CN112288010B - 基于网络学习的指静脉图像质量评价方法 - Google Patents

基于网络学习的指静脉图像质量评价方法 Download PDF

Info

Publication number
CN112288010B
CN112288010B CN202011186315.1A CN202011186315A CN112288010B CN 112288010 B CN112288010 B CN 112288010B CN 202011186315 A CN202011186315 A CN 202011186315A CN 112288010 B CN112288010 B CN 112288010B
Authority
CN
China
Prior art keywords
image
quality evaluation
finger vein
vein image
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
Application number
CN202011186315.1A
Other languages
English (en)
Other versions
CN112288010A (zh
Inventor
马慧
田文博
王科俊
方春鑫
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.)
Heilongjiang University
Original Assignee
Heilongjiang University
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 Heilongjiang University filed Critical Heilongjiang University
Priority to CN202011186315.1A priority Critical patent/CN112288010B/zh
Publication of CN112288010A publication Critical patent/CN112288010A/zh
Application granted granted Critical
Publication of CN112288010B publication Critical patent/CN112288010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明针对手指静脉识别系统性能受采集图像质量影响较大的问题，综合考虑手指静脉图像特点，提出了一种基于网络学习的指静脉图像质量评价方法。首先对采集到的手指静脉图像设计出亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数七种评价准则进行图像质量评价，并得到七个相应的质量评价分数；再将七个质量评价分数进行归一化处理，以避免数量级相差过大；最后将归一化后的图像质量评价分数作为网络输入，设计MEA‑BP‑Adaboost强分类器获得静脉图像总质量评估等级。本发明为手指静脉图像质量对识别精度影响较大的问题提出新的解决思路，对待识别图像依据图像质量评价指标进行质量评价，有利于提高不同环境下采集到的手指静脉图像的一致性，从而提高静脉识别系统后续的匹配识别准确性。

