手背静脉图像分割算法技术研究.doc

word数字图像处理与分析大作业题 目： 手背静脉图像分割算法技术研究 目 录1手背静脉分割识别技术摘要12手背静脉分割识别技术现状1 手背静脉分割识别技术现状12.2 手背静脉特征分割提取与匹配过程13手背静脉图像分割的预处理3图像的有效区域分割提取3图像的归一化4图像的增强43.4 图像的分割5图像的细化64手背静脉图像的特征分割提取与匹配算法6特征提取算法7基于原点静距的特征提取74.3 匹配算法84.4 基于原点静距的匹配算法95总结9参考文献10附录11- 12 - / 141手背静脉分割识别技术摘要手背静脉分割识别是通过分析手背上的静脉特征来进展身份识别的。首先对手背静脉图像预处理，得到细化图像，利用分割思想把细化图像分割为多个子图像，然后分别提取平均原点静矩，组合成特征向量，最后再结合最近邻法，用最小欧氏距离的方法来进展匹配，实验结果验证了该方法的有效性和可行性。2手背静脉分割技术现状2.1 手背静脉分割识别技术现状手背静脉图像分割识别是通过对两幅静脉图像分割特征集之间相似性的比拟，来判断对应的静脉图像是否来自同一个人的过程。静脉分割识别主要包括特征分割提取和特征匹配。特征分割提取是将图像中最能区别于其它图像的特征分割提取出来，其有效性和可靠性在很大程度上决定了识别结果是否正确，提取描述性强的特征能够有效提高分类器的识别效率，选取稳定、典型的特征是手背静脉识别系统设计的核心。特征匹配是在提取的特征数据集根底上对待匹配图像进展匹配。对预处理后的图像进展特征提取与匹配，重点是分析和提取出可靠而又高效的特征向量以与特征匹配的算法。2.2 手背静脉特征分割提取与匹配过程手背静脉特征分割提取与匹配过程是静脉图像的有效区域获取、静脉图像的归一化、图像的增强、图像的分割、图像的细化、静脉特征提取与匹配。手背静脉识别统的总体框架如图2.1所示。图2.1手背静脉分割识别系统的总体框架图3 手背静脉图像分割的预处理要达到对手背静脉图像进展身份识别，必须对图像进展有效特征分割提取与匹配。现今分割提取特征的方式逐渐由原始的整个图像特征过度为基于细化后的静脉纹络的几何特征提取(端点，交叉点等)，当然每一个特征都有其在各自匹配过程中的优劣，然而基于细化后的图像提取特征更加容易，匹配准确率更高。所以我们先对手背静脉图像预处理，然后在预处理后的细化图像上提取图像的有效特征并匹配，达到身份验证的目的。手背静脉图像预处理过程如下：图3.1 预处理过程3.1 图像的有效区域分割提取图像处理的第一步是要获取图像，故图像采集在整个图像处理过程中起着至关重要的作用。本文中实验的手背静脉图片数据来自互联网。图像的大小为320×240像素，256级灰度图像，格式为BMP格式的图像，如图3.2所示。图3.2 采集的原图当前手背静脉图像获取都采用握拳并手背对准镜头的姿势，由于手背相对于镜头的方向和位置是变动的，且不同人的手大小不一样，手的局部形态特征也不一样，因此不同时刻采集的图像总有一定程度位置和大小的偏差。图像中除了含有手背图像外，还含有很多背景，为了减少无关数据对特征提取和识别的影响，需要采用适合的方法对手背静脉图像进展有效区域定位。手背静脉有效区域定位是指从采集的手背图像中定位出对特征提取有意义的区域，定位的准确很大程度上将直接影响识别结果。对实时性要求较高的静脉识别技术，有效区域的定位分割计算速度要快，本文采用基于质心的有效区域提取算法，这就是有效区域如下列图。图3.3 图像的有效区域3.2 图像的归一化由于静脉图像的采集时间、光强、各人的手掌厚薄、手掌的倾斜度不同, 在采集的图像上存在着灰度不均的问题。为了将所有采集到的静脉图像的灰度统一到同一灰度围, 方便以后的图像处理和匹配, 要对采集的图像进展灰度归一化处理。对采集的图像进展灰度归一化处理，即使每一幅图像的均值和方差都相等。从物理意义上说，就是让每一幅图像的直流能量和交流能量都相等。本文实验所采取的均值是162，方差是24。归一化处理后的图像如图3.4所示。图3.4 归一化后的图像3.3 图像的增强在手背静脉图像采集过程中，由于静脉采集装置受采集光强以与个人手背薄厚影响，它所采集的图像在灰度上可能就存在差异。通常情况下，所采集到的静脉图像中，静脉血管纹理和手背的灰度差异很小。目前，大多数单一阈值和多阈值分割法都是直接在采集图像上进展分割处理，这样会导致局部可用信息丢失甚至将局部背景信息误判。而图像增强处理是获取有效信息的保证，因此，为便于静脉纹理的分割，对采集的图像进展预处理来增强静脉纹理是非常必要的。常用的图像增强方法有高频加强滤波法和局部直方图均衡法。从仿真的实验结果可以得到，执行局部直方图均衡后的图像静脉纹理与背景的比照度明显增大，纹理轮廓显示清晰，纹理与背景分界明显，为下一步纹理分割奠定了根底。所以我们采用局部直方图均衡化做图像增强，增强后的图像如图3.5所示。图3.5 增强后的图像3.4 图像的分割静脉图像分割的目的是使静脉纹络和背景分割开来，针对本课题也就是所谓的二值化处理，即将静脉纹络图像转化为仅有黑白两种色的图像，以方便后期的特征点的提取。