CN117152803A - 一种面部静脉图像均衡化方法 - Google Patents
一种面部静脉图像均衡化方法 Download PDFInfo
- Publication number
- CN117152803A CN117152803A CN202311412997.7A CN202311412997A CN117152803A CN 117152803 A CN117152803 A CN 117152803A CN 202311412997 A CN202311412997 A CN 202311412997A CN 117152803 A CN117152803 A CN 117152803A
- Authority
- CN
- China
- Prior art keywords
- gray value
- column
- curve
- row
- dispersion curve
- 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 82
- 230000001815 facial effect Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000006185 dispersion Substances 0.000 claims abstract description 108
- 238000009499 grossing Methods 0.000 claims abstract description 24
- 230000005764 inhibitory process Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000001629 suppression Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 101150067055 minC gene Proteins 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V40/14—Vascular 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Vascular Medicine (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种面部静脉图像均衡化方法,属于生物识别技术领域,具体包括以下步骤:获取静脉图像的行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线;对四条灰度值离散曲线进行平滑处理得到四条灰度值平滑曲线;基于四条灰度值平滑曲线,对面部静脉图像进行灰度拉伸,得到面部静脉增强图像;对面部静脉增强图像的背景区域进行灰度抑制处理。本发明基于平滑曲线进行灰度拉伸,不会导致亮暗不均的问题,不会形成线条和格子状纹路,不会引起过曝或者块状,均衡化效果更为理想,并且本发明还对背景区域进行灰度抑制处理,有助于后续对静脉图像的进一步处理。
Description
技术领域
本发明涉及生物识别技术领域,特别是涉及一种面部静脉图像均衡化方法。
背景技术
静脉识别技术是一种新兴的生物特征识别技术,具备唯一性、普遍性等生物识别特征的优点。采集静脉图像时,受到光照不均匀的影响,静脉图像呈现中间亮四周暗的情况,暗的区域静脉清晰度也差,对后续的算法处理增加了难度,尤其是面部静脉识别时,采集设备与人脸距离更远,收到光照的影响也更大。因此,需要对图像进行前处理,通过算法得到灰度均衡、静脉清晰的静脉图像。
现有均衡化算法,比如申请公布号为CN113435377A的中国专利申请公开的医疗手掌静脉图像采集监控方法,该方法用LED发射红外光照射手掌,通过图像传感器将反射的红外光进行采集,并对采集到的图像进行灰度化以及线性拉伸处理,得到手掌静脉图像,具体是:对所采集的手掌静脉图像中每一个像素的三个分量求最大值,并将该最大值设置为该像素点的灰度值,得到手掌静脉图像的灰度图,对于所述灰度图,基于灰度图的最大灰度值和最小灰度值并利用分段线性变换的方式对图像的灰度进行线性拉伸;然后采用直方图均衡化方法对采集到的手掌静脉图像进行处理,得到图像增强后的手掌静脉图像。
上述静脉图像增强方法中,在均衡化处理时,求得的最大最小灰度值直接使用,最大最小值拉伸会导致亮暗不均,形成线条和格子状纹路,会导致均衡化算法不理想,全局的均衡、局部均衡达不到效果,局部均衡(类似局部直方图)局部的效果虽然提升,但可能引起过曝或者块状。其次,均衡化的过程中,背景区域的灰度值也会有所增强,这也会对后续的算法处理增加了难度。
