《基于单尺度retinex的可控手指静脉图像拼接算法》由会员分享，可在线阅读，更多相关《基于单尺度retinex的可控手指静脉图像拼接算法（11页珍藏版）》请在金锄头文库上搜索。
1、基于单尺度 Retinex 的可控手指静脉图像拼接算法 林剑 钟舜聪 福州大学机械工程及自动化学院光学/太赫兹及无损检测实验室 上海大学机电工程及自动化学院 摘 要： 本文针对小型化图像采集模块所采集的两幅同源且具有重叠部分的手指静脉图像, 提出一种基于单尺度 Retinex 的可控手指静脉图像拼接算法。通过改进的单尺度 Retinex 算法对手指静脉图像进行增强, 采用 SIFT 算法提取增强后的两幅手指静脉图像特征点, 使用欧式距离作为相似性度量工具对特征点进行粗匹配, 用 RANSAC 算法估算图像间的单应矩阵, 同时结合本文的透视变换图像轮廓顶点的约束条件控制图像拼接结果, 最后采用像
2、素加权平均融合算法实现手指静脉图像的无缝拼接。实验结果表明, 该图像拼接算法拼接可控, 视觉效果良好, 适用于手指静脉图像拼接。关键词： 手指静脉识别; 图像拼接; 尺度不变特征转换; 图像增强; 单尺度 Retinex; 作者简介：钟舜聪, 教授, 主要研究方向为光学、太赫兹及无损检测。邮箱:收稿日期：2017-02-23基金：国家自然科学基金资助项目 (51005077) Controllable Finger Vein Images Mosaic Algorithm Based on Single-Scale RetinexLIN Jian ZHONG Shuncong Laborato
3、ry of Optics, Terahertz and Non-destructive Testing & Evaluation, School of Mechanical Engineering and Automation, Fuzhou University; Abstract： A controllable mosaic algorithm based on single-scale Retinex was proposed for two partially overlapping finger vein images from small image acquisition mod
4、ule. Firstly, finger vein images were enhanced by a modified single-scale Retinex. Subsequently, the feature points from two finger vein images were extracted and descripted by SIFT algorithm. Rough matched feature points were obtained by similarity measure with Euclidean distance. RANSAC algorithm
5、was employed to eliminate error matched points and the homography matrix between two finger vein images was estimated. Meanwhile, constraints of the perspectively transformed image contour vertices were set to control the results of the image mosaic. Two finger vein images were stitched together and
6、 a weighted average fusion algorithm was used for seam elimination. The result of finger vein images mosaic can be controlled through constraints of the perspectively transformed image contour vertices. Experimental results demostrate that this algorithm is controllable, and suitable for finger vein
7、 images mosaic.Keyword： finger vein recognition; images mosaic; scale-invariant feature transform (SIFT) ; image enhancement; single-scale Retinex; Received： 2017-02-23引言手指静脉识别是利用人的手指静脉特征实现身份认证的一种生物识别技术, 该技术因具有活体识别、高安全性、易使用等特点, 受到越来越多研究学者的关注。该技术已经逐步应用于楼宇门禁、银行、ATM 机、PC 登入、汽车安全等领域1。国内外对于手指静脉识别技术的研究主要包
8、括:手指静脉图像采集系统2、手指静脉图像去噪和增强3-4、手指静脉图像分割5-8、手指静脉特征提取与匹配9-12和手指静脉与指纹结合的双模态识别13等。从公开的文献可知, 为了获得携带更多手指静脉信息的手指静脉图像, 手指静脉图像采集模块尺寸一般都比较大。目前, 指纹认证技术已经成功应用于手机等小型设备中, 因此, 手指静脉认证模块的小型化也将会是一个趋势。若将手指静脉图像采集模块小型化, 则其只能采集到部分的手指静脉图像, 无法获得足够的手指静脉信息。图像拼接技术简而言之是将存在重叠部分的图像序列融合为一幅新图像, 其过程主要有:图像预处理、图像配准和图像融合14。图像拼接技术已经广泛应用于
