李溫溫, 劉 富, 姜守坤

(1. 吉林大學(xué) 通信工程學(xué)院, 長(zhǎng)春 130022； 2. 白城師范學(xué)院 機(jī)械工程學(xué)院, 吉林 白城 137000)

0 引 言

指節(jié)紋是人手部除指紋外, 紋理比較集中的區(qū)域之一, 其豐富的細(xì)節(jié)信息決定了指節(jié)紋可以和指紋一樣具有高度的身份區(qū)分性, 可用作身份識(shí)別的生物特征[1]。在采用指節(jié)紋進(jìn)行身份特征識(shí)別時(shí), 由于圖像采集于不同日期的不同時(shí)間段, 環(huán)境光照和噪聲都會(huì)對(duì)指節(jié)紋圖像質(zhì)量造成不同程度的影響, 導(dǎo)致采集的圖像在質(zhì)量上差異較大, 影響后續(xù)特征提取和識(shí)別的準(zhǔn)確性。尤其當(dāng)噪聲影響嚴(yán)重時(shí), 指節(jié)紋中的一些細(xì)小紋理會(huì)受到不同程度的影響, 在指節(jié)紋特征提取和識(shí)別時(shí), 這些細(xì)小紋理代表了部分局部特征, 因此細(xì)小紋理的缺失和弱化會(huì)對(duì)特征提取和識(shí)別造成影響。

目前基于指節(jié)紋識(shí)別的研究成果中, 大多在圖像預(yù)處理時(shí)將重點(diǎn)放在ROI(Region Of Interest)提取環(huán)節(jié), 而針對(duì)紋線特點(diǎn)的圖像增強(qiáng)卻極少提及。筆者針對(duì)指節(jié)紋圖像中細(xì)節(jié)紋理較多的特點(diǎn)設(shè)計(jì)了圖像增強(qiáng)算法, 采用梯度圖像作為引導(dǎo)圖像, 對(duì)原圖像進(jìn)行引導(dǎo)濾波, 并進(jìn)行了邊緣銳化, 最后在指背關(guān)節(jié)紋圖像庫PolyU Finger-Knuckle-Print Database(http://www.comp.polyu.edu.hk/～biometrics)中進(jìn)行了驗(yàn)證, 并采用信息熵定量評(píng)價(jià)增強(qiáng)處理前后的圖像中包含的信息量。

1 引導(dǎo)濾波

引導(dǎo)濾波是由He等[2]提出的一種圖像預(yù)處理算法, 是一種需要引導(dǎo)圖的濾波器, 在平滑背景噪聲的同時(shí), 具有很好的邊緣保持特性, 其輸出圖像濾波表達(dá)式為

q=fguidefilter(p,I,r,ε)

(1)

其中p為輸入圖像,r為濾波窗口大小,ε是正規(guī)化參數(shù),I為引導(dǎo)圖像。輸入圖像看成一個(gè)二維函數(shù), 且此函數(shù)的輸出與引導(dǎo)輸入在一個(gè)二維窗口中滿足線性關(guān)系

qi=akIi+bk?i∈ωk

(2)

其中k為窗口的中心位置,i為窗口中的像素索引,a和b為窗口中線性函數(shù)的常系數(shù)。對(duì)輸出圖像取梯度, 可得：q=aI, 可見當(dāng)輸入圖像有梯度時(shí), 輸出圖像也會(huì)保持梯度, 因此引導(dǎo)濾波在平滑背景的同時(shí)對(duì)邊緣有很好的保持特性。而這種邊緣保持性是雙邊濾波所不具備的, 因?yàn)樵陔p邊濾波中, 輸入和輸出圖像之間并沒有線性相關(guān)性。

為求線性系數(shù)a和b的最優(yōu)解, 即使輸出與輸入圖像之間差距最小的線性系數(shù)的值, 需引入最小化代價(jià)函數(shù), 并使此函數(shù)的輸出最小

通過線性回歸的方法計(jì)算a和b的最優(yōu)解, 可得

在用式(4)和式(5)計(jì)算線性系數(shù)時(shí), 可能出現(xiàn)一個(gè)像素被多個(gè)窗口包含的情況, 不同窗口中計(jì)算得到的線性系數(shù)不同?？赏ㄟ^求平均值的方式求解, 因此輸出圖像可表示為

