基于引导滤波的指节纹图像增强算法研究

李温温, 刘 富, 姜守坤

(1. 吉林大学 通信工程学院, 长春 130022； 2. 白城师范学院 机械工程学院, 吉林 白城 137000)

0 引 言

指节纹是人手部除指纹外, 纹理比较集中的区域之一, 其丰富的细节信息决定了指节纹可以和指纹一样具有高度的身份区分性, 可用作身份识别的生物特征[1]。在采用指节纹进行身份特征识别时, 由于图像采集于不同日期的不同时间段, 环境光照和噪声都会对指节纹图像质量造成不同程度的影响, 导致采集的图像在质量上差异较大, 影响后续特征提取和识别的准确性。尤其当噪声影响严重时, 指节纹中的一些细小纹理会受到不同程度的影响, 在指节纹特征提取和识别时, 这些细小纹理代表了部分局部特征, 因此细小纹理的缺失和弱化会对特征提取和识别造成影响。

目前基于指节纹识别的研究成果中, 大多在图像预处理时将重点放在ROI(Region Of Interest)提取环节, 而针对纹线特点的图像增强却极少提及。笔者针对指节纹图像中细节纹理较多的特点设计了图像增强算法, 采用梯度图像作为引导图像, 对原图像进行引导滤波, 并进行了边缘锐化, 最后在指背关节纹图像库PolyU Finger-Knuckle-Print Database(http://www.comp.polyu.edu.hk/～biometrics)中进行了验证, 并采用信息熵定量评价增强处理前后的图像中包含的信息量。

1 引导滤波

引导滤波是由He等[2]提出的一种图像预处理算法, 是一种需要引导图的滤波器, 在平滑背景噪声的同时, 具有很好的边缘保持特性, 其输出图像滤波表达式为

q=fguidefilter(p,I,r,ε)

(1)

其中p为输入图像,r为滤波窗口大小,ε是正规化参数,I为引导图像。输入图像看成一个二维函数, 且此函数的输出与引导输入在一个二维窗口中满足线性关系

qi=akIi+bk∀i∈ωk

(2)

其中k为窗口的中心位置,i为窗口中的像素索引,a和b为窗口中线性函数的常系数。对输出图像取梯度, 可得：q=aI, 可见当输入图像有梯度时, 输出图像也会保持梯度, 因此引导滤波在平滑背景的同时对边缘有很好的保持特性。而这种边缘保持性是双边滤波所不具备的, 因为在双边滤波中, 输入和输出图像之间并没有线性相关性。

为求线性系数a和b的最优解, 即使输出与输入图像之间差距最小的线性系数的值, 需引入最小化代价函数, 并使此函数的输出最小

通过线性回归的方法计算a和b的最优解, 可得

在用式(4)和式(5)计算线性系数时, 可能出现一个像素被多个窗口包含的情况, 不同窗口中计算得到的线性系数不同。可通过求平均值的方式求解, 因此输出图像可表示为

2 基于梯度引导的引导滤波方法

对于一幅图像, 细节代表的通常是高频信息, 而为了提取细节和边缘特征, 可通过求取X和Y方向的一阶微分, 得到图像边缘信息

对于指节纹这种线特征明显的图像, 主要关注纹理在X方向上的变化, 因此X方向上的偏微分对线特征的描述优于图像的梯度。对一幅数字图像, 求梯度图像后再与原图像做叠加, 则原图像的边缘可得到明显增强, 轮廓也会得到更清晰的展示。对指节纹图像I, 做梯度叠加：F=I+f,I代表原图像,F代表叠加梯度以后的图像, 随后将F作为引导图像对原图像进行滤波。

笔者提出的梯度引导滤波操作对图像质量的改进主要包括： 细节纹理的增强、 背景的平滑及灰度的均衡。与用图像本身作为引导图像相比, 笔者提出的引导滤波方法, 能更好地保留细节, 平滑背景, 更有利于后续的特征提取。

