2017
摘要
首先根据图像生成图节点,通过对这些节点做Delaunay三角剖分,建立了表征图像块间空间关系的图边。对于给定的特征空间,这些边都可以局部表示两个相邻节点之间的关系。
考虑到图像内容的局部变化,利用图像块统计对图边进行逐节点加权。这样一个图可以全局表示一个图像,其加权边可以局部描述图像块的关系。
1.引言
考察到不同指静脉间的差别具体可以体现在其静脉网络的随机差别,而要表征这种网络的特征,目前有如下方法
方向场[6]
向量场[2,5]
角链[4]
网络增强[3]
其中也就基于链的方法对细节点提取很敏感,其他方法在实践中通常很耗时。
图像内容分析中也有基于图的方法,许多基于图的方法被指出可以处理模式识别问题[7]。
[8]采用图嵌入的方法进行三维图像聚类。
[9]提出了一种用于人脸识别的局部图结构算法(LGS)。
[10]基于LGS提出了一种用于手指静脉特征提取的多方向加权对称局部图结构。
本文则是提出了一种新的加权图构造方法,用于有效地考虑局部变化和全局结构来表示静脉网络。
2.构建有权图
构建数据结构G(V, E, w)
w是对应于某条边即某一对节点的权重,权重矩阵对称则称图对称
节点是通过对原图像分块得到,若原图大小MxN,图块大小hxh,k表示相邻图块的重叠长度,则获得
n
=
M
−
k
h
−
k
⋅
N
−
k
h
−
k
n=\frac{M-k}{h-k}\cdot \frac{N-k}{h-k}
n=h−kM−k⋅h−kN−k个节点(图块)
再根据Delaunay三角剖分给相邻两点做边
图2最后定义边权,
w
(
v
i
,
v
j
∣
e
i
j
∈
E
)
=
W
(
v
i
)
×
S
(
v
i
,
v
j
)
w( v_{i},v_{j}|e_{ij}\in E )=W(v_i)\times S(v_i,v_j)
w(vi,vj∣eij∈E)=W(vi)×S(vi,vj)(式2),其中W是图块的内容变化,S表示这两相邻图块的关系
3.边权(计算S)
手指静脉网络的框架可以作为表明手指静脉模态随机性的基本载体,所以要相应地提取与框架相关的特征,以进行边权值计算。
先获得手指静脉框架,然后使用任意方向的steerable滤波器来描述框架图像[11]局部块中的随机能量。根据所得到的局部能量特征,通过度量两节点vi和vj之间的相似性,可以计算出边eij对应的权重S(vi、vj)。
3.1 网络框架提取
由于手指静脉图像在NIR成像(近红外)
过程中经常严重退化,因此静脉区域和非静脉区域之间的可分离性较差。需要有效地增强手指静脉图像。
将一个具有8个方向的Gabor滤波器[1]和Weber定律描述符(WLD)[12]组合用于静脉区域增强和光衰减消除。
为了提取可靠的手指静脉框架,采用多阈值方法[13]获得增强的手指静脉图像的二值结果。
利用细化算法[14]来提取二制图像的手指静脉框架骼
3.2 边权计算
定义steerable滤波器
h
θ
(
x
,
y
)
=
∑
j
=
1
N
k
j
(
θ
)
f
ϕ
j
(
x
,
y
)
h^\theta (x,y)=\sum_{j=1}^{N}k_j(\theta)f^{\phi _j}(x,y)
hθ(x,y)=∑j=1Nkj(θ)fϕj(x,y)
其中N是一系列基本函数f(x,y)的数量,
k
(
θ
)
k(\theta)
k(θ)是插值函数,
θ
\theta
θ就是steerable滤波器的方向,
ϕ
j
\phi _j
ϕj是
f
ϕ
j
(
x
,
y
)
f^{\phi _j}(x,y)
fϕj(x,y)的方向
有向能量被定义为steerable滤波器和
θ
\theta
θ角的块
I
i
I_i
Ii的卷积平方,
E
(
θ
)
=
(
∑
j
=
1
N
∑
x
=
1
X
∑
y
=
1
Y
(
k
j
(
θ
)
f
ϕ
j
(
x
,
y
)
I
i
(
x
,
y
)
)
)
2
E(\theta)=\left ( \sum_{j=1}^{N}\sum_{x=1}^{X}\sum_{y=1}^{Y}\left ( k_j(\theta)f^{\phi _j}(x,y)I_i(x,y) \right ) \right )^2
E(θ)=(∑j=1N∑x=1X∑y=1Y(kj(θ)fϕj(x,y)Ii(x,y)))2,这里
I
i
I_i
Ii表示框架图像的第i个块,X和Y是
h
θ
h^\theta
hθ和
I
i
I_i
Ii的尺寸
而为了描述
I
i
I_i
Ii的局部静脉框架,就需要计算各种角度
θ
\theta
θ下的有向能量,所以用于边权计算的块的能量图谱可以表示为
χ
i
=
{
E
(
1
)
,
.
.
.
