張鳳春, 于思瑤, 郭樹旭

(吉林大學(xué) 電子科學(xué)與工程學(xué)院, 長春 130012)

手指靜脈識別技術(shù)由于其具有活體識別、 不可模仿、 非接觸式、 識別迅速、 受環(huán)境干擾小等優(yōu)勢[1], 而成為一種尖端認(rèn)證技術(shù)[2]. 但由于設(shè)備的限制[3], 獲得的手指靜脈圖片通常含有大量的噪聲和陰影[4], 所以低質(zhì)量指靜脈圖片的預(yù)處理已成為靜脈識別過程的關(guān)鍵.

在圖像去噪中, 既要使圖像平滑又要盡可能地保持邊緣細(xì)節(jié). 傳統(tǒng)的去噪方法在降低噪聲的同時會產(chǎn)生圖像邊界的模糊, 而圖像的大部分信息存在于邊緣和輪廓部分. 目前, 基于偏微分方程(PDE)的圖像處理方法在該領(lǐng)域得到了廣泛重視[5], 因為它在平滑噪聲的同時可以使邊緣得到保持[6]. PDE算法將圖像作為一個連續(xù)模型, 本質(zhì)是將圖像估計轉(zhuǎn)化為一個隨時間演化的問題, 演化方程的穩(wěn)態(tài)解即為圖像處理的理想結(jié)果. 基于PDE方法去噪最典型的是P-M模型[7], 它是一種保持邊界的非線性擴散方程, 不但能很好地抑制噪聲, 而且能很好保留圖像的邊緣和紋理特征. 但由于P-M模型的擴散方式是由擴散函數(shù)控制的, 導(dǎo)致其在去噪和保持邊界的微小細(xì)節(jié)上處理效果仍不很理想, 迭代過程會導(dǎo)致“階梯效應(yīng)”的產(chǎn)生[8]. 因此, 本文針對指靜脈圖像的特殊性提出一種新的擴散函數(shù), 并改進了P-M原模型的結(jié)構(gòu), 使指靜脈圖像的去噪效果有較大提高.

1 尺寸和灰度的歸一化

在對圖像進行處理前, 需要將指靜脈圖像標(biāo)準(zhǔn)化, 這里包括尺寸歸一化和灰度歸一化[9].

通常采集到的指靜脈圖片尺寸大小和灰度分布并不統(tǒng)一, 需要先進行尺寸和灰度的歸一化處理. 尺寸歸一化實際上是一種圖像的幾何變換, 一般采用進行反方向映射的方法. 即按照設(shè)定的縮放比例確定目標(biāo)像素對應(yīng)的原像素, 這樣可以保證整個目標(biāo)圖像沒有空像素. 但圖像縮放會帶來誤差, 即映射原像素的地址可能為分?jǐn)?shù), 需要應(yīng)用灰度插值. 本文采用雙線性插值方法進行尺寸歸一化.

假設(shè)圖像x軸的縮放比例為rx,y軸的縮放比例為ry, 原圖中點(x0,y0)對應(yīng)于新圖像中的點(x1,y1). 則對應(yīng)運算為

(1)

灰度歸一化采用線性灰度調(diào)整的方法, 將灰度范圍[G1,G2]對應(yīng)到[0,255]范圍內(nèi), 得到均勻分布的圖像u(i,j),

(2)

其中:u′(i,j)為原始灰度值;u(i,j)為變換后的灰度值.

2 PDE去噪

2.1 P-M模型簡介

設(shè)u0(x,y)為原始圖像灰度, 引入時間變量t, 圖像的變化可用如下偏微分方程表示：

(3)

其中:u(x,y,t)為變化過程中的圖像;F為一個算子, 通常依賴于圖像及其空間的導(dǎo)數(shù).