Description

基于网络学习的指静脉图像质量评价方法
技术领域
本发明属于模式识别技术领域，具体涉及一种基于网络学习的手指静脉图像质量评价方法。
背景技术
手指静脉识别技术利用手指内部血管特征成像，不受手指表面情况影响，且由于其成像采用近红外光透射血管，由血管中的血红蛋白吸收红外线形成血管纹路，一旦个体失活无法采集到静脉纹路，具有活体采集的特点，防伪性与安全性极高。
但在采集过程中，由于光照原因、手指摆放位置不当以及传感器噪声等原因，使静脉图像存在降质甚至后续认证系统无法识别的情况，严重影响静脉认证系统性能。针对这一问题，本发明提出在采集过程进行手指静脉图像质量评价，对于质量严重低下的图像给出重新采集的提示。本发明充分分析了手指静脉的特性，提出一种基于网络学习的指静脉图像质量评价方法，以期获得一种无参考的、实用价值高的手指静脉图像质量评价方法。
发明内容
本发明的目的在于提供一种基于网络学习的指静脉图像质量评价方法，该方法在静脉图像采集过程中综合7种无参考评价指标对图像进行评价，将7个图像质量评估指标分数作为神经网络的输入，采用线性加权得到MEA-BP-Adaboost强分类器，最后使用决策树将各强分类器级联成一个层叠分类器，输出最终的判决结果，能够准确评价出采集到的手指静脉图像的质量。
本发明的目的是这样实现的：
一种基于网络学习的指静脉图像质量评价方法，首先对采集到的手指静脉图像设计出亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数七种评价准则进行图像质量评价，并得到七个相应的质量评价分数；再将七个质量评价分数进行归一化处理，以避免数量级相差过大；最后将归一化后的图像质量评价分数作为神经网络输入，设计MEA-BP-Adaboost方法获得静脉图像总质量评估分数。
所述的基于网络学习的指静脉图像质量评价方法，所述的亮度均匀性是测量一幅图像亮度分布变化的指标，衡量的是图像亮度的起伏变化的程度，计算方法如下：
首先对手指静脉图像进行分块处理，将图像分割成大小相等的5×5个小块，然后分别计算图像中每小块的平均亮度。图像亮度公式为:
Figure 500057DEST_PATH_IMAGE001
其中R、G、B分别代表颜色的三个通道，
Figure 666465DEST_PATH_IMAGE002
为该像素点的亮度值；每个小块的平均亮度为
Figure 432821DEST_PATH_IMAGE003
为
Figure 342877DEST_PATH_IMAGE004
其中N为每个小块的像素个数；
图像的均匀亮度质量分数
Figure 409446DEST_PATH_IMAGE005
可以运用每个小块的图像的平均亮度的标准差来表示，即：
Figure 481176DEST_PATH_IMAGE006
其中
Figure 734828DEST_PATH_IMAGE007
为分块后亮度的均值。
所述的基于网络学习的指静脉图像质量评价方法，所述的归一化处理是针对亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数这七个质量评价指标的计算结果不完全在同一个数量级上，本发明对上述评价指标进行如下归一化处理：
Figure 448575DEST_PATH_IMAGE008
其中
Figure 369651DEST_PATH_IMAGE009
为7个静脉图像质量评价指标中值最小的，
Figure 612282DEST_PATH_IMAGE010
为图像质量评价指标序列中最大的，通过上述归一化处理将所有的质量评价指标值转化为[0,1]之间。
所述的基于网络学习的指静脉图像质量评价方法，所述的MEA-BP-Adaboost强分类器首先采用思维进化算法(MEA)调整BP神经网络的权值和阈值，设计出融合MEA与BP的静脉图像质量评价网络，再将归一化后的7个图像质量评估指标分数作为该神经网络的输入，然后根据 BP 神经网络的拓扑结构，在解空间随机生成一定规模的个体，将解空间映射到编码空间，每个编码对应一个个体。接下来设置BP神经网络拓扑结构为 7-10-1，编码长度为91。然后对训练集求均方误差，并将其结果求倒数作为个体和种群的得分函数，利用思维进化算法，经过不断迭代，输出最优个体，并将此个体作为初始的权值或阈值，接下来由10个BP弱分类器反复训练预测样本输出，利用Adaboost算法对10个弱分类器线性加权得到强分类器，然后使用决策树将各强分类器级联成一个层叠分类器，其中每一层都是Adaboost算法训练得到的一个强分类器，每层的强分类器经过阈值调整，输出静脉图像质量评价总分数，然后利用sign函数将其转化为标签，并与主观质量评估标签对比，最终得到图像质量评估的识别率。
所述的基于网络学习的指静脉图像质量评价方法，所述的融合MEA与BP的静脉图像质量评价网络选用三层神经网络进行图像分类，采用七个静脉图像质量评价指标作为输入，因此在输入层设置7个神经元，输出层根据输出的结果选择1个输出神经元，隐含层神经元可以采用公式
