CN105335967B - 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
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 Download PDFInfo
- Publication number
- CN105335967B CN105335967B CN201510666480.XA CN201510666480A CN105335967B CN 105335967 B CN105335967 B CN 105335967B CN 201510666480 A CN201510666480 A CN 201510666480A CN 105335967 B CN105335967 B CN 105335967B
- Authority
- CN
- China
- Prior art keywords
- image
- neighborhood
- vein
- class variance
- segmentation
- 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.)
- Expired - Fee Related
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 title abstract 2
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 10
- 238000005192 partition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
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
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:
Step 2.1:计算邻域均值M 1:
其中,表示像素点(i, j)的灰度。
Step 2.2: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 (1)
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:
Step 2.1:计算邻域均值M1:
其中,f(i,j)表示像素点(i,j)的灰度,
Step 2.2:如果f(x,y)≥M1,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M1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
V(t)=wB(t)wO(t)(μB(t)-μO(t))2
其中,t为分割阈值,且
其中,ng为灰度值为g的像素数量,ξ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}={B1,B2,B3,B4,B5,B6,B7,B8},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;
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m邻接约束条件,具体地,假设p为目标像素点,与之m相邻的目标像素点q必须满足如下条件之一:
(1)、q在p的4邻域内;
(2)、q在p的对角邻域内,且q与p的4邻域点的交集中不存在目标像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510666480.XA CN105335967B (zh) | 2015-10-16 | 2015-10-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510666480.XA CN105335967B (zh) | 2015-10-16 | 2015-10-16 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105335967A CN105335967A (zh) | 2016-02-17 |
CN105335967B true CN105335967B (zh) | 2018-07-03 |
Family
ID=55286472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510666480.XA Expired - Fee Related CN105335967B (zh) | 2015-10-16 | 2015-10-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335967B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127674A (zh) * | 2016-06-15 | 2016-11-16 | 公安部第三研究所 | 基于lbp的图像白平衡方法 |
CN106157263A (zh) * | 2016-07-01 | 2016-11-23 | 哈尔滨工业大学 | 一种嵌入式手背静脉图像增强装置及增强方法 |
CN106447650B (zh) * | 2016-08-26 | 2019-07-02 | 西安电子科技大学 | 基于spect平面显像的人体甲状腺测重方法 |
CN106709928B (zh) * | 2016-12-22 | 2019-12-10 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN107093231A (zh) * | 2017-03-29 | 2017-08-25 | 广西科技大学 | 基于手背静脉的门禁*** |
CN107742284B (zh) * | 2017-09-19 | 2020-08-18 | 浙江农林大学 | 一种剔除心肌细胞图像冗余层级结构信息的方法及*** |
CN107862283A (zh) * | 2017-11-07 | 2018-03-30 | 深圳市金城保密技术有限公司 | 一种指静脉特征细化方法、存储介质、终端及*** |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN108573236B (zh) * | 2018-04-22 | 2021-06-25 | 西安电子科技大学 | 基于离散分数布朗随机场的云天背景下红外弱小目标检测方法 |
CN108830834B (zh) * | 2018-05-23 | 2022-03-11 | 重庆交通大学 | 一种爬索机器人视频缺陷信息自动提取方法 |
CN109886973B (zh) * | 2019-01-25 | 2021-01-08 | 杭州晟视科技有限公司 | 一种血管提取方法、装置及计算机可读存储介质 |
CN110472616B (zh) * | 2019-08-22 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
CN113221691B (zh) * | 2021-04-28 | 2022-09-27 | 展讯通信(上海)有限公司 | 指纹分割方法及装置、可读存储介质、终端 |
CN114841950A (zh) * | 2022-04-24 | 2022-08-02 | 大连保税区星隆国际工贸有限公司 | 基于动态检测的印刷电路板元件追踪***及追踪方法 |
CN116740332B (zh) * | 2023-06-01 | 2024-04-02 | 南京航空航天大学 | 基于区域检测的星上空间目标部件中心定位和测角方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
CN101042735A (zh) * | 2006-03-23 | 2007-09-26 | 株式会社理光 | 图像二值化方法和装置 |
CN103778423A (zh) * | 2013-11-25 | 2014-05-07 | 中国人民解放军国防科学技术大学 | 基于灰度近邻和方差约束的手指静脉纹路修复方法 |
CN104463120A (zh) * | 2014-12-08 | 2015-03-25 | 中国人民解放军国防科学技术大学 | 基于二叉树的手指静脉识别方法 |
-
2015
- 2015-10-16 CN CN201510666480.XA patent/CN105335967B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101042735A (zh) * | 2006-03-23 | 2007-09-26 | 株式会社理光 | 图像二值化方法和装置 |
CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
CN103778423A (zh) * | 2013-11-25 | 2014-05-07 | 中国人民解放军国防科学技术大学 | 基于灰度近邻和方差约束的手指静脉纹路修复方法 |
CN104463120A (zh) * | 2014-12-08 | 2015-03-25 | 中国人民解放军国防科学技术大学 | 基于二叉树的手指静脉识别方法 |
Non-Patent Citations (5)
Title |
---|
A Threshold Image Method for Finger-vein Segmentation;Tong Liu 等;《Applied Mechanics and Materials》;20131231;第263-266卷;摘要,第2440,2442页 * |
低质量手背静脉图像的增强和分割;朱丛虎;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120515(第05期);第I138-933页摘要,正文第8页第1段,第11页第3段,第16页第4段,第37页第1-2段,第39页第1段,第40页第1段,第41页第1段 * |
基于数学形态学的二值图象细化算法;刘立波;《湖南文理学院学报(自然科学版)》;20040630;第16卷(第2期);第42-44页第1节 * |
基于数学形态学的细化算法;王娜 等;《贵州工业大学学报(自然科学版)》;20070415;第36卷(第2期);第60-64页第2.1节 * |
基于水平集的遥感图像道路提取方法研究;唐晓芬;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100815(第08期);第I140-670页正文第4.4.1,4.4.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN105335967A (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335967B (zh) | 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 | |
CN108154519B (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN101359365B (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
Jiang et al. | A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering | |
CN100373397C (zh) | 一种虹膜图像预处理方法 | |
CN101551863B (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN101201893A (zh) | 一种基于灰度信息的虹膜识别预处理方法 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN106778499B (zh) | 一种虹膜采集过程中快速定位人眼虹膜的方法 | |
CN105975905B (zh) | 一种手指静脉快速识别方法 | |
Albawi et al. | Robust skin diseases detection and classification using deep neural networks | |
CN105184272B (zh) | 基于曲线匹配的手背静脉识别方法 | |
Maksoud et al. | MRI brain tumor segmentation system based on hybrid clustering techniques | |
Zheng et al. | A review of image segmentation methods for lung nodule detection based on computed tomography images | |
Mechria et al. | Effect of denoising on performance of deep convolutional neural network for mammogram images classification | |
CN104834926B (zh) | 一种字符区域提取方法及*** | |
Liu et al. | Liver cancer CT image segmentation methods based on watershed algorithm | |
Afonso et al. | Hair detection in dermoscopic images using percolation | |
Jian et al. | Tumor detection in MRI brain images based on saliency computational modeling | |
CN115661084A (zh) | 一种基于边缘高频纹理特征的自注意力医疗图像分割装置 | |
Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) | |
Honale et al. | A review of methods for blood vessel segmentation in retinal images | |
CN109035171B (zh) | 一种网纹人脸图像修复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180703 |
|
CF01 | Termination of patent right due to non-payment of annual fee |