Perona等[7]將常數(shù)擴散系數(shù)修改為擴散函數(shù), 提出了能保持邊界的異向擴散方程P-M模型. 由如下偏微分方程可得到一組逐漸平滑的圖像u(x,y,t)：

(4)

其中: ▽u是梯度幅值; 擴散函數(shù)c(s)規(guī)定了擴散的程度. Perona等[7]給出了兩個擴散函數(shù)：

(5)

其中: 常數(shù)K為閾值, 可預(yù)先設(shè)定, 也可隨著圖像每次迭代的結(jié)果變化而改變, 它和噪聲的方差有關(guān);c(s)PM1為Cauchy函數(shù);c(s)PM2為Gauss函數(shù).

理想的擴散函數(shù)應(yīng)使各向異性擴散在灰度變化平緩區(qū)域快速擴散, 而在灰度變化急劇區(qū)域低速甚至不擴散, 這要根據(jù)不同圖片的情況而定. P-M模型中的邊緣和細(xì)節(jié)保持效果不很理想, 在迭代次數(shù)多的情況下, 會模糊邊緣, 甚至產(chǎn)生“階梯效應(yīng)”. 這是因為擴散函數(shù)c(s)在邊緣部分會趨于0, 但不能達(dá)到0, 所以盡管圖像邊緣梯度很大, 但由于c(s)≠0, 仍會受到鄰域像素的影響[10-11]. 雖然影響較小, 但經(jīng)過多次迭代后被放大, 導(dǎo)致邊緣的破壞.

2.2 新的PDE去噪模型

本文提出一種新的PDE去噪模型, 通過選取不同于傳統(tǒng)的擴散函數(shù), 達(dá)到更好的去噪效果. 改進擴散函數(shù)c(s)為：

(6)

其中K,a均為常數(shù), 可根據(jù)具體圖片的噪聲情況進行調(diào)節(jié).

圖1 擴散分布函數(shù)示意圖
Fig.1 Sketch map of diffusion distribution functions

圖1為3個擴散函數(shù)的示意圖. 由圖1可見, 新的擴散函數(shù)在梯度較小處c(s)接近于1, 趨近于0的速度比Cauchy函數(shù)和Gauss函數(shù)都要慢很多. 可以實現(xiàn)在圖像平滑區(qū)域平滑程度變大, 使平滑次數(shù)減少, 提高了運算效率. 在梯度大于閾值之處c(s)=0, 避免了因為c(s)趨于0而不等于0導(dǎo)致多次迭代而產(chǎn)生的邊緣模糊甚至破壞.c(s)=0無擴散, 實現(xiàn)了保持邊緣的目的. 閾值K的選擇依據(jù)圖像的噪聲情況變化.

由于P-M模型在去噪和保持邊界的微小細(xì)節(jié)方面處理效果仍不很理想, 迭代過程會導(dǎo)致“階梯效應(yīng)”的產(chǎn)生. 為了降低“階梯效應(yīng)”的影響, You等[12]提出了四階偏微分方程, 相應(yīng)的Euler方程為

-▽2[g(▽2u)▽2u]=0,

(7)

由文獻(xiàn)[13-14]并結(jié)合P-M模型和四階Yu-Li模型可得最后的綜合模型為

▽u)+(1-h)▽2[cPM1(▽2u)▽2u],

(8)

這里權(quán)重系數(shù)h∈[0,1], 將P-M改進模型和四階Yu-Li模型緊密相聯(lián).

用最陡下降法, 結(jié)合初值條件可得:

(9)

并按文獻(xiàn)[6]提出的數(shù)值計算方法進行計算.

3 實驗結(jié)果及分析

本文提出的算法在MATLAB R2010a平臺上進行了驗證, 成功地對合成圖像和真實指靜脈圖像進行了去噪.

