CN105335967A - 基于局部最大类间方差和数学形态学的手背静脉纹路提取方法 - Google Patents

Abstract

本发明涉及基于局部最大类间方差和数学形态学的手背静脉纹路提取方法。首先对图像进行光照归一化处理，并裁剪感兴趣区域；然后对各个像素点，采用局部最大类间方差方法快速求取最优分割阈值，进行图像分割；最后采用数学形态学的开运算滤除噪声，采用闭运算修复部分断裂静脉，采用数学形态学的击中与击不中变换细化图像。本发明可以提取完整清晰的手背静脉纹路，为实现手背静脉的可靠识别奠定基础，可广泛应用于智能门禁***。

Description

基于局部最大类间方差和数学形态学的手背静脉纹路提取方法

技术领域

本发明涉及一种基于局部最大类间方差和数学形态学的手背静脉纹路提取方法,属于安防生物特征识别技术领域。

背景技术

静脉识别是当前生物特征识别领域的研究热点，其主要优势在于：静脉藏匿在身体内部，不易被复制、窃取或干扰。可以广泛应用于银行、办公室、商场等场所的门禁和考勤领域，理论研究意义和市场应用价值巨大。目前静脉识别主要包括手指静脉识别、手掌静脉识别和手背静脉识别三种。与手指静脉相比，手背静脉特征更丰富，受旋转变化的影响较小，显著性和稳健性更强；与手掌静脉相比，手掌静脉易受掌纹干扰，采集清晰度较差，且由于掌面不平整导致掌静脉易发生形变，因此手背静脉识别技术更具优势。

手背静脉纹路提取是手背静脉识别的关键环节，目前已取得一些成果。文献“手背静脉的分割和平滑细化（计算机工程与应用，2008）”采用修正的NiBlack算法进行图像分割，采用条件细化算法提取手背静脉骨架；文献“多分辨率滤波在手背血管特征提取中的应用（计算机辅助设计与图形学学报，2006）”采用分水岭方法进行图像分割，提取手背静脉纹路；专利“基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法（201210059350，2011）”采用多尺度VLSDM模型对ROI区域的静脉图像进行多尺度分析，再采用改进的分水岭算法提取静脉纹路；文献“基于最大邻域内差的静脉图像增强和图像分割（光学学报，2009）”提出了一种基于最大邻域内差(MIND)的图像分割算法，通过利用手背静脉图像的邻域信息和距离函数计算MIND图像，并与经过直方图修正后的原图加权相加得到了增强图像，最后通过计算出增强图像的均值图像，并与增强图像进行加权比较得到最终的手背静脉分割结果。然而，由于静脉藏匿在皮肤内部，图像对比度极不均匀，在图像分割时弱小纹路和对比度较低的纹路容易丢失，降低了手背静脉特征的显著性和稳健性，进而降低手指静脉识别性能。

发明内容

本发明所要解决的技术问题在于提供一种基于局部最大类间方差和数学形态学的手背静脉纹路提取方法，提取完整清晰的手背静脉纹路，为实现手背静脉的可靠识别奠定基础。

为解决上述问题，本发明提出了一种基于局部最大类间方差和数学形态学的手背静脉纹路提取方法，首先对图像进行光照归一化处理，并裁剪感兴趣区域；然后对各个像素点，采用局部最大类间方差方法快速求取最优分割阈值，进行图像分割；最后采用数学形态学的开运算滤除噪声，采用闭运算修复部分断裂静脉，采用数学形态学的击中与击不中变换细化图像。本发明可以提取完整清晰的手背静脉纹路，为实现手背静脉的可靠识别奠定基础，可广泛应用于智能门禁***。

为实现上述发明目的，本发明采用下述的技术方案，流程图如图1。

由于静脉藏匿于皮肤的深浅不同，导致采集到的手背静脉图像的局部清晰度差异较大，这给手背静脉纹路的提取带来很大困难。图像分割是手背静脉纹路提取的关键环节，在现有的静脉图像分割方法中，NiBlack算法应用最为广泛，但该方法分割的静脉纹路细节丢失较多，降低了手背静脉特征的显著性。本发明提出一种局部最大类间方差方法，对每一个像素点计算一个最优分割阈值，并结合局部均值实现快速阈值求取，从而快速有效地分割手背静脉图像；在此基础上，采用数学形态学方法，滤除分割后图像中的噪声和修复部分断裂静脉，并对静脉纹路进行细化处理，最终得到完整清晰的手背静脉纹路。本发明提取的手背静脉纹路提取步骤为：

