随着时代的发展，生物特征识别技术凭借其安全唯一稳定的优势慢慢地为大众所接受，各类生物识别算法在各行各业内的应用也渐进流行。在众多的生物特征中，静脉特征由于其独特的优势，越发被研究人员所重视。虽然手指静脉识别技术具有众多的优点，但是其识别性能严重依赖于采集图像的质量高低，在其实际应用过程中，采集设备成像和传输时的各类噪声、光照强度的变换以及开放式使用场景下采集设备镜面玻璃上的脏污，被采集用户手指皮肤上存在脏污或者蜕皮情况等，这些因素都会对采集图像的质量产生极大的影响，图像质量得不到保证。因此，对静脉图像进行去噪处理是提高后续特征质量以及匹配性能的重要步骤。

屈正庚等人提出一种改进的自适应加权中值滤波算法，根据灰度相似性为邻近像素赋予权值，使用加权后的中值对噪点进行替换，在去除噪声的同时保护图像的细节，但是在衡量相似点相似性时仅仅利用了灰度信息，容易导致去噪后手指静脉边缘模糊。传统的中值滤波算法仅仅利用了局部邻域内的图像信息，并未对全图内的图像信息进行充分地利用。因此Baudes等人提出了NLM算法，其核心思想是利用图像内的冗余信息，对相似点进行加权平均得到去噪后的结果；郭晨龙等人进一步提出了GSSIM算法，提高了图像边缘和细节信息保持的能力；刘翔等人将NLM算法应用于医学CT图像，在使用GSSIM的基础上又采用改进的双核函数替换传统指数函数计算权重值，权值分配更加合理。但上述算法大多针对细节较清晰、边缘信息较强的图像的情况，它们对图像进行去噪过程中均没有考虑到图像的纹理特征信息，当处理手指静脉图像这类纹理边缘比较模糊的图像时，容易导致去噪后整体图像模糊，静脉细节信息的丢失，提高了认假率。

发明内容

对于手指静脉图像中存在噪声影响识别性能，而现有的传统NLM算法容易导致静脉边缘细节模糊等问题，本文发明提供一种基于Gabor纹理特征和BC双核函数的手指静脉图像NLM去噪方法。

本发明所采用的技术方案为包括以下步骤：

步骤S1、获取图像的Gabor纹理特征矩阵的高斯核函数如式(1)：

式(1)是一个通过正弦平面波加窗的高斯核函数，可以拆分如下：

式(2)～(4)中g_re是滤波器实部，g_im是虚部，(x,y)是点的坐标；θ为Gabor滤波的方向角度参数；(x',y')是像素点旋转θ后的坐标；λ为正弦波函数波长；ψ为正弦波函数的相位偏移量；γ为Gabor核函数的空间方向比例，也称为作用域的椭圆率；σ为高斯核函数的标准差，也称为空间尺度因子，影响模板偏导数的大小，尺度因子不一样能够匹配宽度大小不一的结构。

步骤S2、手指静脉的延伸分布是具有多方向性的，因此需要多个角度的Gabor滤波器对其图像纹理进行提取，方向参数θ决定了滤波器的方向特性，其表示如下：

式中N为Gabor滤波器组的总方向数，本发明算法N取值为8，用于后续特征编码，k表示第k个角度，π/N是角度间隔。

步骤S3、将手指静脉原图像F(x,y)分别与式(2)和式(3)卷积后，按式(8)取模作为最终变换后的系数幅值：

H_k,σ(x,y)_re＝F(x,y)*g_k,σ(x,y)_re (6)

H_k,σ(x,y)_im＝F(x,y)*g_k,σ(x,y)_im (7)

式(6)～(8)中g_k,σ(x,y)_re、g_k,σ(x,y)_im分别是第k个角度，尺度为σ的Gabor核函数的实部和虚部，对应的H_k,σ(x,y)_re、H_k,σ(x,y)_im分别是它们各自与图像卷积后的结果，H_k,σ(x,y)为最终第k个角度、尺度为σ上的系数幅值，其大小表征了不同方向、尺度上图像的能量。系数幅值越大说明该尺度上保存了最丰富的纹理边缘信息，因此本发明按式(9)首先选择3个尺度中最大的系数幅值作为每个像素点在该方向上最终的幅值系数，然后可以获得8个方向上的Gabor滤波响应幅值H_k(k＝1,2,...,8)。