3.1 合成圖像去噪

以合成圖像為例, 驗證本文提出的新算法. 為了說明閾值K在本文算法中所起的作用, 做第一組實驗如圖2所示(圖標(biāo)后括號內(nèi)的數(shù)據(jù)為信噪比(SNR)值). 在圖2中加入了均值為0、 方差為15的Gauss白噪聲, 設(shè)定迭代10次. 最優(yōu)參數(shù)為擴散函數(shù)PM1和PM2的閾值15, 擴散函數(shù)NEW的閾值為45. 由圖2可見, 擴散函數(shù)為PM1和PM2的模型去噪“階梯效應(yīng)”非常明顯, 而且由于噪聲嚴(yán)重, 去噪的結(jié)果使圓點模糊甚至變形. 而本文提出的新模型能較好保證圓點輪廓, 且背景“階梯效應(yīng)”相對不明顯. 從SNR值也可看出, 本文提出的新模型與原始的擴散模型相比提高了2 dB.

圖2 加入方差為15的合成圖像去噪效果對比結(jié)果
Fig.2 Synthesis image denosing at a noise variance of 15

為了驗證本文算法相對于傳統(tǒng)算法的優(yōu)勢, 進行去噪算法對比實驗如圖3所示. 將本文提出的算法與均值濾波(圖3中采用3×3模板)、 Gauss濾波和TV去噪模型進行對比. 由圖3可見, 均值濾波和Gauss濾波無法很好地對合成圖像進行去噪, 這兩種方法都使每個圓點模糊, 且噪聲依然嚴(yán)重. 而TV去噪效果較好, 但在保持圓點輪廓方面本文算法略好. 計算TV去噪和本文提出新模型去噪后的圖片SNR值, 分別為23.126 5 dB和25.370 1 dB, TV去噪的SNR值略低于本文模型的SNR值.

3.2 靜脈圖像的預(yù)處理

以真實指靜脈圖像為例, 取閾值K=15, 各種算法均迭代10次, 效果如圖4所示, 相應(yīng)的SNR值列于表1.

方法原圖像1原圖像2PM117.819 519.922 4PM218.072 020.054 6NEW23.006 724.770 6綜合模型23.336 5(h=0.8)25.470 6(h=0.8)

由圖4可見, P-M模型處理的圖像在消除噪聲方面相對特征破壞較少, 但靜脈的邊界相對模糊, 這里僅迭代了10次, 如果更多次迭代邊緣將被破壞. 使用新擴散系數(shù)的圖像可在邊緣處完全停止擴散, 從而避免因多次迭代產(chǎn)生的邊界模糊. 它與傳統(tǒng)P-M模型給出的系數(shù)分布函數(shù)所得結(jié)果相比, 能更好地保留手指靜脈圖像特征, 保留更多的指靜脈邊緣信息, 且指紋明顯被去除. 由信噪比值可見, 本文提出的新擴散函數(shù)能提高近5 dB, 且運用新擴散函數(shù)的綜合模型SNR值也有提高.

綜上所述, 本文探討了如何應(yīng)用偏微分方程方法對指靜脈圖片進行預(yù)處理, 并結(jié)合指靜脈特點提出了一種基于P-M模型的新算法. 通過合成圖像和真實指靜脈圖像實驗驗證, 本文提出的新算法能在有效去除噪聲的同時保持圖像的邊緣, 且SNR值提高約5 dB. 實驗對比表明, 本文算法去噪效果優(yōu)于經(jīng)典的P-M模型和TV模型.

[1] LI Tie-gang. Research on Algorithm of Vein Recognition [D]: [Ph D Thesis]. Changchun: Jilin University, 2007. (李鐵剛. 靜脈識別算法研究 [D]: [博士學(xué)位論文]. 長春: 吉林大學(xué), 2007.)

[2] Hashimoto J. Finger Vein Authentication Technology and Its Future [C]//IEEE Symposium on VLSI Circuits. New York: IEEE Press, 2006: 5-8.

[3] DONG Yan, PENG Qi, LI Jian-zhi, et al. Area-CCD Image Acquisition System Based on Camera Link Protocol [J]. Journal of Jilin University: Information Science Edition, 2010, 28(4): 372-377. (董琰, 彭琦, 李健志, 等. 基于Camera Link協(xié)議的CCD圖像采集系統(tǒng) [J]. 吉林大學(xué)學(xué)報: 信息科學(xué)版, 2010, 28(4): 372-377.)

