CN111291709A - 一种基于图像处理的手指静脉图像质量评价方法 - Google Patents
一种基于图像处理的手指静脉图像质量评价方法 Download PDFInfo
- Publication number
- CN111291709A CN111291709A CN202010114880.0A CN202010114880A CN111291709A CN 111291709 A CN111291709 A CN 111291709A CN 202010114880 A CN202010114880 A CN 202010114880A CN 111291709 A CN111291709 A CN 111291709A
- Authority
- CN
- China
- Prior art keywords
- image
- finger vein
- filtering
- region
- area
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于图像处理的手指静脉图像质量评价方法,包括步骤:1)获取原始采集手指静脉感兴趣区域图片;2)利用均值滤波和中值滤波滤除图像噪声,得到去除噪声后的图像;3)利用同态滤波增强去除噪声后的图像的对比度,得到对比度增强后的图像;4)利用方向纹理滤波增强对比度增强后的图像的纹理细节,得到纹理增强后的图像;5)设置阈值,对纹理增强后的图像进行二值化处理,得到手指静脉二值图像;6)利用连通域信息,对手指静脉二值图进行连通域分析,去除面积小于阈值区域,并统计剩余区域面积,获得图像质量分数。本发明可有效地反映了采集到的手指静脉图像质量,从而有效解决没有通用的手指静脉图像质量评价方法的问题。
Description
技术领域
本发明涉及手指静脉生物识别的技术领域,尤其是指一种基于图像处理的手指静脉图像质量评价方法。
背景技术
手指静脉识别是基于人的手指静脉特征信息进行身份识别的一种生物识别技术。手指静脉识别的特征来自于手指静脉血管中流动血液的血红蛋白,具有隐秘性和活体性,通过基于近红外光采集的设备获取手指静脉的图像,其中静脉区域体现为图像上的颜色更深的纹路,即设备采集到的静脉血管区域。而受限于采集设备的质量以及环境因素如背景光照,环境温度导致手指毛细血管收缩对图像的影响等。采集到的手指静脉图像质量参差不齐,在恶劣条件下容易出现采集到过度曝光,采集到的静脉纹路缺失等质量不佳的情况。由于手指静脉识别是基于提取到的血管纹路信息进行识别,这种质量不佳的图像对于注册图像而言是不利的,导致后续的登录图像都会与注册图像质量相差较大,影响使用者使用;对于识别是一个不利因素,容易导致误识别现象。若能够及时获取采集到的手指静脉图像的质量,就能避免因图像质量问题导致的误识别现象。而现有的图像质量评价算法,如无参考图像的空间域图像质量评估算法(BRISQUE)是对图像失真情况的质量评估,对手指静脉图像而言,纹路的清晰程度才是手指静脉图像质量的主观评价指标,所以目前较常用的通用图像质量评价算法对于手指静脉图像质量评价而言是不够鲁棒的,没有针对性。因此一个手指静脉图像专用的图像质量评价方法是手指静脉图像生物特征识别领域一个必须解决的一个问题。
本方法旨在发明一种基于图像处理的手指静脉图像质量评价方法,该方法对近红外光设备采集到的手指静脉感兴趣区域图像进行两次噪声滤波,滤除原始的手指静脉感兴趣区域图像上的噪声;通过同态滤波增强图像对比度,减弱背景环境光照对设备采集到的手指静脉感兴趣区域图像的对比度造成影响;通过方向滤波以及后处理增强手指静脉感兴趣区域图像的纹理信息;通过图像阈值处理获取手指静脉感兴趣区域图像的静脉二值图像,并根据连通域信息去除面积小于阈值的孤立区域,最后通过统计二值图像上的静脉面积换算得到手指静脉感兴趣区域图像的质量分数。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于图像处理的手指静脉图像质量评价方法,突破传统无参考图像质量评价方法对手指静脉图像的质量评价没有针对性的问题,基于手指静脉感兴趣区域图像的纹路信息作为质量评价指标,能够准确反映采集到的手指静脉图像的质量。
为实现上述目的,本发明所提供的技术方案为:一种基于图像处理的手指静脉图像质量评价方法,包括以下步骤:
1)获取原始采集手指静脉感兴趣区域图片;