9、摄影测量学、计算机视觉、遥感图像处理、医学图像分析、计算机图形等领域15。针对小型化手指静脉图像采集模块所存在的无法获得较为完整的手指静脉信息的问题, 本文通过图像拼接技术来解决, 一方面可以实现手指静脉图像采集设备小型化, 另一方面保证了具有足够的手指静脉信息来提高识别精度及可靠性。目前的图像拼接算法大致可分为:基于模型的方法16、基于变换域的方法17、基于灰度相关的方法18和基于特征的方法19-20。与前 3 类图像拼接方法相比, 基于特征的方法具有计算量小、速度快的特点, 对于图像的畸变、噪声等具有一定的鲁棒性15。近几年, 尺度不变特征变换算子21 (Scale-Invariant F
10、eature Transform, SIFT) 因其具有尺度不变性、旋转不变性而受到许多研究学者的青睐, 该算子为局部特征描述算子, 由 David Lowe于 1999 年提出, 并在 2004 年进行了完善和总结, 其对于图像的旋转、平移、图像形变等都具有较好的适应能力, 是一种比较好的特征点提取算子19, 因此成为了图像配准领域的研究热点14。本文采用图像拼接技术对两幅同源且具有重叠部分的手指静脉图像进行拼接。首先, 通过改进的单尺度 Retinex 算法对手指静脉图像进行增强, 采用 SIFT 算子提取增强后的两幅手指静脉图像特征点, 然后使用欧式距离作为相似性度量工具对特征点进行粗匹
11、配, 接着用 RANSAC 算法估算图像间的单应矩阵, 同时结合本文的透视变换图像轮廓顶点的约束条件控制图像拼接结果, 最后采用像素加权平均融合算法消除图像拼接缝, 实现手指静脉图像的无缝拼接。实验结果表明, 该图像拼接算法拼接效果良好可控, 适用于手指静脉图像拼接。1 手指静脉图像拼接理论及其算法对两幅具有重叠部分的手指静脉图像进行拼接, 关键是对两幅手指静脉图像进行图像配准, 寻找两幅图像间的最优变换矩阵, 然后通过图像融合算法, 实现手指静脉图像的无缝拼接。近红外光下所采集的手指静脉图像通常具有以下特点: (1) 图像局部区域静脉与背景的对比度低; (2) 手指关节连接处, 图像灰度值大
12、, 关节两侧灰度值小; (3) 手指中不同厚度的骨骼和肌肉组织, 在近红外线透射下得到的图像会产生阴影1。因此, 在采集手指静脉图像过程中, 可能出现一些图像对比度不高、图像模糊等情况, 不利于后续相应手指静脉图像特征点的提取。因此, 本研究在手指静脉图像拼接之前, 先对其进行图像增强处理, 以获取更多细节信息, 然后通过增强后的两幅手指静脉图像寻找图像间的最优变换矩阵, 最后实现原图像的拼接。1.1 图像增强Retinex 理论22是由 Land 提出, 根据该理论可将一幅图像看作是由反应环境照射光线的入射分量和携带物体本质特征的反射分量组成, 其数学表达式为:其中, S (x, y) 为原
13、始图像;L (x, y) 代表环境照射光线的入射分量;R (x, y) 代表反映物体本质的反射分量。根据 Retinex 理论, 单尺度 Retinex 算法23-26是将图像置于对数域中进行处理, 即对式 (1) 两边同时取对数, 其数学表达式为:其中, R (x, y) 为输出图像, E (x, y) 被称为环境函数, 需具有低通特性, 通过与原图像卷积运算估计入射分量 L (x, y) 。由式 (2) 可知, Retinex 理论的关键步骤为入射分量的估计, 去除原始图像入射分量, 即可得到携带物体本质特征的图像 R (x, y) 。为了简化计算, 提高图像处理速度, 本文借鉴文献27的
14、处理方法, 将式 (2) 、式 (3) 简化为:1.2 基于特征点的图像配准算法图像配准是将不同条件下获取的两幅或多幅图像进行匹配、叠加的图像处理过程, 即寻找一种最优的空间映射关系, 使得图像间相同的特征点具有一一对应的关系。其过程一般包括以下 3 个步骤:(1) 特征点的提取。本研究采用 SIFT 算子提取经图像增强处理后的手指静脉图像特征点, 得到两幅图像的 SIFT 特征向量。SIFT 特征点提取算法31-33的主要思想是: (1) 在高斯差分金字塔尺度空间提取极值点作为特征点, 并确定特征点的位置和所处的尺度; (2) 使用特征点邻域梯度的主方向作为该特征点的方向, 以实现算子对尺度
15、和方向的无关性; (3) 用 128 维的归一化 SIFT 特征向量来描述每个特征点。此时的 SIFT 特征向量已经具有尺度不变性、旋转不变性等特性。(2) 特征点的粗匹配。通过 SIFT 算法提取特征点, 采用特征向量的欧式距离作为相似性判定度量工具对两幅图像中特征点进行粗匹配。首先, 取其中一幅图像的某个特征点, 然后找出另一幅图像中与其欧式距离最近的前两个特征点, 在这两个特征中, 如果最近的距离与次近的距离的比值小于阈值, 则接受这一对匹配点。该阈值越低, 得到的匹配点对越少。(3) 特征点的精匹配及单应矩阵的生成。计算单应矩阵 H, 即求一个平面的特征点到另外一个平面的最优变换矩阵。
16、此过程将结合 RANSAC 算法28, 剔除粗匹配中存在的错误匹配点对, 从而得到精匹配点对。对于同一视点拍摄的序列图像, 相邻两幅图像间的变换关系可以采用如下的 8 参数模型来描述29:其中, m i (i=0, 1, 7) 为投影变换参数, (x, y, 1) 和 (x, y, 1) 分别为两幅待拼接图像对应点坐标。由式 (5) 可知, H 为包含 8 个自由度的 33方阵, 只需由两平面中的 4 对匹配点方可计算得出。传统的单应矩阵生成的具体过程为: (1) 从粗匹配点对中随机抽取 4 对, 将其作为初始内点计算单应矩阵; (2) 用剩下的点对拟合初始单应矩阵, 并计算匹配点对间的几何距离之和, 若距离之和小于设定的阈值, 则添加到内点集中, 否则作为外点舍弃; (3) 重复步骤 (1) 、 (2) , 直至达到迭代次数, 内点集不再扩充, 选取内点数最多的点集作为正确的匹配点对,
