CN112241721B - 基于不同波长光照射条件下实现完整掌静脉图像获取的方法 - Google Patents

基于不同波长光照射条件下实现完整掌静脉图像获取的方法 Download PDF

Info

Publication number
CN112241721B
CN112241721B CN202011160855.2A CN202011160855A CN112241721B CN 112241721 B CN112241721 B CN 112241721B CN 202011160855 A CN202011160855 A CN 202011160855A CN 112241721 B CN112241721 B CN 112241721B
Authority
CN
China
Prior art keywords
image
wavelength
pixel
value
gray
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
Application number
CN202011160855.2A
Other languages
English (en)
Other versions
CN112241721A (zh
Inventor
顾宇峰
刘羽鸿
周启增
陈彤
胡红雷
陈轶斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhangteng Information Technology Co ltd
Original Assignee
Shanghai Zhangteng Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Zhangteng Information Technology Co ltd filed Critical Shanghai Zhangteng Information Technology Co ltd
Priority to CN202011160855.2A priority Critical patent/CN112241721B/zh
Publication of CN112241721A publication Critical patent/CN112241721A/zh
Application granted granted Critical
Publication of CN112241721B publication Critical patent/CN112241721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其中，所述的方法通过采集用户手掌的掌静脉识别图像，将图像经过高斯模糊处理用于减少图像噪声，降低图像细节层次；将经过高斯模糊处理后所得到的图像进行均衡化处理，用于增加图像对比度；随后通过对图像分别进行像素值做差和权重计算，拟合出完整的静脉图像。采用该种基于不同波长光照射条件下实现完整掌静脉图像获取的方法，在进行图像录入时可以获得用户的完整静脉图像，防止用户在验证时由于手掌放置位置不规范导致拍摄到的掌静脉信息不全而不能完成认证的情况，提高了掌静脉识别的精度，降低了误识率。