发明内容
本发明的主要目的是提供一种面部静脉图像均衡化方法,以解决现有静脉图像均衡化处理时效果不理想,可能引起过曝或者块状等问题。
为实现上述目的,本发明提供了如下方案:
本发明涉及一种面部静脉图像均衡化方法,其包括以下步骤:
步骤1:采集面部静脉图像,获取行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线;
步骤2:对行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线进行平滑处理,得到行最大灰度值平滑曲线、行最小灰度值平滑曲线、列最大灰度值平滑曲线和列最小灰度值平滑曲线;
步骤3:基于行最大灰度值平滑曲线、行最小灰度值平滑曲线、列最大灰度值平滑曲线和列最小灰度值平滑曲线,对面部静脉图像进行灰度拉伸,得到面部静脉增强图像。
优选地,所述步骤S1中,获取行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线的具体步骤包括:
步骤1.1:获取面部静脉图像中每一行中的最大、最小灰度值,获取面部静脉图像中每一列中的最大、最小灰度值;
步骤1.2:将每一行中的最大灰度值及所在像素点的行坐标保存至数组maxR(i)形成行最大灰度值离散曲线maxR;将每一行中的最小灰度值及所在像素点的行坐标保存至数组minR(i)形成行最小灰度值离散曲线minR;将每一列中的最大灰度值及所在像素点的列坐标保存至数组maxC(j)形成列最大灰度值离散曲线maxC;将每一列中的最小灰度值及所在像素点的列坐标保存至数组minC(j)形成列最小灰度值离散曲线minC。
优选地,所述步骤2平滑处理的具体步骤包括:
步骤2.1:对于行最大灰度值离散曲线中的任意像素点,取其左右各z个像素点,计算所取像素点的灰度平均值,并赋值给该行的行最大灰度值,记maxRow(i);
步骤2.2:对于行最小灰度值离散曲线中的任意像素点,取其左右各z个像素点,计算所取像素点的灰度平均值,并赋值给该行的行最小灰度值,记minRow(i);
步骤2.3:对于列最大灰度值离散曲线中的任意像素点,取其上下各z个像素点,计算所取像素点的灰度平均值,并赋值给该列的列最大灰度值,记maxCol(j);
步骤2.4:对于列最小灰度值离散曲线中的任意像素点,取其上下各z个像素点,计算所取像素点的灰度平均值,并赋值给该列的列最小灰度值,记minCol(j)。
优选地,所述步骤2.1和步骤2.2中,当行最大灰度值离散曲线或行最小灰度值离散曲线中的像素点左边的像素点少于z个时,该行最大灰度值离散曲线或行最小灰度值离散曲线中的像素点左边的像素点全取;当行最大灰度值离散曲线或行最小灰度值离散曲线中的像素点右边的像素点少于z个时,该行最大灰度值离散曲线或行最小灰度值离散曲线中的像素点右边的像素点全取。
优选地,所述步骤2.3和步骤2.4中,当列最大灰度值离散曲线或列最小灰度值离散曲线中的像素点上方的像素点少于z个时,该列最大灰度值离散曲线或列最小灰度值离散曲线中的像素点上方的像素点全取;当列最大灰度值离散曲线或列最小灰度值离散曲线中的像素点下方的像素点少于z个时,该列最大灰度值离散曲线或列最小灰度值离散曲线中的像素点下方的像素点全取。
优选地,所述步骤2.1~步骤2.4中,取z个像素点,33≤2z+1≤m,且33≤2z+1≤n,m和n分别表示面部静脉图像的行数和列数。
优选地,所述步骤3对面部静脉图像进行灰度拉伸的具体步骤为:对于面部静脉图像中任意一个像素点,基于该像素点的原灰度值I(i,j)、对应像素点所在行平滑后的行最大灰度值maxRow(i)、行最小灰度值minRow(i)、对应像素点所在列平滑后的列最大灰度值maxCol(j)、列最小灰度值minCol(j),重新计算该像素点的灰度值new I(i,j),计算公式为:
,
公式中,i为像素点的行坐标,j为像素点的列坐标。
优选地,其还包括步骤4,
步骤4:对静脉增强图像的背景区域进行灰度抑制处理,具体为:
步骤4.1:基于行最大灰度离散曲线maxR和列最大灰度离散曲线maxC,采用最小二乘法分别求解拟合出方差最小的高斯曲线,即行最大灰度值高斯曲线maxRowG和列最大灰度值高斯曲线maxCowG;
步骤4.2:计算行最大灰度值高斯曲线与行最大灰度值平滑曲线左右两个交点的行坐标a和b,计算列最大灰度值高斯曲线与列最大灰度值平滑曲线上下两个交点的列坐标c和d;