步骤S4、将8个方向的滤波响应幅值H_k按相互垂直分别组成4组，然后计算两者滤波响应差值绝对值，并选取最大的那一对方向组合：

式中ΔH_kmax那组的两个方向kmax和kmax^⊥就是手指静脉图像像素点F(x,y)的可能纹理走向，两者中哪个方向的响应幅值较大说明该方向的纹理边缘信息能量更强烈。按式(11)对两者进行比较后将表示该方向的序号值作为纹理特征编码值，最终得到整幅手指静脉图像的Gabor纹理特征矩阵:

步骤S5、当手指静脉图像为受损图像时，对于破损边界外围一圈上的点，由于这部分像素点的卷积窗口内包含了未知信息，为了避免未知信息对后续特征编码造成影响，因此在计算此部分像素点的Gabor响应幅值时将窗口内的未知信息灰度值置为零。因此将式(11)修改如下：

式中F(x,y)为图像中的像素点。

步骤S6、Gabor纹理特征相似度(Gabor Texture Similarity，GTSIM)比对值计算函数定义如下：

式中，GTFM_X和GTFM_Y分别是进行比对的两幅图像的GTFM，M和N分别为比对图像的长和宽。

步骤S7、利用Gabor纹理特征相似度来描述同一图像内的两个图像块之间的纹理结构相似性：

GTSIM(i,j)＝avg(|G(N_i)-G(N_j)|) (12)

式中G(N_i)和G(N_j)分别表示原图中以i为中心的图像块和以j为中心的图像块所对应的Gabor纹理特征向量，GTSIM(i,j)为两者之间的纹理特征差值绝对值平均，其值大小表现了两个图像块在纹理结构上的相似性。

步骤S8、本发明通过对理想加权核函数的特点分析发现这些条件与理想的低通滤波响应函数非常类似，因此提出了一种新的巴特沃兹余弦双核函数来取代NLM原算法的指数型核函数，结合Gabor纹理特征相似度，进行权重的分配，BC双核函数的表达式如下：

式中参数h₁和h₂为滤波平滑系数，d(i,j)为中心邻域与加权邻域图像块的灰度值欧式距离，GTSIM(i,j)为中心邻域与加权邻域的Gabor纹理相似度值，h₂取为GTSIM(i,j)的理论最大可能值7，c为控制巴特沃兹滤波通带处数值大小的参数，n为滤波器的阶数。d_λ和T_λ分别为灰度值欧式距离和Gabor纹理相似度的阈值。

步骤S9、BC双核函数结合了巴特沃兹传递函数和余弦核函数，避免了相似邻域权重偏小和不相似邻域权重偏大的情况，并且滤波平滑系数h₁和h₂也可以很好地控制高低相似度的过渡点，最终得到的核函数能够非常好地符合NLM算法对于理想加权核函数的四个要求。最终使用巴特沃兹余弦双核函数式(13)代替传统NLM算法中的核函数得到权重表达式：

最终通过加权计算得到去噪后的像素值，代替污染像素点。

本发明有益效果如下：

本发明提出一种基于Gabor纹理特征和BC双核函数的手指静脉图像NLM去噪算法，首先采用滤波平滑系数稍微偏小的传统NLM针对手指静脉含噪图像的背景噪声部分作粗去噪操作，得到除去一部分噪声后的粗去噪结果图，对粗去噪结果图进行Gabor纹理特征编码，提取得到图像的GTFM。此时背景平滑区域已经基本完成去噪，结合手指静脉图像的GTFM以及巴特沃兹余弦双核函数对图像块权重进行修正，计算各图像块的权重分配，然后采用本发明所提算法对粗去噪结果图针对静脉纹理结构区域进行进一步的精去噪，最终得到完整去噪后的手指静脉结果图。实验表明，本发明所提GTBCNLM算法在去噪的同时保留了更多图像细节信息，尤其是某些边缘较弱的静脉信息，并且去噪后的静脉纹理边缘的模糊程度更轻，最终分割提取到的骨架图中静脉特征更加完整，与未被污染图像所提取出来的骨架图更加吻合，总体的视觉效果较传统NLM算法与GNLM算法好。从图像质量评价指标PSNR值上来看，本发明相比传统NLM算法以及GNLM算法针对不同程度噪声干扰情况下的手指静脉图像的去噪性能均有所提升，相比NLM算法平均提升了0.255dB，相比GNLM算法平均提升了0.1572dB，去噪后的图像质量更好。因此无论是从去噪前后的图像视觉效果、二值化分割提取的静脉骨架特征效果，还是从图像质量评价指标PSNR值上来说，本发明在去除手指静脉图像噪声的同时，对静脉的纹理边缘细节都有了更好的保护，性能上要优于传统NLM算法与GNLM算法。