Figure 329792DEST_PATH_IMAGE011
，来计算，
Figure 581650DEST_PATH_IMAGE012
最后取值为10，本发明最大训练次数为100，学习率为0.01，训练精度为0.0001，种群规模为60，优胜子种群和临时子种群个数为5，迭代次数设置为10。
本发明的主要贡献和特点在于：本发明针对手指静脉图像特性提出亮度均匀性等7个指标，并将这7个指标综合作为网络输入，通过设计的MEA-BP-Adaboost强分类器得到最终的图像质量评价结果，提高了对手指静脉图像质量评价的准确性。为待识别手指静脉图像质量对识别精度影响较大的问题提出新的解决思路，有助于低质量的静脉图像的识别与重新采集，从而有效提高静脉识别系统性能。
附图说明
图1：基于网络学习的指静脉图像质量评价框图。
图2 ：MEA初始权值与阈值优化流程图。
图3 ：融合MEA与BP方法流程图。
图4 ：MEA-BP-Adaboost流程图。
具体实施方式
下面结合附图举例对本发明做更详细地描述。
1无参考手指静脉图像质量评估指标
本发明综合考虑了手指静脉图像采集过程中影响图像质量的各种因素，设计出七个无参考评价参数相结合的手指静脉图像质量评价方法；
1.1亮度均匀性
亮度均匀性是测量一幅图像亮度分布变化的指标，衡量的是图像亮度的起伏变化的程度，计算方法如下：
首先对图像进行分块处理，将图像分割成大小相等的5×5个小块，然后分别计算图像中每小块的平均亮度。图像亮度公式为:
Figure 357233DEST_PATH_IMAGE013
其中R、G、B分别代表颜色的三个通道，
Figure 36345DEST_PATH_IMAGE002
为该像素点的亮度值；每个小块的平均亮度为
Figure 264588DEST_PATH_IMAGE014
为
Figure 54559DEST_PATH_IMAGE015
其中N为每个小块的像素个数；
图像的均匀亮度质量分数
Figure 950227DEST_PATH_IMAGE016
可以运用每个小块的图像的平均亮度的标准差来表示，即：
Figure 534661DEST_PATH_IMAGE006
其中
Figure 250201DEST_PATH_IMAGE017
为分块后亮度的均值；
1.2面积质量分数
由于手指静脉图像的生物特征集中在手指区域，因此本发明利用手指静脉区域的有效面积来衡量一幅静脉图像质量的高低，有效面积可以通过计算前景图像中指静脉的面积占图像整体面积的比例求得，而前景区域和图像整体的面积可以利用图像的像素点个数表示，因此，手指静脉图像的有效面积
Figure 843862DEST_PATH_IMAGE018
可以表示为：
Figure 594037DEST_PATH_IMAGE019
其中
Figure 614951DEST_PATH_IMAGE020
为静脉图像前景区域面积，
Figure 552208DEST_PATH_IMAGE021
为整张图像面积，
Figure 949560DEST_PATH_IMAGE022
为静脉图像有效面积的阈值，当图像的有效面积超过阈值
Figure 554241DEST_PATH_IMAGE023
时，可认为手指静脉为高质量图像，有效面积为100%；
1.3位置偏移质量分数
在采集的过程中，由于手指姿势放置错误，导致手指在图像中发生偏移，根据采集装置的不同，偏移量可分为水平偏移和竖直偏移两种，手指静脉图像的偏移量为水平偏移和竖直偏移综合后的结果；
由于手指静脉的偏移量是手指区域相对于整张图像的偏移，因此可以通过寻找指静脉区域的质心和图像的几何中心，然后计算“二心”的偏移量来表示指静脉的偏移程度，指静脉区域的质心为：
Figure 746057DEST_PATH_IMAGE024
其中
Figure 194047DEST_PATH_IMAGE025
和
Figure 129511DEST_PATH_IMAGE026
分别为手指静脉区域质心的横纵坐标，在图像的区域
Figure 854278DEST_PATH_IMAGE027
中，
Figure 216995DEST_PATH_IMAGE028
为像素
Figure 128843DEST_PATH_IMAGE029
的横坐标，
Figure 867998DEST_PATH_IMAGE030
为像素
Figure 181692DEST_PATH_IMAGE031
的纵坐标，
Figure 715311DEST_PATH_IMAGE032
为
Figure 114456DEST_PATH_IMAGE027
中像素的总个数；
指静脉图像的水平偏移量和竖直偏移量计算如下：
Figure 657301DEST_PATH_IMAGE033
其中
Figure 91081DEST_PATH_IMAGE034