步骤4.3:分别求取行抑制系数f(i)和列抑制系数f(j),计算公式为:
,
,
公式中,maxRowG(i)为行坐标为i的像素点在行最大灰度值高斯曲线上对应的灰度值,maxColG(j)为列坐标为j的像素点在列最大灰度值高斯曲线上对应的灰度值;
步骤4.4:基于步骤3获得的面部静脉增强图像,将面部静脉增强图像上各像素点的灰度值乘以该像素点所在行的行抑制系数和所在列的列抑制系数,求得背景区域灰度抑制后的面部静脉图像。
与现有技术相比,本发明具有以下技术效果:
1、本发明涉及的面部静脉图像均衡化方法先获取指静脉图像的行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线,对这四条曲线进行平滑处理得到四条平滑曲线,基于平滑曲线进行灰度拉伸,得到面部静脉增强图像,相比于传统技术中用最大灰度值和最小灰度值进行灰度拉伸,不会导致亮暗不均的问题,因此不会形成线条和格子状纹路,不会引起过曝或者块状,均衡化效果更为理想。
2、本发明涉及的面部静脉图像均衡化方法基于平滑曲线进行灰度拉伸,实现静脉图像的均衡化处理,大范围的平滑宽度对低灰度的像素点会提高其灰度,间接起到抑制背景区域灰度的作用。
3、本发明涉及的面部静脉图像均衡化方法还可以基于行最大灰度值离散曲线和列最大灰度值离散曲线拟合大灰度值高斯曲线和列最大灰度值高斯曲线,基于大灰度值高斯曲线和列最大灰度值高斯曲线求取行抑制系数和列抑制系数,对面部静脉增强图像的背景区域进行灰度抑制处理,有助于后续对面部静脉图像的进一步处理。
附图说明
图1为本发明涉及的一种面部静脉图像均衡化方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合实施例和附图对本发明进行具体阐述,但本发明的保护范围并不限于此。
参照附图1所示,本发明涉及一种面部静脉图像均衡化方法包括以下步骤:
步骤1:采集面部静脉图像,获取行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线,具体步骤包括:
步骤1.1:获取面部静脉图像中每一行中的最大、最小灰度值,获取面部静脉图像中每一列中的最大、最小灰度值;
步骤1.2:将每一行中的最大灰度值及所在像素点的行坐标保存至数组maxR(i)形成行最大灰度值离散曲线maxR;将每一行中的最小灰度值及所在像素点的行坐标保存至数组minR(i)形成行最小灰度值离散曲线minR;将每一列中的最大灰度值及所在像素点的列坐标保存至数组maxC(j)形成列最大灰度值离散曲线maxC;将每一列中的最小灰度值及所在像素点的列坐标保存至数组minC(j)形成列最小灰度值离散曲线minC;共计四条灰度值离散曲线。
步骤2:由于静脉图像拍摄时有可能受到拍摄物的影响,会有亮斑和其他干扰,求得的最大最小灰度值直接使用,最大最小灰度值拉伸会导致亮暗不均,形成线条和格子状纹路,所以需要对行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线进行平滑处理,得到行最大灰度值平滑曲线、行最小灰度值平滑曲线、列最大灰度值平滑曲线和列最小灰度值平滑曲线;
对行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线进行平滑处理具体步骤包括:
步骤2.1:对于行最大灰度值离散曲线中的任意像素点,取其左右各z个像素点,当行最大灰度值离散曲线中的像素点左边的像素点少于z个时,该行最大灰度值离散曲线中的像素点左边的像素点全取;当行最大灰度值离散曲线中的像素点右边的像素点少于z个时,该行最大灰度值离散曲线中的像素点右边的像素点全取,计算所取像素点的灰度平均值,并赋值给该行的行最大灰度值,记maxRow(i);
步骤2.2:对于行最小灰度值离散曲线中的任意像素点,取其左右各z个像素点,当行最小灰度值离散曲线中的像素点左边的像素点少于z个时,该行最小灰度值离散曲线中的像素点左边的像素点全取;当行最小灰度值离散曲线中的像素点右边的像素点少于z个时,该行最小灰度值离散曲线中的像素点右边的像素点全取,计算所取像素点的灰度平均值,并赋值给该行的行最小灰度值,记minRow(i);
步骤2.3:对于列最大灰度值离散曲线中的任意像素点,取其上下各z个像素点,当列最大灰度值离散曲线中的像素点上方的像素点少于z个时,该列最大灰度值离散曲线中的像素点上方的像素点全取;当列最大灰度值离散曲线中的像素点下方的像素点少于z个时,该列最大灰度值离散曲线中的像素点下方的像素点全取,计算所取像素点的灰度平均值,并赋值给该列的列最大灰度值,记maxCol(j);
