一种基于方向场估计的非局部均值滤波方法

摘要

本发明公开了一种基于方向场估计的非局部均值滤波方法，包括以下步骤：接收一幅离散噪声指纹图像，并建立离散噪声指纹图像中像素块的方向场估计模型，基于方向场估计模型对离散噪声指纹图像进行非局部均值滤波，以获得最终的去噪指纹图。本发明能够解决现有方法中存在的对噪声的抑制性能不强、鲁棒性差的问题，提高指纹图像中纹路间的对比度，并保护指纹图像中的特征信息不被破坏。

主权项

1.一种基于方向场估计的非局部均值滤波方法，其特征在于，包括以下步骤：（1）接收一幅离散噪声指纹图像I，并建立离散噪声指纹图像中像素块的方向场估计模型；设任意的像素点i,j∈I，则以像素点i为中心的像素块的方向场由以下方程估计：$G_x(u,v)=\frac{\partial I(u,v)}{\partial u}$$G_y(u,v)=\frac{\partial I(u,v)}{\partial v}$$V_x(m,n)=\underset{u=m-\frac{s}{2}}{\overset{m+\frac{s}{2}}{\Sigma }}\underset{v=n-\frac{s}{2}}{\overset{n+\frac{s}{2}}{\Sigma }}2G_x(u,v)G_y(u,v)$$V_y(m,n)=\underset{u=m-\frac{s}{2}}{\overset{m+\frac{s}{2}}{\Sigma }}\underset{v=n-\frac{s}{2}}{\overset{n+\frac{s}{2}}{\Sigma }}\left(G_x^2(u,v)G_y^2(u,v)\right)$${\theta }_i=\frac{1}{2}{\tan }^{-1}\left(\frac{V_y(m,n)}{V_x(m,n)}\right)$其中（u，v）为任意像素点的坐标，（m，n）为像素点i的坐标，G_x(u,v)和G_y(u,v)分别是任意像素点坐标（u，v）处的水平梯度和垂直梯度，V_x(m,n)和V_y(m,n)分别是以（m，n）为中心、大小为s的像素块的水平梯度估计和垂直梯度估计，θ_i为以像素点i为中心的像素块的方向场；（2）基于方向场估计模型对离散噪声指纹图像进行非局部均值滤波，以获得最终的去噪指纹图，具体包括以下子步骤：（2-1）根据以下等式计算归一化因子：$C\left(i\right)=\underset{j\in I}{\Sigma }{e}^{-\frac{{\left|\right|p\left(N_i\right)-p\left(N_j\right)\left|\right|}_2^2}{{h_1}^2}}{e}^{-\frac{|{\theta }_i-{\theta }_j|}{{h_2}^2}}$其中，C（i）是归一化因子，N_k是以像素点k为中心的矩形像素块，p(N_k)为像素块N_k的灰度级矢量，h₁和h₂为衰减因子，其值由实验确定，用于控制指数函数的衰减程度；（2-2）根据归一化因子C（i）计算相似度权值因子，具体采用以下公式：$w(i,j)=\frac{1}{C\left(i\right)}{e}^{-\frac{{\left|\right|p\left(N_i\right)-p\left(N_j\right)\left|\right|}_2^2}{{h_1}^2}}{e}^{-\frac{|{\theta }_i-{\theta }_j|}{{h_2}^2}}$其中w（i，j）是相似度权值因子；（2-3）根据相似度权值因子计算最终的去噪指纹图，具体而言，采用以下公式：$\mathrm{ANL}\left[I\right]\left(i\right)=\underset{j\in I}{\Sigma }w(i,j)I\left(j\right)$其中ANL[I](i)是最终的去噪指纹图。