<acronym id="owqss"><center id="owqss"></center></acronym>
<acronym id="owqss"></acronym>
<acronym id="owqss"><center id="owqss"></center></acronym>

基于多方向濾波和鄰域去噪的掌紋主線提取

唐志強 楊俊東 李海燕 李紅松 余鵬飛 陳建華 張榆鋒

引用本文:
Citation:

基于多方向濾波和鄰域去噪的掌紋主線提取

    作者簡介: 唐志強(1994?),男,重慶人,碩士生,研究方向為人工智能及圖像處理. E-mail:1198586557@qq.com;
    通訊作者: 李海燕, leehy@ynu.edu.cn
  • 中圖分類號: TP391

Palmprint principal line extraction based on multi-directional filtering and neighborhood de-noising

    Corresponding author: LI Hai-yan, leehy@ynu.edu.cn ;
  • CLC number: TP391

  • 摘要: 為了提取完整的、接近自然生長規律的掌紋主線,提出了一種基于多方向濾波和鄰域去噪的掌紋主線提取方法. 首先對全手掌圖像進行預處理,得到統一大小和灰度的ROI(Region of Interest, ROI)掌紋圖;然后用中值和4個方向檢測器對ROI 圖像濾波,并對濾波后的結果進行底帽運算從而得到粗提取的結果;最后對粗提取的主線進行二值處理和鄰域去噪,得到最終的主線提取結果. 在公開的數據集上將新方法與現有同類方法進行對比,主觀實驗結果表明:新方法提取得到的主線圖像連續且完整,客觀的PSNR值比對比文獻平均高約2.315 3 dB,表明新方法能較好地去除斷線、孤點噪聲,從而完整、有效地提取掌紋主線.
  • 圖 1  基于多方向濾波和鄰域去噪的掌紋主線提取流程圖

    Figure 1.  The flow chart of palmprint principle extraction based on multidirectional filtering and neighborhood denoising

    圖 2  對采集的手掌圖像提取邊緣

    Figure 2.  Edge extraction for the acquired palmprint image

    圖 3  初步的手掌掌心 ROI結果

    Figure 3.  Coarse ROI results at the center of the palmprint image

    圖 4  歸一化后的手掌掌心ROI區域

    Figure 4.  The normalized ROI region at the center of the palmprint image

    圖 5  手掌掌心ROI區域中值濾波結果

    Figure 5.  Median filtering results for the ROI region at the center of the palmprint image

    圖 6  進行4個方向的濾波器掩膜后的濾波結果

    Figure 6.  Filtering results after performing four directional detectors

    圖 7  4 方向底帽處理及合并后的提取結果

    Figure 7.  The bottom cap operation results at four directions and the combined final result

    圖 8  領域去噪前后主線提取的對比結果

    Figure 8.  The denoising contrast results for palmprint principle extraction before and after neiborghhood

    圖 9  本文算法與現有算法對比的實驗結果

    Figure 9.  The experimental results contrast between the proposed and the state-of-art

    表 1  本文算法與現有算法的峰值信噪比對比(單位:dB)

    Table 1.  The PSNR experimental contrast between the proposed and the state-of-art(unit:dB)

    圖像文獻[3]文獻[13]文獻[16]文獻[17]本文
    圖137.050936.775335.193937.434438.8711
    圖236.307737.217035.776636.219538.2714
    圖338.203839.218137.085736.263840.3732
    下載: 導出CSV
    鸿禾娱乐
  • [1] 孫瑛, 張亮, 廖琪梅. 與胃癌相關的幾個量化掌褶紋特征的初步研究[J]. 人類學學報, 2011, 30(1): 109-114. Sun Y, Zhang L, Liao Q M. A preliminary research of the several quantitative palm-print characteristics with relation to gastric cancer[J]. Acta Anthropologica Sinica, 2011, 30(1): 109-114.
    [2] 張亮. 構建與腫瘤相關的皮紋特征量化指標體系[D]. 西安: 第四軍醫大學, 2007. DOI: 10.7666/d.d036342.