步骤2.4:对于列最小灰度值离散曲线中的任意像素点,取其上下各z个像素点,当列最小灰度值离散曲线中的像素点上方的像素点少于z个时,该列最小灰度值离散曲线中的像素点上方的像素点全取;当列最小灰度值离散曲线中的像素点下方的像素点少于z个时,该列最小灰度值离散曲线中的像素点下方的像素点全取,计算所取像素点的灰度平均值,并赋值给该列的列最小灰度值,记minCol(j);
所述步骤2.1~步骤2.4中,取z个像素点,33≤2z+1≤m,且33≤2z+1≤n,m和n分别表示面部静脉图像的行数和列数。
步骤3:基于行最大灰度值平滑曲线、行最小灰度值平滑曲线、列最大灰度值平滑曲线和列最小灰度值平滑曲线,对面部静脉图像进行灰度拉伸,进而对暗区域的灰度提升,对亮区域的部分提升明暗对比度,得到面部静脉增强图像,具体步骤为:对于面部静脉图像中任意一个像素点,基于该像素点的原灰度值I(i,j)、对应像素点所在行平滑后的行最大灰度值maxRow(i)、行最小灰度值minRow(i)、对应像素点所在列平滑后的列最大灰度值maxCol(j)、列最小灰度值minCol(j),重新计算该像素点的灰度值,计算公式为:
,
公式中,i为像素点的行坐标,j为像素点的列坐标。
步骤4:因为均衡化时最理想的状态是只对有效区域或感兴趣区域进行均衡化,背景部分最好保持原样或者抑制背景区域的灰度;虽然在步骤2中对四条灰度值离散曲线进行了平滑处理,大范围的平滑宽度对低灰度的点会提高其灰度,间接起到抑制作用,但效果还不够,还需要对静脉增强图像的背景区域进行灰度抑制处理,具体为:
步骤4.1:真实图像的亮度分布比较接近高斯分布,因此,基于行最大灰度离散曲线maxR和列最大灰度离散曲线maxC,采用最小二乘法分别求解拟合出方差最小的高斯曲线,即行最大灰度值高斯曲线maxRowG和列最大灰度值高斯曲线maxCowG;
步骤4.2:计算行最大灰度值高斯曲线与行最大灰度值平滑曲线左右两个交点的行坐标a和b,计算列最大灰度值高斯曲线与列最大灰度值平滑曲线上下两个交点的列坐标c和d;
步骤4.3:分别求取行抑制系数f(i)和列抑制系数f(j),计算公式为:
,
,
公式中,maxRowG(i)为行坐标为i的像素点在行最大灰度值高斯曲线上对应的灰度值,maxColG(j)为列坐标为j的像素点在列最大灰度值高斯曲线上对应的灰度值;
步骤4.4:基于步骤3获得的面部静脉增强图像,将面部静脉增强图像上各像素点的灰度值乘以该像素点所在行的行抑制系数和所在列的列抑制系数,求得背景区域灰度抑制后的面部静脉图像。
以最终获得的背景区域灰度抑制后的面部静脉图像进行后续的图像识别处理。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种面部静脉图像均衡化方法,其特征在于:其包括以下步骤:
步骤1:采集面部静脉图像,获取行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线;
步骤2:对行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线进行平滑处理,得到行最大灰度值平滑曲线、行最小灰度值平滑曲线、列最大灰度值平滑曲线和列最小灰度值平滑曲线;
步骤3:基于行最大灰度值平滑曲线、行最小灰度值平滑曲线、列最大灰度值平滑曲线和列最小灰度值平滑曲线,对面部静脉图像进行灰度拉伸,得到面部静脉增强图像。
2.根据权利要求1的面部静脉图像均衡化方法,其特征在于:所述步骤S1中,获取行最大灰度值离散曲线、行最小灰度值离散曲线、列最大灰度值离散曲线和列最小灰度值离散曲线的具体步骤包括:
步骤1.1:获取面部静脉图像中每一行中的最大、最小灰度值,获取面部静脉图像中每一列中的最大、最小灰度值;
步骤1.2:将每一行中的最大灰度值及所在像素点的行坐标保存至数组maxR(i)形成行最大灰度值离散曲线maxR;将每一行中的最小灰度值及所在像素点的行坐标保存至数组minR(i)形成行最小灰度值离散曲线minR;将每一列中的最大灰度值及所在像素点的列坐标保存至数组maxC(j)形成列最大灰度值离散曲线maxC;将每一列中的最小灰度值及所在像素点的列坐标保存至数组minC(j)形成列最小灰度值离散曲线minC。
3.根据权利要求2所述的面部静脉图像均衡化方法,其特征在于:所述步骤2平滑处理的具体步骤包括:
步骤2.1:对于行最大灰度值离散曲线中的任意像素点,取其左右各z个像素点,计算所取像素点的灰度平均值,并赋值给该行的行最大灰度值,记maxRow(i);
