CN111242864B - 一种基于Gabor纹理约束的手指静脉图像修复方法 - Google Patents
一种基于Gabor纹理约束的手指静脉图像修复方法 Download PDFInfo
- Publication number
- CN111242864B CN111242864B CN202010029073.9A CN202010029073A CN111242864B CN 111242864 B CN111242864 B CN 111242864B CN 202010029073 A CN202010029073 A CN 202010029073A CN 111242864 B CN111242864 B CN 111242864B
- Authority
- CN
- China
- Prior art keywords
- texture
- gabor
- point
- image
- finger vein
- 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.)
- Active
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 96
- 230000008439 repair process Effects 0.000 claims abstract description 59
- 230000000694 effects Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 17
- 238000009792 diffusion process Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000005428 wave function Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 13
- 230000000007 visual effect Effects 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000679046 Teleas Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06V40/14—Vascular patterns
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于Gabor纹理约束的手指静脉图像修复方法。本发明首先提出垂直相位差编码方式获取指静脉图像的Gabor纹理特征矩阵,然后在修复计算时根据手指静脉图像局部纹理连贯的特点,通过Gabor纹理约束机制剔除窗口内与待修补点纹理相关性弱的已知信息,克服了传统修复算法修复时易引入无关信息干扰的问题,使修复过程严格按照手指静脉图像的纹理走向进行。本发明修复后图像纹理连贯性更佳,对破损图像的识别性能提升更多。本发明在修复过程中引入了Gabor纹理约束机制,修复后图像的静脉纹理边缘连贯性上更加地良好,因此后续得到的静脉骨架特征更加地稳定。因此,本发明是一种对破损的指静脉图像修复效果较好的指静脉图像修复算法。
Description
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
手指静脉识别系统的性能十分依赖于手指静脉图像的质量,然而开放式使用场景下设备镜面上的脏污块、用户手指存在蜕皮情况等因素均会对手指静脉图像信息造成损失,增大后续静脉特征提取的难度,最终影响整个系统的识别性能。因此对于手指静脉图像修复算法的研究具有重要的理论与实际应用意义。
在图像修复算法的发展中,主要形成了以下两大类:第一类是基于非纹理的算法,其通过计算图像的梯度场或者二阶导数场,采用特定扩散模型,按照逐点修复的形式完成对受损区域的修补过程,比较经典的有Bertalmio等人提出的基于偏微分(PartialDifferential Equation,PDE)方程的BSCB模型,Chan等人提出的全变分模型(TotalVariation,TV)、基于曲率的扩散模型(Curvature Driven Diffusions,CDD)以及Telea等人提出的基于快速行进法(Fast Marching Method,FMM)算法的模型,然而该类方法本质上在修复时只考虑了图像结构层的几何信息,而忽略了图像纹理信息,因此在修复纹理区域时表现一般。第二类是基于纹理合成的算法,最经典的是Criminisi等人提出的基于样本的图像修复算法,该算法结合了纹理合成与扩散填充的优点,可修复较大孔洞的缺失信息,视觉效果比较自然,但在选择最佳匹配块时仅利用了图像灰度信息,有时会出现匹配错误和信息丢失的现象。近年来,学者们也提出了许多改进算法。Bertalmio等人提出了结合纹理合成与偏微分方程的修复算法;Sun等人提出了利用稀疏性描述图像的结构信息来计算像素块的置信度对Criminisi算法进行了改进。
