指纹图像增强（共7篇）
指纹图像增强 篇1
0引言
指纹识别是指指尖表面纹路的脊谷分布模式识别, 这种脊谷分布模式是由皮肤表面细胞死亡、角化及其在皮肤表面积累形成的。人的指纹特征是与生俱来的, 在胎儿时期就已经决定了。人类使用指纹作为身份识别的手段已经有很长历史, 使用指纹识别身份的合法性也己得到广泛的认可。自动指纹识别系统通过比对指纹脊线和谷线结构以及有关特征, 如纹线的端点和分歧点等来实现个人身份认证。然而, 要从原始指纹图像上准确地提取特征信息, 这是十分困难的, 在很大程度上特征提取的精确性依赖于图像质量。因此, 在指纹特征提取和匹配之前有必要对指纹图像进行增强处理。指纹图像增强就是对指纹图像采用一定算法进行处理, 使其纹理结构清晰化, 尽量突出和保留固有的指纹特征信息, 并消除噪声, 避免产生虚假特征。其目的是保持特征信息提取的准确性和可靠性, 在自动指纹识别系统中具有十分重要的作用和地位。
由于曝光不足等因素的影响, 图像的亮度分布会发生非线性失真, 常常表现为对比度不强, 图像的整体感觉较暗等。目前, 已经有很多基于灰度直方图的方法来增强对比度, 从而改善图像的质量[1]。
近年来, 人们对基于模糊的图像处理技术进行了研究。模糊集合理论已能够成功地应用于图像处理领域, 并表现出优于传统方法的处理效果。根本原因在于:图像所具有的不确定性往往是因模糊性引起的。图像增强的模糊方法, 有些类似于空域处理方法, 它是在图像的模糊特征域上修改像素的[2,3,4,5]。基于模糊的图像处理技术, 是一种值得重视的研究方向, 应用模糊方法往往能取得优于传统方法的处理效果。很多时候基于模糊的增强图像对比度方法能够更好地增强图像的对比度[6,7,8,9], 尤其是对于对比度很差, 一般的增强算法无法对其增强的图像, 它的优势突显。
本文结合模糊逻辑技术, 研究了基于模糊特征平面的增强算法和基于GFO算子 (广义模糊算子) 的图像增强算法, 并将其应用于指纹图像对比度的增强。
1模糊特征平面增强算法
1.1 模糊特征平面
从模糊集的概念来看, 一幅具有L个灰度级的M×N元图像, 可以看作为一个模糊集, 集内的每一个元素具有相对于某个特定灰度级的隶属函数。该模糊集称为图像等效模糊集, 亦即图像的模糊特征平面, 对应的模糊矩阵记为F, 有:
undefined
式中:矩阵的元素μmn/Xmn表示图像像素 (m, n) 的灰度级Xmn相对于某个特定的灰度级l′的隶属度, 通常l′取最大灰度级K-1。
1.2 算法实现
首先采用图像分割中的阈值选取方法 (本文中采用Otsu方法) 来确定阈值参数XT, 显然XT将整个图像的直方图分为2个部分。低灰度部分和高灰度部分;对于具有典型双峰分布的直方图来说, 它们分别对应目标和背景这两部分。然后定义新的隶属函数形式, 再进行模糊增强运算, 在低灰度区域进行衰减运算, 从而使属于该区域像素的灰度值更低, 而在高灰度区域则进行增强运算, 从而使属于该区域像素的灰度值更高。因而, 经过模糊增强后直方图上阈值XT两侧的灰度对比增强, 图像区域之间的层次将更加清楚。
整个算法过程如下:
(1) 首先根据Otsu选取阈值的方法确定阈值参数XT。显然对于双峰分布的直方图阈值参数XT将位于双峰之间的谷底附近。然后定义新的隶属度函数为:
undefined
式中:Xmax为图像的最大灰度级;m=1, 2, …, M;n=1, 2, …, N。
(2) 再对图像进行模糊增强。模糊增强是对μmn进行非线性变换, 其结果是增大 (当μmn>0.5) 或减少 (当μmn≤0.5) μmn的值。数学描述如下:
undefined
式中:
undefined
对于迭代次数r的选择, 仿真结果表明, 当r较小时, 模糊增强不够充分;随着r的逐渐加大, 图像的增强效果会越来越明显, 当达到一定程度时, 图像中局部细节会逐渐消失而变为二值图像。但对于指纹图像r选取过大, 则会丢失一些细节信息, 本文取r=8。
最后, 对μ′mn进行逆变换, 得到经过模糊增强后的图像X′。X′中的像素 (m, n) 灰度级l′mn为:
undefined
式中:G-1 (·) 为G (·) 的逆运算。经过G-1 (·) 逆变换得到已增强的空域图像, 该逆变换方式规定为:
undefined
本算法对μmn>0.5的区域, 即高灰度区域的像素进行增强运算;对于μmn≤0.5的区域, 即低灰度区域的像素进行衰减运算。因此, 实现了对低灰度区域的像素进行衰减运算和对高灰度区域的像素进行增强运算, 从而使图像增强后区域之间的层次更清楚。
2基于GFO算子 (广义模糊算子) 的图像增强算法
文献[10]给出了广义模糊集和广义模糊算子的定义。在此基础上, 本文设计的基于GFO算子的图像增强算法如下:
步骤1:利用模糊熵确定阈值参数T, 表征的是要增强或减弱的灰度值边缘, 如果灰度值大于阈值T, 则使其更大, 否则使其更小。通过大量实验验证, 当阈值参数T接近指纹图像直方图谷底时, 将得到较好的增强效果。
步骤2:通过式 (7) 将待处理的图像X从空域的灰度值I={I (i, j) }映射为与之对应的广义隶属度μ={μ (i, j) };
undefined
步骤3:利用式 (8) 定义的GFO算子对广义隶属度进行非线性变换;
undefined
式中:r和f为常数, 其范围是0≤r≤1及0
广义模糊算子通过降低区域中的值和增加区域中的值, 起到了增强2个区域之间对比度的作用。
步骤4:通过式 (7) 的反函数, 将映射为二维空间域的灰度图像。其得到经过模糊增强处理后的图像, 中的像素灰度值为:
undefined
3实验结果与分析
采用Matlab软件编程且分别应用以上2种算法对FVC指纹数据库中一些指纹图进行增强处理, 增强结果如图1, 图2所示。
从实验结果可以看出, 两种模糊增强算法在一定条件下都可有效增强指纹图像的对比度。相比之下, 基于GFO算子 (广义模糊算子) 的图像增强算法去除背景能力更强, 因此对于具有单峰及双峰分布直方图的指纹图像, 该算法可能将一些灰度值较低的前景点误分为背景点;而模糊特征平面增强算法因为去除背景能力较弱, 对于具有多峰分布直方图的指纹图像增强效果较差。因此对于需要着重增强前景的指纹图像, 更适合用基于模糊特征平面的增强算法, 而对于需要重点去除背景的指纹图像则需选取基于GFO算子 (广义模糊算子) 的图像增强算法。
4结语
从模糊集的角度出发, 模糊特征平面增强算法将图像转化为等效的图像模糊特征平面, 在此基础上进行模糊增强, 最后再转换为空域图像。基于GFO算子 (广义模糊算子) 的图像增强算法与模糊特征平面增强算法, 处理过程相似, 不同之处在于所定义的隶属度函数及非线性变换形式不同。采用这两种方法均可以在一定程度上提高低灰度区域与高灰度区域之间的对比度, 从而提高图像的质量。两种算法相比而言, 基于模糊特征平面的增强算法更适合用于需要着重增强前景的指纹图像, 而基于GFO算子 (广义模糊算子) 的图像增强算法则更适合用于需要重点去除背景的指纹图像。
需要指出的是以上两种算法仅仅增强了指纹图像的对比度, 要取得更好的增强效果还需要结合指纹图像的方向信息进行滤波增强, 以达到对粘连脊线分离及断开脊线连接的效果。
摘要：指纹图像采集过程常会造成对比度不强等非线性失真, 基于模糊逻辑的处理方法常用于改善指纹图像质量。研究了模糊特征平面增强算法和基于广义模糊算子的图像增强算法, 将两种算法应用于指纹图像对比度增强, 并对增强结果进行比较分析。实验结果表明, 采用这2种方法均可以在一定程度上提高指纹图像低灰度区域和高灰度区域之间的对比度, 从而提高图像的质量, 使增强后的指纹图像结构更清晰。
关键词：指纹,对比度增强,模糊特征平面,广义模糊算子
参考文献
[1]郑南宁.计算机视觉与模式识别[M].北京:国防工业出版社, 1998.
