CN101329725A - 基于梯度投影和形态学的指纹图像分割方法 - Google Patents

Abstract

基于梯度投影和形态学的指纹图像分割方法，属于图像处理技术领域。首先计算原始指纹图像的横、纵向一阶差分图像G_x、G_y和梯度图像▽f；然后利用梯度图像▽f在横向和纵向的投影曲线确定大致指纹前景区域；然后对大致指纹前景区域图像进行分块，利用梯度方向一致性阀值去除模糊区域；然后对去除了模糊区域的大致指纹前景区域图像的梯度值二值化，利用尺寸大于两相邻脊线之间距离的模板对梯度二值图像进行闭操作和开操作，得到指纹分割模板；最后将原始指纹图像同指纹分割模板进行点乘运算，得到最终的指纹前景区域图像。本发明的指纹分割算法均建立在指纹的梯度图之上，所以其计算量比较小，而且通过形态学操作之后的指纹前景轮廓也较平滑。

Description

基于梯度投影和形态学的指纹图像分割方法

技术领域

本发明属于图像处理技术领域，特别涉及指纹识别技术中的指纹图像处理技术。

背景技术

生物特征识别技术是为了进行身份验证而采用自动技术测量其身体的特征或是个人的行为特点，并将这些特征或特点与数据库的模板数据进行比较，完成身份认证的一种解决方案。作为生物识别技术中最为成熟和方便的成员，指纹识别技术已成功应用于社会的各个领域。如：门禁、考勤系统、电子商务、ATM自动提款机以及罪犯身份鉴定系统等。依赖指纹识别技术建立的指纹自动识别系统作为一种安全可靠的身份识别方法，随着光学扫描技术和RFID技术的发展，个人的指纹信息能够潜入到IC中，使得指纹识别可以在更广泛的领域中得以发展。详见文献Anil Jain，On-Line Fingerprint Verification，IEEE TRANSACTIONS ON PATTERNANALYSIS AND MACHINE INTELLIGENCE，VOL.19，NO.4，APRIL 1997；和文献：Anil K.Jain，Arun Ross，Salil Prabhakar，“An Introduction to Biometric Recognition”，IEEE Transaction onCircuits and Systems for Video Technology，Volume 14，No.1，pp4-20，2004所述。

在指纹自动识别系统中，指纹图像分割是一个重要的环节，指纹图像分割能够去除指纹图像中的不可恢复的前景区域和背景区域，从而提高计算效率。同时，去除低质量区域的指纹能够减少伪特征点的提取，从而保证识别的正确率。指纹的低质量区域通常由以下几种情形造成：(1)采集仪上存在污质，仪器参数设置的不恰当；(2)手指的过干，太湿等。目前，大部分指纹分割方法需要计算多个指纹分割特征，然后再使用分类器来判定指纹的前景和背景。要计算这些指纹分割特征，不但要耗费大量的时间，而且所得到的分类结果也是基于局部信息的。为此，要设计一种能够快速而有效的指纹分割算法对实时性要求很强的指纹识别系统显得尤为必要。详见文献Mehtre B M.Segmentation of fingerprint images-a compositemethod.Pattern Recognition，1989，22(4)：381～385；Lin Hong，Yifei Wan，and Anil Jain.Fingerprint Image Enhancement：Algorithm and Performance Evaluation.IEEE TRANSACTIONSON PATTERN ANALYSIS AND MACHINE INTELLIGENCE，VOL.20，NO.8，AUGUST 1998和文献WANG Sen，WANG Yang-Shen.New features extraction and Application in FingerprintSegmentation.ACTA AUTOMATICA SINIC，Vol.29，No.4，July 2003所述。

目前常用的使用指纹图像分割方法有：

(1)采用方向滤波器与经验阀值结合的方法。参见文献Lin Hong，Yi Fei Wan and Anil Jain“Fingerprint Image Enhancement：Algorithm and Performance Evaluation”IEEE Transactions onPAMI，Vol.20，No.8，pp.777-789，August 1998

(2)采用指纹图像灰度值的方向方差的方法。参见文献A.K.Jain，L.Hong and R.Bolle，″On-line Fingerprint Verification″，IEEE Transactions on PAMI，Vol.19，No.4，pp.302-314，1997.