步骤2.2:对于行最小灰度值离散曲线中的任意像素点,取其左右各z个像素点,计算所取像素点的灰度平均值,并赋值给该行的行最小灰度值,记minRow(i);
步骤2.3:对于列最大灰度值离散曲线中的任意像素点,取其上下各z个像素点,计算所取像素点的灰度平均值,并赋值给该列的列最大灰度值,记maxCol(j);
步骤2.4:对于列最小灰度值离散曲线中的任意像素点,取其上下各z个像素点,计算所取像素点的灰度平均值,并赋值给该列的列最小灰度值,记minCol(j)。
4.根据权利要求3所述的面部静脉图像均衡化方法,其特征在于:所述步骤2.1和步骤2.2中,当行最大灰度值离散曲线或行最小灰度值离散曲线中的像素点左边的像素点少于z个时,该行最大灰度值离散曲线或行最小灰度值离散曲线中的像素点左边的像素点全取;当行最大灰度值离散曲线或行最小灰度值离散曲线中的像素点右边的像素点少于z个时,该行最大灰度值离散曲线或行最小灰度值离散曲线中的像素点右边的像素点全取。
5.根据权利要求3所述的面部静脉图像均衡化方法,其特征在于:所述步骤2.3和步骤2.4中,当列最大灰度值离散曲线或列最小灰度值离散曲线中的像素点上方的像素点少于z个时,该列最大灰度值离散曲线或列最小灰度值离散曲线中的像素点上方的像素点全取;当列最大灰度值离散曲线或列最小灰度值离散曲线中的像素点下方的像素点少于z个时,该列最大灰度值离散曲线或列最小灰度值离散曲线中的像素点下方的像素点全取。
6.根据权利要求3所述的面部静脉图像均衡化方法,其特征在于:所述步骤2.1~步骤2.4中,取z个像素点,33≤2z+1≤m,且33≤2z+1≤n,m和n分别表示面部静脉图像的行数和列数。
7.根据权利要求3所述的面部静脉图像均衡化方法,其特征在于:所述步骤3对面部静脉图像进行灰度拉伸的具体步骤为:对于面部静脉图像中任意一个像素点,基于该像素点的原灰度值I(i,j)、对应像素点所在行平滑后的行最大灰度值maxRow(i)、行最小灰度值minRow(i)、对应像素点所在列平滑后的列最大灰度值maxCol(j)、列最小灰度值minCol(j),重新计算该像素点的灰度值new I(i,j),计算公式为:
,
公式中,i为像素点的行坐标,j为像素点的列坐标。
8.根据权利要求3所述的面部静脉图像均衡化方法,其特征在于:其还包括步骤4,
步骤4:对静脉增强图像的背景区域进行灰度抑制处理,具体为:
步骤4.1:基于行最大灰度值离散曲线maxR和列最大灰度值离散曲线maxC,采用最小二乘法分别求解拟合出方差最小的高斯曲线,即行最大灰度值高斯曲线maxRowG和列最大灰度值高斯曲线maxCowG;
步骤4.2:计算行最大灰度值高斯曲线与行最大灰度值平滑曲线左右两个交点的行坐标a和b,计算列最大灰度值高斯曲线与列最大灰度值平滑曲线上下两个交点的列坐标c和d;
步骤4.3:分别求取行抑制系数f(i)和列抑制系数f(j),计算公式为:
,
;
公式中,maxRowG(i)为行坐标为i的像素点在行最大灰度值高斯曲线上对应的灰度值,maxColG(j)为列坐标为j的像素点在列最大灰度值高斯曲线上对应的灰度值;
步骤4.4:基于步骤3获得的面部静脉增强图像,将面部静脉增强图像上各像素点的灰度值乘以该像素点所在行的行抑制系数和所在列的列抑制系数,求得背景区域灰度抑制后的面部静脉图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311412997.7A CN117152803B (zh) | 2023-10-30 | 2023-10-30 | 一种面部静脉图像均衡化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311412997.7A CN117152803B (zh) | 2023-10-30 | 2023-10-30 | 一种面部静脉图像均衡化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152803A true CN117152803A (zh) | 2023-12-01 |
CN117152803B CN117152803B (zh) | 2024-02-09 |
Family
ID=88884738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311412997.7A Active CN117152803B (zh) | 2023-10-30 | 2023-10-30 | 一种面部静脉图像均衡化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152803B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827898A (zh) * | 2016-03-28 | 2016-08-03 | 深圳英飞拓科技股份有限公司 | 应用于摄像机的伽马曲线调整方法及装置 |