但是上述算法大多是对图像目标边缘细节比较清晰的图像作研究,然而目前针对手指静脉这类血管图像的修复算法具体研究较少,并且静脉血管粗细与延伸方向不同,静脉纹理边缘信息较弱等特点使得灰度结构与梯度信息对图像纹理特征的描述不够准确,导致了算法对于静脉纹理边缘的保持性能上都欠佳,影响后续静脉骨架特征分割提取的稳定性,因此本文提出基于Gabor纹理约束的手指静脉图像修复算法,首先提出垂直相位差编码方式获取图像的Gabor纹理特征矩阵(Gabor Texture Feature Matrix,GTFM),准确地描述图像的纹理结构信息,然后在修复时根据手指静脉图像局部纹理连贯的特点,通过Gabor纹理约束机制剔除窗口内与待修补点纹理相关性弱的已知信息,使修复过程严格按照手指静脉图像的纹理走向进行,修复后的静脉纹理更加完整连贯。
发明内容
对于受损的静脉图像中的破损区域容易产生伪静脉影响识别性能,而现有的图像修复算法容易导致静脉纹理结构模糊、断裂等问题,本发明提供一种基于Gabor纹理约束的手指静脉图像修复方法。
本发明所采用的技术方案包括以下步骤:
S1、提取手指静脉图像的纹理边缘信息。提取Gabor核函数,Gabor核函数是一个通过正弦平面波加窗的高斯核函数,如式(1):
式(1)中,(x,y)是点的坐标;θ为方向角度参数;(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;σ为高斯标准差,也称空间尺度因子;γ为Gabor核函数的空间方向比例。实验表明参数取值与图像尺寸大小相关,根据图像尺寸对参数进行合适的设定能获得更优的纹理提取效果。
根据手指静脉的延伸分布的多方向性,提取多个角度的Gabor滤波器,如式(2)所示:
式中N为总方向数,取值为8,用于后续特征编码,k表示第个角度,π/N是角度间隔。
将得到的Gabor核函数分解为实部核函数gre和虚部核函数gim,将手指静脉原图像F(x,y)分别与gre和gim进行卷积,并取模得到最终的系数幅值,如式(3)所示:
式中,得到Hk,σ(x,y)re、Hk,σ(x,y)im分别表示k角度,σ尺度的Gabor滤波器的实部和虚部与原图卷积后的结果,Hk,σ(x,y)为最终的系数幅值,其大小代表着各个方向和各个尺度上图像的能量,系数幅值越大代表该尺度保留的纹理边缘信息越丰富。
故选择3个尺度中最大的作为每个点在该方向上的幅值系数,获取8个方向上的Gabor滤波响应图Hk(k=1,2,…,8):
S2、对得到的8个方向的Gabor滤波响应图进行垂直相位差量化编码。将8个方向的滤波响应幅值Hk按相互垂直关系组成4组(1-5,2-6,3-7,4-8),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进行组合,如式(5)所示:
式中,ΔHk max那组的两个方向k max和k max⊥就是手指静脉图像像素点F(x,y)的可能走向,俩者之间较大者代表着该方向的滤波响应值最大。由此可通过下式计算得到最终编码后的Gabor纹理特征矩阵:
并为了避免未知信息对后续特征编码造成的影响,将未知点的灰度值置为0,将式(6)修改为式(7)所示:
S3、确定待修补窗口主纹理方向。
首先统计待修补窗口内所有已知信息点对应的Gabor纹理特征值,并设置其众数(即窗口内概率最大的纹理方向)为该窗口的主纹理特征,然后对待修补点的Gabor纹理特征值进行赋值更新。待修补窗口主纹理特征的推断与更新公式如式(8)、式(9)所示:
S4、设计Gabor纹理约束机制以及权重参数。
首先计算窗口内主纹理走向上的已知像素点的灰度平均值avg,然后统计该纹理走向上的每个已知点q与avg差的绝对值以及与中心待修补点p之间的欧式距离,计算过程如式(10)、式(11)、式(12)所示:
gray(p,q)=|F(q)-avg| (11)
dst(p,q)=||p-q||2 (12)
式中,gray为灰度结构系数,灰度值越接近该纹理走向上灰度平均值的点将赋予更高的权值,dst为距离系数,与待修补点p相距越近的点将赋予更高的权值。
再根据标准正态分布模型的指数部分计算各像素点权重值的大小:
将权值进行归一化处理:
最终可得到加权公式的最终定义:
S5、确定破损区域的修复优先级。
修复优先级也是影响图像修复算法性能的重要因素。本发明采用Sethian提出的水平集算法模拟破损边界曲线演化的过程,从破损边界开始通过逐点修复的方式逐步向内部扩散,直到所有的未知像素点都被修补完毕。假设边界经过每个像素点的时间为T(i,j),当边界经过某一点时,只需要更新当前点4邻域像素点的时间信息,因此减少了计算时间。破损区域边界扩散满足Eikonal方程条件:
|▽T|=1/vi,j (16)
式中vi,j表示破损边界上某点的扩散速度,图像中每次行进一个像素点,因此取值为1。再使用逆向差分法对方程式(16)进行求解,得到破损边缘经过各个未知点的时间T值,如式(17)所示:
S6、根据修复优先级,进行基于Gabor约束下的手指静脉破损区域修复。根据步骤S5得到的修复优先级选取优先修复点,再通过步骤S1、S2、S3获得待修补窗口主纹理方向,根据主纹理方向对窗口内已知像素点进行筛选,对筛选过后的已知点像素信息进行加权计算得到待修复点修复后的结果,更新该修复点的时间距离值和Gabor纹理特征值。
S7、重复步骤S3、S4、S5、S6的操作直至所有未知点全被修复。
本发明有益效果如下:
本发明提出一种基于Gabor纹理约束的手指静脉图像修复算法,该算法首先提出垂直相位差编码方式获取图像的Gabor纹理特征矩阵,然后在修复计算时根据手指静脉图像局部纹理连贯的特点,通过Gabor纹理约束机制剔除窗口内与待修补点纹理相关性弱的已知信息,克服了传统修复算法修复时易引入无关信息干扰的问题,使修复过程严格按照手指静脉图像的纹理走向进行。模拟图像与真实图像仿真实验表明,该算法相比未准确地利用手指静脉纹理信息的传统图像修复算法,修复后图像纹理连贯性更佳,并最终提升了手指静脉识别系统对破损图像的识别性能,解决了传统修复算法容易导致手指静脉破损图像修复后静脉纹理结构模糊、断裂等问题。说明针对手指静脉图像破损问题,本发明提出的基于Gabor纹理约束的手指静脉图像修复算法是一种有效的手指静脉图像破损区域修复算法。
附图说明
图1为手指静脉原图和对应的Gabor纹理特征矩阵图像;
图2为待修补窗口中示例点的Gabor纹理信息示意图;
图3为手指静脉图像正常区域Gabor纹理特征图像块、加入破损区域后的Gabor纹理特征图像块和修复后得到的Gabor纹理特征图像块;
图4为修复过程的示意图;
图5为算法中Gabor纹理约束过程的示意图;
图6为正常手指静脉图像和加入破损区域后的手指静脉图像;
图7为对于模拟破损图像,基于Gabor纹理约束的修复算法的视觉效果图与其他经典修复算法的视觉效果图;
图8为对于模拟破损图像,基于Gabor纹理约束的修复算法与其他经典修复算法修复结果相比的图像质量提高程度比较示意图;
图9为对于手指蜕皮图像,基于Gabor纹理约束的修复算法与其他经典修复算法修复结果相比的修复视觉效果比较示意图;
图10为对于手指蜕皮破损图像,依次为静脉图像经过不作处理、Criminisi算法、FMM算法、基于TV模型的方法、本发明算法5种不同的处理方式后提取到的静脉细线特征之间作1:1识别匹配得到ROC曲线对比图;
图11为对于镜面脏污破损图像,基于Gabor纹理约束的修复算法与其他经典修复算法修复结果相比的修复视觉效果比较示意图;
图12为对于手指蜕皮图像,依次为静脉图像经过不作处理、基于TV模型的方法、FMM算法、Criminisi算法、本发明算法5种不同的处理方式后提取到的静脉细线特征之间作1:1识别匹配得到ROC曲线对比图;
图13为基于Gabor纹理约束的手指静脉图像修复算法的流程图。
具体实施方式
下面结合附图对本发明的具体实施例作进一步的说明。
本发明首先提出垂直相位差编码方式获取指静脉图像的Gabor纹理特征矩阵,然后在修复计算时根据手指静脉图像局部纹理连贯的特点,通过Gabor纹理约束机制剔除窗口内与待修补点纹理相关性弱的已知信息,克服了传统修复算法修复时易引入无关信息干扰的问题,使修复过程严格按照手指静脉图像的纹理走向进行。该算法相比未准确地利用手指静脉纹理信息的传统图像修复算法,修复后图像纹理连贯性更佳,对破损图像的识别性能提升更多。在特殊应用场景下,采集得到的指静脉图像易存在破损区域,而不作任何处理提取出的细线特征容易受到破损区域的干扰,同时易存在固定干扰特征导致认假率的提高。对比传统的图像修复算法,比如TV模型、FMM算法和Crinimisi算法,TV模型与FMM算法由于在修复过程中仅考虑了图像的结构信息,忽略了手指静脉图像的纹理信息,因此在修复静脉纹理区域时表现一般,对于图像纹理保持性欠佳;经典Crinimisi算法寻找最佳匹配块仅利用了灰度信息对于静脉图像纹理结构的描述并不准确,导致修复后区域容易出现块状效应,本文算法处理之后的手指静脉图像相比这三种经典的修复算法都获得了更好的效果,由于在修复过程中引入了Gabor纹理约束机制,修复后图像的静脉纹理边缘连贯性上更加地良好,因此后续得到的静脉骨架特征更加地稳定。因此,本发明是一种对破损的指静脉图像修复效果较好的指静脉图像修复算法。
本实施例的基于Gabor纹理约束的指静脉图像修复算法,包括以下步骤:
S1、8个不同角度值的Gabor核函数模板,Gabor核函数由式(1)得到,λ取17,ψ取0,γ取1,三个尺度值σ分别取3,3.4,3.8。八个不同的角度值由式(2)得到。根据式(3),利用该Gabor核函数模板实部与虚部分别与图像进行卷积,再进行取模操作得到图像各点的Gabor核函数滤波响应值。根据式(4)选取三个尺度值中最大的响应值为最终代表该点的Gabor核函数滤波响应值,最终获得8个方向的响应值。
S2、根据式(5)、式(6)、式(7),用S1得到的手指静脉图像的8个方向的滤波响应值进行垂直相位差量化编码,得到Gabor纹理特征矩阵,矩阵中元素为1,2,3,4,5,6,7,8,如图1所示。
S3、根据S2得到的Gabor纹理特征矩阵确定待修补窗口的主纹理方向。具体的推断与更新的方式按式(8),式(9)得到。
S4、根据S3得到的主纹理方向,通过式(10)、式(11)、式(12)、式(13)、式(14)和式(15)得到修复加权公式的定义,完成Gabor纹理约束机制以及权重系数的设计。
S5、根据相似性构造函利用水平集算法去模拟破损边界曲线演化的过程,从破损边界开始通过逐点修复的方式逐步向内部扩散的原理,通过式(16)、式(17)进行修复优先级的确定。
S6、根据S5得到的修复优先级,选取优先修复点进行图像修复。再根据S4得到的Gabor纹理约束机制以及权重系数的设计进行未知点的修复。
S7、重复S3、S4、S5、S6直至破损区域被完全修复,最终得到修复完成后的手指静脉图像,图7。
S8、对S7得到的去噪后的图像进行Niblack局部动态阈值分割、连通区域滤波、Zhang查表细化算法之后,在进行一定的裁剪得到细线特征。细线特征包含了一个手指静脉图像静脉的拓扑结构,是静脉区域单像素的主干骨架信息。
S9、匹配识别验证算法的有效性。将两幅手指静脉图像的静脉细线特征用修正的Hausdorff距离(modified Hausdorff distance,MHD)算法计算作为计算标准,计算两者之间的匹配值。
以下是基于图像数据库对本发明所提算法的实验数据分析,本发明算法与现有几种经典图像修复算法分别在手指静脉模拟破损图像与真实破损图像上进行测试比对。
由于当前静脉图像公开库中的图像都是正常情况下采集得到的,缺少此类特殊情况图像,所以本研究采用的静脉图像库由实验室于脏污受损环境下采集到的手指静脉图像库与同一批用户在正常情况下采集得到的静脉图像库组成。本研究所采用的图像由我们实验室开发的指静脉设备采集,850nm的红外LED作为光源,再用滤光片滤除可见光的干扰,CMOS摄像头采集静脉图像,分辨率为420×200,减少图像处理时间,图像统一采用双线性插值归一化到160×64。在研究过程中一共采集了20位手指存在过蜕皮情况的志愿者(15位男性、5位女性)总计40根手指图像,组成了1个正常图像库(Normal Finger Vein Image,NFVI)和2个受损图像库(Damaged Finger Vein Image,DFVI),依次分别为手指不蜕皮且镜面干净情况(正常)、手指存在蜕皮但镜面干净情况(受损)、手指不蜕皮但镜面脏污情况(受损),每种情况下每根手指都采集了10张图像,一共40×10×3=1200副。然后将NFVI与另外2个DFVI分别组成了2个包含40×10×2=800副图像的混合图像库(Mixed Finger VeinImage,MFVI),MFVI内包含了10张正常图像和10张受损图像。仿真实验用Matlab 2014b软件,在内存4G,CPU主频4GHZ的64位Window 7平台上进行。
图1展示了GTFM图的提取效果,为了便于视觉效果展示,将GTFM图中的特征值均乘以10,可以看到原图中局部内具有相同的静脉纹理走向的像素点在GTFM图中的特征值是一致的,GTFM图中清晰地展现了静脉和背景的纹理边缘走向,包括某些边缘信息较弱的静脉结构,并且位于相同静脉结构上的图像块之间纹理特征分布相似度很高,从视觉效果上看GTFM图对于静脉纹理结构的描述非常地准确稳定,在后续对手指静脉图像的修复过程中,可充分利用GTFM进行辅助修正,达到保护静脉纹理结构的目的。
组图2的(b)、(c)分别是点A和B各自邻域窗口的Gabor纹理特征信息,未知像素点的特征值为零,其他非零值均属于已知像素点。结合图(a)~(c)观察再次验证了手指静脉图像局部邻域内静脉或是背景区域的纹理走向是连贯的,纹理走向相同的像素点的纹理特征值是一致。因此首先统计待修补窗口内所有已知信息点对应的Gabor纹理特征值,并设置其众数(即窗口内概率最大的纹理方向)为该窗口的主纹理特征,然后对待修补点的Gabor纹理特征值进行赋值更新。如图2(a)中的破损点A和B的纹理特征方向修复后将分别更新为2和7,符合原图纹理走向。
组图3(a)~(c)分别是原图、破损图以及修复后的图分别对应的GTFM图,可以看到,修复后的GTFM图恢复了原图的静脉纹理走向,说明了对修复过程加以纹理结构约束可以使修复过程准确地按照手指静脉图像的纹理走向来进行。