表示水平偏移量，
Figure 530022DEST_PATH_IMAGE035
表示竖直偏移量，
Figure 416462DEST_PATH_IMAGE036
和
Figure 497420DEST_PATH_IMAGE037
为整幅图像几何中心的横纵坐标；
因此，指静脉图像的偏移质量分数
Figure 51285DEST_PATH_IMAGE038
可以表示为：
Figure 661127DEST_PATH_IMAGE039
1.4 信息熵
手指静脉图像中包含众多手指静脉纹路，不同的纹路特征反应在像素上表示像素点在空间位置分布概率的不同，而信息熵表示像素点的平均统计量信息，因此可以利用信息熵来衡量一幅图像手指静脉纹路的特征量，信息熵的值越大，图像中包含的纹路信息越丰富，图像的质量越高。图像的信息熵计算如下所示：
Figure 11427DEST_PATH_IMAGE040
其中
Figure 896075DEST_PATH_IMAGE041
为图像信息熵值，
Figure 38868DEST_PATH_IMAGE042
为图像的灰度级，取值范围为[0,255]，
Figure 85190DEST_PATH_IMAGE043
表示像素在第
Figure 680644DEST_PATH_IMAGE042
级灰度级上的概率；
1.5对比度质量分数
由于光照、放置姿势以及手指静脉与非静脉组织的差异，导致手指在入射光的照射下，图像的对比度偏高或者偏低，入射光强度较小时，手指静脉图像整体偏暗，对比度偏低，手指静脉区域与非静脉区域区分度较小，静脉纹路模糊，图像质量偏低，入射光强度较大时，手指静脉图像会发生过曝现象，导致手指静脉区域发白发亮，对比度较高，静脉纹路消失，图像质量也偏低，因此图像过曝或者曝光不足都会导致图像质量偏低；
由于对比度表示图像相对于图像整体平均灰度值的偏离程度，因此可以利用图像的标准差来衡量，图像的标准差越大，图像的灰度级越分散，则图像的对比度也就越大，图像的标准差计算如下:
Figure 368983DEST_PATH_IMAGE044
其中
Figure 631862DEST_PATH_IMAGE045
表示图像的均方差，
Figure 849085DEST_PATH_IMAGE046
代表像素点
Figure 931835DEST_PATH_IMAGE047
的灰度值，
Figure 158286DEST_PATH_IMAGE048
代表图像灰度均值，
Figure 275671DEST_PATH_IMAGE049
代表图像的像素总数；
因此对比度质量分数可以表示为：
Figure 663796DEST_PATH_IMAGE050
其中
Figure 233842DEST_PATH_IMAGE051
为标准差，
Figure 998405DEST_PATH_IMAGE052
为对比度阈值，当对比度超过阈值
Figure 235876DEST_PATH_IMAGE053
时，可认为图像过曝，对比度为100%；
1.6清晰度
清晰度表示的是图像上各种细节纹理和边缘的清晰程度，受图像噪声水平、动态模糊、边缘锐化程度等因素的影响，由于静脉图像包含较多的静脉纹理特征，静脉纹线走向的清晰程度决定了该图像是否为高质量图像。在计算手指静脉图像的清晰度时，首先要提取静脉图像边缘信息特征。本发明从sobel算子0°、45°、90°、135°四个方向来提取静脉图像的边缘信息；
对四个方向进行边缘检测得到的图像
Figure 794902DEST_PATH_IMAGE054
、
Figure 688182DEST_PATH_IMAGE055
、
Figure 256435DEST_PATH_IMAGE056
、
Figure 348412DEST_PATH_IMAGE057
进行加权平均得到加权平均图像
Figure 78340DEST_PATH_IMAGE058
：
Figure 357399DEST_PATH_IMAGE059
设
Figure 729343DEST_PATH_IMAGE060
的灰度值为
Figure 33417DEST_PATH_IMAGE061
，因此静脉图像的清晰度可以利用灰度值
Figure 202755DEST_PATH_IMAGE061
和灰度阈值
Figure 497339DEST_PATH_IMAGE062
的差在0-1之间取反来表示。手指静脉图像的清晰度
Figure 518646DEST_PATH_IMAGE063
如下式所示：
Figure 319637DEST_PATH_IMAGE064
1.7等效视数
等效视数是图像去噪常用的评价指标，它围绕着静脉图像中噪声的相对强度问题利用等效视数来表示对图像中噪声的抑制效果，因此图像的等效视数越大，图像对噪声的抑制能力越强，图像质量越高，具体来说，等效视数
Figure 656946DEST_PATH_IMAGE065
可以用图像的均值和标准差计算，公式如下:
Figure 910597DEST_PATH_IMAGE066
其中
Figure 624344DEST_PATH_IMAGE067
为静脉图像灰度均值，
Figure 279841DEST_PATH_IMAGE068
为静脉图像灰度标准差。
2静脉图像评估指标归一化
由于亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数这七个质量评价指标的计算结果不完全在同一个数量级上，本发明对评价指标进行如下归一化处理：
Figure 788052DEST_PATH_IMAGE069
其中
Figure 505562DEST_PATH_IMAGE070
为7个静脉图像质量评价指标中值最小的，
Figure 757420DEST_PATH_IMAGE071
为图像质量评价指标序列中最大的，通过上述归一化处理将所有的质量评价指标值转化为[0,1]之间。
3基于神经网络的手指静脉图像质量评估
在图像质量评估过程中，传统的BP神经网络预测精度低，泛化能力弱、容易陷入局部最小等问题，BP-AdaBoost神经网络由BP神经网络和AdaBoost算法结合而成，与传统的BP神经网络相比虽然预测精度、训练速度得到了改善，但在训练时可能会陷入局部最优，并且模型的泛化能力较弱，基于上述分析，本发明提出一种改进的BP-AdaBoost算法，首先采用思维进化算法(MEA)调整BP神经网络的权值和阈值，然后采用7个图像质量评估指标分数作为神经网络的输入，10神经元作为隐含层，1个高/低质量分类结果作为网络输出，训练10个BP弱分类器，在此基础上引入AdaBoost算法，采用线性加权得到MEA-BP-Adaboost强分类器，最后使用决策树将各强分类器级联成一个层叠分类器，每层的强分类器经过阈值调整，输出静脉图像质量评估分数，然后利用sign函数将其转化为标签，并与主观质量评估标签对比，最终得到图像质量评估的识别率；
3.1利用MEA优化初始阈值与权值
(1)训练集与测试集产生：为了使神经网络模型具有良好的泛化能力，训练集的选取一定要具有代表性并且数量要尽可能的多；
(2)初始种群产生：在解空间内随机生成一定规模的个体，然后将其转化到编码空间，根据每个个体的得分情况选出得分最高的若干个优胜个体和临时个体；
(3)临时子个体和优胜子个体的产生：将选出的若干优胜个体和临时个体作为中心，在每个个体的周围产生新的个体，新得到的个体称为优胜子群体和临时子群体；
(4)趋同：利用种群成熟判别函数在之群体内部判断各个子种群趋同操作是否完成。当趋同操作结束后，子群体成熟，以该子群体中最优个体的得分作为该子群体的得分；
(5)异化：子群体成熟后，将每个子群体得分在全局公告板上进行公示，然后执行异化操作，计算出全局最优个体及其得分，当异化操作完成后，根据异化结果补充新的子群体；
(6)输出最优个体：当迭代停止条件满足时，思维进化结束优化初始阈值/权值操作，然后根据编码规则对最优个体进行解析，并将解析的结果作为BP神经网络的初始权值和阈值。MEA初始权值与阈值优化流程图如图2所示；
3.2 MEA-BP-Adaboost方法设计
利用思维进化算法对BP神经网络的初始权值和阈值进行优化，设计步骤如图3所示。首先，将数据集采用最大最小归一化进行归一化处理，将输入数据转化为[0,1]之间的数，然后根据 BP 神经网络的拓扑结构，在解空间随机生成一定规模的个体，将解空间映射到编码空间，每个编码对应一个个体。接下来设置BP神经网络拓扑结构为 7-10-1，编码长度为91。然后对训练集求均方误差，并将其结果求倒数作为个体和种群的得分函数，利用思维进化算法，经过不断迭代，输出最优个体，并将此个体作为初始的权值/阈值，接下来由10个BP弱分类器反复训练预测样本输出，利用Adaboost算法对10个弱分类器线性加权得到强分类器，然后使用决策树将各强分类器级联成一个层叠分类器，其中每一层都是Adaboost算法训练得到的一个强分类器，每层的强分类器经过阈值调整，输出预测质量分数，接下来根据训练结果设置分类标签，将分类标签与主观质量评估结果进行对比，计算图像质量评估的识别率；
3.3 参数设置
由于单个隐含层神经网络可以逼近任何闭区间内的连续函数，因此本发明选用三层神经网络进行图像分类，将七个指标作为输入，因此在输入层设置7个神经元，输出层根据输出的结果选择1个输出神经元，隐含层神经元可以采用公式
Figure 533003DEST_PATH_IMAGE072
，来计算，
Figure 212115DEST_PATH_IMAGE073
最后取值为10，本文最大训练次数为100，学习率为0.01，训练精度为0.0001，种群规模为60，优胜子种群和临时子种群个数为5，迭代次数设置为10。
