一种基于皮裂纹分割的NLM滤波指静脉去噪方法与流程

本发明属于生物特征识别及信息安全技术领域，特别涉及到手指静脉图像预处理领域。

背景技术：

手指静脉技术作为最新的生物识别技术，凭借其高防伪性能，高准确度，识别迅速等特点让其在银行、门禁打卡系统、社保等各个领域都得到了应用。一个完整的指静脉识别系统，包含图像采集、图像预处理、特征提取和匹配识别。其中图像预处理部分包含了感兴趣区域提取，尺寸灰度归一化，图像去噪，图像增强等，图像预处理决定了提取到特征的质量高低，对后续匹配识别影响巨大，因此非常重要。但是目前市场流行的指静脉采集设备大多以红外摄像头为主，获取的指静脉图像容易受手指表皮信息的干扰。对于某些人群的样本，例如老人，劳动人民或是到了冬季容易蜕皮的人群，采集到的手指静脉图像存在由蜕皮造成的皮裂纹特征，对静脉信息造成干扰，使用时性能不是很好。因此，对静脉图像上皮裂纹区域的检测以及去噪处理是提高后续特征质量以及匹配性能的重要步骤。

余成波等人在手指静脉识别技术中将传统去噪算法运用在指静脉图像预处理中，邻域平均算法简单，复杂度低，但是其不足是去噪的同时导致图像模糊化，特别是在静脉信息处导致了后续提取特征丢失；低通滤波通过抑制图像高频部分，保留低频部分而实现去噪效果，但是会导致模糊化以及振铃效应；中值滤波属于非线性滤波器，相比线性滤波器对图像模糊的控制更好，但是图像中细节过多时，也不宜采用。并且皮裂纹特征在静脉图像上呈现细长不规律形状的特点，导致这些邻域滤波算法无法达到理想的效果。刘洋等提出了基于稀疏分解的指静脉图像去噪算法，将图像通过稀疏分解去除噪声成分；孙艳杰等将多小波理论用于指静脉去噪，对图像做多尺度小波分析，在频域上对其进行去噪处理，但两者都是从信号处理的角度来考虑，算法的复杂度较高。目前对指静脉图像去噪的研究多在于改善整体的峰值信噪比等基础上，并没有考虑到手指蜕皮等造成的皮裂纹特征提取时会导致伪静脉的影响，并且上述算法均是直接对静脉图像全图进行处理，没有对受皮裂纹特征干扰的区域与正常的静脉图像区域进行检测区分，容易导致图像整体模糊化、静脉信息丢失，提高了认假率。

技术实现要素：

对于手指蜕皮的静脉图像中的皮裂纹区域容易产生伪静脉影响识别性能，而现有的指静脉去噪算法容易导致图像整体模糊化、静脉信息丢失等问题，本发明提供一种基于皮裂纹分割的非局部均值(non-localmeans，nlm)滤波指静脉去噪方法。

本发明所采用的技术方案为：

一种基于皮裂纹分割的nlm滤波指静脉去噪方法，包括以下步骤：

步骤1、提取图像像素点的hessian矩阵的高斯核函数如式(1)：

式(1)中x和y取值由高斯模板中标准差因子t决定，正方形窗口边长为p＝2×t+1，因此x和y取值均为[-p,p]。σ为高斯核函数的标准差，也称为空间尺度因子，影响模板偏导数的大小。尺度因子不一样能够匹配宽度大小不一的结构。实验表明存在合适的空间尺度因子σc提取皮裂纹特征的效果较好，且不会将静脉信息当做皮裂纹分割。