2)利用均值滤波和中值滤波滤除图像噪声,得到去除噪声后的图像;
3)利用同态滤波增强去除噪声后的图像的对比度,得到对比度增强后的图像;
4)利用方向纹理滤波增强对比度增强后的图像的纹理细节,得到纹理增强后的图像;
5)设置阈值,对纹理增强后的图像进行二值化处理,得到手指静脉二值图像;
6)利用连通域信息,对手指静脉二值图进行连通域分析,去除面积小于阈值区域,并统计剩余区域面积,获得图像质量分数。
在步骤1)中,为了正确评价采集的手指静脉图像的质量,使用的原始采集手指静脉感兴趣区域图片为不含有手指边缘的手指静脉感兴趣区域图片,确保不引入边缘信息的干扰。
在步骤2)中,对原始采集手指静脉感兴趣区域图片使用均值滤波和中值滤波进行椒盐噪声、指纹脏污和高斯噪声的滤除,具体如下:
通过非线性滤波器、中值滤波器对图像进行滤波,去除原始采集手指静脉感兴趣区域图片上的椒盐噪声;
通过线性滤波器、均值滤波器对图像进行滤波,去除原始采集手指静脉感兴趣区域图片上的指纹脏污区域及高斯噪声。
在步骤3)中,使用同态滤波增强图像的对比度,增强图像细节信息,即增强静脉纹路与非静脉纹路的区分度,包括以下步骤:
3.1)计算模糊图像
I(i,j)=L(i,j)R(i,j)
其中,I(i,j)代表采集到的带有乘性环境光照影响的图像,L(i,j)代表背景环境光照分量,R(i,j)代表物体本身图像信息,i代表横坐标,j代表纵坐标;为了估计背景光照分量,使用高斯模糊后的图像,作为L(i,j);
使用的高斯滤波核为
其中,i为滤波核的横坐标,j为滤波核的纵坐标,k为滤波核大小因子,滤波核模板大小为(2k+1)×(2k+1);σ2代表高斯滤波核的方差;e为自然底数;
3.2)计算R(i,j)
通过对数运算将乘除运算转换为加减运算
log(I(i,j))=log(L(i,j))+log(R(i,j))
log(R(i,j))=log(I(i,j))-log(L(i,j))
得到物体本身图像信息的估计值;
3.3)量化R(i,j)
将log(R(i,j))量化到0到255,作为最终的输出图像,公式如下:
其中,Rretinex(i,j)代表同态滤波结果图像,i代表横坐标,j代表纵坐标。
在步骤4)中,利用方向纹理滤波增强对比度增强后的图像的纹理细节,包括以下步骤:
4.1)使用八个不同方向的谷型滤波器与同态滤波后的图像进行图像卷积操作,提取手指静脉不同方向上的纹路信息,得到八个滤波结果,将八个滤波结果取每个像素位置的最大值组成最后的纹理增强结果,公式如下:
其中,滤波器公式如下:
4.2)使用伽马校正进一步增强滤波后的纹理像素值,得到纹理增强后的图像;其中,由于滤波后的纹理图像整体像素值偏低,所以需要通过指数函数调整图像的灰度分布,公式如下:
Igamma(i,j)=I(i,j)gamma
式中,gamma为指数函数的指数项,Igamma(i,j)代表伽马校正处理后的图像信息。
在步骤5)中,设置阈值,对纹理增强后的图像进行二值化处理,大于阈值的区域为静脉纹路区域,得到手指静脉二值图像,公式如下:
式中,I(i,j)代表采集到的带有乘性环境光照影响的图像,i代表横坐标,j代表纵坐标。
在步骤6)中,利用连通域信息,对手指静脉二值图进行连通域分析,去除面积小于阈值区域,并统计剩余区域面积,获得图像质量分数,包括以下步骤:
6.1)统计二值图像连通域信息,使用像素点的八邻域信息,一个像素点的八邻域表达式如下:
式中,center代表邻域中心的像素点,附近的八个黑点分别代表中心像素点的八个邻域像素,从图像的其中一个像素值不为0的像素点开始遍历,当该像素点的八邻域内有像素值不为0的且未访问过的像素点时,记录该值不为0的像素点的位置,并入同一个区域集合set(p)中,其中p为该像素点的位置,并标记当前访问的像素点为已经访问过的像素点,继续对八邻域内部未访问过的集合中的像素点进行递归访问,直至集合内所有点都无未访问过的像素值不为0的八邻域像素点;然后对图像剩余未访问过的像素点,即对集合set(p)的下一个像素点位置进行上述过程的处理,直至整幅图像处理完毕,得到二值图像的连通域信息;
6.2)统计步骤6.1)中各个区域的像素个数作为面积值,并对每个区域的面积进行阈值判断,当区域面积小于阈值t时,将区域内部像素全部赋值为0,即去除小面积的孤立区域,最终得到去除小面积的区域像素的图像;