根据上述设计思路，设计步骤流程图如图4所示。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于网络学习的指静脉图像质量评价方法，其特征是：首先对采集到的手指静脉图像设计出亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数七种评价准则进行图像质量评价，并得到七个相应的质量评价分数；再将七个质量评价分数进行归一化处理，以避免数量级相差过大；最后将归一化后的图像质量评价分数作为神经网络输入，设计MEA-BP-Adaboost方法获得静脉图像总质量评估等级；
所述亮度均匀性，包括：所述的亮度均匀性是测量一幅图像亮度分布变化的指标，衡量的是图像亮度的起伏变化的程度，计算方法如下：
首先对手指静脉图像进行分块处理，将图像分割成大小相等的5×5个小块，然后分别计算图像中每小块的平均亮度；图像亮度公式为:
Xrgb= 0.299*R+0.587*G+0.114*B
其中R、G、B分别代表颜色的三个通道，
Figure 509312DEST_PATH_IMAGE001
为像素点的亮度值；
每个小块的平均亮度为x mean 为
Figure 75423DEST_PATH_IMAGE002
其中N为每个小块的像素个数；
图像的均匀亮度质量分数
Figure 439408DEST_PATH_IMAGE003
可以运用每个小块的图像的平均亮度的标准差来表示，即：
Figure 799982DEST_PATH_IMAGE004
其中 x mean 分块后亮度的均值；
所述清晰度，包括：
在计算手指静脉图像的清晰度时，首先要提取静脉图像边缘信息特征；从sobel算子0°、45°、90°、135°四个方向来提取静脉图像的边缘信息；
对四个方向进行边缘检测得到的图像l 1、l 2、l 3、l 4进行加权平均得到加权平均图像
Figure 187101DEST_PATH_IMAGE005
:
Figure 556903DEST_PATH_IMAGE006
设
Figure 447498DEST_PATH_IMAGE007
的灰度值为
Figure 306870DEST_PATH_IMAGE008
，因此静脉图像的清晰度可以利用灰度值
Figure 915706DEST_PATH_IMAGE008
和灰度阈值
Figure 89198DEST_PATH_IMAGE009
的差在0-1之间取反来表示；手指静脉图像的清晰度
Figure 99879DEST_PATH_IMAGE010
如下式所示:
Figure 67835DEST_PATH_IMAGE011
所述面积，包括：
手指静脉图像的有效面积
Figure 226284DEST_PATH_IMAGE012
可以表示为：
Figure 937888DEST_PATH_IMAGE013
其中
Figure 803076DEST_PATH_IMAGE014
为静脉图像前景区域面积，S all 为整张图像面积，
Figure 941934DEST_PATH_IMAGE015
为静脉图像有效面积的阈值，当图像的有效面积超过阈值
Figure 89143DEST_PATH_IMAGE016
时，可认为手指静脉为高质量图像，有效面积为100%；
所述位置偏移，包括：
通过寻找指静脉区域的质心和图像的几何中心，然后计算“二心”的偏移量来表示指静脉的偏移程度，指静脉区域的质心为：
Figure 338859DEST_PATH_IMAGE017
Figure 324133DEST_PATH_IMAGE018
其中
Figure 633891DEST_PATH_IMAGE019
和
Figure 704615DEST_PATH_IMAGE020
分别为手指静脉区域质心的横纵坐标，在图像的区域
Figure 820339DEST_PATH_IMAGE021
中，
Figure 660119DEST_PATH_IMAGE022
为像素
Figure 140779DEST_PATH_IMAGE023
的横坐标，
Figure 433220DEST_PATH_IMAGE024
为像素
Figure 290318DEST_PATH_IMAGE025
的纵坐标，
Figure 46921DEST_PATH_IMAGE026
为
Figure 698482DEST_PATH_IMAGE021
中像素的总个数；
指静脉图像的水平偏移量和竖直偏移量计算如下：
Figure 743799DEST_PATH_IMAGE027
Figure 139008DEST_PATH_IMAGE028
其中
Figure 750118DEST_PATH_IMAGE029
表示水平偏移量，
Figure 838159DEST_PATH_IMAGE030
表示竖直偏移量，
Figure 105193DEST_PATH_IMAGE031
和
Figure 304093DEST_PATH_IMAGE032
为整幅图像几何中心的横纵坐标；
因此，指静脉图像的偏移质量分数
Figure 707392DEST_PATH_IMAGE033