2 基于梯度引導(dǎo)的引導(dǎo)濾波方法

對(duì)于一幅圖像, 細(xì)節(jié)代表的通常是高頻信息, 而為了提取細(xì)節(jié)和邊緣特征, 可通過求取X和Y方向的一階微分, 得到圖像邊緣信息

對(duì)于指節(jié)紋這種線特征明顯的圖像, 主要關(guān)注紋理在X方向上的變化, 因此X方向上的偏微分對(duì)線特征的描述優(yōu)于圖像的梯度。對(duì)一幅數(shù)字圖像, 求梯度圖像后再與原圖像做疊加, 則原圖像的邊緣可得到明顯增強(qiáng), 輪廓也會(huì)得到更清晰的展示。對(duì)指節(jié)紋圖像I, 做梯度疊加：F=I+f,I代表原圖像,F代表疊加梯度以后的圖像, 隨后將F作為引導(dǎo)圖像對(duì)原圖像進(jìn)行濾波。

筆者提出的梯度引導(dǎo)濾波操作對(duì)圖像質(zhì)量的改進(jìn)主要包括： 細(xì)節(jié)紋理的增強(qiáng)、 背景的平滑及灰度的均衡。與用圖像本身作為引導(dǎo)圖像相比, 筆者提出的引導(dǎo)濾波方法, 能更好地保留細(xì)節(jié), 平滑背景, 更有利于后續(xù)的特征提取。

3 指節(jié)紋圖像預(yù)處理

對(duì)指節(jié)紋ROI圖像, 首先經(jīng)過形態(tài)學(xué)濾波, 可濾除脈沖噪聲, 同時(shí)也可保護(hù)邊緣信息和紋理信息, 但對(duì)于紋理特征提取, 圖像的對(duì)比度較低, 并存在光照不均的現(xiàn)象[3]。因此需經(jīng)過圖像增強(qiáng)提高對(duì)比度, 銳化紋理信息, 同時(shí)弱化噪聲的影響, 便于進(jìn)行紋理特征提取[4]。指節(jié)紋圖像增強(qiáng)的步驟如下。

1) 對(duì)ROI圖像提取Y方向的梯度圖, 并將提取圖像與原圖像疊加作為引導(dǎo)濾波的引導(dǎo)圖像。

2) 對(duì)原圖像進(jìn)行引導(dǎo)濾波, 降噪處理, 平滑背景, 保留細(xì)節(jié)。

3) 引導(dǎo)濾波在平滑去噪的同時(shí), 會(huì)造成不同程度的細(xì)節(jié)模糊, 因此需要采用邊緣銳化的操作, 筆者采用拉普拉斯銳化指節(jié)紋細(xì)節(jié)紋理。8鄰域拉普拉斯算子梯度表達(dá)式為

2f=8f(x,y)-f(x-1,y-1)-f(x-1,y)-f(x-1,y+1)-f(x,y-1)-

f(x,y+1)-f(x+1,y-1)-f(x+1,y)-f(x+1,y+1)

(8)

按照式(8)計(jì)算, 可得銳化后的圖像

通過增強(qiáng)處理, 可提高算法對(duì)噪聲和離散點(diǎn)的魯棒性, 增強(qiáng)圖像的灰度突變處(尤其是細(xì)節(jié)處)的對(duì)比度, 使指節(jié)紋中的細(xì)小紋路增強(qiáng), 變得更清晰, 并平滑了圖像的背景[5,6]。指背關(guān)節(jié)紋圖像增強(qiáng)結(jié)果如圖1所示。由圖1可見, 引導(dǎo)濾波在平滑背景噪聲的同時(shí), 提高了圖像對(duì)比度, 更加突出了紋理特征, 而經(jīng)過邊緣銳化, 則進(jìn)一步清晰了紋理, 尤其是細(xì)小紋理, 在原圖像中由于光照不均造成的一些細(xì)小紋理的缺失在預(yù)處理后也得到了增強(qiáng)。

a 原圖像 b 引導(dǎo)濾波圖像 c 邊緣銳化后的圖像圖1 指節(jié)紋圖像增強(qiáng)結(jié)果示意圖Fig.1 Enhancement result of finger knuckle print image

