【技术实现步骤摘要】
基于跨尺度特征融合的低曝光静脉图像增强方法
本专利技术涉及计算机视觉领域,尤其涉及一种基于跨尺度特征融合的低曝光静脉图像增强方法。
技术介绍
静脉血管与其他生物识别功能(如指纹,虹膜,手势和脸部)相比,具有防伪,易接受的特点,已成为最受欢迎的个人识别方法之一。但由于静脉采集设备的局限性,采集到的图像往往会出现背景灰暗,图像对比度低,静脉脉络不清晰和静脉信息细节丢失等问题。静脉识别需要较多静脉细节信息,传统低曝光图像增强算法不能很好解决静脉信息细节丢失的问题。Lv等人提出多分支低光照增强网络,网络损失函数涉及图像的结构、上下文和区域信息,可以在无噪声图像中取得出色的结果,但其性能在具有较大黑色区域的图像和压缩图像上会降低。Yang等人提出一种实时的无监督生成对抗网络,从不同角度评估图像,网络还引入注意力机制用于特征融合,在定性和定量指标上均取得不错的结果,但是在低亮度图像增强任务中,不能抑制在现实世界的低光照条件下拍摄的图像普遍存在的噪声。
技术实现思路
本专利技术的目的在于提供一种基于跨尺度特征融合的低曝光静脉图像增强方法,能够有效解决静脉图像背景灰暗,图像对比度低,静脉的脉络不清晰和静脉细节信息丢失的问题。实现本专利技术目的的技术解决方案为:一种基于跨尺度特征融合的低曝光静脉图像增强方法,包括以下步骤:步骤1、采集P幅正常曝光下人体手背静脉图像,100<P<10000,通过低亮度图像合成方法将上述正常曝光人体手背静脉图像逐张转化为低曝光手背静脉图像,再对所有静脉图像分别进 ...
【技术保护点】
1.一种基于跨尺度特征融合的低曝光静脉图像增强方法,其特征在于,包括以下步骤:/n步骤1、采集P幅正常曝光下人体手背静脉图像,100<P<10000,通过低亮度图像合成方法将上述正常曝光人体手背静脉图像逐张转化为低曝光手背静脉图像,再对所有静脉图像分别进行有效区域提取,得到像素大小为h×w的2P幅静脉图像,2P幅静脉图像作为训练集;/n步骤2、利用跨尺度特征融合模块代替基本残差模块中的卷积层,并加入注意力机制,获得静脉跨尺度融合残差块;根据需要的图像增强效果,构建若干个静脉跨尺度融合残差块;/n步骤3、将若干个静脉跨尺度融合残差块首尾连接堆叠获得初步静脉图像跨尺度融合模型;/n步骤4、将训练集中的正常曝光人体手背静脉图像作为标签图像,将低曝光手背静脉图像输入到初步静脉图像跨尺度融合模型中进行训练,训练得到对应的增强图像,利用神经网络优化器进行迭代优化,得到静脉图像跨尺度融合模型;/n步骤5、采集M个人体手背的低曝光静脉图像,100<M<1000,对其进行有效区域提取,得到像素大小为h×w的M幅静脉图像,作为测试集;/n步骤6、将测试集中的低曝光静脉图像输入到静脉图像跨尺度融合模型 ...
【技术特征摘要】
1.一种基于跨尺度特征融合的低曝光静脉图像增强方法,其特征在于,包括以下步骤:
步骤1、采集P幅正常曝光下人体手背静脉图像,100<P<10000,通过低亮度图像合成方法将上述正常曝光人体手背静脉图像逐张转化为低曝光手背静脉图像,再对所有静脉图像分别进行有效区域提取,得到像素大小为h×w的2P幅静脉图像,2P幅静脉图像作为训练集;
步骤2、利用跨尺度特征融合模块代替基本残差模块中的卷积层,并加入注意力机制,获得静脉跨尺度融合残差块;根据需要的图像增强效果,构建若干个静脉跨尺度融合残差块;
步骤3、将若干个静脉跨尺度融合残差块首尾连接堆叠获得初步静脉图像跨尺度融合模型;
步骤4、将训练集中的正常曝光人体手背静脉图像作为标签图像,将低曝光手背静脉图像输入到初步静脉图像跨尺度融合模型中进行训练,训练得到对应的增强图像,利用神经网络优化器进行迭代优化,得到静脉图像跨尺度融合模型;
步骤5、采集M个人体手背的低曝光静脉图像,100<M<1000,对其进行有效区域提取,得到像素大小为h×w的M幅静脉图像,作为测试集;
步骤6、将测试集中的低曝光静脉图像输入到静脉图像跨尺度融合模型,得到增强后的静脉图像。
2.根据权利要求1所述的基于跨尺度特征融合的低曝光静脉图像增强方法,其特征在于,步骤2中的跨尺度特征融合模块,构建方法如下:
通过局部最大池化方法获取图像的三个尺度分支,得到低级输入特征,每个分支采用相同的卷积网络对不同尺度的低级输入特征进行特征映射,提取高级静脉语义特征;通过多分支跨尺度域信息融合方法,将不同分支之间的低级输入特征和高级语义特征进行跨尺度连接,提取到三个分支的跨尺度特征之后,通过特征级联的方式对三个跨尺度特征进行融合,得到跨尺度融合特征;至此,构建了一个融合三个尺度特征的跨尺度特征融合模块;
利用跨尺度特征融合模块代替基本残差模块中的卷积层,并加入注意力机制,获得静脉跨尺度融合残差块。
3.根据权利要求2所述的基于跨尺度特征融合的低曝光静脉图像增强方法,其特征在于:使用局部最大池化的方法获取不同尺度的图像,构建不同尺度的特征提取分支,如下式(1)所示:
其中,x是输入的低曝光手背静脉图像;K是使用的最大尺度;Pk(·)是局部最大池化函数,函数中卷积核大小为k×k,k为步长;是指输出的尺度的静脉特征;K的取值是2的幂函数,故相邻尺度分支之间的大小相差2倍。
4.根据权利...
【专利技术属性】
技术研发人员:王军,韩淑雨,潘在宇,李玉莲,申政文,陈晓玲,
申请(专利权)人:中国矿业大学,
类型:发明
国别省市:江苏;32
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。