3 指节纹图像预处理

对指节纹ROI图像, 首先经过形态学滤波, 可滤除脉冲噪声, 同时也可保护边缘信息和纹理信息, 但对于纹理特征提取, 图像的对比度较低, 并存在光照不均的现象[3]。因此需经过图像增强提高对比度, 锐化纹理信息, 同时弱化噪声的影响, 便于进行纹理特征提取[4]。指节纹图像增强的步骤如下。

1) 对ROI图像提取Y方向的梯度图, 并将提取图像与原图像叠加作为引导滤波的引导图像。

2) 对原图像进行引导滤波, 降噪处理, 平滑背景, 保留细节。

3) 引导滤波在平滑去噪的同时, 会造成不同程度的细节模糊, 因此需要采用边缘锐化的操作, 笔者采用拉普拉斯锐化指节纹细节纹理。8邻域拉普拉斯算子梯度表达式为

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)计算, 可得锐化后的图像

通过增强处理, 可提高算法对噪声和离散点的鲁棒性, 增强图像的灰度突变处(尤其是细节处)的对比度, 使指节纹中的细小纹路增强, 变得更清晰, 并平滑了图像的背景[5,6]。指背关节纹图像增强结果如图1所示。由图1可见, 引导滤波在平滑背景噪声的同时, 提高了图像对比度, 更加突出了纹理特征, 而经过边缘锐化, 则进一步清晰了纹理, 尤其是细小纹理, 在原图像中由于光照不均造成的一些细小纹理的缺失在预处理后也得到了增强。

a 原图像 b 引导滤波图像 c 边缘锐化后的图像图1 指节纹图像增强结果示意图Fig.1 Enhancement result of finger knuckle print image

4 实验结果

为定量评价笔者提出的图像增强算法的性能, 引入客观评价的定量计算方法。常用的图像增强定量评价的参数主要有： 局部方差比、 信息熵、 边缘保护指数EPI(Edge Preservation Index)等。笔者采用信息熵评价图像增强的质量[7]。

信息熵表示了图像中包含信息量的多少, 该值越大, 说明图像中包含的信息量越多； 反之, 信息量越少。对于不同条件下采集的指节纹图像, 由于光照的影响, 得到的ROI图像有较大的差异, 因此图像增强的结果也需要一个定量的评价指标[8]。当信息熵较大时, 说明图像增强算法可使原图像中的纹理细节得到较大程度的保留, 细节更清晰。笔者在公开的指节纹数据库中选取了两组不同手指的指节纹图像, 每组包括3张在不同环境条件下采集的图像[9]。图2和图3分别为两手指在不同时间段采集的指节纹图像及对应的增强结果。

图2 第1组指节纹及增强处理后的图像Fig.2 The first set of finger knuckle print and enhancement results of image

图3 第2组指节纹及增强处理后的图像Fig.3 The second set of finger knuckle print and enhancement results of image

表1为图2所示图像的信息熵。从实验结果可看出, 增强处理后的图像较原图像能保留更多的细节特征, 因此说明本方法更适用于指节纹这种细节纹理较多的图像。为进一步验证图像增强算法对于图像质量的提高效果, 笔者进一步随机选取了指节纹数据库中的100幅图像进行图像预处理, 计算了图像增强前后的图像信息熵并进行对比, 结果如图4所示。由图4可见, 所有图像在增强前后的信息熵都有不同程度的增加。

表1 图像增强前后的信息熵

图4 100幅图像增强前后信息熵Fig.4 Information entropy of 100 images before and after the enhancement

5 结 语

笔者针对基于指节纹的身份识别过程中, 指节纹细小纹理容易受到采集环境影响的问题, 设计了一种指节纹图像增强算法。采用梯度作为引导图像进行引导滤波, 可在平滑背景噪声的同时, 保留更多的细节特征。最后通过图像信息熵对图像质量进行定量评价, 证明了笔者提出的图像增强简单有效, 适用于指节纹图像的预处理过程。在今后的研究工作中, 将继续研究高效的特征提取方法, 并将笔者的算法应用在手掌指节纹识别研究中, 进一步优化, 并通过识别准确率验证增强算法的有效性, 形成手掌指节纹和全手特征的生物特征识别的系列性研究成果。