    Zhang L. Establishment of the quantitative dermatoglyphic indices correlated with the susceptibility to cancer[D]. Xi’an: Fourth Military Medical University, 2007.
    [3] Bruno A, Carminetti P, Gentile V, et al. Palmprint principal lines extraction[C]// IEEE Workshop on Biometric Measurements and Systems for Security and Medical Applications (BIOMS) Proceedings, Rome, 2014:50-56. DOI: 10.1109/BIOMS.2014.6951535.
    [4] 鄭艷清, 裘正定, 吳介. 基于形態學濾波和Hough變換的掌紋主線提取方法[J]. 北京交通大學學報: 自然科學版, 2008, 32(5): 107-110. DOI:  10.3969/j.issn.1673-0291.2008.05.023. Zheng Y Q, Qiu Z D, Wu J. A palm-print principal line extraction based on morphological filter and Hough trans-formation[J]. Journal of Beijing Jiaotong University:Natural Sciences Edition, 2008, 32(5): 107-110.
    [5] 吳旭賓, 汪同慶, 李宏友. 一種新的掌紋特征提取方法研究[J]. 計算機應用研究, 2009, 26(1): 398-400. DOI:  10.3969/j.issn.1001-3695.2009.01.124. Wu X B, Wang T Q, Li H Y. Research of novel palmprint feature extraction method[J]. Application Research of Computers, 2009, 26(1): 398-400.
    [6] 蘇曉生, 林喜榮, 丁天懷. 基于小波變換的掌紋特征提取[J]. 清華大學學報: 自然科學版, 2003, 43(8): 1 049-1 051. DOI:  10.3321/j.issn:1000-0054.2003.08.016. Su X S, Lin X R, Ding T H. Palmprint feature extraction based on wavelet transform[J]. Journal of Tsinghua University(Science and Technology), 2003, 43(8): 1 049-1 051.
    [7] 林玲. 基于Gabor小波及神經網絡的掌紋識別研究[J]. 伊犁師范學院學報: 自然科學版, 2011(1): 55-57. DOI:  10.3969/j.issn.1673-999X.2011.01.015. Lin L. Research of palmprint identification using Gabor wavelet and neural network[J]. Journal of Yili Normal University: Natural Science Edition, 2011(1): 55-57.
    [8] Fattah S A, Imtiaz H. A wavelet-based dominant feature extraction algorithm for palm-print recognition[J]. Digital Signal Processing, 2013, 23(1): 244-258. DOI:  10.1016/j.dsp.2012.06.016.
    [9] 黃申, 徐成, 屈景輝. 基于小波理論對掌紋主線提取和修復[J]. 中國圖象圖形學報, 2006, 11(8): 1 139-1 149. DOI:  10.3969/j.issn.1006-8961.2006.08.015. Huang S, Xu C, Qu J H. Principle line extraction and restoration based on wavelet theory[J]. Journal of Image and Graphics, 2006, 11(8): 1 139-1 149.
    [10] 黃鵬頔, 石俊生, 徐廣輝. 聯合灰度與梯度性質的掌紋主線提取方法[J]. 計算機應用, 2013, 33(Z2): 190-192. Huang P D, Shi J S, Xu G H. Principal lines extraction method of palmprint based on gray and gradient properties[J]. Journal of Computer Applications, 2013, 33(Z2): 190-192.
    [11] 顧曉峰, 朱宏擎. 一種基于二維匹配濾波器的掌紋識別算法[J]. 華東理工大學學報: 自然科學版, 2017, 43(1): 90-96. DOI:  10.14135/j.cnki.1006-3080.2017.01.015. Gu X F, Zhu H Q. Palmprint recognition based on two-dimensional matched filter[J]. Journal of East China University of Science and Technology, 2017, 43(1): 90-96.
    [12] Wu X, Zhang D, Wang K, et al. Palmprint classification using principal lines[J]. Pattern Recognition, 2004, 37(10): 1 987-1 998. DOI:  10.1016/j.patcog.2004.02.015.
    [13] 李海燕, 潘培哲, 唐一吟. 基于形態學濾波和鄰域搜索的掌紋主線提取方法[J]. 計算機應用與軟件, 2018, 35(8): 254-259. DOI:  10.3969/j.issn.1000-386x.2018.08.046. Li H Y, Pan P Z, Tang Y Y. Palmprint principal line extraction based on morphological filtering and neighborhood search[J]. Computer Applications and Software, 2018, 35(8): 254-259.
