[发明专利]一种基于CS-TCGAN的指静脉图像去噪方法

说明书

本发明公开了一种基于CS‑TCGAN的指静脉图像去噪方法。包括以下步骤：构造训练集；设计生成器网络结构；设计判别器网络结构；设计基于纹理损失的损失函数；训练整个模型；输入真实带噪指静脉图像生成去噪后的图像。本发明首先利用基于指静脉噪声特性构造的训练集提升去噪模型的泛化性。其次在损失函数中加入纹理损失项，解决原损失函数对于纹理模糊图像约束效果不佳的问题，并且生成器网络采用维度保持结构，解决使用反卷积带来的细节损失问题。较传统的去噪算法和经典的CGAN去噪模型，本发明的去噪模型对静脉信息保留的程度更好，去除噪声的同时更有效地恢复带噪图像的静脉信息，进一步提升了指静脉识别技术在噪声环境下的应用性能。

技术领域

本发明属于生物特征识别和计算机视觉领域，特别涉及到一种基于CS-TCGAN的指静脉图像去噪方法。

背景技术

指静脉识别是一种新兴的生物识别技术，由于其特征存在于手指内部并且难以复制的特性，使其在军工、金融领域的相关应用越来越广泛。在实际使用的过程，由于环境因素(粉尘容易附着于镜面)，人为因素(手指携带皮裂纹)，导致采集到的指静脉图像存在污染噪声。这些污染噪声作为干扰信息，影响指静脉识别技术在实际应用场景中的识别性能。因此，指静脉去噪算法的研究是至关重要的。

传统图像去噪算法主要分为两类，一类是变换域去噪算法，另一类是空间域去噪算法。变换域去噪算法通过将图像转换到变换域进行处理，之后再通过反变换得到目标图像，主要依据噪声与图像主体在变换域的分布差异性。Li等提出基于组稀疏编码理论的新型去噪模型，将图像转化到稀疏域，以秩最小化作为目标进行优化，用以恢复干净的图像，实现了更高的PSNR值。空间域去噪算法通过设计滤波核对图像进行直接卷积操作，达到去除噪声的目的。Thanh等提出自适应开关加权均值滤波的图像去噪算法，根据根据滤波窗口内噪声点与信息点的分布情况来自适应调整滤波核的参数。该方法对各类模拟噪声都有较好地去噪效果，且由于其开关特性，对于滤波带来的误识问题有一定的抑制作用。传统去噪算法对于噪声特征的挖掘以经验性设定为主，泛化能力较弱。而指静脉实际使用过程中由于受到屏幕脏污和手指起皮的多重影响，噪声特征比较复杂，难以用传统的经验特征去完整的构造静脉噪声分布。

随着深度学习在图像处理领域的应用逐渐成熟，使得愈来愈多的学者研究基于深度学习的去噪模型。基于深度学习的去噪模型通过网络参数训练使得去噪模型较传统去噪模型的泛化性更强，对特征的挖掘更准确。Burger等采用CNN对图像进行去噪，通过学习带噪图像到干净图像的映射关系，实现了图像的去噪，但由于对浅层信息利用较少，存在高频细节丢失问题。针对CNN去噪模型对于高频细节丢失的问题，Tian等提出一种基于注意力导向的CNN去噪模型，增加了浅层网络对深层网络的影响，在合成和真实的噪声场景中，都取得了不错的效果。CNN去噪模型通过堆叠更多的卷积层来获取带噪图像到清晰图像的映射，但当要求更具体的细节特征时，该方法就难以满足目标。Lyu等提出基于生成对抗网络的去噪模型，进一步改善了带噪图像的图像质量和视觉效果。生成对抗网络采用了对抗竞争的思想，通过生成器网络和判决器网络的竞争，来强化带噪图像到干净图像的映射效果。

尽管目前基于生成对抗网络的去噪方法在信噪比、视觉效果等评价指标上已经取得一定的成绩，但都是基于纹理清晰的图像进行的研究,对纹理不清晰的指静脉图像去噪性能下降。经典的生成对抗网络去噪模型的损失函数为对抗损失和内容损失，内容损失将图像之间的灰度差值作为约束，对于纹理较模糊的指静脉图像，仅依靠图像灰度差值作为约束难以在去除噪声的同时较好地恢复静脉细节信息，所以需要针对指静脉图像的纹理特性设计特定的去噪模型。

因此，本文提出了一种基于CS-TCGAN(Custom Sample Texture ConditionalGenerative Adversarial Nets)的指静脉去噪算法。

发明内容

本发明的目的在于解决经典CGAN去噪模型对于纹理较模糊的指静脉图像去噪效果不佳的问题，提出一种基于CS-TCGAN的指静脉图像去噪方法。

本发明所采用的技术方案为：