CN111223082A - 一种指静脉图像质量的量化评估方法 - Google Patents
一种指静脉图像质量的量化评估方法 Download PDFInfo
- Publication number
- CN111223082A CN111223082A CN202010007188.8A CN202010007188A CN111223082A CN 111223082 A CN111223082 A CN 111223082A CN 202010007188 A CN202010007188 A CN 202010007188A CN 111223082 A CN111223082 A CN 111223082A
- Authority
- CN
- China
- Prior art keywords
- vein image
- index
- order gradient
- finger vein
- longitudinal
- 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.)
- Granted
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 371
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013178 mathematical model Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000010606 normalization Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种指静脉图像质量的量化评估方法,其包括以下步骤:(1)计算指静脉图像灰度分布指标;(2)计算指静脉图像噪声水平指标;(3)计算指静脉图像一阶梯度指标;(4)计算指静脉图像二阶梯度指标;(5)构建指静脉图像质量量化评估数学模型并计算模型参数;(6)利用构建的指静脉图像质量量化评估数学模型对不同环境下的图像质量进行量化评估,并依据量化评估结果对指静脉图像做针对性的预处理,消除不同环境对指静脉图像质量的影响。本发明可对指静脉图像的质量作出科学的量化评估,提高用户不同手指状态或不同外界环境下所得到的指静脉图像的一致性,进而可提高指静脉的识别性能。
Description
技术领域
本发明属于模式识别技术领域,尤其涉及一种指静脉图像质量的量化评估方法。
背景技术
手指静脉识别技术是一种真正的活体识别技术,它是利用手指血管内流动血液中的血红蛋白对近红外光的吸收而形成的静脉血管图像,并对采集到的静脉血管图像进行图像预处理、静脉特征提取和静脉特征比对的身份识别技术,具有高精度和高防伪性的特性。
中国发明专利CN106326886A公开了一种基于卷积神经网络的手指静脉图像质量评估方法及系统,该方法为首先对手指静脉灰度图像的质量进行标注,其次建立训练样本集合,然后利用训练样本集合对卷积神经网络模型进行训练。最后将任意一幅灰度图像和二值图像输入到训练好的模型中,分别选取两个卷积神经网络模型中第二全连接层的输出为输入灰度图像和二值图像的深度特征向量;连接两个深度特征向量形成联合表达向量,并将其输入到支持向量机中进行训练,使用概率支持向量机来计算出预测手指静脉图像的质量;该评估方法及评估系统,能够很大程度上提升手指静脉图像质量评估的精度,改善认证系统的识别性能。
但是,在实际使用过程中,由于受到用户手指状态(冷热状态、干裂、起皮、脏污等)或外界环境状态(如高低温环境、强弱光环境、设备灰尘覆盖等)的影响,所获取到的指静脉图像往往会有一定的差异,进而会影响指静脉的识别性能,为科学评估用户手指状态或外界环境状态对指静脉图像质量造成的影响,首先需要建立指静脉图像质量的评价体系,该评价体系不仅可对静脉图像质量进行科学的量化评估,还可以根据指静脉图像质量的量化评估结果对不同环境下的指静脉图像进行针对性的图像处理,以消除不同环境对指静脉图像质量的影响,提高用户不同手指状态或不同外界环境下所得到的指静脉图像的一致性,进而可提高指静脉的识别性能。
发明内容
本发明针对现有技术中的问题,提供了一种指静脉图像质量的量化评估方法,该量化评估模型方法可对指静脉图像的质量作出科学的量化评估,为不同环境下指静脉图像的预处理提供基础数据和应对方案,提高用户不同手指状态或不同外界环境下所得到的指静脉图像的一致性,进而可提高指静脉的识别性能。
为了达到目的,本发明提供的技术方案为:
本发明涉及一种指静脉图像质量的量化评估方法,其包括以下步骤:
(1)计算指静脉图像灰度分布指标;
(2)计算指静脉图像噪声水平指标;
(3)计算指静脉图像一阶梯度指标;
(4)计算指静脉图像二阶梯度指标;
(5)构建指静脉图像质量量化评估数学模型并计算模型参数;
(6)利用构建的指静脉图像质量量化评估数学模型对不同环境下的图像质量进行量化评估,并依据量化评估结果对指静脉图像做针对性的预处理,消除不同环境对指静脉图像质量的影响。
优选地,步骤(1)中,指静脉图像灰度分布指标的计算包括以下过程:
(1-1)计算指静脉图像的灰度均值和灰度标准偏差,计算公式如下:
式中:
imgAvg为静脉图像的灰度均值;
imgStd为静脉图像的灰度标准偏差;
img(i,j)为指静脉图像某点的灰度值;
row为指静脉图像的行数;