可以表示为：
Figure 527187DEST_PATH_IMAGE034
所述信息熵，包括：
图像的信息熵计算如下所示：
Figure 281517DEST_PATH_IMAGE035
其中
Figure 18529DEST_PATH_IMAGE036
为图像信息熵值，m为图像的灰度级，取值范围为[0,255]，p m 表示像素在第m级灰度级上的概率；
所述对比度，包括：
利用图像的标准差来衡量，图像的标准差越大，图像的灰度级越分散，则图像的对比度也就越大，图像的标准差计算如下:
Figure 541914DEST_PATH_IMAGE037
其中
Figure 34075DEST_PATH_IMAGE038
表示图像的均方差，
Figure 10121DEST_PATH_IMAGE022
代表像素点
Figure 550824DEST_PATH_IMAGE023
的灰度值，
Figure 194295DEST_PATH_IMAGE039
代表图像灰度均值，
Figure 529462DEST_PATH_IMAGE040
代表图像的像素总数；
因此对比度质量分数
Figure 320700DEST_PATH_IMAGE041
可以表示为：
Figure 399514DEST_PATH_IMAGE042
其中
Figure 897492DEST_PATH_IMAGE038
为标准差，
Figure 403560DEST_PATH_IMAGE016
为对比度阈值，当对比度超过阈值
Figure 682094DEST_PATH_IMAGE015
时，可认为图像过曝，对比度为100%；
所述等效视数，包括：
等效视数Q v 可以用图像的均值和标准差计算，公式如下:
Q v =μ/σ
其中μ为静脉图像灰度均值，σ为静脉图像灰度标准差；
所述MEA-BP-Adaboost方法，包括：首先采用思维进化算法MEA调整BP神经网络的权值和阈值，设计出融合MEA与BP的静脉图像质量评价网络，再将归一化后的7个图像质量评估指标分数作为该神经网络的输入，然后根据 BP 神经网络的拓扑结构，在解空间随机生成一定规模的个体，将解空间映射到编码空间，每个编码对应一个个体；接下来设置BP神经网络拓扑结构为 7-10-1，编码长度为91；然后对训练集求均方误差，并将其结果求倒数作为个体和种群的得分函数，利用思维进化算法，经过不断迭代，输出最优个体，并将此个体作为初始的权值或阈值，接下来由10个BP弱分类器反复训练预测样本输出，利用Adaboost算法对10个弱分类器线性加权得到强分类器，然后使用决策树将各强分类器级联成一个层叠分类器，其中每一层都是Adaboost算法训练得到的一个强分类器，每层的强分类器经过阈值调整，输出静脉图像质量评价总分数，然后利用sign函数将其转化为标签，并与主观质量评估标签对比，最终得到图像质量评估的识别率。
2.根据权利要求1所述的基于网络学习的指静脉图像质量评价方法，其特征是：所述的归一化处理，是针对亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数这七个质量评价指标的计算结果不完全在同一个数量级上，对上述评价指标进行如下归一化处理：
Figure 564600DEST_PATH_IMAGE043
其中x min 为7个静脉图像质量评价指标中值最小的，x max 为图像质量评价指标序列中最大的，通过上述归一化处理将所有的质量评价指标值转化为[0,1]之间。
3.根据权利要求1所述的基于网络学习的指静脉图像质量评价方法，其特征是：所述的融合MEA与BP的静脉图像质量评价网络，选用三层神经网络进行图像分类，采用七个静脉图像质量评价指标作为输入，因此在输入层设置7个神经元，输出层根据输出的结果选择1个输出神经元，隐含层神经元可以采用公式
Figure 917083DEST_PATH_IMAGE044
，来计算，
Figure DEST_PATH_IMAGE045
最后取值为10，最大训练次数为100，学习率为0.01，训练精度为0.0001，种群规模为60，优胜子种群和临时子种群个数为5，迭代次数设置为10。
CN202011186315.1A 2020-10-30 2020-10-30 基于网络学习的指静脉图像质量评价方法 Active CN112288010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011186315.1A CN112288010B (zh) 2020-10-30 2020-10-30 基于网络学习的指静脉图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011186315.1A CN112288010B (zh) 2020-10-30 2020-10-30 基于网络学习的指静脉图像质量评价方法