6.3)根据步骤6.2)的处理结果,将去除小面积的区域像素的图像上的所有非零像素个数作为最终统计的面积,将这部分非零像素区域面积作为分子,将图像面积大小作为分母,得到图像的质量分数;其中,手指的静脉区域会占据整幅图像的15%~40%,则得到的质量分数在0.15-0.40之间的图像是质量合格的
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明实现了对手指静脉图像的均值滤波和中值滤波,有效去除了可能存在的图像椒盐噪声和采集到的指纹脏污,减小了对后续处理的干扰,增强了鲁棒性。
2、本发明实现了基于同态滤波的对比度增强,减小了背景光照变化对于手指静脉图像的影响,能够获得对光照变化鲁棒性强。
3、本发明通过方向谷型滤波,通过八个方向的滤波器,有效提取了手指静脉上的纹路信息,随后通过伽马校正增强静脉纹路响应,作为质量评价的重要参考标准。
4、本发明通过对纹路增强后的手指静脉图像进行阈值处理得到二值图像,然后通过连通域分析处理,去除小面积区域,进一步减少对脏污干扰的鲁棒性。
5、本发明实现了有针对性地对于手指静脉图像的质量评价方法,能够准确反映采集到的手指静脉图像的质量,能够作为是否用作注册或识别的有效依据,进而提升系统性能。
附图说明
图1为本发明逻辑流程图。
图2为本发明待处理的原始手指静脉感兴趣区域图像输入示意图。
图3为经过中值滤波和均值滤波之后的去除噪声图像示意图。
图4为经过同态滤波后的对比度增强的图像示意图。
图5为经过方向滤波后纹理增强的图像示意图。
图6为经过二值化和小面积去除后的二值图像示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所提供的基于图像处理的手指静脉图像质量评价方法,包括以下步骤:
1)通过均值滤波器和中值滤波器对原始手指静脉感兴趣区域图像(如图2所示)进行噪声滤除处理:首先,采用3×3大小的中值滤波去除椒盐噪声,然后使用3×3大小的均值滤波去除可能存在的指纹脏污以及高斯噪声,结果如图3所示,具体包括如下步骤:
1.1)使用中值滤波器去除椒盐噪声
选择3×3大小的窗口,统计窗口中像素值的中位数作为滤波图像对应点的像素新值,公式如下:
Imed(i,j)=
median(I(i-1,j-1),I(i-1,j),I(i-1,j+1),I(i,j-1),I(i,j),
I(i,j+1),I(i+1,j-1),I(i+1,j),I(i+1,j+1))
其中,Imed代表中值滤波结果图像,i代表横坐标,j代表纵坐标。
1.2)使用均值滤波器去除指纹脏污区域以及高斯噪声
选择3×3大小的窗口,统计窗口中像素值的均值作为滤波图像对应点的像素新值,公式如下:
其中,Iave代表均值滤波结果图像,i代表横坐标,j代表纵坐标。
2)对噪声滤波之后的图像进行同态滤波处理,有效去除乘性的噪声,增强图像的对比度,减小环境背景光照变化对于图像的影响,处理结果如图4所示,具体包括如下步骤:
2.1)计算模糊图像
I(i,j)=L(i,j)R(i,j)
其中,I(i,j)代表采集到的带有乘性环境光照影响的图像,L(i,j)代表背景环境光照分量,R(i,j)代表物体本身图像信息,i代表横坐标,j代表纵坐标。为了估计背景光照分量,使用高斯模糊后的图像,作为L(i,j)。
使用的高斯滤波核为
其中,i为滤波核的横坐标,j为滤波核的纵坐标,k为滤波核大小因子,滤波核模板大小为(2k+1)×(2k+1),σ2代表高斯滤波核的方差,e为自然底数,本方法采取σ为80。经过高斯滤波器模糊后得到L(i,j)。
2.2)计算R(i,j)
通过对数运算将乘除运算转换为加减运算
log(I(i,j))=log(L(i,j))+log(R(i,j))
log(R(i,j))=log(I(i,j))-log(L(i,j))
得到物体本身图像信息的估计值。
2.3)量化R(i,j)
将log(R(i,j))量化到0到255,作为最终的输出图像,公式如下:
其中,Rretinex(i,j)代表同态滤波结果图像,i代表横坐标,j代表纵坐标。
3)对同态滤波之后的结果图像进行八个方向的谷型滤波器处理,然后将八个滤波器处理完的结果共同组成最后的滤波结果,如图5所示,具体步骤如下:
3.1)使用八个不同方向的谷型滤波器与同态滤波后的图像进行图像卷积操作,提取手指静脉不同方向上的纹路信息,得到八个滤波结果,将八个滤波结果取每个像素位置的最大值组成最后的纹理增强结果,公式如下:
其中,滤波器公式如下:
3.2)使用伽马校正进一步增强滤波后的纹理像素值,得到纹理增强后的图像;其中,由于滤波后的纹理图像整体像素值偏低,所以需要通过指数函数调整图像的灰度分布,公式如下:
Igamma(i,j)=I(i,j)gamma
式中,gamma为指数函数的指数项,本发明采取0.85。Igamma(i,j)代表伽马校正处理后的图像信息,i代表横坐标,j代表纵坐标。
4)设置合适的阈值,对纹理增强后的图像进行二值化处理,大于阈值t的区域为静脉纹路区域,得到手指静脉二值图像,如图6所示,采用公式如下:
本发明采取阈值t为30。
5)利用连通域信息,对手指静脉二值图进行连通域分析,去除面积小于阈值区域,并统计剩余区域面积,获得图像质量分数,包括以下步骤:
5.1)统计二值图像连通域信息,使用像素点的八邻域信息,一个像素点的八邻域表达式如下:
式中,center代表邻域中心的像素点,附近的八个黑点分别代表中心像素点的八个邻域像素。从图像的其中一个像素值不为0的像素点开始遍历,当该像素点的八邻域内有像素值不为0的且未访问过的像素点时,记录该值不为0的像素点的位置,并入同一个区域集合set(p)中,其中p为该像素点的位置,并标记当前访问的像素点为已经访问过的像素点,继续对八邻域内部未访问过的集合中的像素点进行递归访问,直至集合内所有点都无未访问过的像素值不为0的八邻域像素点。然后对图像剩余未访问过的像素点,即对集合set(p)的下一个像素点位置进行上述过程的处理,直至整幅图像处理完毕,得到二值图像的连通域信息。
5.2)统计步骤5.1)中各个区域的像素个数作为面积值,并对每个区域的面积进行阈值判断,当区域面积小于阈值t时,将区域内部像素全部赋值为0,即去除小面积的孤立区域,最终得到去除小面积的区域像素的图像。
5.3)根据步骤5.2)的处理结果,将去除小面积的区域像素的图像上的所有非零像素个数作为最终统计的面积,将这部分非零像素区域面积作为分子,将图像面积大小作为分母,得到图像的质量分数。正常情况下,经过实验,手指的静脉区域会占据整幅图像的15%~40%,则得到的质量分数在0.15-0.40之间的图像是质量合格的。
通过以上处理,得到手指静脉图像的增强后图像,在采集图像时,设备产生的图像噪声主要包括椒盐噪声,高斯噪声以及指纹类脏污,通过中值滤波和均值滤波的组合可以有效去除这些种类的噪声。随后通过同态滤波增强图像的对比度,增强图像上静脉纹路和其余信息的灰度区分度。然后通过方向谷型滤波器滤波,提取多个方向的静脉纹路,最终综合得到纹理滤波的结果图像,最后通过伽马校正,将灰度拉伸到合适分布,凸显提取到的静脉纹理。随后通过得到质量分数后,通过计算得到的质量分数,可以有效判断所采集到的手指静脉图像是否符合质量要求,确保图像上有足够的静脉纹路信息,在采集到的手指静脉图像质量不佳的时候,则放弃后续的特征提取,有效减少了因为采集到的手指静脉图像质量关系导致的错误识别。
综上所述,在采用以上方案后,本发明为手指静脉图像的质量评价提供了一种新的方法,将图像处理技术作为手指静脉图像质量评价的一种有效手段,对各种噪声和环境光照变化的影响有足够的鲁棒性且从识别本质原理上直接获取质量分数,具有实际推广价值,值得推广。
以上所述实例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于图像处理的手指静脉图像质量评价方法,其特征在于,包括以下步骤:
1)获取原始采集手指静脉感兴趣区域图片;
2)利用均值滤波和中值滤波滤除图像噪声,得到去除噪声后的图像;
3)利用同态滤波增强去除噪声后的图像的对比度,得到对比度增强后的图像;
4)利用方向纹理滤波增强对比度增强后的图像的纹理细节,得到纹理增强后的图像;
5)设置阈值,对纹理增强后的图像进行二值化处理,得到手指静脉二值图像;
6)利用连通域信息,对手指静脉二值图进行连通域分析,去除面积小于阈值区域,并统计剩余区域面积,获得图像质量分数。
2.根据权利要求1所述的一种基于图像处理的手指静脉图像质量评价方法,其特征在于:在步骤1)中,为了正确评价采集的手指静脉图像的质量,使用的原始采集手指静脉感兴趣区域图片为不含有手指边缘的手指静脉感兴趣区域图片,确保不引入边缘信息的干扰。
3.根据权利要求1所述的一种基于图像处理的手指静脉图像质量评价方法,其特征在于:在步骤2)中,对原始采集手指静脉感兴趣区域图片使用均值滤波和中值滤波进行椒盐噪声、指纹脏污和高斯噪声的滤除,具体如下:
通过非线性滤波器、中值滤波器对图像进行滤波,去除原始采集手指静脉感兴趣区域图片上的椒盐噪声;
通过线性滤波器、均值滤波器对图像进行滤波,去除原始采集手指静脉感兴趣区域图片上的指纹脏污区域及高斯噪声。
4.根据权利要求1所述的一种基于图像处理的手指静脉图像质量评价方法,其特征在于:在步骤3)中,使用同态滤波增强图像的对比度,增强图像细节信息,即增强静脉纹路与非静脉纹路的区分度,包括以下步骤:
3.1)计算模糊图像
I(i,j)=L(i,j)R(i,j)
其中,I(i,j)代表采集到的带有乘性环境光照影响的图像,L(i,j)代表背景环境光照分量,R(i,j)代表物体本身图像信息,i代表横坐标,j代表纵坐标;为了估计背景光照分量,使用高斯模糊后的图像,作为L(i,j);
使用的高斯滤波核为
其中,i为滤波核的横坐标,j为滤波核的纵坐标,k为滤波核大小因子,滤波核模板大小为(2k+1)×(2k+1);σ2代表高斯滤波核的方差;e为自然底数;
3.2)计算R(i,j)
通过对数运算将乘除运算转换为加减运算
log(I(i,j))=log(L(i,j))+log(R(i,j))
log(R(i,j))=log(I(i,j))-log(L(i,j))
得到物体本身图像信息的估计值;
3.3)量化R(i,j)
将log(R(i,j))量化到0到255,作为最终的输出图像,公式如下:
其中,Rretinex(i,j)代表同态滤波结果图像,i代表横坐标,j代表纵坐标。
5.根据权利要求1所述的一种基于图像处理的手指静脉图像质量评价方法,其特征在于:在步骤4)中,利用方向纹理滤波增强对比度增强后的图像的纹理细节,包括以下步骤:
4.1)使用八个不同方向的谷型滤波器与同态滤波后的图像进行图像卷积操作,提取手指静脉不同方向上的纹路信息,得到八个滤波结果,将八个滤波结果取每个像素位置的最大值组成最后的纹理增强结果,公式如下:
其中,滤波器公式如下:
4.2)使用伽马校正进一步增强滤波后的纹理像素值,得到纹理增强后的图像;其中,由于滤波后的纹理图像整体像素值偏低,所以需要通过指数函数调整图像的灰度分布,公式如下:
Igamma(i,j)=I(i,j)gamma
式中,gamma为指数函数的指数项,Igamma(i,j)代表伽马校正处理后的图像信息。
7.根据权利要求1所述的一种基于图像处理的手指静脉图像质量评价方法,其特征在于:在步骤6)中,利用连通域信息,对手指静脉二值图进行连通域分析,去除面积小于阈值区域,并统计剩余区域面积,获得图像质量分数,包括以下步骤:
6.1)统计二值图像连通域信息,使用像素点的八邻域信息,一个像素点的八邻域表达式如下:
式中,center代表邻域中心的像素点,附近的八个黑点分别代表中心像素点的八个邻域像素,从图像的其中一个像素值不为0的像素点开始遍历,当该像素点的八邻域内有像素值不为0的且未访问过的像素点时,记录该值不为0的像素点的位置,并入同一个区域集合set(p)中,其中p为该像素点的位置,并标记当前访问的像素点为已经访问过的像素点,继续对八邻域内部未访问过的集合中的像素点进行递归访问,直至集合内所有点都无未访问过的像素值不为0的八邻域像素点;然后对图像剩余未访问过的像素点,即对集合set(p)的下一个像素点位置进行上述过程的处理,直至整幅图像处理完毕,得到二值图像的连通域信息;
6.2)统计步骤6.1)中各个区域的像素个数作为面积值,并对每个区域的面积进行阈值判断,当区域面积小于阈值t时,将区域内部像素全部赋值为0,即去除小面积的孤立区域,最终得到去除小面积的区域像素的图像;
6.3)根据步骤6.2)的处理结果,将去除小面积的区域像素的图像上的所有非零像素个数作为最终统计的面积,将这部分非零像素区域面积作为分子,将图像面积大小作为分母,得到图像的质量分数;其中,手指的静脉区域会占据整幅图像的15%~40%,则得到的质量分数在0.15-0.40之间的图像是质量合格的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010114880.0A CN111291709B (zh) | 2020-02-25 | 2020-02-25 | 一种基于图像处理的手指静脉图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010114880.0A CN111291709B (zh) | 2020-02-25 | 2020-02-25 | 一种基于图像处理的手指静脉图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291709A true CN111291709A (zh) | 2020-06-16 |