(3)基于方向信息和对比度信息的D-S理论的分割方法。参见文献唐良瑞，基于D-S证据理论的指纹图像分割方法，计算机学报，2003，26(7)：887-892

(4)基于HMM模型的分割方法。参见文献Klein S，Bazen A，Veldhuis R.Fingerprintimage segmentation based on Hidden Markov models.In：Proc.ProRISC2002.310-318

上述指纹分割算法都是建立在“块信息”的基础之上，因此得到的指纹分割后的前景区域的边缘参差不齐，平滑度不够；其中方法(1)和(2)考虑的因素太少，因而对于低质量指纹图像的分割会产生很大的偏差；而方法(3)和(4)虽然考虑到了各种因素，但是其计算量显得过大。

发明内容

本发明提供一种基于梯度投影和形态学的指纹图像分割方法，能够在较短的时间内有效去除指纹图像的背景区域和指纹图像中不可复原的低质量区域，从而分割出指纹前景区域图像。

本发明的指纹分割方法综合考虑了指纹的各种低质量区域的特征，所采用的形态学操作是基于指纹的边缘图像，而不是如背景技术中的对分割后的“块”进行形态学操作，因此本发明的指纹分割算法分割出来的指纹前景区域的轮廓比较平滑。

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：指纹。手指末端正面皮肤上凹凸不平的纹路。

定义2：灰度图像。图像中只包含亮度信息而没有任何其他颜色信息的图像。

定义3：一阶灰度差分。在灰度图像中，在某一方向上的相邻像素的灰度差作为该处的一阶差分值。一阶差分能够突出图像的垂直边缘信息，便于边缘提取。

定义4：梯度图像。由图像中的每一像素处的梯度所组成的矩阵。梯度反映了图像中像素的变化程度，通常用于检测图像的边缘。

定义5：灰度图像投影。在某一方向上对所有像素灰度进行累加。投影方法通常用于确定图像中的目标物的位置。

定义6：二值化。把整幅图像的所有值转化成只有两种值的过程，一般这两种值为0和1或者0和255。当图像上的值大于等于二值化的阀值的时候，该点的值二值化为1(或255)；当图像上的值小于二值化阀值的时候，该点的值二值化为0。

定义7：数学形态学。用具有一定形态的结构元素去量度和提取图像中对应形状以达到对图像分析和识别的目的。数学形态学的基本运算有4个：膨胀(或扩充)、腐蚀(或侵蚀)、开启和闭合。“膨胀”运算公式为： $A\⊕B=\left\{x\right|{\left(\hat{B}\right)}_x\∩A\≠\mathrm{\φ}\};$ “腐蚀”运算公式为： $\mathrm{A\ΘB}=\left\{x\right|{\left(B\right)}_x\⊆A\};$ “开启”运算公式为：

“闭合”运算公式为：

其中A为图像集合，B为结构元素，^表示做关于原点的映射，()_x表示平移x，∩表示交集，φ表示空集，

表式全包含，

为膨胀运算符，Θ为腐蚀运算符，ο为开启运算符，□为闭合运算符。

定义8：点乘运算。将一个矩阵同另外一个相同维数的矩阵进行对应点的乘积运算。

定义9：梯度方向一致性。用于反映纹路的方向性计算，通常指纹前景区的梯度方向一致性较大，而背景区或噪声严重区域的梯度方向一致性较小。

本发明基于梯度投影和形态学的指纹图像分割方法，包含下述步骤：

步骤1、计算原始指纹图像gray的梯度图像该步骤能够凸现具有高对比度的像素，因而能够很好的呈现出指纹图像的脊线和谷线边缘。

(1)分别计算原始指纹图像gray的横向一阶差分图像G_x和纵向一阶差分图像G_y

(2)由横向和纵向一阶差分图像计算原指指纹图像的梯度图像

$\▿f={\left[G_x^2{+G}_y^2\right]}^{1/2}$

步骤2、找出指纹前景区域的边界以确定大致指纹前景区域，得到大致指纹前景区域图像。该步骤能够大致地确定指纹前景区域，并去除大部分背景区域，从而减少后续步骤的计算量。

(1)分别对梯度图像

在横向和纵向进行投影，得到横向投影曲线h(i)和纵向投影曲线v(i)

(2)在横向投影曲线h(i)上，找到梯度最大值所在的位置，然后向两边搜索。当搜索到h(i)曲线上的局部极小值点，且该点的梯度值小于Lower Mean，则该点所在的水平位置为指纹前景的水平边界线的位置。这样，我们就可以确定指纹前景区域的上边界top_bound和下边界bot_bound。(下式中的Mean代表横向投影曲线的梯度平均值，Lower Mean代表横向投影曲线上梯度值小于Mean的所有点的梯度平均值)

$\mathrm{Mean}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}h\left(i\right)$

$\mathrm{Lower\; Mean}=\frac{1}{N_0}\underset{i=1}{\overset{N_0}{\mathrm{\&Sigma;}}}h\left(i\right),h\left(i\right)<\mathrm{Mean}$