附图说明

图1为本发明基于Gabor纹理特征和BC双核函数的手指静脉图像NLM去噪算法流程图；

图2为从正常图像库随机挑选的手指静脉图像与其8方向Gabor滤波响应图；

图3为正常手指静脉图像与经过纹理边缘信息的垂直相位差量化编码后得到的整幅手指静脉图像的Gabor纹理特征效果图，即GTFM提取效果图；

图4为同类与不同类图像的Gabor纹理特征图比对图；

图5为类内匹配和类间匹配的GTSIM比对值分布图；

图6为粗去噪前后的GTFM提取效果比对图；

图7为指数型核函数、高斯型核函数、巴特沃兹余弦双核函数、巴特沃兹核函数和余弦核函数的曲线对比图；

图8、图9为从正常的手指静脉图像库中随机挑选的两张测试图像，对其进行加噪处理后，分别用NLM、GNLM和本发明提出的方法进行去噪处理，得到的比对效果图和最后提取出来的骨架图对比效果图；

图10为传统NLM算法、GNLM算法与本发明提出的GTBCNLM算法实验仿真得到PSNR值的比对结果。

具体实施例

下面结合附图对本发明的具体实施例作进一步的说明。

本发明通过对手指静脉图像Gabor纹理特征的利用以及加权核函数的修正，在去除图像噪声的同时提高了静脉纹理边缘和细节信息的保护能力，尤其是对于边缘信息较弱的静脉的保护能力，去噪后的图像质量得到了较好地提升。本发明首先使用平滑系数较小的传统NLM算法针对背景区域噪声作粗去噪处理，减少这部分噪声的影响，并同时提高GTFM提取的准确性，然后编码获得GTFM对传统NLM算法的图像块权重值进行修正，使用Gabor纹理相似度与灰度值欧式距离共同判断图像块之间的相似性，更好地去除噪声，解决了传统NLM算法单一采用灰度值欧氏距离计算图像块之间的相似度，易受光强与噪声的影响导致引入噪声的问题。其次提出巴特沃兹余弦双核函数针对图像的静脉纹理结构区域作精去噪处理，该核函数更符合NLM算法理想核函数的特性，对于权重值的分配更加地合理有效，避免了传统指数型核函数对于相似度高的图像块加权不足以及相似度低的图像块加权过度导致静脉边缘模糊问题，最终达到消除噪声的同时又保护了手指静脉图像的纹理边缘和细节信息的目的。实验表明，本发明采用的去噪算法相比传统NLM算法以及改进的NLM算法去噪后的图像质量更高，尤其是对静脉纹理边缘信息的保护能力得到了提高，并且后续图像的静脉骨架特征提取更加稳定。因此，基于Gabor纹理特征和BC双核函数的手指静脉图像NLM去噪算法是一种对手指静脉图像去噪效果较好的指静脉去噪算法。

如图1所示，本实施例基于Gabor纹理特征和BC双核函数的手指静脉图像NLM去噪算法，包括以下步骤：

S1、高斯核函数模板，本发明采用了3尺度8角度的Gobar滤波器组，Gabor滤波的参数取值与图像尺寸大小和手指静脉区域的尺寸大小相关，本发明所用手指静脉图像尺寸均为200×84。经过大量实验分析λ值取17，ψ值取0，γ值取1，σ值取3，3.4，3.8。

S2、方向参数θ决定了滤波器的方向特性，本发明使用了0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°、180°8个角度分别对手指静脉原图像进行卷积得到8个方向上的Gabor滤波响应图。