col为指静脉图像的列数;
(1-2)计算指静脉图像的横向灰度分布指标,计算公式如下:
th1(i)=a0+a1*imgAvg+a2*imgHorizonAvg(i)-a3*imgStd-a4*imgHorizonStd(i)
th2(i)=a0+a1*imgAvg+a2*imgHorizonAvg(i)+a3*imgStd+a4*imgHorizonStd(i)
式中:
imgHorizonScore为静脉图像的横向灰度分布指标;
HorizonScore(i)为静脉图像某一行的横向灰度分布指标;
HorizonNum(j)为静脉图像某一行的横向灰度合格指标数;
th1(i)为横向灰度指标下限;
th2(i)为横向灰度指标上限;
imgHorizonAvg(i)为静脉图像某一行的灰度均值;
imgHorizonStd(i)为静脉图像某一行的灰度标准偏差;
a0、a1、a2、a3和a4均为模型参数;
(1-3)计算指静脉图像的纵向灰度分布指标,计算公式如下:
tv1(j)=b0+b1*imgAvg+b2*imgVerticalAvg(j)-b3*imgStd-b4*imgVerticalStd(j)
tv2(j)=b0+b1*imgAvg+b2*imgVerticalAvg(j)+b3*imgStd+b4*imgVerticalStd(j)
式中:
imgVerticalScore为静脉图像的纵向灰度分布指标;
VerticalScore(j)为静脉图像某一列的纵向灰度分布指标;
VerticalNum(i)为静脉图像某一列的的纵向灰度合格指标数;
tv1(j)为纵向灰度指标下限;
tv2(j)为纵向灰度指标上限;
imgVerticalAvg(j)为静脉图像某一列的灰度均值;
imgVerticalStd(j)为静脉图像某一列的灰度标准偏差;
b0、b1、b2、b3和b4均为模型参数。
优选地,步骤(2)中指静脉图像噪声水平指标的计算公式为:
式中:
imgNoise为静脉图像的噪声指标;
Fnoise为噪声卷积模板算子。
优选地,步骤(3)中,指静脉图像一阶梯度指标计算,具体包括如下步骤:
(3-1)计算指静脉图像的横向灰度一阶梯度指标,计算公式如下:
tFx1(i)=c0+c1*imgFxAvg+c2*imgFxAvg(i)-c3*imgFxStd-c4*imgFxStd(i)
tFx2(i)=c0+c1*imgFxAvg+c2*imgFxAvg(i)+c3*imgFxStd+c4*imgFxStd(i)
式中:
imgFxScore为静脉图像的横向一阶梯度分布指标;
imgFxScore(i)为静脉图像某一行的一阶梯度分布指标;
imgFxNum(i)为静脉图像某一行的一阶梯度的合格指标数;
tg1(i)为横向一阶梯度指标下限;
tg2(i)为纵向一阶梯度指标上限;
imgFx为静脉图像的横向一阶梯度;
Fx为横向一阶梯度卷积模板算子;
imgFxAvg为静脉图像的横向一阶梯度的均值;
imgFxAvg(i)为静脉图像某一行的横向一阶梯度的均值;
imgFxStd为静脉图像的横向一阶梯度的标准偏差;
imgFxStd(i)为静脉图像某一行的横向一阶梯度的标准偏差;
c0、c1、c2、c3和c4为模型参数;
(3-2)计算指静脉图像的纵向灰度一阶梯度指标,计算公式如下:
tFy1(j)=d0+d1*imgFyAvg+d2*imgFyAvg(j)-d3*imgFyStd-d4*imgFyStd(j)
tFy2(j)=d0+d1*imgFyAvg+d2*imgFyAvg(j)+d3*imgFyStd+d4*imgFyStd(j)
式中:
imgFyScore为静脉图像的纵向一阶梯度分布指标;
imgFyScore(j)为静脉图像某一列的纵向一阶梯度分布指标;
imgFyNum(j)为静脉图像某一列的纵向一阶梯度的合格指标数;
ty1(j)为静脉图像某一列的纵向一阶梯度归一化的指标下限;
ty2(j)为静脉图像某一列的纵向一阶梯度归一化的指标上限;
imgFy为静脉图像的纵向一阶梯度;
Fy为纵向一阶梯度卷积模板算子;
imgFyAvg为静脉图像的纵向一阶梯度的均值;
imgFyAvg(j)为静脉图像某一列的纵向一阶梯度的均值;
imgFyStd为静脉图像的纵向一阶梯度的标准偏差;
imgFyStd(j)为静脉图像某一列的纵向一阶梯度的标准偏差;
d0、d1、d2、d3和d4为模型参数。
优选地,步骤(4)中指静脉图像二阶梯度指标的计算,具体包括如下步骤:
(4-1)计算指静脉图像的横向灰度一阶梯度指标,计算公式如下:
tFxx1(i)=e0+e1*imgFxxAvg+e2*imgFxxAvg(i)-e3*imgFxxStd-e4*imgFxxStd(i)
tFxx2(i)=e0+e1*imgFxxAvg+e2*imgFxxAvg(i)+e3*imgFxxStd+e4*imgFxxStd(i)
式中:
imgFxxScore为静脉图像的横向二阶梯度分布指标;
imgFxxScore(i)为静脉图像某一行的横向二阶梯度分布指标;
imgFxxNum(i)为静脉图像某一行的横向二梯度的合格指标数;
tFxx1(i)为静脉图像某一行的横向二阶梯度归一化的指标下限;
tFxx2(i)为静脉图像某一行的横向二阶梯度归一化的指标上限;
imgFxx为静脉图像的横向二阶梯度;
Fxx为横向二阶梯度卷积模板算子;
imgFxxAvg为静脉图像的横向二阶梯度的均值;