图4展示了本发明算法使用以破损点p为中心的邻域Bε(p)内的已知信息(Ω外的虚线框部分)对破损点p作修补的过程,其中包括对虚线框内的已知信息进行如图5的Gabor纹理约束。
图5中白点以及窗口中心点属于破损像素点,灰度信息是未知的,黑点以及灰点(除中心点之外)的信息是已知的,灰点与窗口中心点属于相同静脉纹理走向,黑点则一些是与中心点纹理相关性弱的其他点。
图6展示了模拟破损区域的结果图。,在手指静脉原图像(a)中加入了4个破损区域得到破损图像(b),每个区域的情况不同:A破损区域水平隔断了宽度较粗的静脉纹理结构;B破损区域属于较为平滑的背景图像区域;C破损区域竖直遮掩了静脉的纹理结构;D破损区域遮掩了一条纹理较细较模糊的静脉结构。实际应用中采集图像可能遇到的缺损情况大多包含在这4种情况内。
组图7(a)~(d)分别对比算法与本发明算法的处理结果,为了方便观各类算法修复效果的差异,对细节部分进行了增强处理。从修复效果图中可以看出,对于静脉被明显遮掩的破损区域A和C,TV模型方法修复(a)之后静脉纹路存在一定的连通性问题,视觉效果上感觉静脉纹路被隔断;而Crinimisi方法修复算法(b),存在明显的块状效应,影响了静脉的纹理边缘;从FMM算法修复的结果(c)中,可以看到静脉的纹理边缘产生了一定的模糊或是修复边界明显,边缘保持效果做的还不够好;对于破损区域B,此处属于平滑背景区域,几种修复算法都能够较好地进行修复,差异较小;至于破损区域D,由于该区存在的静脉结构较细较模糊,灰度差异变化较小,基于TV模型的方法以及FMM方法修复的结果中对该区域的静脉结构造成了一定的模糊断裂,而Crinimisi算法与本发明算法在细小静脉修复的细节上做的更好。这几种经典修复算法在修复静脉纹理区域时的问题,在本发明提出的基于Gabor纹理约束的手指静脉图像修复算法中都得到了很好地解决,最终得到了如图(d)的效果,修复后图像的静脉纹理边缘与视觉连通性都较好,这对于后续特征点的稳定提取十分关键。
图8展示了修复后图像的质量参数比较,本发明算法相比另外三种经典算法处理后得到的图像质量都有了一定的提高;另外在算法的运行时间上,TV模型在迭代过程上消耗了不少时间,而Crinimisi方法在全图搜寻最佳匹配块上消耗了大量时间,本发明算法虽然在获取Gabor纹理特征矩阵时花费了一定的时间,但是其时间总体和FMM算法在一个数量级上,时间性能也较为良好,有利于算法的实际应用。
组图9中(a)~(f)分别为对比算法与本发明算法对手指蜕皮造成的破损图像的处理结果图,(ag)~(fg)依次为对应的静脉骨架特征图。从图(b)中可以看到当用户手指部位比较干燥有蜕皮情况时,采集设备的红外相机拍摄到的图像中会存在一块细长条状破损区域,该区域在图像上与静脉结构灰度相似,程度更深,并且遮掩住了部分静脉结构,体现在细线图上容易导致被遮掩部分静脉结构断裂或者是出现伪静脉,从骨架图(bg)中可以看到对比正常时采集得到的骨架图(ag),破损区域导致该部分的静脉结构断裂;使用TV模型对破损区域进行修复后,从图(c)中可以看到图像整体处理效果较好,但是在静脉结构的连接上有些突兀不连贯,从骨架图(cg)中可以看到该部分的静脉走向发生了变化;而从Crinimisi算法的结果(e)中可以明显看到被修复的静脉区域中存在的块状效应,视觉效果较差,对应的骨架图(eg)中该区域的静脉结构也紊乱;从FMM算法处理结果(f)可以看到整体的修复效果较好,但在修复后静脉边缘的保持上产生了一定的模糊,导致骨架图(fg)中该区域的静脉断裂,并且连接错误;而本章算法的处理结果中无论是从视觉效果图(d)还是骨架图(dg)来说都更符合其正常采集时得到的静脉纹理结构。
从图10的ROC识别性能曲线图可知,由于此类蜕皮区域对图像该区域的灰度分布造成了严重的影响,导致分割结果不准确,静脉结构信息丢失,因此不做任何处理时,识别性能较差。三类传统的图像修复算法虽然各自都达到不同程度上的修复效果,但本发明算法在修复过程中充分考虑了修复后图像的静脉纹理边缘走向,最终提取到的骨架细线特征最稳定。本发明算法在误识率为0的情况下,相比不经过任何处理、基于TV模型的方法、FMM算法以及Crinimisi算法拒识率分别降低了8.26%,1.14%,4.18%,5.36%,最终的识别性能得到了一定的提升。
组图11中(a)~(f)分别为对比算法与本章算法对设备镜面脏污造成的破损图像的处理结果图,(ag)~(fg)依次为对应的静脉骨架特征图。图(b)中展示了实际应用中另一种类型的破损情况,当采集设备镜面上有油污状脏污块的时,采集图像上会存在一黑块区域,该部分图像信息完全丢失,导致二值化分割得到的静脉骨架(bg)存在该部分存在静脉特征丢失以及伪静脉的问题。经过TV模型的方法处理后,黑块区域得到去除,但是图(c)存在视觉连通性问题,分割得到的骨架图(cg)在该位置的骨架与原静脉结构不符;从Crinimisi方法的结果图(e)中可以看到,基于纹理合成的方法对此类大块的破损修补效果较好些,但仍存在一定的块状效应,且静脉边缘变模糊,得到静脉骨架结构图(eg)存在差异;而FMM算法修复此类大块破损时,在修复区域存在一定的修复边界较明显的问题,也导致了静脉骨架走向的错误;而本发明算法使用了Gabor纹理特征对修复过程进行约束,修复后的静脉纹理边缘保持较好,结果图(d)的视觉效果较好,从骨架图(dg)可以看到修复后的区域保持了与正常采集情况下相同的静脉结构。
