基于多方向滤波和邻域去噪的掌纹主线提取

唐志强 杨俊东 李海燕 李红松 余鹏飞 陈建华 张榆锋

引用本文:
Citation:

基于多方向滤波和邻域去噪的掌纹主线提取

    作者简介: 唐志强(1994−),男,重庆人,硕士生,研究方向为为人工智能及图像处理. E-mail:1198586557@qq.com;
    通讯作者: 李海燕, leehy@ynu.edu.cn
  • 中图分类号: 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: 为了提取完整的、接近自然生长规律的掌纹主线,提出了一种基于多方向滤波和邻域去噪的掌纹主线提取方法. 首先对全手掌图像进行预处理,得到统一大小和灰度的ROI(Region of Interest, ROI)掌纹图;然后用中值和4个方向检测器对ROI 图像滤波,并对滤波后的结果进行底帽运算从而得到粗提取的结果;最后对粗提取的主线进行二值处理和邻域去噪,得到最终的主线提取结果. 在公开的数据集上将新方法与现有同类方法进行对比,主观实验结果表明:新方法提取得到的主线图像连续且完整,客观的PSNR值比对比文献平均高约2.315 3 dB,表明新方法能较好地去除断线、孤点噪声,从而完整、有效地提取掌纹主线.
  • 图 1  基于多方向滤波和邻域去噪的掌纹主线提取流程图

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

    图 2  对采集的手掌图像提取边缘

    Figure 2.  Edge extraction for the acquired palmprint image

    图 3  初步 的手掌掌心 ROI结果

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

    图 4  归一化后的手掌掌心ROI区域

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

    图 5  手掌掌心ROI区域中值滤波结果

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

    图 6  进行4个方向的滤波器掩膜后的滤波结果

    Figure 6.  Filtering results after performing four directional detectors

    图 7  4 方向底帽处理及合并后的提取结果

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

    图 8  领域去噪前后主线提取的对比结果

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

    图 9  本文算法与现有算法对比的实验结果

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

    表 1  本文算法与现有算法的峰值信噪比对比(单位:dB)

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

    图像文献[3]文献[13]文献[16]文献[17]本文
    图137.050936.775335.193937.434438.8711
    图236.307737.217035.776636.219538.2714
    图338.203839.218137.085736.263840.3732
    下载: 导出CSV
  • [1] 孙瑛, 张亮, 廖琪梅. 与胃癌相关的几个量化掌褶纹特征的初步研究[J]. 人类学学报, 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] 张亮. 构建与肿瘤相关的皮纹特征量化指标体系[D]. 西安: 第四军医大学, 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.DOI: 10.7666/d.d036342.
    [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] 郑艳清, 裘正定, 吴介. 基于形态学滤波和Hough变换的掌纹主线提取方法[J]. 北京交通大学学报: 自然科学版, 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] 吴旭宾, 汪同庆, 李宏友. 一种新的掌纹特征提取方法研究[J]. 计算机应用研究, 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] 苏晓生, 林喜荣, 丁天怀. 基于小波变换的掌纹特征提取[J]. 清华大学学报: 自然科学版, 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小波及神经网络的掌纹识别研究[J]. 伊犁师范学院学报: 自然科学版, 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] 黄申, 徐成, 屈景辉. 基于小波理论对掌纹主线提取和修复[J]. 中国图象图形学报, 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] 黄鹏頔, 石俊生, 徐广辉. 联合灰度与梯度性质的掌纹主线提取方法[J]. 计算机应用, 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] 顾晓峰, 朱宏擎. 一种基于二维匹配滤波器的掌纹识别算法[J]. 华东理工大学学报: 自然科学版, 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. 基于形态学滤波和邻域搜索的掌纹主线提取方法[J]. 计算机应用与软件, 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, 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] 钟菲赵悦张天张学敏郭树旭 . 基于压缩感知重建去噪后的LDPC译码算法. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20150055
    [2] 肖苗常俊潘家华杨宏波王威廉 . 基于提升小波变换的心音去噪新方法. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20180659
    [3] 黄永平王丽珍 . 考虑对象方向关系的密度聚类算法. 云南大学学报(自然科学版),
    [4] 林华芳徐明远徐晟 . 均匀直线阵的波达方向估计. 云南大学学报(自然科学版),
    [5] 张晨光史伟光毕长浩 . 结合自适应高斯滤波的单幅图像去雾方法. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20160547
    [6] 张春平曹金石唐菁敏彭艺刘禹平 . p次方检测器协作频谱感知系统性能优化. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20130143
    [7] 王唐宇周丽萍李海燕余鹏飞陈建华张榆锋 . 多尺度复数滤波器及PI值相结合的奇异点检测. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20180024
    [8] 黄欢聂庆文 . 基于前向与后向扩散模型的变分去噪. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20150248
    [9] 高联雄赵波吴庆畅 . 网络工程专业课程体系与专业方向设置实践与探讨. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.2012b04
    [10] 初辰辉王锋田丰邓辉 . 基于Steering Law的触控设备手指运动方向可用性评价. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.2013b54
    [11] 张晓娟 . 脉冲沿不同方向入射时的脉冲俘获现象研究. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20170398
    [12] 于佳丽郭敏 . 融合灰度和梯度方向信息的随机游走的图像分割. 云南大学学报(自然科学版),
    [13] 唐猛赵东风 . UWB射频滤波器设计与分析. 云南大学学报(自然科学版),
    [14] 余玉珍王丙武李文正高玉龙张琦陈奇宋中邦 . 烟草尼古丁去甲基酶基因CYP82E4启动子结合蛋白的鉴定与分析. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20140352
    [15] 代志涛苏寒松刘高华张倩芳 . 基于改进非局部均值滤波算法的显著性区域检测*. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20170351
    [16] 宋树祥严国萍 . 基于CCCⅡ的n阶电流模式跳耦结构滤波器设计. 云南大学学报(自然科学版),
    [17] 赵海军李敏李明东崔梦天罗宇 . 一种基于快速阵列算法实现的IIR数字滤波器. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20150507
    [18] 王璞张玉明田野张坤杨军 . 基于FPGA的多级CIC滤波器的设计与实现. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20170705
    [19] 李志军苏永新刘奇能 . 基于线性跨导的混合模式二阶通用滤波器. 云南大学学报(自然科学版),
    [20] 李志军王春华王仕果鲁光德 . 基于MOCCCⅡ-C的n阶电流模式椭圆滤波器. 云南大学学报(自然科学版),
  • 加载中
图(9)表(1)
计量
  • 文章访问数:  372
  • HTML全文浏览量:  195
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-08-05
  • 录用日期:  2019-11-29
  • 网络出版日期:  2020-06-02