S3、根据S2得到的滤波响应图，根据式(8)取模作为最终变换后的系数幅值，得到纹理信息提取图。

S4、将8个方向依次编号为1-8，将其滤波响应幅值H_k按相互垂直分别组成4组，其中1和5为一组，2和6为一组，3和7为一组，4和8为一组。找到差值绝对值最大的一组方向，再根据响应值确定最终方向，然后根据式(11)纹理特征编码值，得到Gabor纹理特征矩阵。

S5、为了防止破损像素点对后续特征编码造成影响，将式(11)进行修改，使破损点不参与卷积的计算结果。同时在最终确定编码值时，若是已知(正常)像素点，采用编码后的结果对其进行赋值；若是未知(破损)像素点，则将其对应的纹理特征编码值置为零。

S6、得到Gabor纹理特征相似度比对值计算函数，通过实验验证了本发明所提取的GTFM具备准确、稳定表征手指静脉图像纹理特征信息的能力，为后续相似块匹配提供了依据。

S7、利用S6提出的Gabor纹理特征相似度来描述同一图像内的两个图像块之间的纹理结构相似性。

S8、提出了一种新的巴特沃兹余弦双核函数来取代NLM原算法的指数型核函数，结合Gabor纹理特征相似度，进行权重的分配。对于灰度值欧式距离和Gabor纹理相似度两者都同时较大的邻域图像块，本发明认为其与中心邻域图像块灰度结构和纹理结构的相似性都非常低，基本没有相关性，因此为了排除无关信息的干扰，减少去噪过程中噪声的引入，直接将这些部分的邻域图像块权重置为零，避免了处理后图像静脉边缘信息变模糊的问题。

S9、得到巴特沃兹余弦双核函数式，代替传统NLM算法中的核函数得到权重表达式，根据最终的权重表达式计算得到去噪点像素值，代替污染像素点。

以下为本发明实验仿真结果的硬件环境及与其他方法的效果作比较：

本发明所采用的图像由自主研发的指静脉设备采集，850nm的红外LED作为光源，CMOS摄像头采集静脉图像，图像大小为200×84。仿真实验用Matlab2014b软件，在内存4G，CPU主频4GHZ的64位Window7平台上进行。

图2为σ＝3.4，λ值取17，ψ值取0，γ值取1的情况下，取8个方向的卷积模板分别与原指静脉图像进行卷积得到的滤波响应图，对比原图像，可以看出各个方向上的滤波模板能很好地将各个方向上的纹理信息凸显出来。

图3为通过GTFM方法对手指静脉图像提取纹理信息的效果图，可以发现，该方法较好的提取了图像的纹理信息。

图4分别用GTFM方法对同类图像和不同类图像进行纹理信息的提取，可以看到同类图像的纹理信息十分相近，而不同类图像的纹理信息相差较大。

图5采用的库为正常图像库(Normal Finger Vein Image，NFVI)，为实验室采用CMOS、850nm波长红外摄像头的小型指静脉模块采集得到，总共有40类手指，每类手指有10副图像，一共400副图像，图像的尺寸大小为200×84。NFVI内的手指静脉图像经过本发明所提的纹理特征编码方式特征提取后，进行图像类内和类间的纹理相似度匹配比对，可得到类内比对数据1800个，类间比对数据78000个，通过Matlab仿真软件将同类图像之间与不同类图像之间的GTSIM比对值概率分布进行呈现。可以看到虽然类内匹配数据与类间匹配数据存在一部分重叠区域，但是就GTSIM比对值整体的概率分布来说，类内比对值与类间比对值的概率分布峰值之间存在较好的区分度，证明了同类图像间的Gabor纹理特征比对值较小，相似度高；反之不同类图像间的Gabor纹理特征比对值较大，相似度低，具备良好的鉴别力。

图6(a)～(d)分别是原图、标准差为10的受噪图以及对应的GTFM图，当手指静脉图像受到噪声干扰时，本就比较模糊的静脉纹理边缘细节会越来越模糊，许多较弱的静脉信息已难以分辨。(e)～(f)分别是粗去噪后的图像以及GTFM图，由于经过传统NLM算法粗去噪后消除了部分背景噪声的影响，相比处理前提取到的结果，此时获得的GTFM图中静脉的纹理走向更加地清晰，背景纹理更加平滑，对纹理结构的描述更加可靠。同时根据手指静脉图像是具有自相似性的，从GTFM图中可以看到相同静脉纹理结构上的图像块之间的纹理特征相似度非常高。

