基于级联超像素分割的指静脉特征融合方法技术

本发明专利技术公开了一种基于级联超像素分割的指静脉特征融合方法，包括：1)获取指静脉图像ROI区域；2)初始化k0个超像素中心；3)对ROI区域进行迭代超像素分割，得到大尺度的图像块集合P0；4)对P0中的每一个图像块，初始化k1个超像素中心；5)对P0中的每一个图像块进行迭代超像素分割，得到中尺度的图像块集合P1；6)对P1中的每一个图像块，初始化k2个超像素中心；7)对P1中的每一个图像块进行迭代超像素分割，得到小尺度的图像块集合P2；8)对P0、P1、P2中的每一个图像块提取特征，相同集合的特征进行串联，得到集合特征向量，再进行不同集合间的特征向量串联融合，得到指静脉图像的融合特征。本发明专利技术解决了现有技术单一尺度、超像素中心点初始化不合理导致特征信息表达能力不够强的问题。化不合理导致特征信息表达能力不够强的问题。化不合理导致特征信息表达能力不够强的问题。

【技术实现步骤摘要】
基于级联超像素分割的指静脉特征融合方法


[0001]本专利技术涉及指静脉特征提取的
，尤其是指一种基于级联超像素分割的指静脉特征融合方法。

技术介绍

[0002]指静脉识别是一种生物特征识别技术，它通过采集手指内部的静脉分布图像来进行身份识别。目前主流的指静脉特征提取是基于矩形图像块的，但是基于矩形的网格分块只考虑了像素的位置信息，没有考虑到静脉纹路与非静脉纹路的差异性。而基于超像素的指静脉分割将静脉纹路、非静脉纹路分到不同的簇，更好描述指静脉图像的局部一致性，在特征提取取得更好的效果。
[0003]但是，基于超像素分割的指静脉特征提取仍存在着不足。在进行超像素分割的时候，需要手动选定分割的图像块数量，选定的图像块数量影响后续特征提取的性能；初始化超像素中心点时是将以均匀分布在指静脉图像上的像素点为超像素中心，均匀分布并不能准确的反映指静脉纹路的分布情况，导致后续超像素分割不能把静脉纹路及非静脉纹路完全分割到不同图像块；只考虑到超像素分割图像块单一尺度的局部特征，没有考虑不同尺度的特征信息及全局信息。因此，如何对基于超像素分割的指静脉特征提取进行改进是亟待解决的问题。
[0004]综上，专利技术一种基于级联超像素分割的指静脉特征融合方法，具有较高实际应用价值。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于级联超像素分割的指静脉特征融合方法，设计超像素分割的级联结构获取由大尺度分割图像块到到小尺度分割图像块不同尺度的特征信息，提出一种新的超像素中心点初始化方法，从而使得超像素分割图像块分布更合理，最后再对不同尺度的特征信息进行融合，实现指静脉图像的特征提取，解决了当前指静脉SLIC分割算法单一尺度、超像素中心点初始化不合理导致提取的特征信息表达能力不够强的问题。
[0006]为实现上述目的，本专利技术所提供的技术方案为：基于级联超像素分割的指静脉特征融合方法，包括以下步骤：
[0007]1)获取指静脉图像，对图像进行边缘检测，拟合中线进而旋转矫正，得到ROI区域，对ROI区域进行尺寸归一化和灰度归一化得到ROI图像；
[0008]2)在步骤1)得到的ROI图像上选取k0个像素点作为初始化的k0个超像素中心；
[0009]3)根据步骤2)初始化的超像素中心，使用SLIC算法对ROI图像进行迭代超像素分割，得到超像素分割的大尺度的图像块集合P0；
[0010]4)对步骤3)获取的图像块集合P0中的每一个图像块，选取图像块上k1个像素点作为初始化的k1个超像素中心；
[0011]5)根据步骤4)初始化的超像素中心，使用SLIC算法对图像块集合P0中的每一个图像块进行迭代超像素分割，得到超像素分割的中尺度的图像块集合P1；
[0012]6)对步骤5)获取的图像块集合P1中的每一个图像块，选取图像块上k2个像素点作为初始化的k2个超像素中心；
[0013]7)根据步骤6)初始化的超像素中心，使用SLIC算法对图像块集合P1中的每一个图像块进行迭代超像素分割，得到超像素分割的小尺度的图像块集合P2；
[0014]8)分别对P0、P1、P2中的每一个图像块提取特征，相同集合的特征进行串联，得到集合特征向量，再进行不同集合间的特征向量串联融合，得到指静脉图像的融合特征。
[0015]进一步，在步骤2)中，选取k0个像素点作为初始化的k0个超像素中心，具体步骤如下：
[0016]2.1)以ROI图像左上角点为坐标原点，以水平向右为x轴，以垂直向下为y轴，建立坐标系，随机选定ROI图像的一个点为超像素中心点，初始化i＝1；
[0017]2.2)超像素中心点集合为S，计算图像上的每个像素点a到超像素中心点距离之和D
a
；
[0018][0019][0020][0021][0022]式中，j为超像素中心点集合里面的一个超像素中心点，g
j
为超像素中心点的灰度值，a为图像上的像素点，g
a
为图像上的像素点灰度值，x
j
、y
j
分别为超像素中心点的横坐标以及纵坐标，x
a
、y
a
分别为像素点的横坐标及纵坐标，dg
ja
、dc
ja
分别代表a与j的灰度差异及位置差异，N