步骤2、由高斯核模板在x轴向和y轴向分别求偏导可以得到g'x(x,y；σ)g'y(x,y；σ)，然后进一步求得这两个方向上的二阶偏导数gxx(x,y；σ)gyy(x,y；σ)，以及xy方向上的二阶混合偏导数gxy(x,y；σ)，gyx(x,y；σ)，由于两个独立的变量的二阶偏导数与其求偏导的顺序无关，因此xy方向上的两个混合偏导数相等，将图像fig与三个高斯二阶偏导数模板按式(2)卷积，即可得到图像在4个方向上的空间导数ixx、ixy、iyx和iyy。

ixx(x,y)＝gxx(x,y；σ)*fig(2)

卷积后的结果构造了基于σ的多尺度滤波器，通过控制尺度大小控制不同宽度结构的滤波响应值。选取所需的空间尺度因子σc，可以将皮裂纹特征的响应突出从而在手指静脉图像上单独分割出来。

步骤3、设定好空间尺度因子，提取静脉图像每个像素点的hessian矩阵，hessian可如式(3)得到：

式(3)中ixx、ixy、iyy和iyx分别是方向为0°、45°、90°、135°的图像空间导数。

步骤4、每个像素点的hessian矩阵描述了二维图像的局部曲率变化，对每个像素点通过特征分解可得到2个正交方向特征向量以及对应的特征值λ1和λ2。令|λ1|≥|λ2|，数值小的特征值λ2对应的特征向量指着皮裂纹的方向，该方向局部灰度梯度变化小；反之另一垂直方向灰度梯度变化大。分析手指蜕皮的静脉图像特点，将其像素点分为三类：

①背景像素：灰度分布均匀，任意方向上的灰度变化都比较小，两个特征值都较小。

②孤点、角点：任意方向上灰度变化都较大，两个特征值都较大。

③皮裂纹处和静脉处：沿着皮裂纹或静脉方向灰度变化小，曲率较小，特征值较小；反之垂直方向曲率较大，特征值较大。

本研究采用的手指静脉图像中皮裂纹为亮背景下的暗结构，其区域的像素点特征值特点满足式(4)、式(5)的条件：

λ1-λ2＞tλ,λ1≥λ2,λ1＞0(4)

式(4)、式(5)中的tλ为初步分割的阈值，可以根据式(4)中的条件滤除背景区域像素点，由非背景区域的像素点的两个特征值之差求和平均得到。n表示非背景区域的像素点的个数。

步骤5、根据相似性构造函数式(6)进行frangi滤波，构造函数设置为对数函数形式：

figt(i,j；σc)＝log(λi,j+1)(6)

λi,j为非背景区域像素点的hessian矩阵两个特征值中较大的一个，figt(i,j；σc)为匹配皮裂纹特征宽度的空间尺度因子σc的情况下每个像素点的滤波响应，figt(i,j；σc)的值越大，表示该像素点属于皮裂纹区域可能性越大。

步骤6、对手指蜕皮类图像和正常图像在空间尺度因子为σc的情况下进行分析，根据其滤波响应值来确定分割阈值，由式(7)对图像得到的响应图进行二值化分割：

式(7)中th为像素点滤波响应值二值化分割的阈值，fig为最终得到的皮裂纹区域二值图。

步骤7、基于皮裂纹区域二值图对指静脉图像进行开关型的非局部均值滤波去噪。传统的邻域去噪算法对皮裂纹噪声的干扰的去除，效果不太理想，本发明采用了非局部均值滤波算法，寻找图像中与待去噪像素点周围结构类似的像素点进行相似度计算之后，赋予权值求和平均得到去噪后的目标点像素值，不止利用了邻域信息，更能充分利用图像中的其他相似结构部位的冗余信息来对受皮裂纹干扰的图像区域进行去噪，并一定程度上得到了修复。

式(8)中，t(ni)、t(nj)分别是以i和j为中心的待去噪像素邻域与加权像素领域。ω(i,j)是加权系数，反映了t(ni)和t(nj)的相似度，采用高斯加权欧氏距离来估算。h为平滑参数，控制高斯函数的衰减程度，h越大高斯函数变化越平缓，滤波后图像越模糊。z(i)为归一化参数，将权值处理在[0,1]之间。