Step1：图像预处理

图像预处理主要包括三个部分：感兴趣区域裁剪、光照归一化和图像滤波。感兴趣区域裁剪目的是去除非手背区域的背景干扰，由于手背采集结构固定，本发明以手背静脉图像中心为中心点，裁剪一个200×180，其中原始图像尺寸为360×288，如图2（a）所示。光照归一化采用直方图均衡化方法实现，图像滤波采用中值滤波方法实现，最终得到的图像预处理结果如图2(b)所示。

Step2：图像分割

提出一种局部最大类间方差方法，具体地，对任一像素点(x,y)，在其N×N（单位：像素）邻域中计算最优分割阈值t（本发明中取N=7），判定像素点属性。计算步骤是：

Step2.1：计算邻域均值M ₁：

其中，表示像素点(i,j)的灰度。

Step2.2：如果，判定像素点(x,y)为背景；否则，分别以N×N邻域中灰度值小于M ₁的各灰度值为分割阈值，统计N×N邻域分割后的类间方差，选取最大类间方差对应的分割阈值作为最优分割阈值，如果像素点(x,y)灰度小于该阈值，则判定像素点(x,y)为目标，否则，仍判定像素点(x,y)为背景。

其中，最大类间方差的计算公式为

其中，t为分割阈值，且

其中，为灰度值为g的像素数量，为邻域中各像素灰度值的累加和，L为所分割图像的灰度最大值。

由于本发明中N×N邻域中只有49个像素点，灰度值小于均值的像素点数量更少，这些像素点中小于均值的灰度级更少，因此本发明计算局部最大类间方差时只遍历邻域中存在的灰度级，且阈值t也只取均值以下的灰度级，这样可以大幅降低类间方差的计算次数，从而大幅降低最优阈值求解耗时，提高图像分割速度。分割效果如图2(c)所示。

Step3：数学形态学处理

由于手背静脉对比度较差，分割后的手背静脉图像经常出现噪声干扰，本发明首先采用数学形态学的开运算滤除噪声，然后采用闭运算修复部分断裂静脉。滤波器窗口尺寸与分割时的邻域尺寸一致，也为7×7（单位：像素）。

为了得到手背静脉纹路，还需要对分割后的二值图像进行细化处理。图像细化采用数学形态学的击中或击不中变换进行，所用的结构元素如图3所示，其中“1”表示目标点，“0”表示背景点，“*”表示既可以是目标点也可以是背景点。八个结构元素构成结构元素序列{ B }={ B ¹ ， B ² ， B ³ ， B ⁴ ， B ⁵ ， B ⁶ ， B ⁷ ， B ⁸ }，依次对图像进行细化处理，用于消除中心点周围八个方向上的冗余目标点。整个图像细化过程是对上述有序细化过程的不断重复，直至图像细化结果不再变化。

在细化过程中，为了在保证目标连通性的前提下尽可能去除冗余目标点，需要对细化过程增加邻接约束条件，具体地，假设为目标像素点，与之相邻的目标像素点必须满足如下条件之一：

（1）、在的4邻域内；

（2）、在的对角邻域内，且与的4邻域点的交集中不存在目标像素点。

细化后的图像如图2(d)所示。

本发明的优点在于：提出的基于局部最大类间方差的图像分割方法可以对每一个像素点求取最优阈值，解决图像局部对比度不均匀造成的过分割或欠分割现象，另外该方法依据图像均值信息加速阈值求解速度，分割速度与NiBlack算法相当。对于分割后的图像，采用数学形态学的开运算滤除噪声，采用闭运算修复部分断裂静脉，采用数学形态学的击中与击不中变换细化图像，最终提取完整清晰的手背静脉纹路，为实现手背静脉的可靠识别奠定基础。