imgFxxAvg(i)为静脉图像某一行的横向二阶梯度的均值;
imgFxxStd为静脉图像的横向二阶梯度的标准偏差;
imgFxxStd(i)为静脉图像某一行的横向二阶梯度的标准偏差;
e0、e1、e2、e3和e4为模型参数;
(4-2)计算指静脉图像的纵向灰度二阶梯度指标,计算公式如下:
tFyy1(j)=f0+f1*imgFyyAvg+f2*imgFyyAvg(j)-f3*imgFyyStd-f4*imgFyyStd(j)
tFyy2(j)=f0+f1*imgFyyAvg+f2*imgFyyAvg(j)+f3*imgFyyStd+f4*imgFyyStd(j)
式中:
imgFyyScore为静脉图像的纵向二阶梯度分布指标;
imgFyyScore(j)为静脉图像某一列的纵向二阶梯度分布指标;
imgFyyNum(j)为静脉图像某一列的纵向二阶梯度的合格指标数;
tFyy1(j)为静脉图像某一列的纵向二阶梯度归一化的指标下限;
tFyy2(j)为静脉图像某一列的纵向二阶梯度归一化的指标上限;
imgFyy为静脉图像的纵向二阶梯度;
Fyy为纵向二阶梯度卷积模板算子;
imgFyyAvg为静脉图像的纵向二阶梯度的均值;
imgFyyAvg(j)为静脉图像某一列的纵向二阶梯度的均值;
imgFyyStd为静脉图像的纵向二阶梯度的标准偏差;
imgFyyStd(j)为静脉图像某一列的纵向二阶梯度的标准偏差;
f0、f1、f2、f3和f4为模型参数。
优选地,步骤(5)中,构建指静脉图像质量量化评估数学模型和计算模型参数,具体包括如下步骤:
式中:
Function为指静脉图像质量量化评估数学模型;
imgHorizonScore为度量指静脉图像静脉信息的横向灰度指标;
imgVerticalScore为度量指静脉图像静脉信息的纵向灰度指标;
imgNoise为度量指静脉图像的噪声指标;
imgFxScore为度量指静脉图像静脉信息的横向边缘指标;
imgFyScore为度量指静脉图像静脉信息的纵向边缘指标;
imgFxxScore为度量指静脉图像静脉信息的横向拐点指标;
imgFyyScore为度量指静脉图像静脉信息的纵向拐点指标。
优选地,步骤(6)中,利用构建的指静脉图像质量量化评估数学模型对不同环境下的图像质量进行量化评估,并依据量化评估结果对指静脉图像做针对性的预处理,消除不同环境对指静脉图像质量的影响,使得不同在不同环境下的图像质量保持相同的状态,进而可提高不同使用环境下指静脉技术的识别性能和鲁棒性。
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:
本发明可对指静脉图像的质量作出科学的量化评估,为不同环境下指静脉图像的预处理提供基础数据和应对方案,提高用户不同手指状态或不同外界环境下所得到的指静脉图像的一致性,进而可提高指静脉的识别性能。
附图说明
图1为本发明中数学模型构建示意图。
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。
参照图1,本实施例涉及一种指静脉图像质量的量化评估方法,其特征在于,其包括以下步骤:
(1)计算指静脉图像灰度分布指标;
(2)计算指静脉图像噪声水平指标;
(3)计算指静脉图像一阶梯度指标;
(4)计算指静脉图像二阶梯度指标;
(5)构建指静脉图像质量量化评估数学模型并计算模型参数;
(6)利用构建的指静脉图像质量量化评估数学模型对不同环境下的图像质量进行量化评估,并依据量化评估结果对指静脉图像做针对性的预处理,消除不同环境对指静脉图像质量的影响。
步骤(1)中,指静脉图像灰度分布指标的计算包括以下过程:
(1-1)本实施例所用的指静脉图像尺寸大小为640*480pixel,即row=640pixel,col=480pixel,计算指静脉图像的灰度均值和灰度标准偏差,计算公式如下:
式中:
imgAvg为静脉图像的灰度均值;
imgStd为静脉图像的灰度标准偏差;
img(i,j)为指静脉图像某点的灰度值;
row为指静脉图像的行数;
col为指静脉图像的列数;
(1-2)计算指静脉图像的横向灰度分布指标,计算公式如下:
th1(i)=a0+a1*imgAvg+a2*imgHorizonAvg(i)-a3*imgStd-a4*imgHorizonStd(i)
th2(i)=a0+a1*imgAvg+a2*imgHorizonAvg(i)+a3*imgStd+a4*imgHorizonStd(i)
式中:
imgHorizonScore为静脉图像的横向灰度分布指标;
HorizonScore(i)为静脉图像某一行的横向灰度分布指标;
HorizonNum(j)为静脉图像某一行的横向灰度合格指标数;
th1(i)为横向灰度指标下限;
th2(i)为横向灰度指标上限;
imgHorizonAvg(i)为静脉图像某一行的灰度均值;
imgHorizonStd(i)为静脉图像某一行的灰度标准偏差;
a0、a1、a2、a3和a4均为模型参数;
根据不同环境中的指静脉图像的静脉特征数据对上述的模型参数进行数据回归分析,得到的模型参数为10.0、0.5、1.0、0.1、0.2,利用上述计算公式可得到指静脉图像静脉信息的横向灰度指标,是衡量指静脉横向信息强弱的指标。
(1-3)计算指静脉图像的纵向灰度分布指标,计算公式如下:
tv1(j)=b0+b1*imgAvg+b2*imgVerticalAvg(j)-b3*imgStd-b4*imgVerticalStd(j)
tv2(j)=b0+b1*imgAvg+b2*imgVerticalAvg(j)+b3*imgStd+b4*imgVerticalStd(j)
式中:
imgVerticalScore为静脉图像的纵向灰度分布指标;
VerticalScore(j)为静脉图像某一列的纵向灰度分布指标;
VerticalNum(i)为静脉图像某一列的的纵向灰度合格指标数;
tv1(j)为纵向灰度指标下限;
tv2(j)为纵向灰度指标上限;
imgVerticalAvg(j)为静脉图像某一列的灰度均值;
imgVerticalStd(j)为静脉图像某一列的灰度标准偏差;
b0、b1、b2、b3和b4均为模型参数;
根据不同环境中的指静脉图像的静脉特征数据对上述的模型参数进行数据回归分析,得到的模型参数为10.0、0.5、1.0、0.1、0.2,利用上述计算公式可得到指静脉图像静脉信息的横向灰度指标,是衡量指静脉纵向信息强弱的指标。
步骤(2)中指静脉图像噪声水平指标的计算公式为:
式中:
imgNoise为静脉图像的噪声指标;
Fnoise为噪声卷积模板算子;
步骤(3)中,指静脉图像一阶梯度指标计算,具体包括如下步骤:
(3-1)计算指静脉图像的横向灰度一阶梯度指标,计算公式如下:
tFx1(i)=c0+c1*imgFxAvg+c2*imgFxAvg(i)-c3*imgFxStd-c4*imgFxStd(i)
tFx2(i)=c0+c1*imgFxAvg+c2*imgFxAvg(i)+c3*imgFxStd+c4*imgFxStd(i)
式中:
imgFxScore为静脉图像的横向一阶梯度分布指标;
imgFxScore(i)为静脉图像某一行的一阶梯度分布指标;
imgFxNum(i)为静脉图像某一行的一阶梯度的合格指标数;
tg1(i)为横向一阶梯度指标下限;
tg2(i)为纵向一阶梯度指标上限;
imgFx为静脉图像的横向一阶梯度;
Fx为横向一阶梯度卷积模板算子;
imgFxAvg为静脉图像的横向一阶梯度的均值;
imgFxAvg(i)为静脉图像某一行的横向一阶梯度的均值;
imgFxStd为静脉图像的横向一阶梯度的标准偏差;
imgFxStd(i)为静脉图像某一行的横向一阶梯度的标准偏差;
c0、c1、c2、c3和c4为模型参数;
根据不同环境中的指静脉图像的静脉特征数据对上述的模型参数进行数据回归分析,得到的模型参数为0.0、0.3、1.0、0.3、1.0,利用上述计算公式可得到指静脉图像静脉信息的横向边缘指标,是衡量指静脉横向边缘信息强弱的指标。
(3-2)计算指静脉图像的纵向灰度一阶梯度指标,计算公式如下:
tFy1(j)=d0+d1*imgFyAvg+d2*imgFyAvg(j)-d3*imgFyStd-d4*imgFyStd(j)
tFy2(j)=d0+d1*imgFyAvg+d2*imgFyAvg(j)+d3*imgFyStd+d4*imgFyStd(j)
式中:
imgFyScore为静脉图像的纵向一阶梯度分布指标;
imgFyScore(j)为静脉图像某一列的纵向一阶梯度分布指标;
imgFyNum(j)为静脉图像某一列的纵向一阶梯度的合格指标数;
ty1(j)为静脉图像某一列的纵向一阶梯度归一化的指标下限;
ty2(j)为静脉图像某一列的纵向一阶梯度归一化的指标上限;
imgFy为静脉图像的纵向一阶梯度;
Fy为纵向一阶梯度卷积模板算子;
imgFyAvg为静脉图像的纵向一阶梯度的均值;
imgFyAvg(j)为静脉图像某一列的纵向一阶梯度的均值;
imgFyStd为静脉图像的纵向一阶梯度的标准偏差;
imgFyStd(j)为静脉图像某一列的纵向一阶梯度的标准偏差;
d0、d1、d2、d3和d4为模型参数;
根据不同环境中的指静脉图像的静脉特征数据对上述的模型参数进行数据回归分析,得到的模型参数为0.0、0.3、1.0、0.3、1.0,利用上述计算公式可得到指静脉图像静脉信息的纵向向边缘指标,是衡量指静脉纵向边缘信息强弱的指标。
步骤(4)中指静脉图像二阶梯度指标的计算,具体包括如下步骤:
(4-1)计算指静脉图像的横向灰度一阶梯度指标,计算公式如下:
tFxx1(i)=e0+e1*imgFxxAvg+e2*imgFxxAvg(i)-e3*imgFxxStd-e4*imgFxxStd(i)
tFxx2(i)=e0+e1*imgFxxAvg+e2*imgFxxAvg(i)+e3*imgFxxStd+e4*imgFxxStd(i)
式中:
imgFxxScore为静脉图像的横向二阶梯度分布指标;
imgFxxScore(i)为静脉图像某一行的横向二阶梯度分布指标;
imgFxxNum(i)为静脉图像某一行的横向二梯度的合格指标数;
tFxx1(i)为静脉图像某一行的横向二阶梯度归一化的指标下限;
tFxx2(i)为静脉图像某一行的横向二阶梯度归一化的指标上限;
imgFxx为静脉图像的横向二阶梯度;
Fxx为横向二阶梯度卷积模板算子;
imgFxxAvg为静脉图像的横向二阶梯度的均值;
imgFxxAvg(i)为静脉图像某一行的横向二阶梯度的均值;
imgFxxStd为静脉图像的横向二阶梯度的标准偏差;
imgFxxStd(i)为静脉图像某一行的横向二阶梯度的标准偏差;
e0、e1、e2、e3和e4为模型参数;