针对将全图无差别进行去噪处理会导致过平滑问题，过程中难免引入模糊效果导致某些静脉细节丢失的情况，本发明根据步骤6得到的皮裂纹区域二值图，将手指静脉图像分为待去噪区域与无需去噪区域。

当检测到像素点是待去噪的区域时，打开nlm滤波器；当检测到像素点是无需去噪的区域时，关闭nlm滤波器，如式(10)：

式中，t(j)是原图加权邻域中心像素点；i为大搜索窗口，由于对全图上进行遍历计算权值太费时，设置一个以待去噪像素点为中心的较大范围的搜索窗口i，然后在i的内部遍历加权像素点领域t(nj)。nl[t](i)是去噪后的像素值。

本发明有益效果如下：

本发明提出一种基于皮裂纹分割的nlm滤波指静脉去噪算法，首先选取合适的空间尺度因子匹配皮裂纹特征的宽度，提取图像每个像素点的hessian矩阵，然后通过frangi滤波对其蜕皮的区域进行精准的检测，将手指静脉图像分为待去噪区域和无需去噪区域两类，最后对待去噪的像素点打开nlm滤波器进行去噪修复，另一类无需去噪的像素点关闭nlm滤波器。实验表明，本发明提出的手指静脉去噪算法对手指蜕皮造成的噪声干扰区域与非受干扰区域进行了精准地检测，分开处理，改善了传统去噪算法对整个图像模糊化、过平滑的问题，并且在对待去噪的像素点去噪时，不仅仅利用领域内的像素信息，更充分利用图像中其他相似结构部位的冗余信息来对该点进行去噪修复，算法能较好的保护整副图像的静脉信息。对手指蜕皮的手指静脉图像相比传统的去噪算法不管是在视觉上，还是在低认假率下识别性能都有较大的提升，说明针对该类型图像，本发明提出的基于皮裂纹分割的非局部均值滤波手指静脉去噪算法是一种有效的手指静脉去噪算法。