CN111291709B CN111291709B (zh) | 2023-05-09 |
Family
ID=71018099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010114880.0A Active CN111291709B (zh) | 2020-02-25 | 2020-02-25 | 一种基于图像处理的手指静脉图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291709B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN112288010A (zh) * | 2020-10-30 | 2021-01-29 | 黑龙江大学 | 基于网络学习的指静脉图像质量评价方法 |
CN115272684A (zh) * | 2022-09-29 | 2022-11-01 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090214083A1 (en) * | 2008-01-16 | 2009-08-27 | Hideo Sato | Vein authentication device and vein authentication method |
CN101593275A (zh) * | 2009-03-30 | 2009-12-02 | 重庆工学院 | 手指静脉身份识别系统的静脉特征提取方法 |
CN108197535A (zh) * | 2017-12-19 | 2018-06-22 | 北京智慧眼科技股份有限公司 | 指静脉图像质量评判方法及装置 |
CN110569815A (zh) * | 2019-09-12 | 2019-12-13 | 南京邮电大学 | 基于改进灰度不均匀矫正的指静脉图像特征提取算法 |
-
2020
- 2020-02-25 CN CN202010114880.0A patent/CN111291709B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090214083A1 (en) * | 2008-01-16 | 2009-08-27 | Hideo Sato | Vein authentication device and vein authentication method |
CN101593275A (zh) * | 2009-03-30 | 2009-12-02 | 重庆工学院 | 手指静脉身份识别系统的静脉特征提取方法 |
CN108197535A (zh) * | 2017-12-19 | 2018-06-22 | 北京智慧眼科技股份有限公司 | 指静脉图像质量评判方法及装置 |
CN110569815A (zh) * | 2019-09-12 | 2019-12-13 | 南京邮电大学 | 基于改进灰度不均匀矫正的指静脉图像特征提取算法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288010A (zh) * | 2020-10-30 | 2021-01-29 | 黑龙江大学 | 基于网络学习的指静脉图像质量评价方法 |
CN112288010B (zh) * | 2020-10-30 | 2022-05-13 | 黑龙江大学 | 基于网络学习的指静脉图像质量评价方法 |
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN112101319B (zh) * | 2020-11-17 | 2021-03-16 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN115272684A (zh) * | 2022-09-29 | 2022-11-01 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