根据不同环境中的指静脉图像的静脉特征数据对上述的模型参数进行数据回归分析,得到的模型参数为0.0、0.2、1.0、0.1-1.0,利用上述计算公式可得到指静脉图像静脉信息的横向拐点指标,是衡量指静脉横向拐点信息强弱的指标
(4-2)计算指静脉图像的纵向灰度二阶梯度指标,计算公式如下:
tFyy1(j)=f0+f1*imgFyyAvg+f2*imgFyyAvg(j)-f3*imgFyyStd-f4*imgFyyStd(j)
tFyy2(j)=f0+f1*imgFyyAvg+f2*imgFyyAvg(j)+f3*imgFyyStd+f4*imgFyyStd(j)
式中:
imgFyyScore为静脉图像的纵向二阶梯度分布指标;
imgFyyScore(j)为静脉图像某一列的纵向二阶梯度分布指标;
imgFyyNum(j)为静脉图像某一列的纵向二阶梯度的合格指标数;
tFyy1(j)为静脉图像某一列的纵向二阶梯度归一化的指标下限;
tFyy2(j)为静脉图像某一列的纵向二阶梯度归一化的指标上限;
imgFyy为静脉图像的纵向二阶梯度;
Fyy为纵向二阶梯度卷积模板算子;
imgFyyAvg为静脉图像的纵向二阶梯度的均值;
imgFyyAvg(j)为静脉图像某一列的纵向二阶梯度的均值;
imgFyyStd为静脉图像的纵向二阶梯度的标准偏差;
imgFyyStd(j)为静脉图像某一列的纵向二阶梯度的标准偏差;
f0、f1、f2、f3和f4为模型参数;
根据不同环境中的指静脉图像的静脉特征数据对上述的模型参数进行数据回归分析,得到的模型参数为0.0、0.2、1.0、0.1-1.0,利用上述计算公式可得到指静脉图像静脉信息的纵向拐点指标,是衡量指静脉纵向拐点信息强弱的指标。
步骤(5)中,构建指静脉图像质量量化评估数学模型和计算模型参数,具体包括如下步骤:
式中:
Function为指静脉图像质量量化评估数学模型;
imgHorizonScore为度量指静脉图像静脉信息的横向灰度指标;
imgVerticalScore为度量指静脉图像静脉信息的纵向灰度指标;
imgNoise为度量指静脉图像的噪声指标;
imgFxScore为度量指静脉图像静脉信息的横向边缘指标;
imgFyScore为度量指静脉图像静脉信息的纵向边缘指标;
imgFxxScore为度量指静脉图像静脉信息的横向拐点指标;
imgFyyScore为度量指静脉图像静脉信息的纵向拐点指标;
本实施例所采用的指静脉图像质量量化评估数学模型为线性模型,具体的模型参数形式如下:
根据不同环境中的指静脉图像的静脉特征数据对上述的模型参数进行数据回归分析,得到的模型参数为0.0、0.2、0.1、0.1、-0.1、0.3、0.3、0.5、0.5,利用上述计算公式可得到指静脉图像质量的综合评估结果。
在步骤(6)中,指静脉图像质量的量化评估模型对不同使用环境下的图像质量进行量化评估与图像处理技术支持,具体包括:
利用构建的指静脉图像质量量化评估数学模型对不同环境下的图像质量进行量化评估,并依据量化评估结果对指静脉图像做针对性的预处理,消除不同环境对指静脉图像质量的影响,使得不同在不同环境下的图像质量保持相同的状态,进而可提高不同使用环境下指静脉技术的识别性能和鲁棒性。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方案,实际的结构并不局限于此。所以本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (7)
1.一种指静脉图像质量的量化评估方法,其特征在于,其包括以下步骤:
(1)计算指静脉图像灰度分布指标;
(2)计算指静脉图像噪声水平指标;
(3)计算指静脉图像一阶梯度指标;
(4)计算指静脉图像二阶梯度指标;
(5)构建指静脉图像质量量化评估数学模型并计算模型参数;
(6)利用构建的指静脉图像质量量化评估数学模型对不同环境下的图像质量进行量化评估,并依据量化评估结果对指静脉图像做针对性的预处理,消除不同环境对指静脉图像质量的影响。
2.根据权利要求1所述的指静脉图像质量的量化评估方法,其特征在于,步骤(1)中,指静脉图像灰度分布指标的计算包括以下过程:
(1-1)计算指静脉图像的灰度均值和灰度标准偏差,计算公式如下:
式中:
imgAvg为静脉图像的灰度均值;
imgStd为静脉图像的灰度标准偏差;
img(i,j)为指静脉图像某点的灰度值;
row为指静脉图像的行数;
col为指静脉图像的列数;
(1-2)计算指静脉图像的横向灰度分布指标,计算公式如下:
th1(i)=a0+a1*imgAvg+a2*imgHorizonAvg(i)-a3*imgStd-a4*imgHorizonStd(i)
th2(i)=a0+a1*imgAvg+a2*imgHorizonAvg(i)+a3*imgStd+a4*imgHorizonStd(i)
式中:
imgHorizonScore为静脉图像的横向灰度分布指标;
HorizonScore(i)为静脉图像某一行的横向灰度分布指标;
HorizonNum(j)为静脉图像某一行的横向灰度合格指标数;
th1(i)为横向灰度指标下限;
th2(i)为横向灰度指标上限;
imgHorizonAvg(i)为静脉图像某一行的灰度均值;
imgHorizonStd(i)为静脉图像某一行的灰度标准偏差;
a0、a1、a2、a3和a4均为模型参数;
(1-3)计算指静脉图像的纵向灰度分布指标,计算公式如下:
tv1(j)=b0+b1*imgAvg+b2*imgVerticalAvg(j)-b3*imgStd-b4*imgVerticalStd(j)
tv2(j)=b0+b1*imgAvg+b2*imgVerticalAvg(j)+b3*imgStd+b4*imgVerticalStd(j)
式中:
imgVerticalScore为静脉图像的纵向灰度分布指标;
VerticalScore(j)为静脉图像某一列的纵向灰度分布指标;
VerticalNum(i)为静脉图像某一列的的纵向灰度合格指标数;
tv1(j)为纵向灰度指标下限;
tv2(j)为纵向灰度指标上限;
imgVerticalAvg(j)为静脉图像某一列的灰度均值;
imgVerticalStd(j)为静脉图像某一列的灰度标准偏差;
b0、b1、b2、b3和b4均为模型参数。
4.根据权利要求1所述的指静脉图像质量的量化评估方法,其特征在于,在步骤(3)中,指静脉图像一阶梯度指标计算,具体包括如下步骤:
(3-1)计算指静脉图像的横向灰度一阶梯度指标,计算公式如下:
tFx1(i)=c0+c1*imgFxAvg+c2*imgFxAvg(i)-c3*imgFxStd-c4*imgFxStd(i)
tFx2(i)=c0+c1*imgFxAvg+c2*imgFxAvg(i)+c3*imgFxStd+c4*imgFxStd(i)
式中:
imgFxScore为静脉图像的横向一阶梯度分布指标;
imgFxScore(i)为静脉图像某一行的一阶梯度分布指标;
imgFxNum(i)为静脉图像某一行的一阶梯度的合格指标数;
tg1(i)为横向一阶梯度指标下限;
tg2(i)为纵向一阶梯度指标上限;
imgFx为静脉图像的横向一阶梯度;
Fx为横向一阶梯度卷积模板算子;
imgFxAvg为静脉图像的横向一阶梯度的均值;
imgFxAvg(i)为静脉图像某一行的横向一阶梯度的均值;
imgFxStd为静脉图像的横向一阶梯度的标准偏差;
imgFxStd(i)为静脉图像某一行的横向一阶梯度的标准偏差;
c0、c1、c2、c3和c4为模型参数;
(3-2)计算指静脉图像的纵向灰度一阶梯度指标,计算公式如下:
tFy1(j)=d0+d1*imgFyAvg+d2*imgFyAvg(j)-d3*imgFyStd-d4*imgFyStd(j)
tFy2(j)=d0+d1*imgFyAvg+d2*imgFyAvg(j)+d3*imgFyStd+d4*imgFyStd(j)
式中:
imgFyScore为静脉图像的纵向一阶梯度分布指标;
imgFyScore(j)为静脉图像某一列的纵向一阶梯度分布指标;
imgFyNum(j)为静脉图像某一列的纵向一阶梯度的合格指标数;
ty1(j)为静脉图像某一列的纵向一阶梯度归一化的指标下限;
ty2(j)为静脉图像某一列的纵向一阶梯度归一化的指标上限;
imgFy为静脉图像的纵向一阶梯度;
Fy为纵向一阶梯度卷积模板算子;
imgFyAvg为静脉图像的纵向一阶梯度的均值;
imgFyAvg(j)为静脉图像某一列的纵向一阶梯度的均值;
imgFyStd为静脉图像的纵向一阶梯度的标准偏差;
imgFyStd(j)为静脉图像某一列的纵向一阶梯度的标准偏差;
d0、d1、d2、d3和d4为模型参数。
5.根据权利要求1所述的指静脉图像质量的量化评估方法,其特征在于,步骤(4)中指静脉图像二阶梯度指标的计算,具体包括如下步骤:
(4-1)计算指静脉图像的横向灰度一阶梯度指标,计算公式如下:
tFxx1(i)=e0+e1*imgFxxAvg+e2*imgFxxAvg(i)-e3*imgFxxStd-e4*imgFxxStd(i)
tFxx2(i)=e0+e1*imgFxxAvg+e2*imgFxxAvg(i)+e3*imgFxxStd+e4*imgFxxStd(i)
式中:
imgFxxScore为静脉图像的横向二阶梯度分布指标;
imgFxxScore(i)为静脉图像某一行的横向二阶梯度分布指标;
imgFxxNum(i)为静脉图像某一行的横向二梯度的合格指标数;
tFxx1(i)为静脉图像某一行的横向二阶梯度归一化的指标下限;
tFxx2(i)为静脉图像某一行的横向二阶梯度归一化的指标上限;
imgFxx为静脉图像的横向二阶梯度;
Fxx为横向二阶梯度卷积模板算子;
imgFxxAvg为静脉图像的横向二阶梯度的均值;
imgFxxAvg(i)为静脉图像某一行的横向二阶梯度的均值;
imgFxxStd为静脉图像的横向二阶梯度的标准偏差;
imgFxxStd(i)为静脉图像某一行的横向二阶梯度的标准偏差;
e0、e1、e2、e3和e4为模型参数;
(4-2)计算指静脉图像的纵向灰度二阶梯度指标,计算公式如下:
tFyy1(j)=f0+f1*imgFyyAvg+f2*imgFyyAvg(j)-f3*imgFyyStd-f4*imgFyyStd(j)
tFyy2(j)=f0+f1*imgFyyAvg+f2*imgFyyAvg(j)+f3*imgFyyStd+f4*imgFyyStd(j)
式中:
imgFyyScore为静脉图像的纵向二阶梯度分布指标;
imgFyyScore(j)为静脉图像某一列的纵向二阶梯度分布指标;
imgFyyNum(j)为静脉图像某一列的纵向二阶梯度的合格指标数;
tFyy1(j)为静脉图像某一列的纵向二阶梯度归一化的指标下限;