    [14] COEP Dataset[DS/OL]. [2019-06-15]. http://www.coep.org.in/index.php?pid=367.COEP palm print database.
    [15] Fei L, Lu G, Wei J, et al. Feature extraction methods for palmprint recognition: A survey and evaluation[J]. IEEE Transactions on Systems Man & Cybernetics Systems, 2018(99): 1-18. DOI:  10.1109/TSMC.2018.2795609.
    [16] Wu X, Wang K, Zhang D.Palmprint recognition using directional line energy feature[C]// Proceedings of the 17th International Conference on Pattern Recognition, Cambridge,UK, 2004: 475-478. DOI: 10.1109/ICPR.2004.1333805.
    [17] Li W, Zhang B, Zhang L, et al. Principal line-based alignment refinement for palmprint recognition[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 2012, 42(6): 1 491-1 499. DOI:  10.1109/TSMCC.2012.2195653.
  • [1] 鐘菲趙悅張天張學敏郭樹旭 . 基于壓縮感知重建去噪后的LDPC譯碼算法. 云南大學學報(自然科學版), 2015, 37(5): 680-686. doi: 10.7540/j.ynu.20150055
    [2] 肖苗???/a> , 潘家華楊宏波王威廉 . 基于提升小波變換的心音去噪新方法. 云南大學學報(自然科學版), 2019, 41(6): 1118-1122. doi: 10.7540/j.ynu.20180659
    [3] 黃永平王麗珍 . 考慮對象方向關系的密度聚類算法. 云南大學學報(自然科學版), 2004, 26(3): 216-219.
    [4] 林華芳徐明遠徐晟 . 均勻直線陣的波達方向估計. 云南大學學報(自然科學版), 2003, 25(4): 317-320.
    [5] 張晨光史偉光畢長浩 . 結合自適應高斯濾波的單幅圖像去霧方法. 云南大學學報(自然科學版), 2017, 39(3): 369-375. doi: 10.7540/j.ynu.20160547
    [6] 張春平曹金石唐菁敏彭藝劉禹平 . p次方檢測器協作頻譜感知系統性能優化. 云南大學學報(自然科學版), 2014, 36(1): 26-31. doi: 10.7540/j.ynu.20130143
    [7] 王唐宇周麗萍李海燕余鵬飛陳建華張榆鋒 . 多尺度復數濾波器及PI值相結合的奇異點檢測. 云南大學學報(自然科學版), 2018, 40(4): 652-658. doi: 10.7540/j.ynu.20180024
    [8] 黃歡聶慶文 . 基于前向與后向擴散模型的變分去噪. 云南大學學報(自然科學版), 2016, 38(3): 369-375. doi: 10.7540/j.ynu.20150248
    [9] 高聯雄趙波吳慶暢 . 網絡工程專業課程體系與專業方向設置實踐與探討. 云南大學學報(自然科學版), 2013, 35(S1): 150-152. doi: 10.7540/j.ynu.2012b04
    [10] 初辰輝王鋒田豐鄧輝 . 基于Steering Law的觸控設備手指運動方向可用性評價. 云南大學學報(自然科學版), 2013, 35(S2): 29-. doi: 10.7540/j.ynu.2013b54
    [11] 張曉娟 . 脈沖沿不同方向入射時的脈沖俘獲現象研究. 云南大學學報(自然科學版), 2018, 40(1): 82-87. doi: 10.7540/j.ynu.20170398
    [12] 于佳麗郭敏 . 融合灰度和梯度方向信息的隨機游走的圖像分割. 云南大學學報(自然科學版), 2010, 32(4): 413-417, .
    [13] 唐猛趙東風 . UWB射頻濾波器設計與分析. 云南大學學報(自然科學版), 2011, 33(1): 36-40 .
    [14] 余玉珍王丙武李文正高玉龍張琦陳奇宋中邦 . 煙草尼古丁去甲基酶基因CYP82E4啟動子結合蛋白的鑒定與分析. 云南大學學報(自然科學版), 2015, 37(1): 140-146. doi: 10.7540/j.ynu.20140352
    [15] 代志濤蘇寒松劉高華張倩芳 . 基于改進非局部均值濾波算法的顯著性區域檢測*. 云南大學學報(自然科學版), 2018, 40(3): 440-450. doi: 10.7540/j.ynu.20170351
    [16] 宋樹祥嚴國萍 . 基于CCCⅡ的n階電流模式跳耦結構濾波器設計. 云南大學學報(自然科學版), 2009, 31(2): 129-134 .
    [17] 趙海軍李敏李明東崔夢天羅宇 . 一種基于快速陣列算法實現的IIR數字濾波器. 云南大學學報(自然科學版), 2016, 38(2): 219-224. doi: 10.7540/j.ynu.20150507
    [18] 王璞張玉明田野張坤楊軍 . 基于FPGA的多級CIC濾波器的設計與實現. 云南大學學報(自然科學版), 2018, 40(4): 676-681. doi: 10.7540/j.ynu.20170705
    [19] 李志軍蘇永新劉奇能 . 基于線性跨導的混合模式二階通用濾波器. 云南大學學報(自然科學版), 2008, 30(1): 31-35.
    [20] 李志軍王春華王仕果魯光德 . 基于MOCCCⅡ-C的n階電流模式橢圓濾波器. 云南大學學報(自然科學版), 2007, 29(2): 127-131.
  • 加載中
圖(9)表(1)
計量
  • 文章訪問數:  551
  • HTML全文瀏覽量:  387
  • PDF下載量:  11
  • 被引次數: 0
出版歷程
  • 收稿日期:  2019-08-05
  • 錄用日期:  2019-11-29
  • 網絡出版日期:  2020-06-02
  • 刊出日期:  2020-07-01