[2]苏菲, 冯建江, 孙景鳌, 等.基于模糊逻辑的指纹图像对比度增强算法[J].计算机工程, 2003, 29 (3) :122-123, 160.
[3]王保平, 刘升虎, 范九伦.基于模糊熵的自适应图像多层次模糊增强算法[J].电子学报, 2005, 33 (4) :730-734.
[4]周德龙, 赵志国, 潘泉, 等.基于模糊集的图像增强算法研究[J].电子与信息学报, 2002, 24 (7) :905-909.
[5]万丽, 陈普春.一种基于数学形态学的图像对比度增强算法[J].现代电子技术, 2009, 32 (13) :131-133.
[6]苏菲, 孙景鳌, 蔡安妮.基于模糊逻辑的指纹图像增强滤波[J].通信学报, 2002, 23 (9) :82-87.
[7]田沄, 郝宁波, 薛耿剑, 等.一种基于三维医学图像的对比度模糊增强算法[J].计算机工程与应用, 2006 (4) :215-217.
[8]王晖, 张基宏.图像边界检测的区域对比度模糊增强算法[J].电子学报, 2000, 28 (1) :45-47.
[9]马志峰, 史彩成.自适应图像对比度模糊增强算法[J].激光与红外, 2006, 36 (3) :231-233.
[10]陈武凡, 鲁贤庆, 陈建军, 等.彩色图像边缘检测的新算法:广义模糊算子法[J].中国科学 (A辑) , 1995, 25 (2) :219-224.
一种改进的指纹图像增强算法 篇2
在实际应用中，由于受采集设备和活体指纹采集条件等因素的限制，所采集到的指纹图像不能保证都很清晰,图像中可能出现纹线粘连、纹线断裂或对比度不均匀等情形。在这种情况下很难从图像中正确分离出指纹纹线，导致指纹特征的可靠提取变得非常困难,很难达到较高的指纹匹配精度。为了确保指纹特征的提取正确，需要对原始指纹图像进行增强处理，增加指纹纹线的清晰度，增强脊线和谷线的对比度，减少噪声。指纹图像的增强一般由规格化、方向图的计算、滤波几个部分组成。
目前比较常用的指纹图像增强方法有基于Gabor滤波的指纹图像增强方法[1]和基于方向滤波的指纹图像增强方法[2,3]。根据指纹的脊线、谷线和一些噪声在局部区域形成近似的正弦波，Lin Hong等人采用具有良好的方向选择和频率选择特性的Gabor滤波器对指纹图像进行滤波，能够很好地去掉噪声，增强脊和谷之间的清晰度。但此算法需要大量的三角函数运算和指数函数运算，算法速度慢，对计算机的性能要求比较高，很难应用于当下流行的嵌入式指纹识别设备中。聂桂军等人根据指纹纹线间距趋于均匀,局部区域纹线是平行的特点，采用基于方向滤波的方法，取得了很好的效果，速度要比Gabor滤波快得多，但对噪声干扰较大的区域，不能取得很好的效果，本文综合这两种滤波算法的思想，把指纹图像分为三个部分：清晰区域(往往占指纹图像的较大多数)、可恢复区域和不可恢复区域，如图1所示。对清晰区域采用方向滤波方法，对可恢复区域采用Gabor滤波的方法，对不可恢复区域抛弃，不作处理。实验表明，该方法增强效果明显，速度和基于方向滤波的方法差不多。
2 指纹图像增强算法
2.1 规格化
指纹图像规格化主要是降低沿脊线、谷线方向的灰度变化程度，而不改变脊线和谷线结构的清晰对比度，使谷线和脊线灰度控制在一定范围内，其目的是便于后面的一系列处理，图2为规格化前后的图像，具体的计算方法，文献[1,2,3,4,5]都有详细介绍，在这里不作详述。
2.2 方向图
指纹图像的方向图是指纹图像的一种变换表示方式，即用纹线的方向来表示该纹线，根据指纹图像纹线在小邻域内成直线的特征，通常把指纹脊线走向分为8个方向，从水平位置开始，按逆时针方向，每隔π/8确定一个方向，分别用i=0,1,2,…,7来表示，此方法计算的方向角范围是[0,π)。计算方向图的方法有很多，目前多采用灰度方向图计算方法[4]和梯度方向图计算方法[5]，图3为在图2规格化基础上，采用灰度方向图计算方法求得的方向图。
2.3 Gabor滤波算法
1)采用梯度方向图的计算方法,计算规格化图像上每一像素的方向;
2)利用公式(1)对规格化指纹图像进行滤波
其中，θ为Gabor函数的方向，f为指纹图像正弦平面波的频率，δx、δy为沿着x轴和y轴的高斯包络面常数。F(i,j)为滤波后的图像，θ(i,j)为像素点(i,j)的方向，G(i,j)为规格化的指纹图像。ωg为Gabor滤波器的大小，一般为1～1.5个脊线宽度，在这里ωg=9;f为1～1.5个脊线周期的倒数，这里取f=0.125;根据经验值，取δx=4.0、δy=4.0效果不错。
2.4 方向滤波算法
1)采用灰度方向图的计算方法，计算规格化图像上每一像素的方向;
2)在规格化指纹图像上，从上到下，从左至右，逐点移动，根据下式和每个像素的方向值,选用相应的滤波器模板[3]进行卷积滤波运算：
式中，gθ(i,j)为相应的滤波器模板的系数，F(x,y)为滤波后的图像，G(i,j)为规格化的指纹图像。
2.5 本文的滤波算法
2.5.1 基于方向图的图像分割方法
根据指纹图像局部区域内纹线方向应大致相同，根据这一思想，把指纹图像划分为若干个w×w的小块，w通常取1～1.5个脊线像素宽度(本文取w=7),因此，w×w小块与指纹脊线和谷线之间有如下三种关系：小块在脊线上、小块在谷线上和小块在脊线和谷线的交界处，如图2所示。
图2黑线表示脊线，两条黑线之间的部分表示谷线，方框a表示小块在脊线上，b表示小块在谷线上，c表示小块在脊线和谷线的交界处。对于脊线或谷线上的块，块内各像素点的方向应大致相同;对于脊线和谷线交界处的块，其内部各像素点的主要有两个方向，一是与脊线方向一致的方向，二是与谷线方向一致的方向。因此我们要判断指纹图像是否清晰，只需计算每一小块内各像素点的方向直方图，如果方向直方图中有峰值存在，表明该区域中有清晰的纹线。如果方向直方图中无明显峰值，则说明该区域为不清晰区域，需作进一步处理。具体操作步聚如下：
1)逐个遍历每一个小块，对每一小块分别进行方向直方图统计，找出小块中方向直方图中的最大值和次大值，分别记为Di(max)和Dj(sec)，其中0≤i≤7,0≤i≤7分别表示小块中方向数最大值和次大值的方向;若Di(sec)+Dj(sec)
2)设hi(i=0,1,…,7)分别为小块内像素的8个方向的方向数，对每一个不清晰小块作如下计算：
从式中不难看出，上式反映了小块中方向变化程度，sum越小，表示小块中像素的方向变化越剧烈，也即图像的不可恢复程度越大，若sum
3)如果图像中所有小块都遍历完，则结束，否则转(1)。
2.5.2 算法步骤
1)对规格化的指纹图像，按求灰度方向图的方法，计算指纹图像中每一像素的方向。
2)根据(1)中求得的方向图采用2.5.1中的方向图分割方法，找出指纹图像中的清晰区、可恢复区和不可恢复区。