图7为根据式(13)得到的改进后的核函数与其它核函数的对比图，从图中可以看到高斯型核函数曲线b虽然相对于指数型曲线a有了一定的改进，但是同样在距离值开始增大时下降就比较快，同时在高低相似度过渡区下降缓慢，导致其对于距离值较小邻域图像块加权力度不够；而余弦核函数的曲线e随着距离值的增大，一开始下降的比较缓慢，且存在着阈值，曲线下降较慢带来的一个缺点就是存在相似度较低的邻域图像块获得了较可观的权重值，导致了相关性较小的图像块权值得到了一定的累积，造成了加权过度的问题，引入了噪声的影响容易导致去噪后静脉边缘信息变模糊。巴特沃兹传递函数曲线d可以看到核函数保持了较高的权值，随着距离值的加大，在高距离值与低距离值的过渡区权值迅速衰减，最终在相似度较低时曲线趋于零。但是直接使用巴特沃兹传递函数作为加权核函数存在一个缺点就是当距离值比较小的时候，这些与中心邻域图像块相似度比较高的图像块得到的权值都趋近于1，没有体现这部分图像块之间权重的差异性，因此采用余弦核函数对其进行结合，使得其在距离值较小的区域，随着距离的增加权重也能够缓慢的下降。BC双核函数曲线c综合了两者的优点，避免了相似邻域权重偏小和不相似邻域权重偏大的情况，并且滤波平滑系数h₁和h₂也可以很好地控制高低相似度的过渡点，最终得到的核函数能够非常好地符合NLM算法对于理想加权核函数的四个要求。

图8、图9以采集的手指静脉原图像为例，随机选择选择了两幅测试图对其添加加性高斯白噪声干扰，设置均值μ＝0，标准差10，分别采用传统NLM算法、高斯非局部均值(Guassian Non-local Means，GNLM)算法以及本发明进行处理并作结果比对。测试图像尺寸为200×84，为了减少算法计算量，提高运算效率，针对所用的手指静脉图像尺寸经过大量的实验研究测试，本发明在进行仿真实验时，设置搜索窗口大小设置为11×11，像素中心邻域窗口大小为5×5，传统NLM算法、GNLM算法与本章算法的窗口大小一致，BC核函数中c值取0.01，n值取5，h₁＝σ，d_λ和T_λ分别取60和3.5，传统NLM算法滤波系数h也设为h＝σ。从图中可以看出，本发明所提GTBCNLM算法在去噪的同时保留了更多图像细节信息，视觉效果较传统NLM算法与GNLM算法好，并且后续提取特征更加地准确，证明了其有效性。

图10是从图像库内随机挑选了一副手指静脉红外测试图，分别使用μ为0，σ分别为5，10，15，20的4个程度的加性高斯白噪声进行干扰，经过传统NLM算法、GNLM算法与本发明实验仿真得到PSNR值比对结果，从结果可以看出本发明在去除手指静脉图像噪声的同时，对静脉的纹理边缘细节都有了更好的保护，性能上要优于传统NLM算法与GNLM算法。

上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出得各种变化，也应视为本发明的保护范围。

Claims (7)

1.基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于包括如下步骤：

步骤S1、获取指静脉原图像的Gabor纹理特征矩阵的高斯核函数；

步骤S2、通过多个角度的Gabor滤波器对图像纹理进行提取；

步骤S3、将手指静脉原图像进行卷积，然后取模作为最终变换后的Gabor滤波响应幅值；

步骤S4、将8个方向的滤波响应幅值H_k按相互垂直分别组成4组，然后计算两者滤波响应差值绝对值，并选取最大的那一对方向组合；

步骤S5、为了避免未知信息对后续特征编码造成影响，在计算包含了未知信息的部分像素点的Gabor响应幅值时，将窗口内的未知信息灰度值置为零；

步骤S6、定义Gabor纹理特征相似度比对值计算函数；

式中，GTFM_X和GTFM_Y分别是进行比对的两幅图像的GTFM，M和N分别为比对图像的长和宽；

步骤S7、利用Gabor纹理特征相似度来描述同一图像内的两个图像块之间的纹理结构相似性：

步骤S8、提出一种新的巴特沃兹余弦双核函数来取代NLM原算法的指数型核函数，结合Gabor纹理特征相似度，进行权重的分配；

式中参数h₁和h₂为滤波平滑系数，d(i,j)为中心邻域与加权邻域图像块的灰度值欧式距离，GTSIM(i,j)为中心邻域与加权邻域的Gabor纹理相似度值，h₂取为GTSIM(i,j)的理论最大可能值7，c为控制巴特沃兹滤波通带处数值大小的参数，n为滤波器的阶数；d_λ和T_λ分别为灰度值欧式距离和Gabor纹理相似度的阈值；