Description

基于不同波长光照射条件下实现完整掌静脉图像获取的方法
技术领域
本发明涉及生物识别领域，特别涉及掌静脉图像识别技术领域，具体是指一种基于不同波长光照射条件下实现完整掌静脉图像获取的方法。
背景技术
由于人体的手掌静脉具有稳定性，唯一性的特点，其结构复杂很难被复制，而断落的手掌或尸体因血液停止流动也将不能通过认证，所以掌静脉可以作为活体识别的依据。
在掌静脉识别系统中，手掌的录入尤为重要，关系到识别精度，因此必须保证录入掌静脉时摄像装置拍到了完整的静脉信息。然而在现实生活中，总会发生由于用户在验证时手掌位置放置不规范导致拍摄的掌静脉信息图像不完整而不能完成认证的情况。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种可以提高掌静脉识别精度，降低误识率的基于不同波长光照射条件下实现完整掌静脉图像获取的方法。
为了实现上述目的，本发明的基于不同波长光照射条件下实现完整掌静脉图像获取的方法如下：
该基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其主要特点是，所述的方法包括以下步骤：
(1)掌静脉采集设备针对放置其上的使用者手掌分别拍摄第一波长光照射下的第一掌静脉识别图像、第二波长光照射下的第二掌静脉识别图像、第三波长光照射下的第三掌静脉识别图像和第四波长光照射下的第一掌静脉识别图像的第四掌静脉识别图像，其中所述的第一波长光的波长分别小于第二波长光的波长、第三波长光的波长和第四波长光的波长；
(2)将所述的第一掌静脉识别图像、第二掌静脉识别图像、第三掌静脉识别图像和第四掌静脉识别图像进行高斯模糊处理分别对应得到第一高斯模糊处理图像、第二高斯模糊处理图像、第三高斯模糊处理图像和第四高斯模糊处理图像，用于减少图像噪声，降低图像细节层次；
(3)将所得到的所述的第一高斯模糊处理图像、第二高斯模糊处理图像、第三高斯模糊处理图像和第四高斯模糊处理图像进行均衡化处理分别对应得到第一均衡化处理图像、第二均衡化处理图像、第三均衡化处理图像和第四均衡化处理图像，用于增加图像对比度；
(4)计算得到第二波长光所对应的第一平均灰度系数、第三波长光所对应的第二平均灰度系数、第四波长光所对应的第三平均灰度系数，并将所得到的所述的第一均衡化处理图像的各个像素灰度值分别乘以所述的第一平均灰度系数、第二平均灰度系数和第三平均灰度系数，对应得到第一平均灰度系数图像、第二平均灰度系数图像和第三平均灰度系数图像；
(5)将所得到的所述的第二均衡化处理图像与第一平均灰度系数图像进行像素值做差得到第一差值图像，所述的第三均衡化处理图像与第二平均灰度系数图像进行像素值做差得到第二差值图像，所述的第四均衡化处理图像与第三平均灰度系数图像进行像素值做差得到第三差值图像；
(6)将所述的第一差值图像的各个像素灰度值、第二差值图像的各个像素灰度值和第三差值图像的各个像素灰度值分别乘以系统预设的相应的权重值分别对应得到第一权重差值图像、第二权重差值图像和第三权重差值图像；
(7)将所述的第一权重差值图像的各个像素灰度值、第二权重差值图像的各个像素灰度值和第三权重差值图像的各个像素灰度值进行累加，拟合出完整的静脉图像。
较佳地，所述的步骤(2)中的对图像进行高斯模糊处理，具体为：
根据以下公式进行图像处理：
Figure BDA0002744274600000021
其中，x和y代表所处理图像中相对于原始中心点像素的偏移值；为高斯模糊处理图像的标准差，表示模糊的延伸距离，它的缺省值一般设为1，通过提升该值可以获得更强的效果；e为欧拉数；G(x，y)的结果表示在一个方向上以x，或者在两个方向上以(x，y)为中心的加权值。
较佳地，所述的步骤(3)中的对图像进行均衡化处理，包括以下步骤：
(3.1)统计待处理图像各灰度级的像素数目Ni，0≤i＜L，L指待处理图像中所有的灰度级数(通常该灰度级数为28＝256)；
(3.2)根据以下公式计算所述的待处理图像中灰度值为的像素的出现概率：