(3)同理，通过纵向投影曲线v(i)可以找到指纹前景区域的左边界left_bound和右边界right_bound。

步骤3、去除步骤2所得的大致指纹前景区域图像中的模糊区域。

(1)将步骤2中所确定的大致指纹前景区域图像划分成w×w的块，然后计算每个块的梯度方向一致性。一般w的取值范围为[7，15]。(下式中Coh为w×w块的梯度方向一致性值，G_x和G_y分别代表指纹的横向和纵向差分图像，而G_s，x，G_s，y，G_xx，G_xy，G_yy为中间变量，∑_W表示对w×w块内的所有元素进行累加操作)

$\mathrm{Coh}=\frac{\left|{\mathrm{\&Sigma;}}_W(G_{s,x},G_{s,y})\right|}{{\mathrm{\&Sigma;}}_W\left|(G_{s,x},G_{s,y})\right|}=\frac{\sqrt{{(G_{\mathrm{xx}}-G_{\mathrm{yy}})}^2+4G_{\mathrm{xy}}^2}}{G_{\mathrm{xx}}+G_{\mathrm{yy}}}$

G_s，x＝G_xx-G_yy，G_s，y＝2G_xy

$G_{\mathrm{xx}}={\mathrm{\&Sigma;}}_W{G}_x^2,$ $G_{\mathrm{yy}}={\mathrm{\&Sigma;}}_W{G}_y^2,$ G_xy＝∑_WG_xG_y

(2)设定梯度方向一致性的阀值，并将梯度方向一致性小于该阀值的块看成模糊区域，将其从大致指纹前景区域图像中删除。梯度方向一致性的阀值取值范围通常为[0.1，0.4]。

步骤4、对步骤3所得去除了模糊区域的大致指纹前景区域图像进行边缘提取，并用形态学方法确定最终的指纹前景区域图像。该步骤所采用的基于高梯度值的点的形态学操作不但能够得到比较光滑的指纹前景轮廓，而且形态学操作的计算量比较小，能够较大的提高速度。

(1)对步骤3所得去除了模糊区域的大致指纹前景区域图像的梯度值进行二值化，提取出指纹的脊线或谷线边缘。在这里，使用全局阀值T对梯度图像进行二值化得到二值图像bw_image。(下式中的阀值T的取值范围通常为

其中

为梯度图像的梯度最大值。)

(2)用尺寸大于两相邻脊线之间距离的模板对梯度的二值图像进行闭操作，然后再用该模板对闭操作后的二值图像进行开操作。在这里，先进行闭操作的目的是使指纹的脊线边缘能够连接成一个连通的区域，后进行开操作的目的是删除一些孤立的小块或细小的末梢。

(3)把上述形态学操作之后的连通的二值图像作为指纹分割的模板，模板中指纹前景区域的值为1，其它区域的值为0。最后，将原始指纹图像gray同该模板进行点乘运算，得到最终的指纹前景区域图像。

通过以上步骤，我们就能够快速的对指纹图像进行分割，而且分割出来的指纹区域有比较平滑的轮廓。

需要说明的是：

步骤2是为了确定指纹前景区域的大致位置，因为指纹前景区域的纹路非常集中，从而梯度值也相对比较大，比较集中。因此用投影法确定出指纹的大致位置，可以减少后续步骤中的大量不必要的计算。

步骤3中，在指纹前景区域内，用分块的方法来计算其梯度方向一致性，可以排除有严重噪声的区域，如图1所示。因为这些高噪声区域的梯度值较大，而梯度方向一致性较小，因此可以在该步骤中有效的去除。在这过程中，梯度方向一致性的取值范围为[0，1]，而排除高噪声区域的梯度方向一致性阀值通常为[0.1，0.4]，随着该阀值的不断提高，具有较大曲率的指纹区域也会随之删除，因此梯度方向一致性不宜太高。

步骤4中的二值化的目的是为了能够快速的提取指纹脊线或谷线的边缘信息，这样就能够借助形态学的方法来连接指纹前景区域。形态学操作模板的尺寸可以用灰度投影的方法进行确定，但是在这里没有必要精确的求出指纹脊线之间的距离。在普通分辨率下的指纹脊线之间的距离通常在[7，11]之间，因此形态学操作模板的大小可以为15×15。当然，随着指纹分辨率的提高，该模板的大小也要做相应的调整。

