结合NSCT分解的多尺度、多方向性、各向异性、平移不变性以及MB_LBP算法的局部特征提取、旋转灰度不变性等优势,提出一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和多块分区局部二进制模式MB_LBP(Multi-Block Local Binary Patterns)相结合的掌纹检测方法。该方法首先采用NSCT算法对预处理过的掌纹图像进行多尺度、多方向稀疏分解;其次,利用MB3-LBP8,2算子分别提取低频子图及各高频子图分块子区
### 基于非下采样Contourlet变换和MB_LBP直方图的掌纹检测
#### 技术背景与研究意义
随着生物识别技术的发展，掌纹识别作为一种重要的身份验证方式，因其独特的优势（如难以伪造、方便采集等）而受到了广泛的关注。本文介绍了一种新的掌纹检测方法，该方法结合了非下采样Contourlet变换（NSCT）和多块分区局部二进制模式（MB_LBP）的优势。
#### NSCT（非下采样Contourlet变换）
非下采样Contourlet变换是一种高效的信号处理工具，用于图像分析。它具有以下特点：
- **多尺度和多方向性**：能够捕捉图像中的不同尺度和方向的细节。
- **各向异性**：在不同方向上有不同的分辨率，更适合分析纹理特征。
- **平移不变性**：变换结果不随图像平移而改变，提高了特征提取的稳定性。
#### MB_LBP（多块分区局部二进制模式）
MB_LBP是一种改进的局部二进制模式算法，主要改进在于将图像分成多个块，并在每个块内计算LBP特征，从而提高了特征的区分能力。MB_LBP具备以下特性：
- **局部特征提取**：能够有效提取图像中的局部纹理信息。
- **旋转灰度不变性**：即使图像发生旋转或灰度变化，也能保持较高的识别率。
#### 掌纹检测方法流程
本研究提出的掌纹检测方法主要包括以下几个步骤：
1. **图像预处理**：首先对采集到的掌纹图像进行必要的预处理操作，包括去噪、灰度化、归一化等，以提高后续特征提取的准确性。
2. **NSCT分解**：使用NSCT算法对预处理后的掌纹图像进行多尺度、多方向的稀疏分解。这一过程能够有效地捕捉掌纹图像中的纹理特征，为后续的特征提取提供基础。
3. **MB3-LBP8,2特征提取**：在NSCT分解后得到的不同频率子图上，采用MB3-LBP8,2算子来提取特征。这里，“3”指的是每个像素与其周围3个像素比较，“8”表示周围像素的数量，“2”是指中心像素与周围像素之间的阈值。通过这种方式，不仅可以在低频子图上提取特征，还可以在各个高频子图的分块子区域内提取特征。
4. **特征向量级联**：将低频子图及其各个高频子图分块子区域的MB_LBP直方图特征向量进行级联，形成最终的特征向量。
5. **AdaBoost分类器**：使用AdaBoost算法对提取的特征向量进行训练和分类，评估所提方法的检测性能。
#### 实验结果与讨论
实验结果显示，本研究提出的结合NSCT和MB_LBP的掌纹检测方法不仅能有效地提取掌纹特征，而且相比其他方法（如Contourlet+MB_LBP、2D-EMD+ICAⅡ、Contourlet+NMF以及单一的MB_LBP）具有更高的检测率。这表明，通过综合利用NSCT的多尺度、多方向性和MB_LBP的局部特征提取能力，可以显著提高掌纹识别系统的准确性和鲁棒性。
本研究提出的基于NSCT和MB_LBP的掌纹检测方法为掌纹识别领域提供了一种新的解决方案，具有较高的实用价值和研究意义。