3)对清晰区中的指纹图像采用方向滤波算法对图像进行滤波，对可恢复区的指纹图像采用Gabor滤波算法对图像进行滤波。对不可恢复区域，抛弃不作处理。
3 结论
本文采用VC实现了上述三种算法，在Pentium 4处理机上测试，Garbor滤波的处理时间为1分钟左右，方向滤波的处理时间不到1秒，本文处理算法也在两秒之内，其速度主要取决于可恢复区域的面积的大小，也即图像的清晰程度。图3是三种算法分别对不同程度的噪声图像进行增强处理的结果。图3中，分割后的图像中，红色小方框表示不可恢复区域，绿色小方框表示可恢复区域，其它部分表示图像中清晰区域。不难看出，通过结合Gabor滤波和方向滤波两种图像增强方法的优缺点，在提高算法速度的同时，也取得了较好的图像增强效果。
摘要：在指纹识别系统中,图像增强是指纹特征提取与识别的前提。对指纹图像增强算法的研究,根据Gabor滤波和方向滤波算法的优缺点,提出了一种改进的指纹图像增强算法,实验表明,该方法增强效果明显,速度和方向滤波算法差不多。
关键词：指纹图像增强,方向滤波,Gabor滤波,方向图,图像分割
参考文献
[1]LIN Hong,WAN Yi-fei,Jain A.Fingerprint image enhancement algorithm and performance evaluation[J].IEEE Trans on Pattern Anal-ysis and Machine Intelligence,1998,20(8):777-789.
[2]武妍,杨磊.一种改进的基于方向滤波的指纹图像增强算法[J].华中科技大学学报:自然科学版,2007,35(2):22-25.
[3]聂桂军,徐荣青.基于连续方向图的指纹图像增强算法[J].微电子学与计算,2007,27(3):87-90.
[4]罗希平,田捷.自动指纹识别中的图像增强和细节匹配算法[J].软件学报,2002,13(5):946-956.
指纹图像增强 篇3
随着电子商务、网上贸易的发展,交易的安全性需要更加有效的保证,身份认证和识别显得越来越重要。指纹的惟一性和终身不变性,决定了通过指纹验证身份成为最合理的身份认证方法之一。自动指纹识别系统(Automated Fingerprint Identification System,AFIS)是目前性价比最高的生物特征识别系统,然而指纹的过干和过湿,导致采集到的指纹图像存在很多脊线中断和粘连。如果不对这样的指纹图像做增强处理,将会在指纹图像特征提取时得到很多伪特征点,对最终匹配的结果产生影响。因此,对指纹图像在提取特征信息之前进行有效地增强是很有必要的。
指纹图像的方向特性和频率特性是指纹图像固有的2种根本特性,目前的指纹增强算法也大都是利用指纹的这些特性来对图像进行滤波,主要有2种方法:方向滤波增强[1]和Gabor滤波增强[2]。Gabor滤波函数本身具有的方向和频率选择的特性,决定了它成为目前指纹图像增强方面研究的热点[2]。但是,基于Gabor的指纹增强主要是在空域进行的,利用原始指纹图像来估计纹线方向和频率信息,易受到图像的噪音等高频信息的影响,在指纹过干和过湿区域估计的纹线方向信息和频率信息可靠性差。温苗利等[3]提出了小波域的Gabor滤波增强算法,有效地抑制了高频扰动的影响,但是只估计了纹线方向,频率取固定值,导致最后的增强效果还不是很理想,并且通过梯度法估计纹线方向,运算的过程繁琐、耗时,不能达到实时处理的系统要求。目前估计纹线频率的方法主要是文献[4]的方法,基于方向窗计算频率,该方法复杂度较高,并且估计频率的准确度依赖于方向的准确度。本文为解决这些问题,对小波变换后的近似子图通过Radon变换估计纹线方向和频率。Radon变换是一种计算图像沿指定方向上的投影的方法,一个二维函数的投影为一个特定方向的线性积分[5]。本文算法首先对指纹图像归一化,对归一化后的图像进行小波变换,接着仅对小波变换近似子图进行Radon变换,估计纹线方向和频率,以这样得到的方向和频率为Gabor滤波器参数,分别对各个小波变换后的4个子图像进行Gabor滤波增强,最后,通过小波重构得到最后增强的结果。提高了估计Gabor滤波参数的可靠性和效率。
2指纹图像的增强算法
2.1 指纹图像的归一化处理
指纹图像归一化的目的是使得图像灰度值达到一个预先定义的平均值和方差;增强图像整体对比度。归一化处理能够有效地解决按压不均匀对采集到的指纹图像的影响。归一化采用式(1)实现[6]:
undefined
对于图像I(i,j),m,v分别为图像的灰度均值和方差;m0,v0为期望的灰度均值和方差,实验中取m0=100,v0=100见文献[6]。
2.2 小波域滤波器参数的估计
对指纹图像进行Gabor滤波增强,需要估计2个重要的参数:纹线方向和频率。在小波分解后,低频系数图很好地保留了原指纹图像的纹线方向和频率信息,且抑制了高频扰动对纹线方向和频率信息的影响。指纹过干和过湿区域可看作是图像局部区域灰度的高频扰动,因而在小波域仅对其低频系数图做纹线方向和频率估计将削弱指纹过干和过湿区域对参数估计结果的影响。同时要估计参数的图像大小减小到原图的一半,减少了运算的时间。本文提出的算法仅考虑低频图的信息来估计参数,小波基选择db1,在低频系数中保留较多的纹线信息。将指纹图像进行小波分解得到1个低频图和3个高频图,如图1(b)所示。
本文对小波变换近似子图分块,通过Radon变换计算纹线方向和频率。图像的Radon变换是将原始图像变换为它在各个方向上的投影表示。图像f(x,y)在角度θ上的投影定义为:
undefined
其中:
undefined
Radon变换可以形象地用图2所示:
基于指纹图像在一定分块内的方向和频率的一致性,对图像分块做Radon变换。得到的结果R是一个以角度θ为列,以x′为行的矩阵,矩阵里的元素为图像块的投影值。
指纹纹线具有局部方向性,所以图像块在垂直于纹线方向上的投影值的最大值也是180个方向上各个投影值的最大值。这样,可以认为:Radon域最大值所在的列j(投影角度(1°～180°)),将对应于脊线方向垂直的方向。这样得到的脊线方向精确到1°,并且运算的速度很快,为后面的滤波增强做好准备。脊线的方向α与j之间的关系如下:
undefined
图3所示的16×16的图像块(a)是从归一化后的指纹图像上随机选取的一块,对它进行Radon变换,得到的Radon域最大值所在列的值域分布如图3(b)所示。Radon域的最大值所在的列为第45列。应用式(4)估计纹线方向,知纹线的方向为135°。
指纹纹线具有局部频率性,所以图像块在每个方向上的投影值与行数x′成近似正弦曲线的关系。与脊线方向垂直的方向上的投影值与行数的这种正弦曲线关系就可以用来估计脊线或者谷线间距,从而估计纹线频率。图3(b)就是图3(a)所示16×16图像块在垂直于脊线方向上的投影值与行数的类似于正弦曲线关系的波形图。根据图3(b)中波峰间距或波谷间距,就可以估计纹线频率。对比图3所示的(a),(b)两个图,我们可以看到指纹图像上的脊线反映在波形上是波谷,谷线反映在波形上是波峰,则可以认为相邻波峰与波峰或者相邻波谷与波谷之间的距离就是纹线交替的周期,记为d,那么该图像块的纹线频率为:
undefined
这样,估计纹线频率的问题就转化成计算如图3(b)所示波峰与波峰或者波谷与波谷之间距离d的问题了。如果把分块的大小选得合适,波形图大致上可以分为以下几种情况:
(1) 只有1个波峰和1个波谷;
(2) 2个波峰,1个波谷;
(3) 2个波谷,1个波峰;
(4) 2个波峰,2个波谷;
(5) 2个波峰,3个波谷;
(6) 3个波峰,2个波谷;
(7) 只有1个波峰。
需要注意的是,这里的波峰应当满足Radon值为正数的条件,这样就可以保证它对应于指纹图像上的谷线;同样,波谷也应当满足Radon值为负数的条件,这样就可以保证它对应于图像上的脊线。
这里对这样七种波形分别计算周期d。对于第一种波形,峰顶与谷底之间的距离是周期d的一半;对于第二种波形,波峰与波峰之间的距离看作周期d;对于第三种波形,波谷与波谷之间的距离看作周期d;对于第四种波形,取波峰间距和波谷间距的平均值为周期d;对于第五种波形,它对应的图像块包含了2条完整的谷线,所以取波峰间距为周期d要比取波谷间距为周期d更加合理;对于第六种波形,同样的道理,对应的图像块包含2条完整的脊线,所以取波谷间距为周期d要比取波峰间距为周期d更加合理;对于最后一种情况的波形,这种波形对应的图像块为背景块,可以不对其做Gabor滤波处理,这样就在估计纹线频率的过程中潜在地对指纹图像加了一个掩膜,对归一化后的指纹图像的背景部分不做处理,更进一步加快了滤波处理的速度。
例如,对于图3(b)所示的波形,从图像块(a)来看,该块包含2个完整的脊线,所以波谷间距能够更准确地反映纹线周期。
需要注意的是,如果分块大小取得过大,将产生更多的波峰波谷,这使判断变得更加复杂,消耗了更多时间,却不一定能得到更加准确的周期d;如果分块的大小取得过小,在块内可能不具有局部频率性,将无法准确的得到纹线频率。一般地,分块大小取为16×16。
2.3 指纹图像的Gabor滤波增强
Gabor滤波器具有良好的频率选择性和方向选择性,与指纹图像的特性相符合;并且,根据Gabor函数在x方向带通,在y方向低通的特性,对Gabor滤波器做一定的旋转就可以很好地去掉脊线粘连和连接中断的脊线。
偶对称Gabor函数的表达式如下:
undefined
其中:
undefined
α为Gabor滤波器的方向,实际中取为估计得到的指纹图像块方向;(x,y)为像素点的坐标;f为脊线频率,δundefined,δundefined分别是沿着x和y轴的高斯包络的空间常量,通过实验,取δundefined,δundefined为4。
滤波增强后的指纹图像由式(4)得到:
undefined
在本文算法中,滤波器窗口大小w=10。
式(8)相当于将Gabor滤波函数(如式(6)所示)和指纹的小波域近似子图像二维卷积,由于各高频子图含有一些细节分量,同样要对其滤波处理,根据它们和近似子图像在像素位置上的对应关系,Gabor滤波器参数与估计的近似子图像的方向和频率相同。对滤波之后的各个子图像进行小波重构,得到最后的增强结果。
最后,对增强后的指纹图像采用分块阈值的方法进行二值化处理[7],得到最后的结果。
3实验结果
为了验证本文提出的指纹滤波增强算法,这里对FVC2000指纹数据库中一些低质量指纹图进行增强,结果如图4所示,其中,图(a1～a4)是原始指纹图像;图(b1～b4)是采用文献[3]算法增强的结果,文献[3]中方法是对图像分块,根据梯度法求纹线方向,基于方向窗求频率,最后进行Gabor滤波增强;图(c1～c4)是采用本文算法增强的结果。实验中取不为零的频率的平均值为指纹区域的频率。
可以看到,与文献[3]的方法相比,本文算法能够较好地增强指纹图像的对比度,连接指纹过干造成的脊线的断裂,也在一定程度上削弱了指纹过湿造成的图像模糊不清,有效地抑制了高频扰动对指纹图像的影响。这里在Pentium(R) 4,256 MB内存,Windons XP操作系统环境下,对经过最近邻插值法扩展后的512×512的指纹图像做增强处理,两种算法的运行时间如表1所示,可见,本文算法运算耗时较少。
4结语
利用本文的算法,用Matlab对FVC2000指纹数据库中部分低质量指纹图像的处理。通过实验验证,本文算法通过Radon变换能快速准确地得到指纹纹线方向和频率。只对小波域的近似子图求方向和频率,能有效抑制高频扰动对方向和频率信息的影响,减少了运算量。该算法能够更好地适应自动指纹识别系统对低质量指纹图像增强的要求。
摘要：面对采集的指纹图像质量较差的问题,提出一种在小波域对指纹图像滤波增强算法。该算法在小波域进行Ga-bor滤波增强,通过Radon变换后的投影估计Gabor滤波的方向和频率,对滤波增强后的子图进行小波重构得到最后的结果,有效地抑制高频扰动对指纹图像质量的影响,提高运算速度和准确性。通过对FVC2000指纹库中的部分低质量指纹图像进行增强,表明该算法对指纹图像的增强效果明显,并且处理速度较快。
关键词：指纹增强,小波变换,Radon变换,Gabor滤波
参考文献
[1]Sherlock D,Momro D M,Millard K.Fingerprint Enhance-ment by Directional Fourier Filter[J].IEEE Proceedings ofVision Image and Signal Processing,1994,141(2):87-94.
[2]Liu Yuanning,Li Zhihui.Research on Fingerprint Enhancementand Classification Algorithm[C].CIT′04.2004:199-204.
[3]温苗利,梁彦,潘泉,等.基于Gabor函数的小波域指纹图像增强算法[J].计算机应用,2006,26(3):589-594.
[4]Lin Hong,Wan Yifei,Anil Jain.Fingerprint Image Enhance-ment:Algorithm and Performance Evaluation[J].IEEETransactions on Pattern Analysis and Machine Intelligence,1998,20(8):777-789.
[5]李军宏,潘泉,陈玉春.基于radon变换的纹理图像多尺度不变量分析算法[J].中国图像图形学报,2005,10(9):1 117-1 123.
[6]夏振华,石玉,于盛林.基于Gabor滤波器的指纹图像增强[J].工程图学学报,2006(5):80-85.