基于多方向濾波和鄰域去噪的掌紋主線提取

    作者簡介:唐志強(1994?),男,重慶人,碩士生,研究方向為人工智能及圖像處理. E-mail:1198586557@qq.com
    通訊作者: 李海燕, leehy@ynu.edu.cn
  • 云南大學 信息學院,云南 昆明 650500

摘要: 為了提取完整的、接近自然生長規律的掌紋主線,提出了一種基于多方向濾波和鄰域去噪的掌紋主線提取方法. 首先對全手掌圖像進行預處理,得到統一大小和灰度的ROI(Region of Interest, ROI)掌紋圖;然后用中值和4個方向檢測器對ROI 圖像濾波,并對濾波后的結果進行底帽運算從而得到粗提取的結果;最后對粗提取的主線進行二值處理和鄰域去噪,得到最終的主線提取結果. 在公開的數據集上將新方法與現有同類方法進行對比,主觀實驗結果表明:新方法提取得到的主線圖像連續且完整,客觀的PSNR值比對比文獻平均高約2.315 3 dB,表明新方法能較好地去除斷線、孤點噪聲,從而完整、有效地提取掌紋主線.

English Abstract

  • 掌紋是人體的一種遺傳性狀,具有高度穩定性和個體特異性,近年來,掌紋識別在生物特征識別領域得到廣泛應用. 掌紋不僅可用于身份識別,還可用于疾病的相關性判別. 孫瑛[1]統計發現手掌主線與掌寬夾角在患者組中明顯小于對照組. Sakineh Abbasi發現乳腺癌患者、乳腺癌高危人群的掌紋與對照組有明顯的不同[2]. 主線是描述掌紋紋理的顯著特征[3],對于不同的個體,主線的位置、走向和結構都是非常重要的物理特性[4]. 由此,提取主線尤其是連續且符合其自然生長規律的主線對研究掌紋特征與疾病的關系至關重要.

    目前,掌紋特征提取算法主要用于身份認證. 掌紋特征提取算法大致分為4類,即基于結構的特征提取、基于空域-頻域變換的特征提取、基于統計的特征提取和基于子空間的特征提取[5]. 常用的基于小波變換[6-8]的掌紋特征提取就屬于空域-頻域變換. 黃申等[9]認為掌紋特征主要分為幾何特征、主線特征、褶皺特征、Delta點特征、細節特征等,而主線特征是其中最為明顯的特征. 黃鵬頔等[10]使用Laplacian算子對掌紋灰度圖像進行對比度增強,并用局部灰度平方差分割出掌紋主線. 該方法的結果噪聲比較多而且最后細化后的主線與真實主線相差較大. 顧曉峰[11]采用二維匹配濾波器提取圖像特征,并用雙方向編碼表征特征之間的相似度,該方法雖然識別結果較好,但特征提取較為模糊. Wu[12]對掌紋圖像各個方向進行檢測,在每個方向使用兩個卷積核與掌紋圖像進行卷積分別得到其一階導數和二階導數,其中二階導數的值為屋脊邊緣,最后作者用一個或多個門限濾波,得到掌紋線. 此方法提取的掌紋主線噪聲較少,但主線很多是斷裂的. 以上方法所提取的掌紋主線均是用于掌紋識別,對主線提取的完整性要求不高. 用于掌紋識別的主線提取方法只需要提取部分匹配識別的特征點,無需提取出完整的掌紋主線[13],即使存在斷線或噪聲也能實現很好的匹配識別. 但若要研究掌紋主線與疾病的相關性,則必須提取完整、接近自然生長規律的掌紋主線.