Px(i)＝Px(x＝i)＝Ni/N；
其中，N是待处理图像中所有的像素数，Px(i)实际上是像素值为i的待处理图像的直方图归一化到[0，1]区间范围内的概率值；
(3.3)根据以下公式计算Px的累积分布函数，得到待处理图像的累计归一化直方图，具体为：
Figure BDA0002744274600000031
其中，Px(j)为待处理图像中灰度值为j的像素出现的概率，cdfx(i)为像素值为i的累计分布函数；
(3.4)根据以下公式进行直方图均衡化计算：
Figure BDA0002744274600000032
其中，cdfmin为累积分布函数最小值，M和N分别代表原始图像的长宽像素个数，L为灰度级数，v为原始图像中为v的像素值，h(v)为对数值进行四舍五入计算后得到的均衡化处理函数。
更佳地，所述的步骤(4)中的计算得到第二波长光所对应的第一平均灰度系数、第三波长光所对应的第二平均灰度系数、第四波长光所对应的第三平均灰度系数，具体为：
根据以下公式计算第一平均灰度系数：
第一平均灰度系数＝第二均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值；
根据以下公式计算第二平均灰度系数：
第二平均灰度系数＝第三均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值；
根据以下公式计算第三平均灰度系数：
第三平均灰度系数＝第四均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值。
较佳地，所述的第一波长光的波长为470nm。
较佳地，所述的第二波长光的波长、第三波长光的波长、第四波长光的波长依次增大。
较佳地，所述的第二波长光的波长为760nm，所述的第三波长光的波长为850nm，所述的第四波长光的波长为940nm。
更佳地，所述的步骤(6)，具体为：
将所述的第一差值图像的各个像素灰度值、第二差值图像的各个像素灰度值和第三差值图像的各个像素灰度值根据以下公式分别计算得到所述的第一权重差值图像的对应像素灰度值、第二权重差值图像的对应像素灰度值和第三权重差值图像的对应像素灰度值，从而得到所述的第一权重差值图像、第二权重差值图像和第三权重差值图像：
第一权重差值图像的对应像素灰度值＝第一差值图像的各个像素灰度值×K1，其中，K1为第二波长光所对应的图像权重系数；
第二权重差值图像的对应像素灰度值＝第二差值图像的各个像素灰度值×K2，其中，K2为第三波长光所对应的图像权重系数；
第三权重差值图像的对应像素灰度值＝第三差值图像的各个像素灰度值×K3，其中，K3为第四波长光所对应的图像权重系数。
较佳地，所述的第二波长光的波长为760nm，所述的第二波长光所对应的图像权重系数K1为0.5，所述的第三波长光的波长为850nm，所述的第三波长光所对应的图像权重系数K2为0.3，所述的第四波长光的波长为940nm，所述的第四波长光所对应的图像权重系数K3为0.2。
采用了该发明中的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，通过选用波长较短的光源，使得拍摄出的屈肌纹处的阴影更加明显，在进行图像录入时可以获得用户的完整静脉图像，防止用户在验证时由于手掌放置位置不规范导致拍摄到的掌静脉信息不全而不能完成认证，提高了掌静脉识别的精度和成像质量，降低了误识率。
附图说明
图1为本发明的基于不同波长光照射条件下实现完整掌静脉图像获取的方法的流程图。
图2为实际测试环境中同一光强下蓝光的成像效果图。
图3为实际测试环境中同一光强下红光的成像效果图。
图4为实际测试环境中同一光强下绿光的成像效果图。
图5为实际测试环境中拍摄的掌静脉识别图像。
图6为血液中血红蛋白对不同波长光的吸收系数分布示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