指纹图像增强 篇4
目前,针对指纹图像增强的算法一般可以分为3大类:频率滤波、空间域的方向滤波和Gabor滤波。其中,在Hong[1]等人提出的利用局部纹线方向和频率,使用Gabor函数增强指纹图像的方法,以及后面出现的一些改进的Gabor滤波算法等,使得Gabor增强具有更好的鲁棒性和适应性,成为目前指纹增强的主流方法。其主要思想是在指纹图像的一个局部区域(一般是指纹中互不重叠的分块),提取指纹脊线上各点的方向和频率信息,构造适当的滤波器模板进行滤波增强处理。其主要步骤包括:(1)规格化处理;(2)方向场估算;(3)频率场估算;(4)图像分割;(5)Gabor滤波。
1规格化处理
图像规格化主要是将原始图像的灰度值的均值和方差调到所期望的均值和方差,进而减弱图像中由于噪声所产生的灰度差异,改善图像的灰度对比度,为后续处理工作做准备。公式如下:
其中,c(i,j)表示当图像当前第i行,第j列的灰度值,N(i,j)表示规格化的对应位置的灰度值,M0,σ0分别表示灰度图像的期望均值和均方,M,σ分别表示当前灰度图像的均值和均方差。其中原始图像和规格化图像分别如图1和图2所示。
2方向场估算
由于指纹图像的脊线走向比较平缓,对应的方向场也不会有剧烈的走向,因此脊线方向也表明着指纹的内在特性。而方向图分为点方向图和块方向图,前者是求出每个像素点的方向,方向图精确但计算量较大;后者是求出图像中每个局域中的纹线主导方向,计算量相对前者较少,抗噪性更强。本文中采用的是基于灰度梯度的方法求块方向图,其主要思路是根据纹线方向在局部区域内基本一致的特点,先把指纹图像分块,然后计算每一子块的纹线走向,最后用该方向代表对应子块内的各个像素的方向。方法如下:
(1)将规格化的指纹图像N分成W×W的无重叠的子块;
(2)利用Sobel算子分别计算每个子块中,对应的每个像素点的梯度分量值Gx,Gy;
(3)使用公式(2)计算每个分块中心像素点的纹线方向
这里θ(i,j)表示的就是以像素点(i,j)为中心的子块的局部方向,即纹线方向。得到的方向图如图3所示。
3频率场的估算
目前主要的脊线频率计算方法是:由于指纹纹线具有很强的方向性,沿着脊线方向看,指纹脊线和谷线像素点灰度值大致形成一个二维的正弦波,定义纹线频率近似为正弦波的频率,即为相邻的两个波峰或波谷之间的像素点个数的倒数。计算频率场的方法如下:
(1)在求出某一个块中心像素的方向角θ(i,j)基础上,以当前像素的脊线方向为短轴,作一个尺寸为N×S的长方形窗口,如图4所示。
(2)用公式(3)—(5)计算当前窗口内沿方向角方向的S个像素灰度的平均值,也即幅度值。
(3)在公式中,M(k)形成一个离散的正弦波,如果M(k)中存在连续的峰值,则说明当前窗口的指纹是有效的,设hi为第一个峰值与第i个峰值的间距,脊线平均距离L,则脊线频率为:
4图像分割
从图像场的角度看,梯度场可以用来分割指纹图像,因为指纹对象部分的梯度场值较高,而背景部分的梯度场值较低,所以一般把求出的梯度进行高度平滑,去掉梯度图像的噪声,然后利用适当阈值就可以判断该点为前景还是背景,确定阈值步骤如下:
(1)阈值的选择跟图像质量有关。对于光学图像,因为比较平滑,所以阈值比较小,通常取30~40。如果图像不够平滑,则必须先对图像进行平滑处理,并且阈值大约取50左右。
(2)用单位区域上的梯度阈值作为灰度梯度特征,需要计算单位区域上的平均梯度作为该单位区域阈值。具体方法见文献[2]。
(3)设A为分割域值。T(i,j)为位置(i,j)的梯度。
若T(i,j)>A,则当前点在指纹图像的前景上。
若T(i,j)<A,则当前点在指纹图像的背景上。
5 Gabor滤波器
由于Gabor滤波器具有频率选择和方向选择的特性,因此利用Gabor滤波器的窗函数沿着指纹脊线方向加强图像,使得指纹的脊线信息得到增强,而且可以去噪把指纹信息不失真的保留下来。
Gabor滤波器函数表示为:
其中,(x,y)表示当前点像素的位置,θ表示Gabor核函数的方向角,f表示当前点对应的脊线频率,σx,σy分别表示沿着x和y轴的高斯包络线的空间常数。
在Gabor滤波器3个参数中,方向角θ和脊线频率f已经在前文计算过,可以不予考虑,但高斯包络的标准偏差σx,σy不能直接设置,取不同的值会对滤波结果产生不同的影响:值越大,去噪能力越强,同时产生伪特征的可能性也越大;值越小,则相反。基于经验和实验,σx,σy取值均为4.0时,滤波效果较为理想。
利用Gabor滤波器进行滤波的公式为:
其中G(i,j)为滤波后得到的图像,N(i,j)为规格化后的图像,W=13,是Gabor滤波器的模板大小,效果如图5。
6改进的Gabor滤波器
虽然Gabor滤波器作为一种当前十分有效的图像增强方法,但是并不是对所有的图像都具有良好的滤波效果,尤其是低质量的图像在经过Gabor增强后仍针存在脊线结构模糊的情况。同时由于滤波器固定的方形窗口,使得增强后的图像很容易产生较多的块效应。介于传统的Gabor滤波器的局限性,在这里采用祝恩提出的减少Gabor增强产生块效应的方法:就是将Gabor滤波器的形状改为圆形[3]。如下:
其中滤波器的半径为τ=3L/4,L为脊线平均距离。
另外Gabor滤波器的带宽是由参σx,σy数共同决定。传统的滤波器中该参数均是根据经验值选取的一个固定值,对于脊线形状非常不规则时,滤波器就不能对图像进行有效的增强。所以在这里引用文献[4]中通过Gabor滤波器的频率带宽参数来指导搜索最佳滤波器的方法,使高斯常数随着脊线频率的变化而变化,尽而得到最佳滤波器。在文献中可得到公式如下:
根据半峰带宽的概念可以估计出σ和脊线频率F的关系,即式中f为脊线频率。
改进后的Gabor滤波器增强公式如下,效果如图6。
7实现结果分析
详细地介绍了指纹图像增强算法各个步骤:规格化、方向图、脊线频率、图像分割以及滤波器,对各个步骤并加以实现,并改进了Gabor滤波器。实验结果相比较表明,改进后的滤波,对低质量的图像处理效果有所提高,并减少了块效应,保留了更多的细节,使图像增强效果有所提升;但对于脊线频率的计算,仍不是太理想;另外,由于高斯常量是随着脊线频率的变化而变化,而不是固定的值,因此,在处理图像时需要花费更多的时间。
摘要：在指纹识别预处理中,指纹增强效果对于后续的匹配和识别具有很重要作用。本文主要详细的介绍了基于Gabor滤波的指纹图像增强算法,并通过研究和加以实现传统的增强算法,然后在原有的基础上改进了Gabor滤波器,最终,相对于传统的滤波器,取得了较好的增强结果,从而尽可能减少了噪声干扰以及块现象,为以后的指纹匹配打下了良好的基础。
关键词：规格化,方向角,频率场,Gabor滤波器
参考文献
[1]Hong L,Wan Y,Jain AK.Fingerprint image enhancement:Algorithms and performance evaluation[J].IEEE Transactions on Pattern Analysis Machine Intelligence,1998,20:777-789.
[2]夏振华,石玉,于盛林.基于Gabor滤波器的指纹图像增强[J].工程学学报,2006(5):80-85.