    目前研究掌紋與疾病相關性的主要是醫學研究者,他們主要依靠手動提取主線特征,存在工作量大、不可重復和主觀性強的缺陷,為了自動提取完整的掌紋主線,本文提出了一種基于多方向濾波和鄰域去噪的掌紋主線提取算法. 本文的創新點在于:結合形態學處理提出了一種基于多方向、中值雙重濾波和鄰域去噪的掌紋主線提取方法;設計了4個掌紋主線方向增強、非主線方向平滑的模板,對主線增強的同時濾出孤立噪聲. 在結果對比中:本文方法提取的主線明顯更連續、噪點更少,客觀的PSNR均值為39.1719 dB,比對比文獻均值提高了約2.3153 dB. 由此表明,本文方法比現有同類算法有更好的效果,能提取出完整、接近自然生長規律的掌紋主線.

    • 本文算法的基本思想是:首先從全手掌圖像中提取感興趣的部分圖像ROI(Region of Interest, ROI)圖,該ROI圖是具有統一大小的灰度圖像,然后通過中值和多方向雙重濾波對ROI圖像進行批量處理,中值濾波可濾除原圖像中的椒鹽噪聲同時保護尖銳的圖像邊緣. 多方向濾波不僅降低了圖像噪聲的干擾而且主線方向得到了增強. 接著對濾波后的圖像進行形態學的底帽運算從而對主線進行粗提取,最后對粗提取圖像進行鄰域去噪得到最終的主線提取結果. 其流程圖如圖1所示,其中H1-H4是本文提出4個方向濾波模板,該模板可以對掌紋主線方向進行增強,對非主線方向進行平滑,以提取更連續和完整的掌紋主線.

      圖  1  基于多方向濾波和鄰域去噪的掌紋主線提取流程圖

      Figure 1.  The flow chart of palmprint principle extraction based on multidirectional filtering and neighborhood denoising

    • 掌紋預處理的目的是從全手掌圖像中提取統一大小和灰度的感興趣區域,預處理的步驟為:首先對原始的手掌圖像進行二值化處理并提取其邊緣,然后根據提取的邊緣畫最大內切圓提取ROI圖,最后對提取的ROI圖進行歸一化.

      (1)邊緣提取 用Otsu全局閾值對圖像進行二值化,然后用sobel算子進行邊緣提取,sobel邊緣算子用于有噪聲圖像和灰度漸變圖像的提取效果較好,其常用于精度較低的圖像的邊緣提取,符合本文掌紋圖像精度不高的要求. 對本文采集的手掌圖像用sobel算子提取的邊緣結果如圖2所示,由圖可看出,此方法提取的手掌輪廓連續無斷點、無額外噪聲且其輪廓與原手掌相符.

      圖  2  對采集的手掌圖像提取邊緣

      Figure 2.  Edge extraction for the acquired palmprint image

      (2)ROI提取 獲取手掌的邊緣后,需畫最大內切圓初步提取掌紋ROI圖像. 本文采用的提取方法是:以到輪廓上下左右邊距離均最大的點為圓心(x,y),到最近切邊的距離為半徑r圓,然后在圓外作一個矩形截取手掌圖像,其中矩形的端點分別是(x?r,y?r),(x+r,y+r),(x+r,y?r)和(x?r,y+r). 最大內切圓圖和初步截取的ROI圖像如圖3所示. 由圖3可以看出:根據最大內切圓所截取的初步ROI圖是RGB圖像,由于采集的原圖像大小不一樣,初步提取的ROI圖的大小也各不相同.