请参阅图1所示，其为本发明的基于不同波长光照射条件下实现完整掌静脉图像获取的方法的流程图。其中，该基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其中包括以下步骤：
(1)掌静脉采集设备针对放置其上的使用者手掌分别拍摄第一波长光照射下的第一掌静脉识别图像、第二波长光照射下的第二掌静脉识别图像、第三波长光照射下的第三掌静脉识别图像和第四波长光照射下的第一掌静脉识别图像的第四掌静脉识别图像，其中所述的第一波长光的波长分别小于第二波长光的波长、第三波长光的波长和第四波长光的波长；
(2)将所述的第一掌静脉识别图像、第二掌静脉识别图像、第三掌静脉识别图像和第四掌静脉识别图像进行高斯模糊处理分别对应得到第一高斯模糊处理图像、第二高斯模糊处理图像、第三高斯模糊处理图像和第四高斯模糊处理图像，用于减少图像噪声，降低图像细节层次；
(3)将所得到的所述的第一高斯模糊处理图像、第二高斯模糊处理图像、第三高斯模糊处理图像和第四高斯模糊处理图像进行均衡化处理分别对应得到第一均衡化处理图像、第二均衡化处理图像、第三均衡化处理图像和第四均衡化处理图像，用于增加图像对比度；
(4)计算得到第二波长光所对应的第一平均灰度系数、第三波长光所对应的第二平均灰度系数、第四波长光所对应的第三平均灰度系数，并将所得到的所述的第一均衡化处理图像的各个像素灰度值分别乘以所述的第一平均灰度系数、第二平均灰度系数和第三平均灰度系数，对应得到第一平均灰度系数图像、第二平均灰度系数图像和第三平均灰度系数图像；
(5)将所得到的所述的第二均衡化处理图像与第一平均灰度系数图像进行像素值做差得到第一差值图像，所述的第三均衡化处理图像与第二平均灰度系数图像进行像素值做差得到第二差值图像，所述的第四均衡化处理图像与第三平均灰度系数图像进行像素值做差得到第三差值图像；
(6)将所述的第一差值图像的各个像素灰度值、第二差值图像的各个像素灰度值和第三差值图像的各个像素灰度值分别乘以系统预设的相应的权重值分别对应得到第一权重差值图像、第二权重差值图像和第三权重差值图像；
(7)将所述的第一权重差值图像的各个像素灰度值、第二权重差值图像的各个像素灰度值和第三权重差值图像的各个像素灰度值进行累加，拟合出完整的静脉图像。
在上述实施例中，所述的步骤(2)中的对图像进行高斯模糊处理，具体为：
根据以下公式进行图像处理：
Figure BDA0002744274600000051
其中，x和y代表所处理图像中相对于原始中心点像素的偏移值；σ为高斯模糊处理图像的标准差，表示模糊的延伸距离，它的缺省值一般设为1，通过提升该值可以获得更强的效果；e为欧拉数；G(x，y)的结果表示在一个方向上以x，或者在两个方向上以(x，y)为中心的加权值。
所述的步骤(3)中的对图像进行均衡化处理，包括以下步骤：
(3.1)统计待处理图像各灰度级的像素数目Ni，0≤i＜L，L指待处理图像中所有的灰度级数(通常该灰度级数为28＝256)；
(3.2)根据以下公式计算所述的待处理图像中灰度值为i的像素的出现概率：
Px(i)＝Px(x＝i)＝Ni/N；
其中，N是待处理图像中所有的像素数，Px(i)实际上是像素值为i的待处理图像的直方图归一化到[0，1]区间范围内的概率值；
(3.3)根据以下公式计算Px的累积分布函数，得到待处理图像的累计归一化直方图，具体为：
Figure BDA0002744274600000061
其中，Px(j)为待处理图像中灰度值为j的像素出现的概率，cdfx(i)为像素值为i的累计分布函数；
(3.4)根据以下公式进行直方图均衡化计算：
Figure BDA0002744274600000062
其中，cdfmin为累积分布函数最小值，M和N分别代表原始图像的长宽像素个数，L为灰度级数，v为原始图像中为v的像素值，h(v)为对数值进行四舍五入计算后得到均衡化处理的函数。
所述的步骤(4)中的计算得到第二波长光所对应的第一平均灰度系数、第三波长光所对应的第二平均灰度系数、第四波长光所对应的第三平均灰度系数，具体为：