tFyy2(j)为静脉图像某一列的纵向二阶梯度归一化的指标上限;
imgFyy为静脉图像的纵向二阶梯度;
Fyy为纵向二阶梯度卷积模板算子;
imgFyyAvg为静脉图像的纵向二阶梯度的均值;
imgFyyAvg(j)为静脉图像某一列的纵向二阶梯度的均值;
imgFyyStd为静脉图像的纵向二阶梯度的标准偏差;
imgFyyStd(j)为静脉图像某一列的纵向二阶梯度的标准偏差;
f0、f1、f2、f3和f4为模型参数。
6.根据权利要求1所述的指静脉图像质量的量化评估方法,其特征在于,步骤(5)中,构建指静脉图像质量量化评估数学模型和计算模型参数,具体包括如下步骤:
式中:
Function为指静脉图像质量量化评估数学模型;
imgHorizonScore为度量指静脉图像静脉信息的横向灰度指标;
imgVerticalScore为度量指静脉图像静脉信息的纵向灰度指标;
imgNoise为度量指静脉图像的噪声指标;
imgFxScore为度量指静脉图像静脉信息的横向边缘指标;
imgFyScore为度量指静脉图像静脉信息的纵向边缘指标;
imgFxxScore为度量指静脉图像静脉信息的横向拐点指标;
imgFyyScore为度量指静脉图像静脉信息的纵向拐点指标。
7.根据权利要求1所述的指静脉图像质量的量化评估方法,其特征在于,步骤(6)中,利用构建的指静脉图像质量量化评估数学模型对不同环境下的图像质量进行量化评估,并依据量化评估结果对指静脉图像做针对性的预处理,消除不同环境对指静脉图像质量的影响,使得不同在不同环境下的图像质量保持相同的状态,进而可提高不同使用环境下指静脉技术的识别性能和鲁棒性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010007188.8A CN111223082B (zh) | 2020-01-03 | 2020-01-03 | 一种指静脉图像质量的量化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010007188.8A CN111223082B (zh) | 2020-01-03 | 2020-01-03 | 一种指静脉图像质量的量化评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223082A true CN111223082A (zh) | 2020-06-02 |
CN111223082B CN111223082B (zh) | 2023-06-20 |
Family
ID=70831269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010007188.8A Active CN111223082B (zh) | 2020-01-03 | 2020-01-03 | 一种指静脉图像质量的量化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223082B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102209A (zh) * | 2020-11-17 | 2020-12-18 | 四川圣点世纪科技有限公司 | 一种异常静脉图像的修复方法及装置 |
CN112561878A (zh) * | 2020-12-15 | 2021-03-26 | 黑龙江大学 | 基于加权融合的手指静脉图像质量评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070031015A1 (en) * | 2005-08-03 | 2007-02-08 | Hong Chen | Automatic determination of joint space width from hand radiographs |
CN105975951A (zh) * | 2016-05-27 | 2016-09-28 | 国创科视科技股份有限公司 | 手指中段指静脉指纹融合识别方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估系统 |
CN108280448A (zh) * | 2017-12-29 | 2018-07-13 | 北京智慧眼科技股份有限公司 | 指静脉按压图的判别方法及装置、指静脉识别方法 |
-
2020
- 2020-01-03 CN CN202010007188.8A patent/CN111223082B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070031015A1 (en) * | 2005-08-03 | 2007-02-08 | Hong Chen | Automatic determination of joint space width from hand radiographs |
CN105975951A (zh) * | 2016-05-27 | 2016-09-28 | 国创科视科技股份有限公司 | 手指中段指静脉指纹融合识别方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估系统 |