附图说明

图1为手背静脉纹路提取流程图，

图2为手背静脉纹路提取过程，

图3为图像细化所用的结构元素。

具体实施方式

本发明提出了一种基于局部最大类间方差和数学形态学的手背静脉纹路提取方法，首先对图像进行光照归一化处理，并裁剪感兴趣区域；然后对各个像素点，采用局部最大类间方差方法快速求取最优分割阈值，进行图像分割；最后采用数学形态学的开运算滤除噪声，采用闭运算修复部分断裂静脉，采用数学形态学的击中与击不中变换细化图像。具体步骤为：

Step1：图像预处理，

Step2：图像分割，

Step3：数学形态学处理。

本发明可以提取完整清晰的手背静脉纹路，为实现手背静脉的可靠识别奠定基础，可广泛应用于智能门禁***。

Claims (2)

1.基于局部最大类间方差和数学形态学的手背静脉纹路提取方法，首先对图像进行光照归一化处理，并裁剪感兴趣区域；然后对各个像素点，采用局部最大类间方差方法快速求取最优分割阈值，进行图像分割；最后采用数学形态学的开运算滤除噪声，采用闭运算修复部分断裂静脉，采用数学形态学的击中与击不中变换细化图像，其特征在于，具体步骤为：

Step1：图像预处理

图像预处理包括三个部分：感兴趣区域裁剪、光照归一化和图像滤波，感兴趣区域裁剪目的是去除非手背区域的背景干扰，由于手背采集结构固定，以手背静脉图像中心为中心点，裁剪一个200×180，其中原始图像尺寸为360×288，光照归一化采用直方图均衡化方法实现，图像滤波采用中值滤波方法实现，最终得到的图像预处理结果，

Step2：图像分割

具体地，对任一像素点(x,y)，在其N×N，单位：像素，N=7，邻域中计算最优分割阈值t，判定像素点属性，计算步骤是：

Step2.1：计算邻域均值M ₁：

其中，表示像素点(i,j)的灰度，

Step2.2：如果，判定像素点(x,y)为背景；

否则，分别以N×N邻域中灰度值小于M ₁的各灰度值为分割阈值，统计N×N邻域分割后的类间方差，选取最大类间方差对应的分割阈值作为最优分割阈值，如果像素点(x,y)灰度小于该阈值，则判定像素点(x,y)为目标，否则，仍判定像素点(x,y)为背景，

其中，最大类间方差的计算公式为

其中，t为分割阈值，且

其中，为灰度值为g的像素数量，为邻域中各像素灰度值的累加和，L为所分割图像的灰度最大值；

由于本发明中N×N邻域中只有49个像素点，灰度值小于均值的像素点数量更少，这些像素点中小于均值的灰度级更少，因此本发明计算局部最大类间方差时只遍历邻域中存在的灰度级，且分割阈值t也只取均值以下的灰度级，降低类间方差的计算次数，从而降低最优阈值求解耗时，提高图像分割速度，

Step3：数学形态学处理

由于手背静脉对比度较差，分割后的手背静脉图像经常出现噪声干扰，首先采用数学形态学的开运算滤除噪声，然后采用闭运算修复部分断裂静脉，滤波器窗口尺寸与分割时的邻域尺寸一致，为7×7，单位：像素，

为得到手背静脉纹路，需要对分割后的二值图像进行图像细化处理，图像细化采用数学形态学的击中或击不中变换进行，其中“1”表示目标点，“0”表示背景点，“*”表示既可以是目标点也可以是背景点，八个结构元素构成结构元素序列{ B }={ B ¹ ， B ² ， B ³ ， B ⁴ ， B ⁵ ， B ⁶ ， B ⁷ ， B ⁸ }，依次对图像进行细化处理，用于消除中心点周围八个方向上的冗余目标点，整个图像细化过程是对上述有序细化过程的不断重复，直至图像细化结果不再变化。

2.根据权利要求1所述的基于局部最大类间方差和数学形态学的手背静脉纹路提取方法，其特征在于，所述图像细化处理过程中，为了在保证目标连通性的前提下尽可能去除冗余目标点，需要对细化过程增加邻接约束条件，具体地，假设为目标像素点，与之相邻的目标像素点必须满足如下条件之一：

（1）、在的4邻域内；

（2）、在的对角邻域内，且与的4邻域点的交集中不存在目标像素点。