然而，二值化面临的最大的难点就是如何确定阈值的大小，这个直接关系到二值化的效果。灰度图像二值化的过程就是选定一个阈值T，当图像中的像素值大于这个值时就设定为255，当小于此值时就设定为0。从这个定义中我们可以看出，如果阈值太大，有些背景也变成目标，如果太小，把目标反而变成背景，所以阈值T是区分对象和背景的关键所在。常用的阈值化分割方法有局部均值阈值法、局部最大类间方差法、基于局部极值的二值化算法、阈值图像法、NiBlack算法。从实验结果来看，NiBlack算法得到的图像比拟不错，而且运算速度快，比拟适合实时系统,根本上得到了原有纹络的结果。综合分析，本文采用的是NiBlack算法来进展二值化，二值化后的图像如图3.6所示。图3.6 分割后的图像3.5 图像的细化静脉图像细化的目的是为了得到单像素描述的静脉血管，既保持了原有的纹络特征，又提取了静脉血管的骨架，也使得他的形状和走势给清楚的显示了出来。有利于我们研究静脉纹络结构。目前来说，好多文献的研究明确，从细化后的纹络结构上提取特征还是主要的研究方向，用这些细化后提取的特征值来进展匹配，达到身份认证的目的。因此，细化算法也是静脉图像识别中的重要步骤，他的处理结果真接影响着认证的识别率。细化算法的根本原理就是将二值化后所得到的纹络变成单像素的骨架图像，细化后要保持原有图像的纹络拓扑结构以与原有图像的连续性，从而保持静脉纹络的原有特征。如图3.7所示细化后的图像。图3.7 细化后的图像4手背静脉图像的特征分割提取与匹配算法静脉特征分割提取和匹配阶段是基于手背静脉的识别技术的核心阶段，前面所做的工作都是为特征分割提取和匹配而做的铺垫，基于手背静脉的身份认证技术是通过比拟两幅静脉纹络图像的相似度来识别身份，如果两幅图像的相似度很高，这说明是来自同一个人，否如此，如此不能通过身份认证。显而易见，静脉识别包括两个重要过程：特征分割提取和特征匹配。本章将在上一章的根底上，对预处理后的图像进展特征分割提取与匹配，重点是分析和提取出可靠而又高效的特征向量以与特征匹配的算法。本文采用的基于原点静距的特征分割提取与匹配，就是利用分割思想把预处理后的图像分割为32×32子图像，分别提取平均原点静矩，最后组合成特征向量，最后引用最近邻法分类器，通过比拟欧氏距离来进展匹配，既节省的了识别的时间，有效提高了最终的识别率。我们使用Matlab软件来编程实现其特征提取与匹配，其程序流程图如图4.1所示。图4.1 程序流程图4.1 特征提取算法提取特征的方式逐渐由原始的整个图像特征过度为基于细化后的静脉纹络的几何特征提取(端点，交叉点等)，当然每一个特征都有其在各自匹配过程中的优劣，本文在研究和学习了特征提取方法后，在细化图像的根底上，提出用纹络的原点静矩作为静脉特征。4.2 基于原点静距的特征提取本文在图像预处理阶段是首先提取采集图像的有效区域后而进展的，这个有效区域的大小是128×128像素大小，如果我们把整幅细化后的二值化图像进展提取平均原点静矩的话，只能得到一个特征点，这个根据我们的经验就可以知道这有一个特征点要在众多类别中进展分类这是不现实的，因此，我们借用文献在人脸识别中所采用的思想，即对人脸进展分割，分割成同大小的子脸，然后分别对人脸进展特征提取，然后计算待测样本和模式样本之间的距离来进展匹配。根据这种思想，我们也把所得到的有效区域的二值图像进展分割，然后在每一个小区域分别计算它的平均原点静矩，其具体的步骤为：1首先，把二值图像分为a所示，的大小取值我们将在下面进展计论。2我们定义每个子图像的左上角为坐标原点，建立二维坐标系如图4.2b所示。3计算这个子图像的平均原点静矩，得到一个距离值，我们把它作为特征向量的一个维，与其它子图像的距离值组成一个多维向量。4移动坐标原点到下一个子图像，同样是以子图像的左上角的点为坐标原点如图4.2c所示，重复上面第3步，然后得到特征向量的第二维。5重复第4步，直到计算完所有的子图像，最后得到一个维的特征向量。 (a)(b)(c)图4.2 算法原理示意图以上步骤就是整个算法的操作方法，最终得到模式样本的特征向量，此方法不用存入存大量的图像信息，只要存储这个特征向量即可。4.3 匹配算法在研究了已有相关文献中提与算法的根底上，首先对目前比拟流行的基于特征点的算法进展了一些优化。近年来流行的基于特征点的匹配方法只是利用了局部的特征信息，所以信息量比拟少，这对于图像的少量平移或者一些噪声的抗干扰能力比拟低，所以我们提出了利用所有的静脉纹络来进展特征提取，如此这些特征囊括了所有的静脉纹络中的点，从而增加所提取特征的代表性。4.4 基于原点静距的匹配算法结合以前文献中的静脉匹配算法，以几何特征点为根底对基于细化图像特征点匹配算法进展了一些优化和改良。细化后的图像是用单像素来表示静脉纹络的，它既清楚的呈现出血管的形状和走势，又保存了原有的特征。