CN110738603A (zh) * | 2018-07-18 | 2020-01-31 | 中国商用飞机有限责任公司 | 一种图像灰度处理方法、装置、计算机设备及存储介质 |
CN113435377A (zh) * | 2021-07-06 | 2021-09-24 | 吴国军 | 一种医疗手掌静脉图像采集监控方法及系统 |
-
2023
- 2023-10-30 CN CN202311412997.7A patent/CN117152803B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827898A (zh) * | 2016-03-28 | 2016-08-03 | 深圳英飞拓科技股份有限公司 | 应用于摄像机的伽马曲线调整方法及装置 |
CN110738603A (zh) * | 2018-07-18 | 2020-01-31 | 中国商用飞机有限责任公司 | 一种图像灰度处理方法、装置、计算机设备及存储介质 |
CN113435377A (zh) * | 2021-07-06 | 2021-09-24 | 吴国军 | 一种医疗手掌静脉图像采集监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117152803B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296600B (zh) | 一种基于小波变换图像分解的对比度增强方法 | |
CN108257099B (zh) | 一种基于视觉对比度分辨率的自适应红外图像增强方法 | |
CN103295010B (zh) | 一种处理人脸图像的光照归一化方法 | |
CN111105371A (zh) | 一种低对比度红外图像的增强方法 | |
CN109671092A (zh) | 一种改进的Canny图像分割方法和系统 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN111325685A (zh) | 一种基于多尺度相对梯度直方图均衡化的图像增强算法 | |
CN117152803B (zh) | 一种面部静脉图像均衡化方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN107610072B (zh) | 一种基于梯度引导滤波的微光视频图像自适应降噪方法 | |
CN117314766B (zh) | 一种手机钢化玻璃膜表面图像增强方法和系统 | |
CN113379649A (zh) | 一种图像增强方法、装置、设备及存储介质 | |
CN104915934B (zh) | 一种基于视网膜机制的灰度图像增强方法 | |
CN114429426B (zh) | 一种基于Retinex模型的低照度图像质量改善方法 | |
CN113393394B (zh) | 基于伽马变换的低照度灰度图像增强方法、装置及存储介质 | |
CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
CN113344823B (zh) | 一种银线型触头烧蚀区域形貌三维粗糙度表征方法 | |
CN106937864B (zh) | 皮肤组织估计方法及应用其的系统 | |
CN115147596A (zh) | 用于热收缩管生产工艺的辐照剂量控制方法及系统 | |
CN110852977B (zh) | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 | |
CN112560808A (zh) | 一种基于灰度信息的体内静脉识别方法及装置 | |
CN110051530A (zh) | 一种基于分段线性函数的脚掌反射区定位方法 | |
CN117952859B (zh) | 一种基于热成像技术的压力性损伤图像优化方法及系统 | |
CN110807414B (zh) | 一种基于三维人形分割的步态识别分析方法 |
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 |