从图12的ROC识别性能曲线图分析可知,若手指静脉图像中存在此类块状破损区域,如果该区域遮掩了原本的静脉结构,那么会对后续静脉结构特征提取造成巨大的影响,导致识别性能的降低,三类传统的图像修复算法可以对此类图像进行相对性的修复,但是相比之下经过本发明算法处理之后提取到的骨架图,其静脉的纹理走向与正常时期采集的静脉纹理走向更加吻合。在误识率为0的情况下,本发明算法相比不经过任何处理、基于TV模型的方法、FMM算法以及Crinimisi算法拒识率分别降低了8.79%,3.42%,2.98%,2.00%,最终的识别性能得到了一定的提升。
图13阐述了本发明算法的流程,具体步骤:首先对手指静脉图像进行边界扩展,防止边界区的破损部位无法修复。然后对扩展后的图像进行Sobel边缘算子检测提取掩膜二值图的提取和Gabor纹理特征图的提取。再根据水平集扩散算法得到边界区待修补点的时间距离值,从而得到修复顺序。之后根据GTFM图确定待修复窗口的主纹理方向,而后对窗口内的所有已知像素信息使用Gabor纹理约束机制进行筛选。最后对Gabor纹理约束挑选后的已知像素信息进行加权计算得到待修复点修复后的结果,同时更新该修复点的时间距离值和Gabor纹理特征值。重复上述步骤直至所有的破损像素点被修复完毕。
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 (5)
1.一种基于Gabor纹理约束的手指静脉图像修复方法,其特征在于包括如下步骤:
S1、提取手指静脉原图像的纹理边缘信息,提取Gabor核函数,将将得到的Gabor核函数分解为实部核函数gre和虚部核函数gim;将手指静脉原图像分别与gre和gim进行卷积,并取模得到最终的系数幅值,获取8个方向上的Gabor滤波响应图;
S2、对得到的8个方向的Gabor滤波响应图进行垂直相位差量化编码;将8个方向的滤波响应幅值Hk按相互垂直关系组成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进行组合,由此计算得到最终编码后的Gabor纹理特征矩阵;
S3、确定待修补窗口主纹理方向;
首先统计待修补窗口内所有已知信息点对应的Gabor纹理特征值,并设置其众数为该窗口的主纹理特征,然后对待修补点的Gabor纹理特征值进行赋值更新;所述的众数指窗口内概率最大的纹理方向;
S4、设计Gabor纹理约束机制以及权重参数;
首先计算窗口内主纹理方向上的已知像素点的灰度平均值avg,然后统计该纹理方向上的每个已知点q与avg差的绝对值以及与中心待修补点p之间的欧式距离;
S5、确定破损区域的修复优先级;
采用Sethian提出的水平集算法模拟破损边界曲线演化的过程,从破损边界开始通过逐点修复的方式逐步向内部扩散,直到所有的未知像素点都被修补完毕;假设边界经过每个像素点的时间值为T(i,j),当边界经过某一点时,只需要更新当前点4邻域像素点的时间信息;根据破损边界每个点时间值T(i,j)大小确定其优先级顺序;
S6、根据修复优先级,进行基于Gabor约束下的手指静脉破损区域修复;根据步骤S5得到的修复优先级选取优先修复点,再通过步骤S1、S2、S3获得待修补窗口主纹理方向,根据主纹理方向对窗口内已知像素点进行筛选,对筛选过后的已知点像素信息进行加权计算得到待修复点修复后的结果,更新该修复点的时间距离值和Gabor纹理特征值;
S7、重复步骤S3、S4、S5、S6的操作直至所有未知点全被修复;
所述的步骤S4具体实现如下:
灰度平均值avg、每个已知点q与avg差的绝对值以及与中心待修补点p之间的欧式距离,计算过程如式(10)、式(11)、式(12)所示:
gray(p,q)=|F(q)-avg| (11)
dst(p,q)=||p-q||2 (12)
式中,gray为灰度结构系数,灰度值越接近该纹理走向上灰度平均值的点将赋予更高的权值,dst为距离系数,与待修补点p相距越近的点将赋予更高的权值;
再根据标准正态分布模型的指数部分计算各像素点权重值的大小:
将权值进行归一化处理:
最终可得到加权公式的最终定义:
2.根据权利要求1所述的一种基于Gabor纹理约束的手指静脉图像修复方法,其特征在于所述的步骤S1具体实现如下:
Gabor核函数是一个通过正弦平面波加窗的高斯核函数,如式(1):
