【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于近红外影像的图像识别方法、系统及存储介质。
技术介绍
1、近红外光谱相机是一种能够感知近红外波段的成像设备，它在可见光和红外光谱之间的近红外区域进行工作。其中，近红外光谱相机在农业、食品工业、药物研发、医疗诊断、环境监测、材料分析以及工业检测等领域都有重要的应用，可以帮助实现非破坏性的分析和成像。另外，近红外静脉血管识别技术是一种生物识别技术，其利用近红外光谱范围内的光来扫描和分析人体手掌背部的静脉网络。由于近红外光谱范围的光能够在一定程度上穿透皮肤和软组织，但会被血液中的血红蛋白吸收，因此这种特性使得近红外光可以被静脉网络吸收，从而形成手掌背部静脉图像。但是相关技术中，近红外掌背静脉血管识别技术也面临不少的挑战，如受光照条件影响较大、手掌生理变化大、样本数量不足、硬件设备依赖性高等。因此，以上技术问题亟需解决。
技术实现思路
1、为了解决上述技术问题的至少之一，本专利技术提出一种基于近红外影像的图像识别方法、系统及存储介质，能够实现对目标对象的静脉识别，并且有效提高了静脉识别的准确性和可靠性。
2、一方面，本专利技术实施例提供了一种基于近红外影像的图像识别方法，包括以下步骤：
3、通过预设近红外多光谱成像相机获取若干组不同波长的目标对象图像；其中，所述目标对象图像中包括待识别静脉；
4、通过预设质量评分算法对所述目标对象图像进行评分和投票，得到目标波段图像；
5、通过预设深度学习模型对所述目标
6、根据所述前景图像数据对目标对象轮廓进行计算，得到目标轮廓数据；
7、根据所述前景图像数据通过预设高斯差分方法计算得到差分图像；
8、根据所述差分图像和所述目标轮廓数据，提取在轮廓范围内满足预设像素阈值的像素数据，以根据所述像素数据得到所述待识别静脉的目标识别结果。
9、根据本专利技术的一些实施例，所述预设质量评分算法包括对比语言-图像预训练图像质量评估算法、自然图像质量评估算法以及无参考图像质量评估算法；
10、所述通过预设质量评分算法对所述目标对象图像进行评分和投票，得到目标波段图像，包括：
11、通过所述无参考图像质量评估算法对所述目标对象图像进行第一质量评分，得到第一评分数据；
12、通过所述自然图像质量评估算法对所述目标对象图像进行第二质量评分，得到第二评分数据；
13、通过所述对比语言-图像预训练图像质量评估算法对所述目标对象图像进行第三质量评分，得到第三评分数据；
14、根据所述第一评分数据、所述第二评分数据以及所述第三评分数据通过预设投票方式，确定所述目标波段图像；其中，所述目标波段图像包括所述若干组不同波长的目标对象图像中图像质量最优的图像。
15、根据本专利技术的一些实施例，所述通过预设深度学习模型对所述目标波段图像进行背景去除处理，得到前景图像数据，包括：
16、将所述目标波段图像输入预设图像感知模型进行像素点识别，得到图像掩膜；其中，所述图像掩膜包括前景像素点和背景像素点；
17、根据所述图像掩膜对所述目标波段图像进行预设图像处理，得到所述前景图像数据；其中，所述预设图像处理包括将所述目标波段图像中与所述前景像素点相应的像素点保留，并将与所述背景像素点相应的像素点去除。
18、根据本专利技术的一些实施例，所述根据所述前景图像数据对目标对象轮廓进行计算，得到目标轮廓数据，包括：
19、根据所述前景图像数据进行边缘检测，得到第一轮廓数据；
20、根据所述第一轮廓数据通过拉默-道格拉斯-普克算法进行轮廓近似处理，得到第二轮廓数据；
21、根据所述第二轮廓数据通过预设轮廓缩小算法进行轮廓缩小，得到所述目标轮廓数据。
22、根据本专利技术的一些实施例，所述根据所述第二轮廓数据通过预设轮廓缩小算法进行轮廓缩小，得到所述目标轮廓数据，包括：
23、根据预设方向遍历所述第二轮廓数据中的相邻边，得到若干组的邻边数据；其中，所述邻边数据包括第一邻边和第二邻边；
24、将所述第一邻边和所述第二邻边的公共点作为初始顶点，计算旋转角度，得到公共点平移方向；
25、根据所述公共点平移方向将公共点进行平移，得到目标顶点；
26、将各个所述目标顶点进行连接，得到所述目标轮廓数据。
27、根据本专利技术的一些实施例，所述根据所述前景图像数据通过预设高斯差分方法计算得到差分图像，包括：
28、对所述前景图像数据进行高斯模糊处理，得到高斯模糊数据；其中，所述高斯模糊数据包括第一高斯模糊结果和第二高斯模糊结果，所述第一高斯模糊结果和所述第二高斯模糊结果的模糊尺度不同；