基于多方向滤波和邻域去噪的掌纹主线提取

    作者简介:唐志强(1994−),男,重庆人,硕士生,研究方向为为人工智能及图像处理. E-mail:1198586557@qq.com
    通讯作者: 李海燕, leehy@ynu.edu.cn
  • 云南大学 信息学院,云南 昆明 650500

摘要: 为了提取完整的、接近自然生长规律的掌纹主线,提出了一种基于多方向滤波和邻域去噪的掌纹主线提取方法. 首先对全手掌图像进行预处理,得到统一大小和灰度的ROI(Region of Interest, ROI)掌纹图;然后用中值和4个方向检测器对ROI 图像滤波,并对滤波后的结果进行底帽运算从而得到粗提取的结果;最后对粗提取的主线进行二值处理和邻域去噪,得到最终的主线提取结果. 在公开的数据集上将新方法与现有同类方法进行对比,主观实验结果表明:新方法提取得到的主线图像连续且完整,客观的PSNR值比对比文献平均高约2.315 3 dB,表明新方法能较好地去除断线、孤点噪声,从而完整、有效地提取掌纹主线.

English Abstract

  • 掌纹是人体的一种遗传性状,具有高度稳定性和个体特异性,近年来,掌纹识别在生物特征识别领域得到广泛应用. 掌纹不仅可用于身份识别,还可用于疾病的相关性判别. 孙瑛[1]统计发现手掌主线与掌宽夹角在患者组中明显小于对照组. Sakineh Abbasi发现乳腺癌患者、乳腺癌高危人群的掌纹与对照组有明显的不同[2]. 主线是描述掌纹纹理的显著特征[3],对于不同的个体,主线的位置、走向和结构都是非常重要的物理特性[4]. 由此,提取主线尤其是连续且符合其自然生长规律的主线对研究掌纹特征与疾病的关系至关重要.