Publications (2)

Publication Number Publication Date
CN112288010A CN112288010A (zh) 2021-01-29
CN112288010B true CN112288010B (zh) 2022-05-13

Family

ID=74353636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011186315.1A Active CN112288010B (zh) 2020-10-30 2020-10-30 基于网络学习的指静脉图像质量评价方法

Country Status (1)

Country Link
CN (1) CN112288010B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052821B (zh) * 2021-03-25 2022-05-03 贵州电网有限责任公司 一种电力设备巡检图片的质量评价方法
CN113288452B (zh) * 2021-04-23 2022-10-04 北京大学 手术质量检测方法及装置
CN113792644B (zh) * 2021-09-10 2023-09-26 黑龙江大学 一种基于偏振与图像质量评价的手指静脉图像采集装置及方法
CN115578760B (zh) * 2022-11-15 2023-05-30 山东圣点世纪科技有限公司 一种基于地形起伏度静脉识别的控制系统及控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015232911A (ja) * 2015-09-11 2015-12-24 株式会社日立製作所 生体認証装置および方法
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
CN109615169A (zh) * 2018-11-08 2019-04-12 国家电网有限公司 一种基于MEA-IElman神经网络的配电网可靠性评估方法
CN110415225A (zh) * 2019-07-22 2019-11-05 南充折衍智能光电科技有限公司 一种基于多信息融合的手指静脉图像质量评价方法
CN111291709A (zh) * 2020-02-25 2020-06-16 华南理工大学 一种基于图像处理的手指静脉图像质量评价方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070237387A1 (en) * 2006-04-11 2007-10-11 Shmuel Avidan Method for detecting humans in images
CN101866486B (zh) * 2010-06-11 2011-11-16 哈尔滨工程大学 手指静脉图像质量判断方法
US10783697B2 (en) * 2016-02-26 2020-09-22 Yale University Systems, methods, and computer-readable media for ultra-high resolution 3D imaging of whole cells

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015232911A (ja) * 2015-09-11 2015-12-24 株式会社日立製作所 生体認証装置および方法
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
CN109615169A (zh) * 2018-11-08 2019-04-12 国家电网有限公司 一种基于MEA-IElman神经网络的配电网可靠性评估方法
CN110415225A (zh) * 2019-07-22 2019-11-05 南充折衍智能光电科技有限公司 一种基于多信息融合的手指静脉图像质量评价方法
CN111291709A (zh) * 2020-02-25 2020-06-16 华南理工大学 一种基于图像处理的手指静脉图像质量评价方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Non-contact Finger Vein Image Quality Assessment Method;HUI MA等;《Applied Mechanics and Materials》;20121213;第986-989页 *
An improved gravity compensation method for high-precision free-INS based on MEC–BP–AdaBoost;Xiao Zhou等;《Measurement Science and Technology》;20161021;第1-11页 *
Contactless finger-vein verification based on oriented elements feature;Hui Ma等;《Infrared Physics & Technology》;20190331;第1-14页 *
基于BP-AdaBoost神经网络的多参数掌静脉图像质量评价法;李苋兰 等;《计算机系统应用》;20200228;第29卷(第3期);第20-28页 *
基于图像采集质量评价的指纹与指静脉双模态识别决策级融合方法;王科俊 等;《模式识别与人工智能》;20120831;第25卷(第4期);第669-675页 *
手指静脉图像质量评价;王科俊 等;《智能系统学报》;20110831;第6卷(第4期);第324-327页 *

Also Published As

Publication number Publication date
CN112288010A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112288010B (zh) 基于网络学习的指静脉图像质量评价方法
CN106407917B (zh) 基于动态尺度分配的视网膜血管提取方法及系统
CN106169081B (zh) 一种基于不同照度的图像分类及处理方法
CN112435221A (zh) 一种基于生成式对抗网络模型的图像异常检测方法
CN105138993B (zh) 建立人脸识别模型的方法及装置
CN104598908B (zh) 一种农作物叶部病害识别方法
CN106251332B (zh) 基于边缘特征的sar图像机场目标检测方法
CN111507426B (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN111738064A (zh) 一种雾霾图像的雾浓度识别方法
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN111832405A (zh) 一种基于hog和深度残差网络的人脸识别方法
CN111709305B (zh) 一种基于局部图像块的人脸年龄识别方法
CN116309599A (zh) 基于污水前置处理的水质视觉监测方法
CN112561878A (zh) 基于加权融合的手指静脉图像质量评价方法
CN117197137B (zh) 基于高光谱图像的组织样本分析方法及系统
CN111209850B (zh) 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法
CN112818774A (zh) 一种活体检测方法及装置
KR101779642B1 (ko) 텍스처화된 영역들의 지능형 선택에 의해 홍채들의 이미지들을 비교하는 방법
CN109948564B (zh) 一种基于有监督深度学习的人脸图像质量分类和评估方法
CN111798404B (zh) 基于深度神经网络的虹膜图像质量评估方法及评估系统
CN107392912A (zh) 基于伪彩色编码与discov编码的图像分割方法
CN113435249A (zh) 一种基于Densenet的卷积神经网络手指静脉识别方法
CN113269136A (zh) 一种基于triplet loss的离线签名验证方法
EP2380110B1 (en) A method for evaluating quality of image representing a fingerprint pattern

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