步骤S9、使用巴特沃兹余弦双核函数式代替传统NLM算法中的核函数，然后通过加权计算得到权重表达式：

最终通过加权计算得到去噪后的像素值，代替污染像素点；

2.根据权利要求1所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S1具体实现如下：

获取图像的Gabor纹理特征矩阵的高斯核函数如式(1)：

式(1)是一个通过正弦平面波加窗的高斯核函数，可以拆分如下：

式(2)～(4)中g_re是滤波器实部，g_im是虚部，(x,y)是点的坐标；θ为Gabor滤波的方向角度参数；(x',y')是像素点旋转θ后的坐标；λ为正弦波函数波长；ψ为正弦波函数的相位偏移量；γ为Gabor核函数的空间方向比例，也称为作用域的椭圆率；σ为高斯核函数的标准差，也称为空间尺度因子。

3.根据权利要求1所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S2具体实现如下：

多个角度的Gabor滤波器的方向参数θ决定了滤波器的方向特性，其表示如下：

式中N为Gabor滤波器组的总方向数，N取值为8，用于后续特征编码，k表示第k个角度，π/N是角度间隔。

4.根据权利要求3所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S3具体实现如下：

将手指静脉原图像F(x,y)分别与式(2)和式(3)卷积后，按式(8)取模作为最终变换后的系数幅值：

H_k,σ(x,y)_re＝F(x,y)*g_k,σ(x,y)_re (6)

H_k,σ(x,y)_im＝F(x,y)*g_k,σ(x,y)_im (7)

式(6)～(8)中g_k,σ(x,y)_re、g_k,σ(x,y)_im分别是第k个角度，尺度为σ的Gabor核函数的实部和虚部，对应的H_k,σ(x,y)_re、H_k,σ(x,y)_im分别是它们各自与图像卷积后的结果，H_k,σ(x,y)为最终第k个角度、尺度为σ上的系数幅值；按式(9)首先选择3个尺度中最大的系数幅值作为每个像素点在该方向上最终的幅值系数，然后获得8个方向上的Gabor滤波响应幅值H_k，k＝1,2,...,8。

5.根据权利要求4所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S4具体实现如下：

将8个方向的滤波响应幅值H_k按相互垂直分别组成4组，然后计算两者滤波响应差值绝对值，并选取最大的那一对方向组合：

式中ΔH_kmax那组的两个方向kmax和kmax^⊥就是手指静脉图像像素点F(x,y)的可能纹理走向，两者中哪个方向的响应幅值较大说明该方向的纹理边缘信息能量更强烈；按式(11)对两者进行比较后将表示该方向的序号值作为纹理特征编码值，最终得到整幅手指静脉图像的Gabor纹理特征矩阵:

6.根据权利要求5所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S5具体实现如下：

当手指静脉图像为受损图像时，对于破损边界外围一圈上的点，由于这部分像素点的卷积窗口内包含了未知信息，为了避免未知信息对后续特征编码造成影响，因此在计算此部分像素点的Gabor响应幅值时将窗口内的未知信息灰度值置为零；因此将式(11)修改如下：

式中F(x,y)为图像中的像素点。

7.根据权利要求6所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S7具体实现如下：

利用Gabor纹理特征相似度来描述同一图像内的两个图像块之间的纹理结构相似性：

GTSIM(i,j)＝avg(|G(N_i)-G(N_j)|) (12)

式中G(N_i)和G(N_j)分别表示原图中以i为中心的图像块和以j为中心的图像块所对应的Gabor纹理特征向量，GTSIM(i,j)为两者之间的纹理特征差值绝对值平均，其值大小表现了两个图像块在纹理结构上的相似性。

Images