根据以下公式计算第一平均灰度系数：
第一平均灰度系数＝第二均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值；
根据以下公式计算第二平均灰度系数：
第二平均灰度系数＝第三均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值；
根据以下公式计算第三平均灰度系数：
第三平均灰度系数＝第四均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值。
作为本发明的一优选实施方式，所述的第一波长光的波长为470nm。
作为本发明的一优选实施方式，所述的第二波长光的波长、第三波长光的波长、第四波长光的波长依次增大。
作为本发明的一优选实施方式，所述的第二波长光的波长为760nm，所述的第三波长光的波长为850nm，所述的第四波长光的波长为940nm。
所述的步骤(6)，具体为：
将所述的第一差值图像的各个像素灰度值、第二差值图像的各个像素灰度值和第三差值图像的各个像素灰度值根据以下公式分别计算得到所述的第一权重差值图像的对应像素灰度值、第二权重差值图像的对应像素灰度值和第三权重差值图像的对应像素灰度值，从而得到所述的第一权重差值图像、第二权重差值图像和第三权重差值图像：
第一权重差值图像的对应像素灰度值＝第一差值图像的各个像素灰度值×K1，其中，K1为第二波长光所对应的图像权重系数；
第二权重差值图像的对应像素灰度值＝第二差值图像的各个像素灰度值×K2，其中，K2为第三波长光所对应的图像权重系数；
第三权重差值图像的对应像素灰度值＝第三差值图像的各个像素灰度值×K3，其中，K3为第四波长光所对应的图像权重系数。
作为本发明的优选实施方式，所述的第二波长光的波长为760nm，所述的第二波长光所对应的图像权重系数K1为0.5，所述的第三波长光的波长为850nm，所述的第三波长光所对应的图像权重系数K2为0.3，所述的第四波长光的波长为940nm，所述的第四波长光所对应的图像权重系数K3为0.2。
由于掌纹成像是由光源照射手掌时，在屈肌纹处留下的阴影，从而使非掌纹区域和掌纹区域的亮暗对比度增强。由于波长长的光穿透性也高，且容易发生衍射，不利于掌纹成像，因此选用波长较短的光源，这样使留在屈肌纹处的阴影更加明显，有利于提高成像质量。
请参阅图2～4所示，分别为利用蓝光、红光、绿光光源分别照射手掌，在同等条件下的对比成像效果，作为本发明的优选实施方式，在本发明的四个波长中，所述的第一波长光的470nm的波长光为蓝光，在蓝光、红光和绿光的对比成像中可以看出蓝光照射下的手部掌纹信息比较清晰，均匀性好，对比度大，反光少。
请参阅图5所示，在700～1000nm波长近红外光照射下，掌静脉中的血红蛋白(包括还原血红蛋白与氧合血红蛋白)对近红外光的吸收强于周围组织对近红外光的吸收，反射回的光被图像传感器接收，通过成像系统可以观察到血管区域对应的图像亮度低于非血管区域，形成了暗影，也就是掌静脉识别图像。
请参阅图6所示，当波长为760nm时，还原血红蛋白对近红外光的吸收最强，当波长为850nm时，还原血红蛋白与氧合血红蛋白对近红外光的吸收相等，当波长为940nm时，氧合血红蛋白对近红外光的吸收最强。因此，分别选用760nm、850nm、940nm波长的光拍摄手掌，以获得最完整的掌静脉图像。
采用了该发明中的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，通过选用波长较短的光源，使得拍摄出的屈肌纹处的阴影更加明显，在进行图像录入时可以获得用户的完整静脉图像，防止用户在验证时由于手掌放置位置不规范导致拍摄到的掌静脉信息不全而不能完成认证，提高了掌静脉识别的精度和成像质量，降低了误识率。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (10)