CN108280448A (zh) * | 2017-12-29 | 2018-07-13 | 北京智慧眼科技股份有限公司 | 指静脉按压图的判别方法及装置、指静脉识别方法 |
Non-Patent Citations (1)
Title |
---|
林春漪等: "一种基于梯度相关的指静脉认证算法", 《计算机工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102209A (zh) * | 2020-11-17 | 2020-12-18 | 四川圣点世纪科技有限公司 | 一种异常静脉图像的修复方法及装置 |
CN112102209B (zh) * | 2020-11-17 | 2021-02-19 | 四川圣点世纪科技有限公司 | 一种异常静脉图像的修复方法及装置 |
CN112561878A (zh) * | 2020-12-15 | 2021-03-26 | 黑龙江大学 | 基于加权融合的手指静脉图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111223082B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Connecting image denoising and high-level vision tasks via deep learning | |
CN109345508B (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
CN109685743B (zh) | 基于噪声学习神经网络模型的图像混合噪声消除方法 | |
Zhao et al. | Fuzzy c-means clustering with non local spatial information for noisy image segmentation | |
CN110059586B (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN107516316B (zh) | 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法 | |
CN107392865B (zh) | 一种人脸图像的复原方法 | |
CN111539320B (zh) | 基于互相学习网络策略的多视角步态识别方法及系统 | |
CN110555382A (zh) | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 | |
Gottschlich et al. | Robust orientation field estimation and extrapolation using semilocal line sensors | |
CN108681689B (zh) | 基于生成对抗网络的帧率增强步态识别方法及装置 | |
CN111259735B (zh) | 基于多级预测特征增强卷积神经网络的单人姿态估计方法 | |
CN111223082B (zh) | 一种指静脉图像质量的量化评估方法 | |
Huang et al. | TISNet‐Enhanced Fully Convolutional Network with Encoder‐Decoder Structure for Tongue Image Segmentation in Traditional Chinese Medicine | |
CN115797216B (zh) | 一种基于自编码网络的碑文文字修复模型及修复方法 | |
CN105761280A (zh) | 一种基于l1-l2范数联合约束的视觉跟踪方法 | |
CN114170478A (zh) | 基于跨图像局部特征对齐的缺陷检测、定位的方法及系统 | |
CN113962878B (zh) | 一种低能见度图像去雾模型方法 | |
CN110288026A (zh) | 一种基于度量关系图学习的图像分割方法及装置 | |
CN116385467B (zh) | 基于自监督学习的脑血管分割方法及相关设备 | |
CN111401209B (zh) | 一种基于深度学习的动作识别方法 | |
CN117593540A (zh) | 一种基于智能化图像识别技术的压力性损伤分期识别方法 | |
CN110889858A (zh) | 一种基于点回归的汽车部件分割方法及装置 | |
CN115909332A (zh) | 一种基于通道特征加强的农业遥感图像语义分割方法 | |
CN115457296A (zh) | 一种面向非平稳纹理结构属性的结构提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Quantitative Evaluation Method for Finger Vein Image Quality Granted publication date: 20230620 Pledgee: Bank of China Limited Taiyuan Binzhou sub branch Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2024140000011 |