,
E
(
360
)
∣
I
i
}
\chi_i=\left\{E(1),...,E(360)|I_i \right\}
χi={E(1),...,E(360)∣Ii}
这样就有了图边权S的定义
S
(
v
i
,
v
j
)
=
e
x
p
(
(
−
∑
l
=
1
m
(
χ
i
(
l
)
−
χ
j
(
l
)
)
2
)
/
2
σ
2
)
S(v_i,v_j)=exp \left ( \left ( {-\sum_{l=1}^{m}(\chi _i(l)-\chi _j(l))^2} \right )/2\sigma ^2 \right )
S(vi,vj)=exp((−∑l=1m(χi(l)−χj(l))2)/2σ2)
4.有权图匹配
大规模图匹配非常耗时,应用邻接矩阵来简化匹配(?)
两个邻接矩阵的相似度记作
M
s
=
∑
p
=
1
n
∑
q
=
1
n
(
A
(
p
,
q
)
−
A
ˉ
)
(
B
(
p
,
q
)
−
B
ˉ
)
(
∑
p
=
1
n
∑
q
=
1
n
(
A
(
p
,
q
)
−
A
ˉ
)
2
)
(
∑
p
=
1
n
∑
q
=
1
n
(
B
(
p
,
q
)
−
B
ˉ
)
2
)
M_s=\frac{\sum\limits_{p=1}^{n}\sum\limits_{q=1}^{n}(A(p,q)-\bar{A})(B(p,q)-\bar{B})} {\sqrt{\left (\sum\limits_{p=1}^{n}\sum\limits_{q=1}^{n}(A(p,q)-\bar{A})^2 \right ) \left (\sum\limits_{p=1}^{n}\sum\limits_{q=1}^{n}(B(p,q)-\bar{B})^2 \right ) }}
Ms=(p=1∑nq=1∑n(A(p,q)−Aˉ)2)(p=1∑nq=1∑n(B(p,q)−Bˉ)2)p=1∑nq=1∑n(A(p,q)−Aˉ)(B(p,q)−Bˉ)(余弦相似度吗?)
为了进一步提高匹配效率,提出一种矩阵重组方法(MRM)(矩阵补全?)
。
从图2中可以看到所得到的(无向图吧)
图的每个节点都有3个非重复的权重。所以AG是一个只在特定位置才有实值的稀疏矩阵(其实就是邻接矩阵的稀疏性)
。通过重新组织AG可以生成一个新的3行n列的低维矩阵(矩阵压缩?)
。在MRM中,每一列列出了有向图G(V、E、w)中一个节点对应的边的权值,如图2右侧所示(就是说都整理成如有向图那样每个节点仅右下三条边这样吧)
。
(这里为啥要做图匹配?是为了保证属于同一类的图像能生成相似的图吗?)
5.实验分析(计算W)
5.1 不同加权函数的性能比较
从式2中可以看到一个边eij的权值是由W(vi)决定的(S更侧重于滤波器W更侧重于原始值吗?)
。所以不同的W(vi)应该对识别性能有不同的影响。
定义W(vi)为
W
(
v
i
)
=
1
W(v_i)=1
W(vi)=1,
W
(
v
i
)
=
A
A
D
(
χ
i
)
W(v_i)=AAD(\chi _i)
W(vi)=AAD(χi),
W
(
v
i
)
=
A
A
D
(
B
i
)
W(v_i)=AAD(B_i)
W(vi)=AAD(Bi),
其中AAD是平均绝对偏差算符(average absolute deviation operator)(看结果图像类似于池化?)
,
B
i
B_i
Bi是增强图像的第i个图块,可以取重叠3像素的9x9大小
通过ROC曲线可以判断第三种W最好,第一种最烂。因为对于W(vi)=1,eij仅表示两个节点vi和vj的相似性,因此考虑图块有利于降低EER率(Equal Error Rate)
5.2 矩阵重组方法的性能评价
为了测试MRM的性能使用精度和效率两种识别指标
可以看到基于MRM的图匹配在图识别方面表现优于基于邻接矩阵的图匹配。重组后的矩阵能够保存所得到的节点集的结构信息,并且可以大大减少邻接矩阵的冗余信息。同时计算成本方面也优于基于邻接矩阵的图匹配。
5.3 节点集生成的图像划分
不同的节点集在图匹配中可能具有不同的识别性能。因此,选择合适的图像分割方法有助于提高识别性能。
通过实验可以看到有重叠的分块在识别上比没有重叠的分块表现更好(没有展示这个实验啊)
,以及9x9的块的识别率表现最好,小块或大块的统计数据对图具有较低的区分性。
6.总结
与当时最新的指静脉识别方法准确性不相上下,且耗时更短,但仍提出可以进一步优化鲁棒性(哪里体现出来的?)
————————————
又看了下中文的论文,提出
(1) 本研究采用的图块划分方式没有参考图像的纹理分布,这有可能造成了信息冗余和丢失
(2)本研究方法对图像的光照变化较为敏感
(3)参数σ2需要进一步确定其对试验的影响并选取一个合适的值
(4) 进一步提交识别精度