    目前,掌纹特征提取算法主要用于身份认证. 掌纹特征提取算法大致分为4类,即基于结构的特征提取、基于空域-频域变换的特征提取、基于统计的特征提取和基于子空间的特征提取[5]. 常用的基于小波变换[6-8]的掌纹特征提取就属于空域-频域变换. 黄申等[9]认为掌纹特征主要分为几何特征、主线特征、褶皱特征、Delta点特征、细节特征等,而主线特征是其中最为明显的特征. 黄鹏頔等[10]使用Laplacian算子对掌纹灰度图像进行对比度增强,并用局部灰度平方差分割出掌纹主线. 该方法的结果噪声比较多而且最后细化后的主线与真实主线相差较大. 顾晓峰[11]采用二维匹配滤波器提取图像特征,并用双方向编码表征特征之间的相似度,该方法虽然识别结果较好,但特征提取较为模糊. Wu[12]对掌纹图像各个方向进行检测,在每个方向使用两个卷积核与掌纹图像进行卷积分别得到其一阶导数和二阶导数,其中二阶导数的值为屋脊边缘,最后作者用一个或多个门限滤波,得到掌纹线. 此方法提取的掌纹主线噪声较少,但主线很多是断裂的. 以上方法所提取的掌纹主线均是用于掌纹识别,对主线提取的完整性要求不高. 用于掌纹识别的主线提取方法只需要提取部分匹配识别的特征点,无需提取出完整的掌纹主线[13],即使存在断线或噪声也能实现很好的匹配识别. 但若要研究掌纹主线与疾病的相关性,则必须提取完整、接近自然生长规律的掌纹主线.

    目前研究掌纹与疾病相关性的主要是医学研究者,他们主要依靠手动提取主线特征,存在工作量大、不可重复和主观性强的缺陷,为了自动提取完整的掌纹主线,本文提出了一种基于多方向滤波和邻域去噪的掌纹主线提取算法. 本文的创新点在于:结合形态学处理提出了一种基于多方向、中值双重滤波和邻域去噪的掌纹主线提取方法;设计了4个掌纹主线方向增强、非主线方向平滑的模板,对主线增强的同时滤出孤立噪声. 在结果对比中:本文方法提取的主线明显更连续、噪点更少,客观的PSNR均值为39.1719 dB,比对比文献均值提高了约2.3153 dB. 由此表明,本文方法比现有同类算法有更好的效果,能提取出完整、接近自然生长规律的掌纹主线.

    • 本文算法的基本思想是:首先从全手掌图像中提取感兴趣的部分图像ROI(Region of Interest, ROI)图,该ROI图是具有统一大小的灰度图像,然后通过中值和多方向双重滤波对ROI图像进行批量处理,中值滤波可滤除原图像中的椒盐噪声同时保护尖锐的图像边缘. 多方向滤波不仅降低了图像噪声的干扰而且主线方向得到了增强. 接着对滤波后的图像进行形态学的底帽运算从而对主线进行粗提取,最后对粗提取图像进行邻域去噪得到最终的主线提取结果. 其流程图如图1所示,其中H1-H4是本文提出4个方向滤波模板,该模板可以对掌纹主线方向进行增强,对非主线方向进行平滑,以提取更连续和完整的掌纹主线.

      图  1  基于多方向滤波和邻域去噪的掌纹主线提取流程图

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

    • 掌纹预处理的目的是从全手掌图像中提取统一大小和灰度的感兴趣区域,预处理的步骤为:首先对原始的手掌图像进行二值化处理并提取其边缘,然后根据提取的边缘画最大内切圆提取ROI图,最后对提取的ROI图进行归一化.

      (1)边缘提取 用Otsu全局阈值对图像进行二值化,然后用sobel算子进行边缘提取,sobel边缘算子用于有噪声图像和灰度渐变图像的提取效果较好,其常用于精度较低的图像的边缘提取,符合本文掌纹图像精度不高的要求. 对本文采集的手掌图像用sobel算子提取的边缘结果如图2所示,由图可看出,此方法提取的手掌轮廓连续无断点、无额外噪声且其轮廓与原手掌相符.

      图  2  对采集的手掌图像提取边缘

      Figure 2.  Edge extraction for the acquired palmprint image

      (2)ROI提取 获取手掌的边缘后,需画最大内切圆初步提取掌纹ROI图像. 本文采用的提取方法是:以到轮廓上下左右边距离均最大的点为圆心(x,y),到最近切边的距离为半径r圆,然后在圆外作一个矩形截取手掌图像,其中矩形的端点分别是(xryr),(x+ry+r),(x+ryr)和(xry+r). 最大内切圆图和初步截取的ROI图像如图3所示. 由图3可以看出:根据最大内切圆所截取的初步ROI图是RGB图像,由于采集的原图像大小不一样,初步提取的ROI图的大小也各不相同.