      圖  3  初步的手掌掌心 ROI結果

      Figure 3.  Coarse ROI results at the center of the palmprint image

      方便后續實驗處理,本文將初步提取的ROI圖灰度化并歸一化為128×128的圖像,得到最終的ROI圖. 如圖4所示,ROI圖已經歸一化到指定大小,且該ROI圖完全包含待提取的主線.

      圖  4  歸一化后的手掌掌心ROI區域

      Figure 4.  The normalized ROI region at the center of the palmprint image

    •  ?。?)中值濾波 由于ROI圖是含噪聲的,所以首先對ROI圖像進行中值濾波. 中值濾波是一種非線性濾波技術,它將圖像中的像素點用鄰域各值的中值代替. 相比均值濾波,中值濾波平滑含噪圖像的同時還能保留圖像尖銳的邊緣. 如 圖5所示,前期提取的ROI圖像中值濾波過后,主線周圍的細節得到了平滑,主線雖然也被平滑,但保留了主要的輪廓和較大的尖銳邊緣,更有利于后面主線的提取.

      圖  5  手掌掌心ROI區域中值濾波結果

      Figure 5.  Median filtering results for the ROI region at the center of the palmprint image

      (2)多方向濾波 中值濾波是全局濾波,它平滑了噪聲但對主線和較大的褶皺也進行了適當的平滑. 由于掌紋的主線是沿著特定方向的,所以本文根據掌紋的自然生長規律設計了4個方向的濾波器掩膜H1、H2、H3和H4(如下所示). 這4個方向的濾波器是選擇性濾波的,它們能增強所在方向上的主線而平滑非主線區域的噪聲和細節,對提取完整且連續主線有很大的作用.

      $\begin{split} &{\rm{H}}1 = \dfrac{1}{5}\left[ {\begin{array}{*{20}{c}} 0&0&0&0&0\\ 0&0&0&1&0\\ 1&1&1&0&1\\ 0&0&0&0&0\\ 0&0&0&0&0 \end{array}} \right],\\ &{\rm{H}}2 = \dfrac{1}{5}\left[ {\begin{array}{*{20}{c}} 0&0&1&0&0\\ 0&0&1&0&0\\ 0&0&1&0&0\\ 0&0&0&1&0\\ 0&0&1&0&0 \end{array}} \right],\end{split} $

      $\begin{split} &{\rm{H}}3 = \dfrac{1}{7}\left[ {\begin{array}{*{20}{c}} 1&0&0&0&0\\ 0&1&1&0&0\\ 0&0&1&0&0\\ 0&0&0&1&0\\ 0&0&0&1&1 \end{array}} \right],\\ &{\rm{H}}4 = \dfrac{1}{7}\left[ {\begin{array}{*{20}{c}} 0&0&0&1&1\\ 0&0&0&1&0\\ 0&0&1&0&1\\ 0&1&1&0&0\\ 1&0&0&0&0 \end{array}} \right].\end{split} $

      中值濾波后用濾波器掩膜 H1、H2、H3和H4對掌紋圖像進行多方向卷積濾波,其中H1、H2方向濾波沿近水平和垂直方向增強圖像,H3、H4則沿近對角線方向增強圖像.

      經過中值濾波和多方向濾波雙重降噪和主線增強后,濾除了大量的噪聲,為后期主線的提取奠定了基礎. 多方向濾波結果如圖6所示,由圖可看出多方向濾波在中值濾波的基礎上在各個方向上再一次對圖像進行平滑,大量與主線無關的細節被濾除了,主線的輪廓因方向增強得到保留.

      圖  6  進行4個方向的濾波器掩膜后的濾波結果

      Figure 6.  Filtering results after performing four directional detectors

      (3)底帽粗提取 因為掌紋主線的灰度值略低于非主線區域的灰度值,故采用形態學的bottom-hat(底帽)操作對濾波后的圖像進行運算. 底帽操作的結構是原始圖像減去其閉運算,即先膨脹后腐蝕. 如式(1)所示:

      $ {I_{{\rm{bt}}}}\left( {x,y} \right) = I\left( {x,y} \right) - \left( {I\left( {{\rm{x}},{\rm{y}}} \right) \oplus s1} \right) \ominus s2, $