附图说明

图1为从图像库的手指静脉图像中随机挑选的背景像素点、皮裂纹像素点、静脉区域像素点三类像素点，根据其各自的滤波响应平均值与空间尺度因子大小的关系得到曲线图；

图2、图3、图4为三个手指有蜕皮情况时期采集的手指静脉图像样本以及根据图1实验所得合适的尺度因子、响应值二值化门限进行分割得到各自对应的皮裂纹二值图；

图5为图2用户的手指样本在不蜕皮时期采集的手指静脉图像；

图6为图5不蜕皮时期的手指静脉图像提取到的静脉细线特征；

图7中用框表示出了蜕皮时期的手指静脉图像的皮裂纹部位；

图8为图7蜕皮时期的手指静脉图像提取到的静脉细线特征；

图9为对图7蜕皮时期的手指静脉图像进行3×3模板的中值滤波后得到的去噪后的手指静脉图像；

图10为由图9经过中值滤波去噪后的手指静脉图像提取到的静脉细线特征；

图11为对图7蜕皮时期的手指静脉图像进行字典原子数为256的稀疏分解去噪后得到的手指静脉图像；

图12为由图11经过稀疏分解去噪后的手指静脉图像提取到的静脉细线特征；

图13为对图7蜕皮时期的手指静脉图像进行本发明算法去噪后得到的手指静脉图像；

图14为由图12经过本发明算法去噪后的手指静脉图像提取到的静脉细线特征；

图15依次为静脉图像经过不作处理、本发明算法、中值滤波、稀疏分解4种不同的处理方式后提取到的静脉细线特征之间作1：1识别匹配得到roc曲线对比图。

具体实施方式

下面结合附图对本发明的具体实施例作进一步的说明。

本实施例的基于皮裂纹分割的nlm滤波指静脉去噪方法，包括以下步骤：

s1、高斯核函数模板，t取4，模板窗口边长即为p＝9，式(1)中，σ取[0.5,1.5]，步长为0.1，获取11个大小为9×9的多尺度高斯核模板。

s2、用s1得到的高斯核模板在x方向和y方向的分别求偏导可以得到g'x(x,y；σ)g'y(x,y；σ)、二阶偏导数gxx(x,y；σ)gyy(x,y；σ)，以及xy方向上的二阶混合偏导数gxy(x,y；σ)，将图像fig与三个高斯二阶偏导数模板按式(2)卷积，卷积过程中，原始图像矩阵扩充采用边界值复制法进行扩充得到图像，得到图像在4个方向上的空间导数ixx、ixy、iyx和iyy。

s3、根据s2得到的图像在4个方向上的空间导数，根据式(3)提取组成了图像每个像素点的hessian矩阵。

s4、对每个像素点的hessian矩阵进行特征值分解，得到的2个正交方向特征向量，以及两个特征值λ1和λ2。根据条件式(4)，式(5)，进行初步分割，滤除背景区域像素点以及孤点和角点。

s5、根据相似性构造函数式(6)对s4初步滤波后的结果进行计算，

从图像库中随机挑选了50个样本，从每个样本图像中分别提取背景像素点、皮裂纹像素点、静脉区域像素点三类各50个像素点，根据其各自的滤波响应值求平均与空间尺度因子大小的关系得到曲线图图1。确定尺度因子σc为0.9时，最匹配皮裂纹的线性结构。然后设置二值化分割阈值th为0.8。

s6、根据式(7)利用固定阈值分割法对图2中左侧的手指静脉图进行检测分割，得到皮裂纹二值图

s7、利用s6得到的皮裂纹特征二值图，对原手指静脉图像进行开关型非局部均值滤波去噪。设定邻域窗口大小为3，大搜索窗口设定为7，h平滑因子设定为10，根据式(8)、式(9)、式(10)，在原图上对应皮裂纹二值图上非0的像素点进行非局部均值滤波去噪；原图上对应皮裂纹二值图像素值为0的像素点不进行去噪处理，最终得到去噪后的手指静脉图像，图13。

为了对本发明指静脉去噪方法的有效性进行验证，对s7去噪最终得到的指静脉图像进行双边滤波图像增强、niblack局部动态阈值分割、联通区域滤波、zhang查表细化算法之后，在进行一定的裁剪得到静脉细线特征，图14。然后利用修正的hausdorff距离(modifiedhausdorffdistance，mhd)算法作为计算标准，计算两幅图像的匹配值。

以下是基于图像数据库对本发明所提算法的实验数据分析，确定分割皮裂纹特征的尺度与响应阈值，并将应用本发明所提算法最终得到的特征的识别性能与经过其他手指静脉去噪算法后得到的特征的识别性能进行比较的实验结果。

由于目前的指静脉公开库中，这类由蜕皮手指采集得到的带皮裂纹特征的手指静脉图像样本较少，因此本研究所采用的图像由我们实验室开发的指静脉设备采集，850nm的红外led作为光源，再用滤光片滤除可见光的干扰，cmos摄像头采集静脉图像，分辨率为420×200，减少图像处理时间，图像统一采用双线性插值归一化到160×64。图像库中有明显蜕皮情况的手指静脉图像100类，其余图像300类，总共400类手指，每组同类3幅图像，一共1200副指静脉图像。采集过程时间跨度长，人员多，采集环境变化复杂，与多数实际应用场景的情况符合。仿真实验用matlab2014b软件，在内存4g，cpu主频4ghz的64位window7平台上进行。

图2、图3、图4分别是三张手指有蜕皮情况用户采集到的静脉图像，以及设定好尺度因子大小和分割阈值之后得到的各自的皮裂纹二值图。对比各自的原图上的蜕皮区域，可以看到准确率高，成功的将皮裂纹特征从静脉图像上提取出来，并且没有对静脉信息造成影响。

