[发明专利]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

摘要

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系统。

主权项

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。