      图  3  初步 的手掌掌心 ROI结果

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

      方便后续实验处理,本文将初步提取的ROI图灰度化并归一化为128×128的图像,得到最终的ROI图. 如图4所示,ROI图已经归一化到指定大小,且该ROI图完全包含待提取的主线.

      图  4  归一化后的手掌掌心ROI区域

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

    •   (1)中值滤波 由于ROI图是含噪声的,所以首先对ROI图像进行中值滤波. 中值滤波是一种非线性滤波技术,它将图像中的像素点用邻域各值的中值代替. 相比均值滤波,中值滤波平滑含噪图像的同时还能保留图像尖锐的边缘. 如 图5所示,前期提取的ROI图像中值滤波过后,主线周围的细节得到了平滑,主线虽然也被平滑,但保留了主要的轮廓和较大的尖锐边缘,更有利于后面主线的提取.

      图  5  手掌掌心ROI区域中值滤波结果

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

      (2)多方向滤波 中值滤波是全局滤波,它平滑了噪声但对主线和较大的褶皱也进行了适当的平滑. 由于掌纹的主线是沿着特定方向的,所以本文根据掌纹的自然生长规律设计了4个方向的滤波器掩膜H1、H2、H3和H4(如下所示). 这4个方向的滤波器是选择性滤波的,它们能增强所在方向上的主线而平滑非主线区域的噪声和细节,对提取完整且连续主线有很大的作用.

      $\begin{split} &{\rm{H}}1 = 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 = 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 = 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 = 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} $

      中值滤波后用滤波器掩膜 H1、H2、H3和H4对掌纹图像进行多方向卷积滤波,其中H1、H2方向滤波沿近水平和垂直方向增强图像,H3、H4则沿近对角线方向增强图像.

      经过中值滤波和多方向滤波双重降噪和主线增强后,滤除了大量的噪声,为后期主线的提取奠定了基础. 多方向滤波结果如图6所示,由图可看出多方向滤波在中值滤波的基础上在各个方向上再一次对图像进行平滑,大量与主线无关的细节被滤除了,主线的轮廓因方向增强得到保留.

      图  6  进行4个方向的滤波器掩膜后的滤波结果

      Figure 6.  Filtering results after performing four directional detectors

      (3)底帽粗提取 因为掌纹主线的灰度值略低于非主线区域的灰度值,故采用形态学的bottom-hat(底帽)操作对滤波后的图像进行运算. 底帽操作的结构是原始图像减去其闭运算,即先膨胀后腐蚀. 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为腐蚀和膨胀用到的结构元素,$ \ominus $$ \oplus $ 分别为腐蚀和膨胀. 腐蚀可以消除ROI图中边界较小的部分. 腐蚀使ROI图像中的非主线区域边界缩小,从而去除那些像素较小且无关的褶皱. 膨胀则正好相反,它可以扩大目标区域,将与ROI附近的无关点合并到目标对象中,从而达到凸显主线的效果. 它不仅可以填补图像中的断点,还可以适当地消除目标对象中的一些细小噪声. 腐蚀和膨胀运算分别如式(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\}. $

      对经过底帽运算后的图像进行合并,得到粗提取的纹线图. 相对于图6图7更明显地展示:H1方向的底帽图沿着H1方向近水平地增强主线,其他方向被减弱,H2方向的底帽图则沿着H2方向纵向增强主线,其他两幅底帽图也是沿着各自的方向增强主线,而且经各方向底帽运算后的主线和周围图像的像素有明显的差异,合并后尤为明显,以便后续处理得到主线的最终提取结果.

      图  7  4 方向底帽处理及合并后的提取结果

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

    •   (1)二值化处理 对粗提取的掌纹主线进行二值化处理需要确定一个阈值,通过实验,本文的阈值最终设定为灰度图像的中值T. 当灰度图像中的像素值大于阈值T时二值化为1,否则为0.

      $ {I_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)邻域去噪 为滤除二值化后的孤点噪声,本文采用基于8-邻域去噪的方法,其步骤为:

      步骤1 从左到右,从上到下扫描图像获取二值图像的像素值.

      步骤2 获取某点的像素值,若该点像素值为1,则计算该像素点的8-邻域像素值之和S,若S<4则将该点的像素值变为0. 若该点的像素值为0,且8-邻域像素值之和S≥7,则将该点像素值变为1.

      步骤3 对剩余噪点进行检测,若仍较多则重复步骤2,否则结束.