图5是图2对应的用户在手指不蜕皮时期采集到的静脉图像，图7用方框标记了图2手指蜕皮时期的蜕皮位置。图6是由图5最终经过后续操作得到的静脉细线特征，图8是由图7得到的静脉细线特征。对比可以明显看到皮裂纹最终在特征图上形成了伪静脉，图5手指不蜕皮时期得到特征图的相对位置上并无静脉特征，这会对最终两者在匹配识别的时候造成影响。

图9为对图7进行的3×3窗口大小的领域中值滤波处理之后得到的手指静脉图像，可以看到皮裂纹特征仍然存在，去噪效果不是非常理想。图10是由图9最终得到的静脉细线特征，观察细线图发现由皮裂纹导致的伪静脉特征仍然存在，并且方框标注的静脉部分发生了断裂，可能是由于中值滤波在此处将静脉细节信息弱化导致的。

图11为对图7进行稀疏分解去噪处理之后得到的手指静脉图像，稀疏字典中的原子个数k设置为256。可以看到蜕皮部位已经非常淡化了，但是由于是对整副图像进行的去噪处理，也导致了图像的模糊化，静脉细节不清晰。图像两侧方框标注处的静脉信息相比原图模糊了，导致了在提取特征时，该处的静脉信息无法分割出来。图12是由图11最终得到的静脉特征。

图13为对图7利用图2右侧的皮裂纹二值图进行开关型非局部均值滤波的指静脉去噪算法处理之后得到的图像。非局部均值滤波设定系数，邻域窗口大小为3，大搜索窗口设定为7，h平滑因子设定为10。可以看到去噪后的图像只对检测到为皮裂纹特征的位置进行了非局部均值滤波，修复了该处的背景图像，没有造成图像的其他区域模糊化。图14是由图13最终得到静脉细线图，相比图8未处理之前得到的静脉细线图，处理之后细线特征图上由皮裂纹导致的伪静脉特征被除去了，并且没有影响其他静脉信息的保留，与图6手指不蜕皮时期静脉图像提取得到的特征可以对应上。

以上是从视觉上直观上观测到的结果。另外进行1：1验证模式下的仿真实验，对算法的有效性做一个量化的比较。对数据库中的所有图像分别经过不作处理、本发明算法、中值滤波、稀疏分解4种不同的处理方式，提取到的静脉的细线特征进行同类内和不同类间匹配识别，每种算法对应得到1200个合法匹配(同类内的匹配)与718200个非法匹配(不同类之间的匹配)的数据。

拒真率(falserejectionrate,frr)为同类之间识别不成功的比例；认假率(falseacceptancerate,far)为不同类之间识别成功的比例。通过合法匹配与非法匹配的比对数据可以得出不同算法之间的far-frr关系曲线，即roc(receiveroperatorcharacteristiccurve,roc)曲线，roc的曲线越靠近两个坐标轴，等错误率越小，性能越好。

图15是本文提出的算法与其它三种不同处理方式的roc曲线图。从图中可以得出，本发明提出的基于皮裂纹分割的非局部均值滤波手指静脉去噪算法相比传统的中值滤波以及稀疏分解去噪算法性能更佳。因为开关型非局部均值手指静脉去噪算法在处理之前对需要去噪的区域进行了分割检测，在更好地去除由皮裂纹特征导致的伪静脉干扰的情况下，对其他图像区域不会造成模糊化的影响，更好地保护了图像中的静脉信息。在相同认假率为0的情况下，本发明算法相比不做处理，拒真率降低了5.63％；相比中值滤波，拒真率降低了5.36％，相比稀疏分解，拒真率降低了4.52％，在匹配性能上都有较大的提升。并且本文采用的图像库是模拟实际使用环境采集所得，采集环境复杂，变化大，周期长，更具体实际工程参考性，因此本发明算法对手指蜕皮情况下的手指静脉图像预处理具备适用性。

上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出得各种变化，也应视为本发明的保护范围。