[4] WEN Xue-bing, ZHAO Jiang-wei, LIANG Xue-zhang. Image Enhancement of Finger-Vein Patterns Based on Wavelet Denoising and Histogram Template Equalization [J]. Journal of Jilin University: Science Edition, 2008, 46(2): 291-292. (溫學(xué)兵, 趙江魏, 梁學(xué)章. 基于小波去噪和直方圖模板均衡化的手指靜脈圖像增強 [J]. 吉林大學(xué)學(xué)報: 理學(xué)版, 2008, 46(2): 291-292.)

[5] LIU Qiang, YIN Jing-xue, LI Xiao-feng, et al. Non-local Diffusion Model to Remove Multiplicative Noises [J]. Journal of Jilin University: Engineering and Technology Edition, 2009, 39(6): 1646-1648. (劉強, 尹景學(xué), 李曉峰, 等. 去除乘性噪聲的非局部擴散模型 [J]. 吉林大學(xué)學(xué)報: 工學(xué)版, 2009, 39(6): 1646-1648.)

[6] ZHANG Jun, WEI Zhi-hui. Fractional-Order Multi-scale Variation PDE Model and Adaptive Algorithm for SAR Image Denoising [J]. Journal of Electronics and Information Technology, 2010, 32(7)： 1654-1659. (張軍, 韋志輝. SAR圖像去噪的分?jǐn)?shù)階多尺度變分PDE模型及自適應(yīng)算法 [J]. 電子與信息學(xué)報, 2010, 32(7)： 1654-1659.)

[7] Perona P, Malik J. Scale-Space and Edge Detection Using Anisotropic Diffusion [J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 1990, 12(7): 629-639.

[8] CHEN Li-xia. Study on Image Restoration Models Based on PDE and Image Enhancement and Segmentation Algrithms [D]: [Ph D Thesis]. Xi’an: Xidian University, 2010. (陳利霞. 基于PDE的圖像恢復(fù)模型和圖像增強與分割算法研究 [D]: [博士學(xué)位論文]. 西安: 西安電子科技大學(xué), 2010.)

[9] QIN Hua-feng. Study on Finger Vein Recognition Methods [D]: [Master’s Degree Thesis]. Chongqing: Chongqing University of Technology, 2009. (秦華鋒. 手指靜脈識別技術(shù)研究 [D]: [碩士學(xué)位論文]. 重慶: 重慶理工大學(xué), 2009.)

[10] HAN Xi-zhen, CHEN Chao-dong, ZHAO Jian. Nonlinear Image De-noising and Enhancement Based on PDE [J]. Chinese Journal of Liquid Crystals and Displays, 2011, 26(1): 111-115. (韓希珍, 陳朝東, 趙建. 基于PDE的非線性圖像去噪與增強 [J]. 液晶與顯示, 2011, 26(1): 111-115.)

[11] ZHOU Hai-zao. The Usability Analysis of Several Image Denoising Methods Based on PDEs [D]: [Master’s Degree Thesis]. Changchun: Jilin University, 2009. (周海早. 幾種基于PDEs的圖像去噪方法實用性分析 [D]: [碩士學(xué)位論文]. 長春: 吉林大學(xué), 2009.)

[12] YOU Yu-li, Kaveh M. Blind Image Restoration by Anisotropic Regularization [J]. IEEE Transactions on Image Processing, 1999, 8(3): 396-407.

[13] ZHANG Feng-chun, GUO Shu-xu, QIAN Xiao-hua. Segmentation for Finger Vein Image Based on PDEs Denoising [C]//2010 3rd International Conference on Biomedical Engineering and Informatics. New York: IEEE Press, 2010: 531-535.

[14] DU Hong-wei. Combined Model for Image Denoising Based on Partial Differential Equations [J]. Computer Engineering and Applications, 2008, 44(20): 198-201. (杜宏偉. 基于偏微分方程的圖像去噪綜合模型 [J]. 計算機工程與應(yīng)用, 2008, 44(20)： 198-201.)