4 實(shí)驗(yàn)結(jié)果

為定量評(píng)價(jià)筆者提出的圖像增強(qiáng)算法的性能, 引入客觀評(píng)價(jià)的定量計(jì)算方法。常用的圖像增強(qiáng)定量評(píng)價(jià)的參數(shù)主要有： 局部方差比、 信息熵、 邊緣保護(hù)指數(shù)EPI(Edge Preservation Index)等。筆者采用信息熵評(píng)價(jià)圖像增強(qiáng)的質(zhì)量[7]。

信息熵表示了圖像中包含信息量的多少, 該值越大, 說明圖像中包含的信息量越多； 反之, 信息量越少。對(duì)于不同條件下采集的指節(jié)紋圖像, 由于光照的影響, 得到的ROI圖像有較大的差異, 因此圖像增強(qiáng)的結(jié)果也需要一個(gè)定量的評(píng)價(jià)指標(biāo)[8]。當(dāng)信息熵較大時(shí), 說明圖像增強(qiáng)算法可使原圖像中的紋理細(xì)節(jié)得到較大程度的保留, 細(xì)節(jié)更清晰。筆者在公開的指節(jié)紋數(shù)據(jù)庫中選取了兩組不同手指的指節(jié)紋圖像, 每組包括3張?jiān)诓煌h(huán)境條件下采集的圖像[9]。圖2和圖3分別為兩手指在不同時(shí)間段采集的指節(jié)紋圖像及對(duì)應(yīng)的增強(qiáng)結(jié)果。

圖2 第1組指節(jié)紋及增強(qiáng)處理后的圖像Fig.2 The first set of finger knuckle print and enhancement results of image

圖3 第2組指節(jié)紋及增強(qiáng)處理后的圖像Fig.3 The second set of finger knuckle print and enhancement results of image

表1為圖2所示圖像的信息熵。從實(shí)驗(yàn)結(jié)果可看出, 增強(qiáng)處理后的圖像較原圖像能保留更多的細(xì)節(jié)特征, 因此說明本方法更適用于指節(jié)紋這種細(xì)節(jié)紋理較多的圖像。為進(jìn)一步驗(yàn)證圖像增強(qiáng)算法對(duì)于圖像質(zhì)量的提高效果, 筆者進(jìn)一步隨機(jī)選取了指節(jié)紋數(shù)據(jù)庫中的100幅圖像進(jìn)行圖像預(yù)處理, 計(jì)算了圖像增強(qiáng)前后的圖像信息熵并進(jìn)行對(duì)比, 結(jié)果如圖4所示。由圖4可見, 所有圖像在增強(qiáng)前后的信息熵都有不同程度的增加。

表1 圖像增強(qiáng)前后的信息熵

圖4 100幅圖像增強(qiáng)前后信息熵Fig.4 Information entropy of 100 images before and after the enhancement

5 結(jié) 語

筆者針對(duì)基于指節(jié)紋的身份識(shí)別過程中, 指節(jié)紋細(xì)小紋理容易受到采集環(huán)境影響的問題, 設(shè)計(jì)了一種指節(jié)紋圖像增強(qiáng)算法。采用梯度作為引導(dǎo)圖像進(jìn)行引導(dǎo)濾波, 可在平滑背景噪聲的同時(shí), 保留更多的細(xì)節(jié)特征。最后通過圖像信息熵對(duì)圖像質(zhì)量進(jìn)行定量評(píng)價(jià), 證明了筆者提出的圖像增強(qiáng)簡(jiǎn)單有效, 適用于指節(jié)紋圖像的預(yù)處理過程。在今后的研究工作中, 將繼續(xù)研究高效的特征提取方法, 并將筆者的算法應(yīng)用在手掌指節(jié)紋識(shí)別研究中, 進(jìn)一步優(yōu)化, 并通過識(shí)別準(zhǔn)確率驗(yàn)證增強(qiáng)算法的有效性, 形成手掌指節(jié)紋和全手特征的生物特征識(shí)別的系列性研究成果。