1.一种基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的方法包括以下步骤：
(1)掌静脉采集设备针对放置其上的使用者手掌分别拍摄第一波长光照射下的第一掌静脉识别图像、第二波长光照射下的第二掌静脉识别图像、第三波长光照射下的第三掌静脉识别图像和第四波长光照射下的第一掌静脉识别图像的第四掌静脉识别图像，其中所述的第一波长光的波长分别小于第二波长光的波长、第三波长光的波长和第四波长光的波长；
(2)将所述的第一掌静脉识别图像、第二掌静脉识别图像、第三掌静脉识别图像和第四掌静脉识别图像进行高斯模糊处理分别对应得到第一高斯模糊处理图像、第二高斯模糊处理图像、第三高斯模糊处理图像和第四高斯模糊处理图像，用于减少图像噪声，降低图像细节层次；
(3)将所得到的所述的第一高斯模糊处理图像、第二高斯模糊处理图像、第三高斯模糊处理图像和第四高斯模糊处理图像进行均衡化处理分别对应得到第一均衡化处理图像、第二均衡化处理图像、第三均衡化处理图像和第四均衡化处理图像，用于增加图像对比度；
(4)计算得到第二波长光所对应的第一平均灰度系数、第三波长光所对应的第二平均灰度系数、第四波长光所对应的第三平均灰度系数，并将所得到的所述的第一均衡化处理图像的各个像素灰度值分别乘以所述的第一平均灰度系数、第二平均灰度系数和第三平均灰度系数，对应得到第一平均灰度系数图像、第二平均灰度系数图像和第三平均灰度系数图像；
(5)将所得到的所述的第二均衡化处理图像与第一平均灰度系数图像进行像素值做差得到第一差值图像，所述的第三均衡化处理图像与第二平均灰度系数图像进行像素值做差得到第二差值图像，所述的第四均衡化处理图像与第三平均灰度系数图像进行像素值做差得到第三差值图像；
(6)将所述的第一差值图像的各个像素灰度值、第二差值图像的各个像素灰度值和第三差值图像的各个像素灰度值分别乘以系统预设的相应的权重值分别对应得到第一权重差值图像、第二权重差值图像和第三权重差值图像；
(7)将所述的第一权重差值图像的各个像素灰度值、第二权重差值图像的各个像素灰度值和第三权重差值图像的各个像素灰度值进行累加，拟合出完整的静脉图像。
2.根据权利要求1所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的步骤(2)中的对图像进行高斯模糊处理，具体为：
根据以下公式进行图像处理：
Figure FDA0002744274590000021
其中，x和y代表所处理图像中相对于原始中心点像素的偏移值；σ为高斯模糊处理图像的标准差，表示模糊的延伸距离；e为欧拉数；G(x，y)的结果表示在一个方向上以x、或者在两个方向上以(x，y)为中心的加权值。
3.根据权利要求1所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的步骤(3)中的对图像进行均衡化处理，包括以下步骤：
(3.1)统计待处理图像各灰度级的像素数目Ni，0≤i＜L，L指待处理图像中所有的灰度级数；
(3.2)根据以下公式计算所述的待处理图像中灰度值为i的像素的出现概率：
Px(i)＝Px(x＝i)＝Ni/N；
其中，N是待处理图像中所有的像素数，Px(i)实际上是像素值为i的待处理图像的直方图归一化到[0，1]区间范围内的概率值；
(3.3)根据以下公式计算Px的累积分布函数，得到待处理图像的累计归一化直方图，具体为：
Figure FDA0002744274590000022
其中，Px(j)为待处理图像中灰度值为j的像素出现的概率，cdfx(i)为像素值为i的累计分布函数；
(3.4)根据以下公式进行直方图均衡化计算：
Figure FDA0002744274590000023
其中，cdfmin为累积分布函数最小值，M和N分别代表原始图像的长宽像素个数，L为灰度级数，v为原始图像中为v的像素值，h(v)为对数值进行四舍五入计算后得到的均衡化处理函数。
4.根据权利要求1所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的步骤(4)中的计算得到第二波长光所对应的第一平均灰度系数、第三波长光所对应的第二平均灰度系数、第四波长光所对应的第三平均灰度系数，具体为：
根据以下公式计算第一平均灰度系数：
第一平均灰度系数＝第二均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值；
根据以下公式计算第二平均灰度系数：
第二平均灰度系数＝第三均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值；
根据以下公式计算第三平均灰度系数：
第三平均灰度系数＝第四均衡化处理图像的手掌轮廓内的平均灰度值/第一均衡化处理图像的手掌轮廓内的平均灰度值。
5.根据权利要求1至4中任一项所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的第一波长光的波长为470nm。
6.根据权利要求5所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的第二波长光的波长、第三波长光的波长、第四波长光的波长依次增大。
7.根据权利要求6所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的第二波长光的波长为760nm，所述的第三波长光的波长为850nm，所述的第四波长光的波长为940nm。
8.根据权利要求1至4中任一项所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的步骤(6)，具体为：
将所述的第一差值图像的各个像素灰度值、第二差值图像的各个像素灰度值和第三差值图像的各个像素灰度值根据以下公式分别计算得到所述的第一权重差值图像的对应像素灰度值、第二权重差值图像的对应像素灰度值和第三权重差值图像的对应像素灰度值，从而得到所述的第一权重差值图像、第二权重差值图像和第三权重差值图像：
第一权重差值图像的对应像素灰度值＝第一差值图像的各个像素灰度值×K1，其中，K1为第二波长光所对应的图像权重系数；
第二权重差值图像的对应像素灰度值＝第二差值图像的各个像素灰度值×K2，其中，K2为第三波长光所对应的图像权重系数；
第三权重差值图像的对应像素灰度值＝第三差值图像的各个像素灰度值×K3，其中，K3为第四波长光所对应的图像权重系数。
9.根据权利要求8所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的第一波长光的波长为470nm。
10.根据权利要求9所述的基于不同波长光照射条件下实现完整掌静脉图像获取的方法，其特征在于，所述的第二波长光的波长为760nm，所述的第二波长光所对应的图像权重系数K1为0.5，所述的第三波长光的波长为850nm，所述的第三波长光所对应的图像权重系数K2为0.3，所述的第四波长光的波长为940nm，所述的第四波长光所对应的图像权重系数K3为0.2。
CN202011160855.2A 2020-10-27 2020-10-27 基于不同波长光照射条件下实现完整掌静脉图像获取的方法 Active CN112241721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011160855.2A CN112241721B (zh) 2020-10-27 2020-10-27 基于不同波长光照射条件下实现完整掌静脉图像获取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011160855.2A CN112241721B (zh) 2020-10-27 2020-10-27 基于不同波长光照射条件下实现完整掌静脉图像获取的方法

