[发明专利]基于纹理特征和双核函数的手指静脉图像NLM去噪方法

说明书

本发明公开了一种基于纹理特征和双核函数的手指静脉图像NLM去噪方法。本发明首先使用平滑系数较小的NLM算法针对背景区域噪声作粗去噪处理；然后编码获得GTFM对传统NLM算法的图像块权重值进行修正，使用Gabor纹理相似度与灰度值欧式距离共同判断图像块之间的相似性；其次提出巴特沃兹余弦双核函数针对图像的静脉纹理结构区域作精去噪处理；本发明采用的去噪算法相比传统NLM算法以及改进的NLM算法去噪后的图像质量更高，尤其是对静脉纹理边缘信息的保护能力得到了提高，并且后续图像的静脉骨架特征提取更加稳定。因此，基于Gabor纹理特征和BC双核函数的手指静脉图像NLM去噪算法是一种对手指静脉图像去噪效果较好的指静脉去噪算法。

技术领域

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

随着时代的发展，生物特征识别技术凭借其安全唯一稳定的优势慢慢地为大众所接受，各类生物识别算法在各行各业内的应用也渐进流行。在众多的生物特征中，静脉特征由于其独特的优势，越发被研究人员所重视。虽然手指静脉识别技术具有众多的优点，但是其识别性能严重依赖于采集图像的质量高低，在其实际应用过程中，采集设备成像和传输时的各类噪声、光照强度的变换以及开放式使用场景下采集设备镜面玻璃上的脏污，被采集用户手指皮肤上存在脏污或者蜕皮情况等，这些因素都会对采集图像的质量产生极大的影响，图像质量得不到保证。因此，对静脉图像进行去噪处理是提高后续特征质量以及匹配性能的重要步骤。

屈正庚等人提出一种改进的自适应加权中值滤波算法，根据灰度相似性为邻近像素赋予权值，使用加权后的中值对噪点进行替换，在去除噪声的同时保护图像的细节，但是在衡量相似点相似性时仅仅利用了灰度信息，容易导致去噪后手指静脉边缘模糊。传统的中值滤波算法仅仅利用了局部邻域内的图像信息，并未对全图内的图像信息进行充分地利用。因此Baudes等人提出了NLM算法，其核心思想是利用图像内的冗余信息，对相似点进行加权平均得到去噪后的结果；郭晨龙等人进一步提出了GSSIM算法，提高了图像边缘和细节信息保持的能力；刘翔等人将NLM算法应用于医学CT图像，在使用GSSIM的基础上又采用改进的双核函数替换传统指数函数计算权重值，权值分配更加合理。但上述算法大多针对细节较清晰、边缘信息较强的图像的情况，它们对图像进行去噪过程中均没有考虑到图像的纹理特征信息，当处理手指静脉图像这类纹理边缘比较模糊的图像时，容易导致去噪后整体图像模糊，静脉细节信息的丢失，提高了认假率。

发明内容

对于手指静脉图像中存在噪声影响识别性能，而现有的传统NLM算法容易导致静脉边缘细节模糊等问题，本文发明提供一种基于Gabor纹理特征和BC双核函数的手指静脉图像NLM去噪方法。

本发明所采用的技术方案为包括以下步骤：

步骤S1、获取图像的Gabor纹理特征矩阵的高斯核函数如式(1)：

式(1)是一个通过正弦平面波加窗的高斯核函数，可以拆分如下：

式(2)～(4)中g_re是滤波器实部，g_im是虚部，(x,y)是点的坐标；θ为Gabor滤波的方向角度参数；(x',y')是像素点旋转θ后的坐标；λ为正弦波函数波长；ψ为正弦波函数的相位偏移量；γ为Gabor核函数的空间方向比例，也称为作用域的椭圆率；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。

步骤S2、手指静脉的延伸分布是具有多方向性的，因此需要多个角度的Gabor滤波器对其图像纹理进行提取，方向参数θ决定了滤波器的方向特性，其表示如下：