g
、N
c
分别为灰度归一化因子、位置归一化因子，D
ja
代表a与j的距离，D
a
代表a到超像素中心距离之和；
[0023]2.3)选定D
a
为最大值对应的像素点为新的一个超像素中心点，添加到超像素中心集合S，更新i＝i+1；
[0024]2.4)重复步骤2.2)到2.3)直至i＝k0。
[0025]进一步，在步骤3)中，根据初始化的超像素中心，使用SLIC算法对ROI图像进行迭代超像素分割，具体步骤如下：
[0026]3.1)将区域的每个像素点a的标签label(a)设置为
‑
1，距离dis(a)设置为+∞；
[0027]3.2)对于每个像素点a，计算像素点到每个超像素中心点的距离D
ja
，如果D
ja
＜dis(a)，则label(a)＝j,dis(a)＝D
ja
；
[0028]3.3)更新每个超像素中心的坐标，具体公式如下：
[0029][0030][0031]式中，n为label(a)＝j像素点的数目；
[0032]3.4)重复步骤3.2)到3.3)直至达到迭代次数阈值I0，得到大尺度下的超像素分割图像块P0。
[0033]进一步，在步骤4)中，对获取的图像块集合P0中的每一个图像块，初始化k1个超像素中心，具体步骤如下：
[0034]4.1)对于P0的每一个图像块，随机选定图像块一个像素点为超像素中心点，初始化数目i＝1；
[0035]4.2)重复步骤2.2)、2.3)直至i＝k1。
[0036]进一步，在步骤5)中，使用SLIC算法对图像块集合P0中的每一个图像块进行迭代超像素分割，得到超像素分割的中尺度的图像块集合P1，具体步骤如下：
[0037]5.1)选取P0中的一个图像块，执行步骤3.1)到3.3)直至达到迭代次数阈值I1，得到中尺度下的超像素分割图像块，添加到图像块集合P1；
[0038]5.2)重复步骤5.1)，直至对P0中的每一个图像块都执行相同操作。
[0039]进一步，在步骤6)中，对获取的图像块集合P1中的每一个图像块，初始化k2个超像素中心，具体步骤如下：
[0040]6.1)对于P1的每一个图像块，随机选定图像块一个像素点为超像素中心点，初始化数目i＝1；
[0041]6.2)重复步骤2.2)、2.3)直至i＝k2。
[0042]进一步，在步骤7)中，使用S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于级联超像素分割的指静脉特征融合方法，其特征在于，包括以下步骤：1)获取指静脉图像，对图像进行边缘检测，拟合中线进而旋转矫正，得到ROI区域，对ROI区域进行尺寸归一化和灰度归一化得到ROI图像；2)在步骤1)得到的ROI图像上选取k0个像素点作为初始化的k0个超像素中心；3)根据步骤2)初始化的超像素中心，使用SLIC算法对ROI图像进行迭代超像素分割，得到超像素分割的大尺度的图像块集合P0；4)对步骤3)获取的图像块集合P0中的每一个图像块，选取图像块上k1个像素点作为初始化的k1个超像素中心；5)根据步骤4)初始化的超像素中心，使用SLIC算法对图像块集合P0中的每一个图像块进行迭代超像素分割，得到超像素分割的中尺度的图像块集合P1；6)对步骤5)获取的图像块集合P1中的每一个图像块，选取图像块上k2个像素点作为初始化的k2个超像素中心；7)根据步骤6)初始化的超像素中心，使用SLIC算法对图像块集合P1中的每一个图像块进行迭代超像素分割，得到超像素分割的小尺度的图像块集合P2；8)分别对P0、P1、P2中的每一个图像块提取特征，相同集合的特征进行串联，得到集合特征向量，再进行不同集合间的特征向量串联融合，得到指静脉图像的融合特征。2.根据权利要求1所述的基于级联超像素分割的指静脉特征融合方法，其特征在于，在步骤2)中，选取k0个像素点作为初始化的k0个超像素中心，具体步骤如下：2.1)以ROI图像左上角点为坐标原点，以水平向右为x轴，以垂直向下为y轴，建立坐标系，随机选定ROI图像的一个点为超像素中心点，初始化i＝1；2.2)超像素中心点集合为S，计算图像上的每个像素点a到超像素中心点距离之和D
a
；；；；式中，j为超像素中心点集合里面的一个超像素中心点，g
j
为超像素中心点的灰度值，a为图像上的像素点，g
a
为图像上的像素点灰度值，x
j
、y
j
分别为超像素中心点的横坐标以及纵坐标，x
a
、y
a
分别为像素点的横坐标及纵坐标，dg
ja
、dc
ja
分别代表a与j的灰度差异及位置差异，N
g
、N
c
分别为灰度归一化因子、位置归一化因子，D
ja
代表a与j的距离，D
a
代表a到超像素中心距离之和；2.3)选定D
a
为最大值对应的像素点为新的一个超像素中心点，添加到超像素中心集合S，更新i＝i+1；2.4)重复步骤2.2)到2.3)直至i＝k0。3.根据权利要求2所述的基于级联超像素分割的指静脉特征融合方法，其特征在于，在
步骤3)中...

【专利技术属性】
技术研发人员：田联房，钟明通，杜启亮，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：