[3]祝恩.低质量指纹图像的特征提取与识别技术的研究[D].长沙:国防科学技术大学,2005.
指纹图像预处理算法研究 篇5
在指纹采集的过程中, 由于手指本身的因素和采集条件等各种原因的影响, 采集到的原始指纹图像中往往包含有很多噪声, 造成指纹图像质量严重下降, 模糊不清造成脊线的粘连或断开, 会导致产生虚假的指纹细节特征;遗漏或忽略了正确的细节特征点;在有关描述细节特征点提取的有效性和可信性, 影响系统在匹配时的拒认率或误认率[1], 从而最终影响整个系统识别的结果。为了准确地进行细节点的提取和特征点的匹配, 图像就必须先经过预处理, 消除噪声、连接脊线断裂部分, 以得到纹线清晰的指纹图像。可以说, 预处理算法的好坏基本上决定了指纹识别系统的有效性和准确率。因此, 指纹图像增强在自动指纹识别系统中具有重要的地位和作用。
目前的指纹图像增强算法大都是利用指纹的方向特性和频率特性[2]来对图像进行滤波, 以达到图像增强的目的。但是在计算指纹图像的方向图和频率图时该类算法计算复杂。为此, 这里提出了利用Radon 变换来计算指纹图像的方向图, 然后利用方向滤波器来对指纹图像进行滤波的算法。实验结果表明, 该算法运行速度快、效果好, 为下一步的指纹识别奠定了坚实的基础。
1 Radon变换及其实现
设函数f (x, y) ∈L2 (D) 中, 在平面上D区域中它平方可积, 则f (x, y) 的Radon变换g (t, θ) 可表示如下:
其中:δ是冲击函数, t- (xcos θ+ysin θ) =0表示极坐标下任意一条直线方程。
图像的Radon变换就是将原始图像变换为它在各个方向上的投影表示。图像f (x, y) 在任意角度θ上的投影定义为:
其中:
由投影切片定理知, Radon 变换与Fourier 变换有明确的对等关系。因此, 离散的Radon变换可以由Fourier变换来实现[3]。
2 算法原理
2.1 扩展像素值动态范围
对图像做局域动态范围扩展, 目的是消除图像因为采集按压力度不均匀而导致的局部灰度差别。在做过局域动态扩展之后, 连续纹线上的灰度变化难免会变大, 有必要做进一步的平滑[4]。
(1) 局域动态范围扩展:
使用一个滑动窗口遍历整个指纹图像, 按照式 (4) 计算并重置窗口内像素的灰度。
N (i, j) =F{[ (O (i, j) -m2) / (m1-m2) ]255} (4)
其中:N (i, j) 是窗口内处理之后的像素灰度值;O (i, j) 是处理之前的像素灰度值;m1和m2分别是窗口内灰度最大和最小的像素值; F 函数是用来取最接近结果的整数的函数。
(2) 平滑处理:
使用一个滑动窗口遍历整个指纹图像, 对纹线上的灰度进行平滑。若该窗口内的灰度变化小于预设阈值M, 则说明该窗口处于脊线或者谷线上, 使用中值滤波对其进行平滑;若灰度变化大于预设阈值M, 则说明该窗口处于脊线和谷线的分界线上, 不做任何操作。
2.2 计算方向场
首先对均衡化后的图像进行分块, 分块大小为8×8或16×16, 对每个图像块进行Radon变换, 并且假设在图像块内的指纹脊线在几何上具有互相平行的关系, 也就是该分块内的脊线具有相同的角度, 实验表明这种假设是合理的。又因为Radon变换就是将原始图像变换为它在各个方向上的投影表示, 所以在Radon域内, 最大值的点所在的列就对应于一定的脊线方向, 其关系如图1所示。图中脊线i表示图像块中的任意脊线, 它与x轴的交角为α, 此时第j条采样直线与脊线i垂直, 即在Radon域内最大值点所在的列为第j列。第j条采样直线与采样起始线的夹角为β, 采样直线从起始点开始沿顺时针方向旋转[5]。
由采样直线和图像平面的关系我们可以得出β的值, 然后根据图1所示的脊线与采样平面之间的关系, 可以计算出脊线的方向α为:
另外, 指纹图像在受到噪声的影响下会使得对指纹方向场的计算出现偏差, 这就需要进行进一步修正, 以消除噪声的影响。根据纹线具有缓变性的特点, 对求出的方向场进行平滑处理, 采用块操作的方法将相邻图像块的方向场变化控制在一定范围内, 从而低质量的指纹图像也可以获得较正确的方向场。
2.3 设计方向滤波器
指纹图像的重要特点就是纹线的方向性, 所以方向滤波是最有效的滤波方法。本文利用前面获取方向图, 采用OGorman等人设计的方向滤波器模板[6], 供不同的方向像素点选择。设计思想是使指纹纹线在切向平滑、在法向锐化, 以消除指纹图中纹线的断裂和叉连。方向滤波的关键就是滤波器的选择, 下面是涉及滤波器时的一些注意事项:
(1) 在设计滤波器模板的模板时, 模板尺寸的选择要合适。要求大小为一个或者一个半的纹线周期, 并且为奇数, 这样模板就可以通过中心点关于x轴和y轴对称。
(2) 为了提高脊线和谷线的灰度方差, 达到边缘锐化的效果, 在垂直于纹线方向上中央部分系数为正, 两边系数为负, 因此滤波器模板中所有系数的代数和应为零。
(3) 方向滤波器是由平均滤波器和分离滤波器组合而成的。平均滤波器主要是连接脊线中出现的断裂, 分离滤波器主要除去图像中的叉连。平均滤波器的系数满足A>B>C>D>0, 分离滤波器的系数应满足A+2B+2C+2D=0。一个基本的方向滤波器 (如图2所示) 应该同时具备两种功能, 它相当于平均滤波器加上分离滤波器, 所以它的系数是平均滤波器和分离滤波器的系数之和[7]。
(4) 水平方向滤波器的模板示意图 (如图2) 所示。以n=7为例, 其他方向的滤波器模板可以通过旋转得到。滤波器模板大小为n×n, n由指纹图像中脊线和谷线的宽度以及实验条件决定, 边宽一般是3～10个像素。
(5) 由于指纹是具有方向性和谷脊交替性的特殊图像, 所以要根据像素点方向不同而采用不同的方向滤波模板。
这样在选取滤波模板以后, 就对图像进行滤波, 将整个图像分成w×w的小块, 根据上面计算得到的低频指纹方向图判断每一小块的方向, 采用相对应的滤波模板进行滤波。
3 实验结果
实验基于Intel P4 3.0 GHz的PC机, Window XP操作系统, Matlab 6.5的仿真软件环境下。指纹库采集分辨率为500 dpi, 指纹采集设备为PIS2004光学指纹采集仪, 图像尺寸大小为640×480。该算法是针对指纹库中模糊的低质量指纹提出来的, 为了验证本算法, 从采集到的指纹库选取了每个指纹的1幅低质量指纹图像样本组成一个110幅图像的样本库, 用于验证本文方法的效果。在该实验条件下, 经过反复验证, 图像分块的大小以w=8最为合适, 滤波器的宽度以n=7效果最佳, 系数以A=-5, B=1, C=3, D=3效果最佳。部分实验结果如图3所示。
由图3中的对比可以看出:原始指纹图像的纹理不够清晰, 亮度也不均匀;经过滤波处理之后, 图像脊线和谷线分界清晰, 且亮度均匀, 大致体现了原指纹图像的真实纹线结构。
4 结 语
提出基于Radon变换的指纹图像预处理算法, 从指纹图像的纹理性出发, 利用Radon变换获得图像的方向场, 然后进行方向滤波, 从而实现了连接断开的脊线, 使脊线和谷线得到分离, 从而获得较好的增强效果且算法简单, 运行速度快, 利于硬件实现。处理后的图像可以直接用于特征点匹配, 并且可以推广到一般的纹理图像, 但是该算法在处理更加复杂的纹理图像时增强效果并不理想, 如何扩大该算法的适应性还有待于进一步研究。
参考文献
[1]Sherlock D.Momro D M, Millard K.Fingerprint Enhance-ment by Directional Fourier Filter[J].IEEE Proceedings ofVision Image and Signal Processing, 1994, 141 (2) :87-94.