CN115272684B (zh) * | 2022-09-29 | 2022-12-27 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111291709B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368661B (zh) | 一种基于图像处理的手指静脉图像增强方法 | |
CN111291709B (zh) | 一种基于图像处理的手指静脉图像质量评价方法 | |
Yang et al. | Towards finger-vein image restoration and enhancement for finger-vein recognition | |
CN108805840B (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
US7072523B2 (en) | System and method for fingerprint image enhancement using partitioned least-squared filters | |
CN102479383B (zh) | 椒盐噪声去除方法及装置 | |
CN107451549B (zh) | 非接触式指纹增强方法及曲率驱动的自适应滤波器 | |
CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
WO2022237397A1 (zh) | 图像真伪检测方法、装置、计算机设备和存储介质 | |
Bahrami et al. | A novel approach for partial blur detection and segmentation | |
CN116664457B (zh) | 一种用于增强去噪的图像处理方法 | |
CN112883824A (zh) | 一种用于智能采血的手指静脉特征识别装置及其识别方法 | |
CN112801031A (zh) | 静脉图像识别方法、装置、电子设备及可读存储介质 | |
Rani et al. | A new binarization method for degraded document images | |
CN115272647A (zh) | 一种肺部图像的识别处理方法及系统 | |
Thanh | Medical images denoising method based on total variation regularization and anscombe transform | |
Sann et al. | An analysis of various image pre-processing techniques in butterfly image | |
CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
Aithal | Two Dimensional Clipping Based Segmentation Algorithm for Grayscale Fingerprint Images | |
JP7403562B2 (ja) | スラップ/指前景マスクを生成するための方法 | |
CN117315730A (zh) | 基于掌静脉的用户识别方法、系统、计算机及存储介质 | |
Vidhya et al. | Fingerprint image enhancement using wavelet over Gabor filters | |
CN106709516A (zh) | 一种基于朴素贝叶斯方法的模糊图像检测方法 | |
Misra et al. | A study report on finger print image enhancement methods | |
CN112801034A (zh) | 一种指静脉识别装置 |
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 |