从细化后的图像中可以提取很多特征值作为识别特征进展比对，如文献中曾提到可对血管纹线的曲率，长短，相对位置等进展匹配，而它实现了以端点和交点坐标的穷举法匹配。而另一种识别算法如此提取端点、交点个数以与端点间、交点间的距离，用这些距离作为特征来匹配识别的。但是这种基于特征点的匹配方法只是利用了局部的特征信息，所以信息量比拟少，这对于图像的少量平移或者一些噪声的抗干扰能力比拟低，所以我们提出了利用所有的静脉纹络来进展特征提取。我们采用基于平均原点静矩特征向量进展匹配，具体的方法是在上一章图像预处理的根底上进展特征提取，特征提取过程按照前面讲述的步骤来进展，最后得到原点静矩的特征向量。本文中实验的手背静脉图片数据来自互联网，图片数据共有9个样本，预处理细化后的图像128×128像素大小，我们把每个人的每一幅图像作为模式样本，其余四幅图像作为测试样本，计算出测试样本的平均原点静距，然后在计算模式样本和每一个测试样本的平均原点静矩特征向量之间的欧几里德距离，然后结合最近邻分类规如此来进展识别，最后得到模式样本与测试样本之间的识别准确率。5 总结 通过参考相关文献、求助互联网以与寻求同学的帮助终于按时的完成了手背静脉图像特征提取的研究报告，经过几天的上机练习更加了解了Matlab环境下的图像处理方法与步骤，也对图像处理学有了更深层次的认识。希望自己通过更多的努力能再图像处理这门学科上得到更大的进步空间，取得更多的成绩。参考文献1 弘.数字图像处理与分析第二版.机械工业，2013.3.2 M.电子工业,2004:-129.3J.同济大学.2007,27(1):152-154.4J.某某理工大学.2006,23(59) :120-123.5 .2003，32(20) :128-130.6 J.工业大学，2006,58(14):38-41.7.2008,23(21):167-169.8J.大学.2006,35(17):69-73.9 林喜荣,庄波,苏晓生等.人体手背血管图像的特征提取与匹配J.清华大学学报(自然科学版),2003,43(2):164-167. 10 文中极少局部概述、图片、代码结构借鉴于百度百科、计算机论坛与百度图片.附录主程序1clear; clc; close all;FeatureCell = cell(50,5);for i = 1:50 stpe = i; for j = 1:5 if i<10 eval('HV_Original = imread(''F:zuoyezuoye.bmp'');'); else eval('HV_Original = imread(''F:zuoyezuoye.bmp '');'); end HV_Preprocessed = Preprocessed(HV_Original); HV_FeatureVector = OriginalStaticMoment(HV_Preprocessed,4); FeatureCellij = HV_FeatureVector; endendimhist(FeatureCell);save F4 FeatureCell;主程序2load F4;Subject,Sample = size(FeatureCell);m = 0;for i = 1:5 TestSample = cell(1,Subject); for j = 1:Subject T = zeros(32,32); for k = 1:Sample T = T+FeatureCelljk; end TestSample1,j = (T-FeatureCellji)/(Sample-1); end for j = 1:Subject RegisterSample = FeatureCellji; Distance = zeros(1,Subject); for k = 1:Subject Distance(k) = sqrt(sum(sum(RegisterSample-TestSample1,k).2); end E Index = sort(Distance); R = Index(1); if R = j m = m+1; end endendRate = m/250;求原点静距子程序function HV_FeatureVector = OriginalStaticMoment(HV_in,B)HV_in = double(HV_in)/255;len,wid = size(HV_in);I = len/B;J = wid/B;HV_FeatureVector = zeros(I,J);for i= 1:I for j = 1:J P = HV_in(i-1)*B+1:i*B,(j-1)*B+1:j*B); M = 0; N = eps; for m = 1:B for n = 1:B if P(m,n) = 1 M = M+sqrt(m2+n2); N = N+1; end end end M0 = M/N; HV_FeatureVector(i,j) = M0; endend