[2]Li Jun, Wang Han.Const Rained Nonlinear Models ofFinger print Orientations with Prediction[J].PatternRecognition, 2006, 39:102-114.
[3]史延新.一种利用Radon变换的指纹图像预处理算法[J].西安工业大学学报, 2007, 27 (5) :468-470.
[4]Josef Strom Bartunek, Mikael Nilsson, Jorgen Nordberg.Adaptive Fingerprint Binarization by Frequency Domain[J].Analysis, Signals, Systems and Computers, FortiethAsilomar Conference on, 2006:598-602.
[5]Bazen A M, Gerez S H.Systematic Methods for the Compu-tation of the Directional Fields and Singular Points ofFingerprint[J].Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2002, 24 (7) :905-919.
[6]O′Goman L, Nickersion J V.An Approach to FingerprintFilter Design[J].Pattern Recognition, 1989, 22 (1) :29-38.
指纹图像的识别技术与应用 篇6
一、指纹识别的基本原理
指纹识别是一种通过分析人体固有的指纹特征进行确定个人身份的识别技术, 具有很高的实用性、可行性和不易侵害性。国内、外许多研究者从识别算法上对指纹识别技术做了大量的研究[3~6]。指纹识别过程主要分为指纹图像采集、图像预处理、指纹特征提取、指纹的匹配四部分, 其中图像预处理部分又分为滤波去噪、方向图计算、指纹图像增强、二值化和细化等过程。其指纹识别处理的过程如图1 所示。
( 一) 指纹图像预处理。指纹图像的预处理是指纹识别过程的基础, 同时又是指纹识别技术中至关重要的一个过程, 指纹图像预处理质量的高低直接影响指纹识别的可行性和准确性。国内外许多研究者对指纹图像的预处理从空域和频域做了大量的研究工作。指纹图像的平滑指的是对采集到的灰度分布不均匀的指纹图像进行一次滤波操作, 使其规格化, 保证指纹图像具有统一的均值与方差。规格化的目的是减小纹线灰度值的方差, 操作不会改变纹线的结构。对指纹图像方向图的计算可以视作通过纹线方向的方式来表示指纹图像。准确判定指纹图像的纹线方向对于识别指纹具有至关重要的作用。方向图可以分为点方向图和块方向图, 为了更好地确定方向场, 需要同时提取指纹图像的块方向场和点方向场。但由于阴影或噪声等的影响, 点方向图不能真实客观地反映指纹图像每一点的纹线方向, 考虑到方向的连续性, 多数情况下以块方向代替点方向更有实际意义。图像增强是指在指纹图像中消除纹线断裂和模糊区域等的噪声, 增强指纹图像的有用信息, 改善指纹图像质量, 为后续的二值化处理提供可靠保证。二值化处理是指将指纹图像简化成只有黑白两级的二值图像, 为后续处理节省存储空间。目前常用的二值化处理方法是阈值法。细化处理是指在不影响识别纹线方向基础上对二值化后的指纹图像的纹线作细化, 以提高识别的准确性, 减少运算量。图像细化的好坏关系到特征提取的准确与否, 因此在指纹识别中起到至关重要的作用。
( 二) 指纹图像特征提取。指纹图像特征提取是为了能够方便进行指纹匹配, 需要准确提取指纹特征, 确定指纹类型, 目前的识别算法主要依据纹形、方向、位置、中心点、三角点等特征进行指纹识别[7~9]。
( 三) 匹配指纹图像。指纹匹配是从待识别的指纹图像提取特征信息与指纹库中指纹的特征信息相匹配的过程, 判断指纹库中是否有指纹与待测指纹属于同一指纹。指纹匹配是指纹识别技术的核心步骤, 也是最后一步, 匹配算法的性能直接影响指纹识别系统的性能。
目前指纹匹配方式有两种[10~11], 一是单指纹验证, 即从指纹数据库中检索出所要匹配的指纹, 与新扫描的指纹进行匹配; 二是多指纹的匹配, 即将新扫描的指纹与指纹数据库中的指纹进行一一比对, 实现指纹的匹配。
二、结语
指纹具有唯一性、终生不变性和方便性的特点, 因此指纹识别技术具有广阔的应用空间和很好的应用前景, 一直以来是国内外研究的热点。指纹识别技术综合了计算机、模式识别以及图像处理等信息技术, 是一个极具挑战性的研究课题。目前指纹识别已广泛应用于许多应用领域, 比较常见的有门禁系统、手机指纹识别、网银支付等。而且, 随着信息技术的发展, 指纹识别技术必将广泛应用到其他领域, 具有广阔的应用前景和发展趋势。
参考文献
[1]孙燕, 秦贵和, 刘元宁, 何磊.指纹识别系统中的图像预处理技术[J].微计算机信息, 2007, 23 (7~3) :301~302
[2]杨军海, 高虹.犯罪现场指纹图像识别技术研究[J].河北公安警察职业学院学报, 2009, 9 (1) :5~7
[3]常宁.指纹识别预处理算法研究[J].中国人民公安大学学报 (自然科学版) , 2007, 4 (4) :68~73
[4]邹勇军, 向建勇, 李莎.指纹识别预处理方法[J].激光与红外, 2006, 36 (4) :302~304
[5]叶青.指纹识别系统中的预处理组合算法[J].光电工程, 2009, 36 (4) :140~145
[6]魏发建, 游敏娟, 王保帅, 等.浅谈指纹识别的基本原理[J].中国科技信息, 2009, 10:138~139
[7]徐国庆.指纹识别系统中特征提取与匹配算法的研究和实现[D].电子科技大学, 2007
[8]王建永.指纹图像的特征提取与匹配[D].大连理工大学, 2003
[9]刘健, 王万良.基于中心区域基准点的指纹匹配算法[J].计算机应用与软件, 2011, 2:30~33
[10]梅中玲.指纹识别技术及其应用[J].中国人民公安大学学报 (自然科学版) , 2008, 8 (8) :81~84
一种有效的指纹图像细化算法 篇7
迄今为止,生物特征识别技术已经成为最为方便与安全的识别技术[1]。由于指纹具有惟一性、稳定性、可采集性、与主体永不分离性等优点,指纹识别成为生物特征识别中关注度很高,应用较多的主要技术[2,3]。自动指纹识别系统(AFIS)是个人身份认定的一种重要手段。一个完整的指纹识别系统主要包括:指纹图像采集、滤除图像噪声、对图像进行二值化处理、细化图像、特征点提取和特征点比对等几个部分。其中,细化是指纹图像预处理中耗时最长、要求最高的一部分。
指纹细化又称骨架化,是自动指纹识别系统中重要的预处理组成部分,细化结果的好坏直接影响特征点提取的有效性。研究人员已经提出了很多细化方法,按迭代方式可分为串行算法、并行算法和串并行混合算法。串行细化算法是指每次迭代的结果依赖于像素处理的先后顺序,因而某一像素点的删除或保留与处理顺序有关。并行细化算法进行细化时可以把相同的判定条件应用于所有的像素点,与处理顺序无关,所以从原理上将优于串行细化算法。而串并行混合算法就是串行和并行混合的方法。已经提出的并行细化方法有很多:OPTA细化算法、Hall细化算法、Rosedfeld细化算法、ZR细化算法等[4,5,6,7]。
