1.基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于包括如下步骤：步骤S1、获取指静脉原图像的Gabor纹理特征矩阵的高斯核函数；

步骤S2、通过多个角度的Gabor滤波器对图像纹理进行提取；

步骤S3、将手指静脉原图像进行卷积，然后取模作为最终变换后的Gabor滤波响应幅值；

步骤S4、将8个方向的滤波响应幅值Hk按相互垂直分别组成4组，然后计算两者滤波响应差值绝对值，并选取最大的那一对方向组合；

步骤S5、为了避免未知信息对后续特征编码造成影响，在计算包含了未知信息的部分像素点的Gabor响应幅值时，将窗口内的未知信息灰度值置为零；

步骤S6、定义Gabor纹理特征相似度比对值计算函数；

式中，GTFM_X和GTFM_Y分别是进行比对的两幅图像的GTFM，M和N分别为比对图像的长和宽；

步骤S7、利用Gabor纹理特征相似度来描述同一图像内的两个图像块之间的纹理结构相似性：步骤S8、提出一种新的巴特沃兹余弦双核函数来取代NLM原算法的指数型核函数，结合Gabor纹理特征相似度，进行权重的分配；

式中参数h1和h2为滤波平滑系数，d(i,j)为中心邻域与加权邻域图像块的灰度值欧式距离，GTSIM(i,j)为中心邻域与加权邻域的Gabor纹理相似度值，h2取为GTSIM(i,j)的理论最大可能值7，c为控制巴特沃兹滤波通带处数值大小的参数，n为滤波器的阶数；dλ和Tλ分别为灰度值欧式距离和Gabor纹理相似度的阈值；

步骤S9、使用巴特沃兹余弦双核函数式代替传统NLM算法中的核函数，然后通过加权计算得到权重表达式：最终通过加权计算得到去噪后的像素值，代替污染像素点；

步骤S3具体实现如下：

将手指静脉原图像F(x,y)分别与式(2)和式(3)卷积后，按式(8)取模作为最终变换后的系数幅值：Hk,σ(x,y)re＝F(x,y)*gk,σ(x,y)re                 (6)Hk,σ(x,y)im＝F(x,y)*gk,σ(x,y)im                (7)式(6)～(8)中gk,σ(x,y)re、gk,σ(x,y)im分别是第k个角度，尺度为σ的Gabor核函数的实部和虚部，对应的Hk,σ(x,y)re、Hk,σ(x,y)im分别是它们各自与图像卷积后的结果，Hk,σ(x,y)为最终第k个角度、尺度为σ上的系数幅值；按式(9)首先选择3个尺度中最大的系数幅值作为每个像素点在该方向上最终的幅值系数，然后获得8个方向上的Gabor滤波响应幅值Hk，k＝

1,2,...,8；

步骤S4具体实现如下：

将8个方向的滤波响应幅值Hk按相互垂直分别组成4组，然后计算两者滤波响应差值绝对值，并选取最大的那一对方向组合：⊥

式中ΔHkmax那组的两个方向kmax和kmax 就是手指静脉图像像素点F(x,y)的可能纹理走向，两者中哪个方向的响应幅值较大说明该方向的纹理边缘信息能量更强烈；按式(11)对两者进行比较后将表示该方向的序号值作为纹理特征编码值，最终得到整幅手指静脉图像的Gabor纹理特征矩阵:步骤S5具体实现如下：

当手指静脉图像为受损图像时，对于破损边界外围一圈上的点，由于这部分像素点的卷积窗口内包含了未知信息，为了避免未知信息对后续特征编码造成影响，因此在计算此部分像素点的Gabor响应幅值时将窗口内的未知信息灰度值置为零；因此将式(11)修改如下：式中F(x,y)为图像中的像素点。

2.根据权利要求1所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S1具体实现如下：获取图像的Gabor纹理特征矩阵的高斯核函数如式(1)：式(1)是一个通过正弦平面波加窗的高斯核函数，可以拆分如下：式(2)～(4)中gre是滤波器实部，gim是虚部，(x,y)是点的坐标；θ为Gabor滤波的方向角度参数；(x',y')是像素点旋转θ后的坐标；λ为正弦波函数波长；ψ为正弦波函数的相位偏移量；γ为Gabor核函数的空间方向比例，也称为作用域的椭圆率；σ为高斯核函数的标准差，也称为空间尺度因子。

3.根据权利要求1所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S2具体实现如下：多个角度的Gabor滤波器的方向参数θ决定了滤波器的方向特性，其表示如下：式中N为Gabor滤波器组的总方向数，N取值为8，用于后续特征编码，k表示第k个角度，π/N是角度间隔。

4.根据权利要求3所述的基于纹理特征和双核函数的手指静脉图像NLM去噪方法，其特征在于步骤S7具体实现如下：利用Gabor纹理特征相似度来描述同一图像内的两个图像块之间的纹理结构相似性：GTSIM(i,j)＝avg(|G(Ni)‑G(Nj)|)        (12)式中G(Ni)和G(Nj)分别表示原图中以i为中心的图像块和以j为中心的图像块所对应的Gabor纹理特征向量，GTSIM(i,j)为两者之间的纹理特征差值绝对值平均，其值大小表现了两个图像块在纹理结构上的相似性。