Publications (2)

Publication Number Publication Date
CN112241721A CN112241721A (zh) 2021-01-19
CN112241721B true CN112241721B (zh) 2022-07-05

Family

ID=74169848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011160855.2A Active CN112241721B (zh) 2020-10-27 2020-10-27 基于不同波长光照射条件下实现完整掌静脉图像获取的方法

Country Status (1)

Country Link
CN (1) CN112241721B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103393404A (zh) * 2013-07-26 2013-11-20 重庆蝶波科技有限公司 多波长红外偏振光实时影像导引系统
CN105426843A (zh) * 2015-11-19 2016-03-23 安徽大学 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法
CN106991380A (zh) * 2017-03-10 2017-07-28 电子科技大学 一种基于掌静脉图像的预处理方法
CN106994001A (zh) * 2017-03-30 2017-08-01 展谱光电科技（上海）有限公司 便携式多光谱摄像装置及其使用方法
CN107945163A (zh) * 2017-11-23 2018-04-20 广州酷狗计算机科技有限公司 图像增强方法及装置
CN108564031A (zh) * 2018-04-12 2018-09-21 安徽大学 基于多模态融合的单幅近红外手掌图像识别方法
CN108968942A (zh) * 2018-08-03 2018-12-11 佛山科学技术学院 一种基于近红外全色彩血流成像装置及方法
CN111741211A (zh) * 2019-03-25 2020-10-02 华为技术有限公司 图像显示方法和设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7359562B2 (en) * 2003-03-19 2008-04-15 Mitsubishi Electric Research Laboratories, Inc. Enhancing low quality videos of illuminated scenes
EP2017786A1 (en) * 2007-07-20 2009-01-21 Agfa HealthCare NV Method of generating a multiscale contrast enhanced image

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103393404A (zh) * 2013-07-26 2013-11-20 重庆蝶波科技有限公司 多波长红外偏振光实时影像导引系统
CN105426843A (zh) * 2015-11-19 2016-03-23 安徽大学 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法
CN106991380A (zh) * 2017-03-10 2017-07-28 电子科技大学 一种基于掌静脉图像的预处理方法
CN106994001A (zh) * 2017-03-30 2017-08-01 展谱光电科技（上海）有限公司 便携式多光谱摄像装置及其使用方法
CN107945163A (zh) * 2017-11-23 2018-04-20 广州酷狗计算机科技有限公司 图像增强方法及装置
CN108564031A (zh) * 2018-04-12 2018-09-21 安徽大学 基于多模态融合的单幅近红外手掌图像识别方法
CN108968942A (zh) * 2018-08-03 2018-12-11 佛山科学技术学院 一种基于近红外全色彩血流成像装置及方法
CN111741211A (zh) * 2019-03-25 2020-10-02 华为技术有限公司 图像显示方法和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Xuekui Yan et al..Palm vein recognition based on multi-sampling.《ELSEVIER》.2014,全文. *
桂颖溢等.基于双波长自适应光源的静脉图像获取技术.《光学技术》.2019,全文. *

Also Published As

Publication number Publication date
CN112241721A (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
US8184900B2 (en) Automatic detection and correction of non-red eye flash defects
CN105488763B (zh) 一种适用于水下激光距离选通图像的图像增强方法
US20090220148A1 (en) Automatic red eye artifact reduction for images
CN107451969A (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN110047059B (zh) 图像处理方法、装置、电子设备及可读存储介质
CN111415304A (zh) 基于级联深度网络的水下视觉增强方法和装置
KR20140017776A (ko) 영상 처리 장치 및 영상 내의 안개 제거 방법
CN101165706B (zh) 图像处理装置和图像获取方法
Reddy et al. Retinal fundus image enhancement using piecewise gamma corrected dominant orientation based histogram equalization
Datta et al. A new contrast enhancement method of retinal images in diabetic screening system
CN112507818B (zh) 一种基于近红外图像的光照估计方法及系统
CN112241721B (zh) 基于不同波长光照射条件下实现完整掌静脉图像获取的方法
CN112001920B (zh) 眼底图像识别方法及装置和设备
CN113091915A (zh) 基于人脸识别的自动体温信息采集系统
CN114677713A (zh) 一种基于近红外光的手臂静脉采血点的识别方法及系统
US20230255443A1 (en) Apparatuses, systems, and methods for discounting an object while managing auto-exposure of image frames depicting the object
Poostchi et al. Diabetic retinopathy dark lesion detection: preprocessing phase
CN115456888A (zh) 电子化美术考试作品的校正方法、装置、电子设备及介质
CN113052833A (zh) 一种基于红外热辐射的非视域成像方法
CN116843582B (zh) 基于深度学习的2cmos相机的去噪增强系统及方法
CN117994160B (zh) 一种图像处理方法及系统
CN117593591B (zh) 一种基于医学图像分割的舌象分类方法
JP5093540B2 (ja) 目の位置の検出方法および検出システム
CN112862709B (zh) 图像特征增强方法、装置及可读存储介质
JP4831361B2 (ja) 目の位置の検出方法および検出システム

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