      邻域去噪前后的结果如图8所示,由图可以看出去噪后主线周围的噪声点都被去除了,且主线连续无断线. 由此可看出此方法能够很好地去除主线周围的孤点噪声,保证提取的主线完整且连续.

      图  8  领域去噪前后主线提取的对比结果

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

    • 为了验证本文方法的有效性,本文采用COEP[14]的数据集进行主线的提取,该数据集主要是低精度掌纹图像. 该数据集是基于纹理的图像,每英寸大约100个像素,暗线是其主要的可视特征[15]. 提取后将结果与文献[3]、文献[13]、文献[16]、文献[17]和专家手动的提取结果进行对比. 实验结果如图9所示.

      图  9  本文算法与现有算法对比的实验结果

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

      选择4幅具代表性的ROI图进行对比说明,在这4幅ROI图中:第1幅图的主线形状较为罕见;第2幅ROI图的主线较常规,能代表大多数的掌纹主线;第3幅ROI图的主线结构规则但灰度较浅,提取难度相对较大;第4幅ROI图的主线有很深的褶皱,提取时不能忽略. 这4幅图基本涵盖了掌纹主线提取时的多数情况. 从第1幅ROI图主线的提取结果与专家提取结果相比可看出:文献[3]方法提取的主线轮廓较完整,但断线断点较多;文献[13]方法同样存在断线和少量噪点;文献[16]方法提取的结果包含了明显的断线和噪点;文献[17]方法提取的结果也包含了断线;但是本文方法提取的主线连续无间断,且符合其生长规律,与专家提取的结果最吻合. 第2幅图是比较规则的掌纹图像,文献[13]和文献[16]的提取结果含有断线和大量噪声,文献[3]和[17]相对来说提取的效果较好,但也存在断线. 第3幅图主线较浅与背景不突出,提取难度较大,文献[3]和[13]的提取结果较差,含有很多断线甚至主线缺失,文献[16]和[17]相比文献[3]和[13]的提取结果较好,但也有断线. 对于第4幅图,文献[3]和[13]提取效果较好,文献[16]和[17]提取结果中有很多断线. 但是本文方法可以完整且无断线地提取上图中的所有主线. 总的来说,各对比文献方法虽然能提取主线轮廓但均存在断线,文献[16]的提取结果还包含大量噪声,文献[13]的第3幅提取结果有较大部分的轮廓缺失. 对比表明:本文方法能保证掌纹主线的连续性并且无孤立噪声.

      为了客观说明本文算法的有效性,本文从COEP数据库中选择100幅图像并用上面的几种方法分别提取出掌纹主线. 然后用提取出的主线图与数据库中人工手动提取的标准无噪声主线图进行对比,计算两幅图像的峰值信噪比(PSNR)对提取结果进行客观度量. PSNR值越大代表越接近原图像. 对于两幅图像I和J,其PSNR计算如式(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表示图像的长与宽,IMSE 表示两图像的均方误差, Imax表示图像像素的最大值. IPNSR的客观对比(随机展示3幅图)如表1所示:

      图像文献[3]文献[13]文献[16]文献[17]本文
      图137.050936.775335.193937.434438.8711
      图236.307737.217035.776636.219538.2714
      图338.203839.218137.085736.263840.3732

      表 1  本文算法与现有算法的峰值信噪比对比(单位:dB)

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

      表1可以看出:相对于其他几种方法,本文方法的峰值信噪比更大,本文方法提取结果的PSNR值比文献[3]平均高约1.9844 dB,比文献[13]平均高约1.5910 dB,比文献[16]平均高约3.1532 dB,比文献[17]平均高约2.5327 dB,说明本文方法的提取结果与专家提取的更一致,客观地证明了本文方法主线提取的效果更好.

    • 为了提取完整、符合自然生长规律的掌纹主线,本文提出了一种基于多方向滤波和邻域去噪的掌纹主线提取算法. 与现有同类掌纹主线提取的方法相比,本文的主要特点在于:提出了符合掌纹主线自然生长规律的四掩膜,用中值和多方向双重滤波对主线在四掩膜方向进行增强并平滑了非主线区域;然后,用形态学的底帽操作提取主线的轮廓图;最后,二值化图像并滤除孤点噪声. 主观的实验结果表明:本文方法提取的主线更连续、噪点更少. 客观的PSNR值对比表明:本文方法比对比算法的PSNR值平均约高了2.3153 dB,由此表明,本文方法能完整、准确地提取符合自然生长规律的掌纹主线.

参考文献 (17)

目录

    /

    返回文章
    返回