式(1)中,(x,y)是点的坐标;θ为方向角度参数;(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;σ为高斯标准差,也称空间尺度因子;γ为Gabor核函数的空间方向比例;实验表明参数取值与图像尺寸大小相关,根据图像尺寸对参数进行合适的设定能获得更优的纹理提取效果;
根据手指静脉的延伸分布的多方向性,提取多个角度的Gabor滤波器,如式(2)所示:
式中N为总方向数,取值为8,用于后续特征编码,k表示第个角度,π/N是角度间隔;
将得到的Gabor核函数分解为实部核函数gre和虚部核函数gim,将手指静脉原图像F(x,y)分别与gre和gim进行卷积,并取模得到最终的系数幅值,如式(3)所示:
式中,得到Hk,σ(x,y)re、Hk,σ(x,y)im分别表示k角度,σ尺度的Gabor滤波器的实部和虚部与原图卷积后的结果,Hk,σ(x,y)为最终的系数幅值;
故选择3个尺度中最大的作为每个点在该方向上的幅值系数,获取8个方向上的Gabor滤波响应图Hk(k=1,2,…,8):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010029073.9A CN111242864B (zh) | 2020-01-12 | 2020-01-12 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010029073.9A CN111242864B (zh) | 2020-01-12 | 2020-01-12 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242864A CN111242864A (zh) | 2020-06-05 |
CN111242864B true CN111242864B (zh) | 2023-05-05 |
Family
ID=70870899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010029073.9A Active CN111242864B (zh) | 2020-01-12 | 2020-01-12 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242864B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329674B (zh) * | 2020-11-12 | 2024-03-12 | 北京环境特性研究所 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
CN112418090B (zh) * | 2020-11-23 | 2023-05-05 | 中国科学院西安光学精密机械研究所 | 一种天空背景下红外弱小目标实时检测方法 |
CN112488935B (zh) * | 2020-11-26 | 2024-02-06 | 杭州电子科技大学 | 基于纹理约束和泊松融合的生成对抗指静脉图像修复方法 |
CN112288660B (zh) * | 2020-12-25 | 2021-04-13 | 四川圣点世纪科技有限公司 | 基于nmrt方向特征约束的静脉图像修复方法及装置 |
CN113034561B (zh) * | 2021-03-04 | 2022-10-21 | 杭州小影创新科技股份有限公司 | 一种实现图像水波扩散特效的方法、装置及存储介质 |
CN113610753A (zh) * | 2021-06-21 | 2021-11-05 | 深圳市大数据研究院 | 一种提取舌像的加博纹理特征的方法、装置及存储介质 |
CN114004852B (zh) * | 2021-10-15 | 2024-06-18 | 深圳市亚略特科技股份有限公司 | 一种指纹生成方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520888A (zh) * | 2008-02-27 | 2009-09-02 | 中国科学院自动化研究所 | 基于方向场的视网膜图像血管的增强方法 |
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN110188614A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
-
2020
- 2020-01-12 CN CN202010029073.9A patent/CN111242864B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520888A (zh) * | 2008-02-27 | 2009-09-02 | 中国科学院自动化研究所 | 基于方向场的视网膜图像血管的增强方法 |