      其中s1、s2為腐蝕和膨脹用到的結構元素,$ \ominus $、$ \oplus $ 分別為腐蝕和膨脹. 腐蝕可以消除ROI圖中邊界較小的部分. 腐蝕使ROI圖像中的非主線區域邊界縮小,從而去除那些像素較小且無關的褶皺. 膨脹則正好相反,它可以擴大目標區域,將與ROI附近的無關點合并到目標對象中,從而達到凸顯主線的效果. 它不僅可以填補圖像中的斷點,還可以適當地消除目標對象中的一些細小噪聲. 腐蝕和膨脹運算分別如式(2)、(3)所示:

      $ {{I}}\left( {{{x}},{{y}}} \right) \ominus {{s}}1 = \{ \left( {{{x}},{{y}}} \right)|{{s}}1 \subseteq {{I}}\left( {{{x}},{{y}}} \right)\}, $

      $ {{I}}\left( {{{x}},{{y}}} \right) \oplus {{s}}1 = \left\{ {\left( {{{x}},{{y}}} \right){{|s}}1 \cap {{I}}\left( {{{x}},{{y}}} \right)} \right\}. $

      對經過底帽運算后的圖像進行合并,得到粗提取的紋線圖. 相對于圖6,圖7更明顯地展示:H1方向的底帽圖沿著H1方向近水平地增強主線,其他方向被減弱,H2方向的底帽圖則沿著H2方向縱向增強主線,其他兩幅底帽圖也是沿著各自的方向增強主線,而且經各方向底帽運算后的主線和周圍圖像的像素有明顯的差異,合并后尤為明顯,以便后續處理得到主線的最終提取結果.

      圖  7  4 方向底帽處理及合并后的提取結果

      Figure 7.  The bottom cap operation results at four directions and the combined final result

    •  ?。?)二值化處理 對粗提取的掌紋主線進行二值化處理需要確定一個閾值,通過實驗,本文的閾值最終設定為灰度圖像的中值T. 當灰度圖像中的像素值大于閾值T時二值化為1,否則為0.

      $ {I_{\rm{B}}}\left( {{\rm{x}},{\rm{y}}} \right) = \left\{ {\begin{array}{*{20}{c}} {1,\;\;I\left( {x,y} \right) > T};\\ {0,\;\;I\left( {x,y} \right) \le T}. \end{array}} \right. $

      (2)鄰域去噪 為濾除二值化后的孤點噪聲,本文采用基于8-鄰域去噪的方法,其步驟為:

      步驟 1 從左到右,從上到下掃描圖像獲取二值圖像的像素值.

      步驟 2 獲取某點的像素值,若該點像素值為1,則計算該像素點的8-鄰域像素值之和S,若S<4則將該點的像素值變為0. 若該點的像素值為0,且8-鄰域像素值之和S≥7,則將該點像素值變為1.

      步驟 3 對剩余噪點進行檢測,若仍較多則重復步驟2,否則結束.

      鄰域去噪前后的結果如圖8所示,由圖可以看出去噪后主線周圍的噪聲點都被去除了,且主線連續無斷線. 由此可看出此方法能夠很好地去除主線周圍的孤點噪聲,保證提取的主線完整且連續.

      圖  8  領域去噪前后主線提取的對比結果

      Figure 8.  The denoising contrast results for palmprint principle extraction before and after neiborghhood

    • 為了驗證本文方法的有效性,本文采用COEP[14]的數據集進行主線的提取,該數據集主要是低精度掌紋圖像. 該數據集是基于紋理的圖像,每英寸大約100個像素,暗線是其主要的可視特征[15]. 提取后將結果與文獻[3]、文獻[13]、文獻[16]、文獻[17]和專家手動的提取結果進行對比. 實驗結果如圖9所示.