针对OPTA方法(One-Pass Thinning Algorithm,OPTA)中细化不完全、细化速度较慢的不足,文献[8]提出了改进的OPTA算法(Improved OPTA Thinning Algorithm),获得了较好的细化效果。但改进算法还存在方向敏感性强,在水平和竖直方向容易出现毛刺等问题[9]。本文针对改进的OPTA方法存在的这些不足,在其基础上增加一组去除毛刺的模板,获得了更好的细化效果。
2 OPTA算法
对于一幅二值指纹图像,设其背景点的像素值为0,前景点的像素值为1。OPTA算法是从图像的左上角开始,对每一个前景点元素(像素值为1 的点,即模板中的P5)抽取出如图1所示的模板邻域,并将该邻域与给定的删除模板(见图2)相比较,如果该邻域的像素值与8个删除模板中的任一个相匹配则删除该点,否则保留该点。为了保持连通性,抽取的元素的邻域再和图3的2个保留模板进行比较,如果抽取邻域的第二行和模板(a)的第二行匹配,或者抽取邻域的第二列和模板(b)中的第二列匹配,则P5点保留,否则P5才真正删去(对该点的像素值置0)。
其中模板中的“1”代表该点的像素值为1;“0”代表该点的像素值为0;“×”代表该点的像素值既可以为1也可以为0。该算法是从图像的左上角开始到右下角结束作为一次循环,反复进行迭代,直到没有像素值改变为止。
用OPTA算法对指纹图像进行细化可以达到较好的细化效果,但是细化后的图像细化不完全,细化后的指纹脊线不光滑,有毛刺、纹线扭曲。
3 改进的OPTA算法
鉴于OPTA方法有着上述的不足,文献[8]提出了改进的OPTA算法,该算法对OPTA算法中的删除模板进行了一定的改进,这样可以有效去除纹线边缘上的突出物。另外,它采用大小相同的保留模板,在一定程度上提高了处理速度[8]。
该算法的具体步骤与OPTA方法相同,都是抽取当前像素点的邻域与删除模板和保留模板比对,决定像素点的删除与否。该算法采用统一的4×4模板,其抽取邻域以及删除模板、保留模板如图4～图6所示。
4 修正的算法
对比OPTA细化算法,改进的OPTA细化算法得到的指纹细化图像除满足收敛性、连接性、拓扑性和保持性外,在三叉点处细化完全,得到了完全细化的图像。但是细化后的图像仍然存在毛刺。
毛刺产生的原因主要是由模板的不完善造成的。毛刺的出现对纹线方向十分敏感,主要分布在细化图像的右上部和右中部,特别是在纹线近似水平和垂直的时候,尤为明显。改进的OPTA算法中的删除模板只是从图像的东、南、西、北、东北、东南、西南、西北8个方向上删除了图像的边缘像素点,但是并没有专门为解决毛刺问题提出模板。为此本文提出的算法将在改进的OPTA算法删除模板的基础上增加一组去毛刺的模板,在细化的同时去除毛刺,对于保留模板仍然采用改进的OPTA算法中的模板。
具体算法如下:从图像的左上角开始逐个抽取图像中的像素点(像素值为1的非端点),与删除模板(原删除模板+图7所示新增加的去毛刺模板)比对。抽取像素点在图像中表示为点P5,其8邻域分别为P1～P9。若满足8个删除模板中的任意一个,再将其与保留模板比对,若满足则该点保留,不满足才真正删除。这样一直迭代下去直到没有像素值变化为止。
另外,本文提出的新算法是对所有的非端点的前景点使用模板,这是由于要去除水平和竖直方向上的毛刺,计算机很可能将这种模板应用于端点引起纹线吞噬,而指纹纹线的端点恰恰只是一个点,没有“厚度”,所以可以将它撇开,对其余点应用模板,这样也在一定程度上提高了处理速度。
5 实验结果
在Pentium(R)4,256 MB内存的计算机上用Matlab语言编程实现了该算法,实验选取了FVC2000指纹库中的指纹图像。以下分别为二值化图像(图8)和用三种算法细化后的实验结果(图9～图11)。
由以上实验结果可见,用OPTA 方法进行细化,得到的指纹图像细化不完全,且毛刺较多,纹线扭曲较大;用改进的OPTA方法进行细化,得到的指纹图像毛刺有一定的减少,但是在图像的右上部和右中部毛刺仍有很多;用本文的修正算法进行细化后,可以看到,细化后毛刺消除,得到的图像光滑,效果较好。 同时,实验还统计了分别用以上三种方法细化后的指纹图像中特征点(分叉点和端点)的个数,用OPTA方法细化得到的指纹图像中特征点个数为17 676个;用改进的OPTA方法得到的指纹图像中特征点的个数为15 285个;而用本文算法得到的细化图像中特征点的个数为10 178个,比OPTA方法减少了42.41%,比改进的OPTA方法减少了33.41%,可见本文方法可以在很大程度上减少毛刺,消除伪特征点。
6 结 语
本文算法属于并行细化算法,可以同时处理指纹图像中的各个像素点,处理速度快、细化的结果光滑、无毛刺,大大改善了指纹细化的效果。从实验结果可见,用本文算法细化的图像在满足细化的各种要求的基础上,细化结果光滑无毛刺,无纹线吞噬现象。需要说明的是,本文对所选指纹图像只进行了一般二值化(分块阈值法)处理,如果在细化之前对指纹图像进行一定的增强处理并使用针对于指纹图像的二值化方法,去除指纹脊线的粘连并连接断线,效果可能会更好。
摘要：OPTA方法是一个经典的指纹图像细化方法,针对OPTA法的不足提出改进的OPTA方法能够得到完全细化的指纹图像,细化后图像纹线扭曲小。但是改进的OPTA方法还存在细化后的图像容易产生毛刺的不足,为此提出一组改进模板,即在改进的OPTA模板的基础上增加一组去除毛刺的模板。实验表明,通过该算法得到的细化指纹图像在保持连通性的基础上光滑无毛刺,取得了更为理想的细化结果。
关键词：图像处理,细化,模板,毛刺
参考文献
[1]朱磊,张雄伟.自动指纹识别系统中校准算法的改进[J].通信学报,2003,24(1):91-97.
[2]马君.小波变换技术在指纹图像预处理中的应用[J].西安电子科技大学学报:自然科学版,2005,32(4):653-656.
[3]聂贵军,吴陈,叶锡君.基于连续分布方向图和改进的Poin-care Index的指纹分类[J].电子学报,2006,34(5):947-952.
[4]Chin R T,Wan H K,Stover D L,et al.A One-pass ThinningAlgorithm and Its Parallel I mplementation[J].ComputerI mage Processing,1987,40(1):30-40.
[5]Hall R W.Opti mally Small Operator Supports for Fully Parallel Thinning Algorithms[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,1993,15(8):828-833.
[6]Pavlidis T.Algorithms for Graphics and I mage Processing[M].Washington DC,USA:Rockville,Computer SciencePress,1982.
[7]Guo Z C,Richard WH.Parallel Thinning with Two-subiterationAlgorithms[J].Communications of ACM,1989,32(3):359-373.
[8]冯星奎,李林艳,颜祖泉.一种新的指纹图像细化算法[J].中国图像图形学报,1999,4(10):835-838.