29、根据所述第一高斯模糊结果和所述第二高斯模糊结果进行差分，得到所述差分图像。
30、根据本专利技术的一些实施例，所述根据所述差分图像和所述目标轮廓数据，提取在轮廓范围内满足预设像素阈值的像素数据，以根据所述像素数据得到所述待识别静脉的目标识别结果，包括：
31、通过大津算法确定所述预设像素阈值；
32、获取所述差分图像中在所述目标轮廓数据的轮廓范围内的像素值大于所述预设像素阈值的像素点，得到目标像素点；
33、根据所述目标像素点输出所述目标识别结果；其中，所述目标识别结果包括像素坐标或融合图像。
34、另一方面，本专利技术实施例还提供了一种基于近红外影像的图像识别系统，包括：
35、第一模块，用于通过预设近红外多光谱成像相机获取若干组不同波长的目标对象图像；其中，所述目标对象图像中包括待识别静脉；
36、第二模块，用于通过预设质量评分算法对所述目标对象图像进行评分和投票，得到目标波段图像；
37、第三模块，用于通过预设深度学习模型对所述目标波段图像进行背景去除处理，得到前景图像数据；
38、第四模块，用于根据所述前景图像数据对目标对象轮廓进行计算，得到目标轮廓数据；
39、第五模块，用于根据所述前景图像数据通过预设高斯差分方法计算得到差分图像；
40、第六模块，用于根据所述差分图像和所述目标轮廓数据，提取在轮廓范围内满足预设像素阈值的像素数据，以根据所述像素数据得到所述待识别静脉的目标识别结果。
41、另一方面，本专利技术实施例还提供了一种基于近红外影像的图像识别系统，包括：
42、至少一个处理器；
43、至少一个存储器，用于存储至少一个程序；
44、当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如上述实施例所述的基于近红外影像的图像识别方法。
45、另一方面，本专利技术实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如本文档来自技高网...
【技术保护点】
1.一种基于近红外影像的图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于近红外影像的图像识别方法，其特征在于，所述预设质量评分算法包括对比语言-图像预训练图像质量评估算法、自然图像质量评估算法以及无参考图像质量评估算法；
3.根据权利要求1所述的基于近红外影像的图像识别方法，其特征在于，所述通过预设深度学习模型对所述目标波段图像进行背景去除处理，得到前景图像数据，包括：
4.根据权利要求1所述的基于近红外影像的图像识别方法，其特征在于，所述根据所述前景图像数据对目标对象轮廓进行计算，得到目标轮廓数据，包括：
5.根据权利要求4所述的基于近红外影像的图像识别方法，其特征在于，所述根据所述第二轮廓数据通过预设轮廓缩小算法进行轮廓缩小，得到所述目标轮廓数据，包括：
6.根据权利要求1所述的基于近红外影像的图像识别方法，其特征在于，所述根据所述前景图像数据通过预设高斯差分方法计算得到差分图像，包括：
7.根据权利要求1所述的基于近红外影像的图像识别方法，其特征在于，所述根据所述差分图像和所述目标
8.一种基于近红外影像的图像识别系统，其特征在于，包括：
9.一种基于近红外影像的图像识别系统，其特征在于，包括：
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的基于近红外影像的图像识别方法。
...【技术特征摘要】
1.一种基于近红外影像的图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于近红外影像的图像识别方法，其特征在于，所述预设质量评分算法包括对比语言-图像预训练图像质量评估算法、自然图像质量评估算法以及无参考图像质量评估算法；
3.根据权利要求1所述的基于近红外影像的图像识别方法，其特征在于，所述通过预设深度学习模型对所述目标波段图像进行背景去除处理，得到前景图像数据，包括：
4.根据权利要求1所述的基于近红外影像的图像识别方法，其特征在于，所述根据所述前景图像数据对目标对象轮廓进行计算，得到目标轮廓数据，包括：
5.根据权利要求4所述的基于近红外影像的图像识别方法，其特征在于，所述根据所述第二轮廓数据通过预设轮廓缩小算法进行轮廓缩小，得到所述目...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。