      圖  9  本文算法與現有算法對比的實驗結果

      Figure 9.  The experimental results contrast between the proposed and the state-of-art

      選擇4幅具代表性的ROI圖進行對比說明,在這4幅ROI圖中:第1幅圖的主線形狀較為罕見;第2幅ROI圖的主線較常規,能代表大多數的掌紋主線;第3幅ROI圖的主線結構規則但灰度較淺,提取難度相對較大;第4幅ROI圖的主線有很深的褶皺,提取時不能忽略. 這4幅圖基本涵蓋了掌紋主線提取時的多數情況. 從第1幅ROI圖主線的提取結果與專家提取結果相比可看出:文獻[3]方法提取的主線輪廓較完整,但斷線斷點較多;文獻[13]方法同樣存在斷線和少量噪點;文獻[16]方法提取的結果包含了明顯的斷線和噪點;文獻[17]方法提取的結果也包含了斷線;但是本文方法提取的主線連續無間斷,且符合其生長規律,與專家提取的結果最吻合. 第2幅圖是比較規則的掌紋圖像,文獻[13]和文獻[16]的提取結果含有斷線和大量噪聲,文獻[3]和[17]相對來說提取的效果較好,但也存在斷線. 第3幅圖主線較淺與背景不突出,提取難度較大,文獻[3]和[13]的提取結果較差,含有很多斷線甚至主線缺失,文獻[16]和[17]相比文獻[3]和[13]的提取結果較好,但也有斷線. 對于第4幅圖,文獻[3]和[13]提取效果較好,文獻[16]和[17]提取結果中有很多斷線. 但是本文方法可以完整且無斷線地提取上圖中的所有主線. 總的來說,各對比文獻方法雖然能提取主線輪廓但均存在斷線,文獻[16]的提取結果還包含大量噪聲,文獻[13]的第3幅提取結果有較大部分的輪廓缺失. 對比表明:本文方法能保證掌紋主線的連續性并且無孤立噪聲.

      為了客觀說明本文算法的有效性,本文從COEP數據庫中選擇100幅圖像并用上面的幾種方法分別提取出掌紋主線. 然后用提取出的主線圖與數據庫中人工手動提取的標準無噪聲主線圖進行對比,計算兩幅圖像的峰值信噪比(PSNR)對提取結果進行客觀度量. PSNR值越大代表越接近原圖像. 對于兩幅圖像IJ,其PSNR計算如式(5)、(6)所示:

      $ I_{\bf\rm{MSE}} = \frac{1}{{{{mn}}}}\mathop \sum \nolimits_{{{i}} = 0}^{{{m}} - 1} \mathop \sum \nolimits_{{{j}} = 0}^{{{n}} - 1} {\left[ {{{I}}\left( {{{i}},{{j}}} \right) - {{J}}\left( {{{i}},{{j}}} \right)} \right]^2}, $

      $ I_{\bf\rm{PSNR}} = 20{{\lg}}\left( {\frac {I_{\max}}{{\sqrt {I_{{\rm{MSE}}}} }}} \right) ,$

      其中,mn表示圖像的長與寬,IMSE 表示兩圖像的均方誤差, Imax表示圖像像素的最大值. IPSNR的客觀對比(隨機展示3幅圖)如表1所示:

      圖像文獻[3]文獻[13]文獻[16]文獻[17]本文
      圖137.050936.775335.193937.434438.8711
      圖236.307737.217035.776636.219538.2714
      圖338.203839.218137.085736.263840.3732

      表 1  本文算法與現有算法的峰值信噪比對比(單位:dB)

      Table 1.  The PSNR experimental contrast between the proposed and the state-of-art(unit:dB)

      表1可以看出:相對于其他幾種方法,本文方法的峰值信噪比更大,本文方法提取結果的PSNR值比文獻[3]平均高約1.9844 dB,比文獻[13]平均高約1.5910 dB,比文獻[16]平均高約3.1532 dB,比文獻[17]平均高約2.5327 dB,說明本文方法的提取結果與專家提取的更一致,客觀地證明了本文方法主線提取的效果更好.

    • 為了提取完整、符合自然生長規律的掌紋主線,本文提出了一種基于多方向濾波和鄰域去噪的掌紋主線提取算法. 與現有同類掌紋主線提取的方法相比,本文的主要特點在于:提出了符合掌紋主線自然生長規律的四掩膜,用中值和多方向雙重濾波對主線在四掩膜方向進行增強并平滑了非主線區域;然后,用形態學的底帽操作提取主線的輪廓圖;最后,二值化圖像并濾除孤點噪聲. 主觀的實驗結果表明:本文方法提取的主線更連續、噪點更少. 客觀的PSNR值對比表明:本文方法比對比算法的PSNR值平均約高了2.3153 dB,由此表明,本文方法能完整、準確地提取符合自然生長規律的掌紋主線.

參考文獻 (17)

目錄

    /

    返回文章
    返回