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN110188614A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
Non-Patent Citations (3)
Title |
---|
吕葛梁 ; 沈雷 ; 李凡 ; 杨航.单幅近红外手指图像指纹指静脉融合识别.杭州电子科技大学学报(自然科学版).2019,(004),全文. * |
韩烨 ; 刘志刚 ; 耿肖 ; 钟俊平 ; .基于HOG特征与二维Gabor小波变换的高铁接触网支撑装置耳片断裂故障检测.铁道学报.2017,(02),全文. * |
马帅旗.生物特征提取的Gabor滤波器参数设计.《陕西理工大学学报》.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111242864A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242864B (zh) | 一种基于Gabor纹理约束的手指静脉图像修复方法 | |
Liasis et al. | Satellite images analysis for shadow detection and building height estimation | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
WO2018024030A1 (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
Zhang et al. | Exemplar-based image inpainting using color distribution analysis | |
CN109872278B (zh) | 基于u形网络和生成对抗网络的图像云层移除方法 | |
CN110738676A (zh) | 一种结合RGBD数据的GrabCut自动分割算法 | |
CN109741268B (zh) | 一种针对壁画的破损图像补全方法 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN111223063B (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
Ganguly et al. | Single image haze removal with haze map optimization for various haze concentrations | |
CN114119586A (zh) | 一种基于机器视觉的飞机蒙皮缺陷智能检测方法 | |
Huang et al. | Towards unsupervised single image dehazing with deep learning | |
CN115713533A (zh) | 基于机器视觉的电力设备表面缺陷检测方法及装置 | |
CN110363178B (zh) | 基于局部和全局深度特征嵌入的机载激光点云分类方法 | |
Peng et al. | Incorporating generic and specific prior knowledge in a multiscale phase field model for road extraction from VHR images | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
Ye et al. | Optical and SAR image fusion based on complementary feature decomposition and visual saliency features | |
CN117541652A (zh) | 一种基于深度lk光流法与d-prosac采样策略的动态slam方法 | |
CN116580121A (zh) | 一种基于深度学习的单张绘画生成2d模型的方法及系统 | |
Yang et al. | Finger vein image inpainting with gabor texture constraints | |
Zhu et al. | Modified fast marching and level set method for medical image segmentation |
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 |