步骤4中，闭操作是为了连接指纹脊线或谷线的边缘，使其成为一个连通的区域。开操作是为了消除指纹边缘的一些毛刺和背景中的一些尖锐的噪声痕迹。

本发明的有益效果是：

1、所有的操作均建立在梯度图像之上，因而计算量相对较小；

2、采用梯度投影的方法来确定指纹的大致位置和区域，对于较大尺寸的指纹图像，能够减少大量不必要的计算；

3、采用检测指纹边缘和形态学的方法，能够使分割出来的指纹轮廓比较平滑，而且形态学操作的运算量相对较小，有利于提高算法的运行速度；

具体实施方式

采用本发明的方法在VC6.0软件中实现，而指纹图像则由CMOS压感传感器获得。用VC6.0在PC Intel Celeron 1.0GHZ中完成一幅480×640指纹图像分割的平均时间为0.06s

下面以给出一个具体的本发明的实现例。

需要说明的是：下例中的参数并不影响本专利的一般性。

1、采集原始指纹图像，对原始指纹图像计算横向和纵向一阶差分图像。

2、由横向和纵向一阶差分图像计算图像的梯度图像。

3、对梯度图像在横向和纵向投影，得到的投影曲线。

4、用横向和纵向投影曲线确定大致的指纹前景区域。

5、再确定的前景区域内部用梯度方向一致性来排除一些高噪声区域，这里的指纹分块的大小为11×11，梯度方向一致性的阀值为0.2。

6、对剩下的指纹前景区域，对其梯度图像进行二值化，这里的二值化阀值为最大梯度值的1/3。

7、用15×15的方形模板对二值化图像进行闭操作，然后再进行开操作，最后得到的分割出的指纹前景区域图像。

Claims (4)

1、基于梯度投影和形态学的指纹图像分割方法，包含下述步骤：

步骤1、计算原始指纹图像gray的梯度图像

具体包括下述步骤：

步骤1-1、分别计算原始指纹图像gray的横向一阶差分图像G_x和纵向一阶差分图像G_y，

步骤1-2、由横向和纵向一阶差分图像计算原指指纹图像的梯度图像

$\&dtri;f={[G_x^2+G_y^2]}^{1/2}$

步骤2、找出指纹前景区域的边界以确定大致指纹前景区域，得到大致指纹前景区域图像，具体包括下述步骤：

步骤2-1、分别对梯度图像

在横向和纵向进行投影，得到横向投影曲线h(i)和纵向投影曲线v(i)；

步骤2-2、在横向投影曲线h(i)上，找到梯度最大值所在的位置，然后向两边搜索；当搜索到h(i)曲线上的局部极小值点，且该点的梯度值小于Lower Mean，则该点所在的水平位置为指纹前景的水平边界线的位置；这样，我们就可以确定指纹前景区域的上边界top_bound和下边界bot_bound；其中Mean代表横向投影曲线h(i)的梯度平均值，Lower Mean代表横向投影曲线上的梯度值小于Mean的所有点的梯度平均值；

步骤2-3、同步骤2-2，通过纵向投影曲线v(i)找到指纹前景区域的左边界left_bound和右边界right_bound；

步骤3、去除步骤2所得的大致指纹前景区域图像中的模糊区域，具体包括下述步骤：

步骤3-1、将步骤2中所确定的大致指纹前景区域图像划分成w×w的块，然后计算每个块的梯度方向一致性：

$\mathrm{Coh}=\frac{\left|{\mathrm{\&Sigma;}}_W(G_{s,x},G_{s,y})\right|}{{\mathrm{\&Sigma;}}_W\left|(G_{s,x},G_{s,y})\right|}=\frac{\sqrt{{(G_{\mathrm{xx}}-G_{\mathrm{yy}})}^2+4G_{\mathrm{xy}}^2}}{G_{\mathrm{xx}}+G_{\mathrm{yy}}}$

C_s，x＝G_xx-G_yy，G_s，y＝2G_xy

$G_{\mathrm{xx}}={\mathrm{\&Sigma;}}_W{G}_x^2,$ $G_{\mathrm{yy}}={\mathrm{\&Sigma;}}_W{G}_y^2,$ G_xy＝∑WG_xG_y

其中Coh为w×w块的梯度方向一致性值，G_x和G_y分别代表指纹的横向和纵向差分图像，而G_s，x，G_s，y，G_xx，G_xy，G_yy为中间变量，∑_W表示对w×w块内的所有元素进行累加操作；

步骤3-2、设定梯度方向一致性的阀值，并将梯度方向一致性小于该阀值的块看成模糊区域，将其从大致指纹前景区域图像中删除；

步骤4、对步骤3所得去除了模糊区域的大致指纹前景区域图像进行边缘提取，并用形态学方法确定最终的指纹前景区域图像；具体包括下述步骤：

步骤4-1、对步骤3所得去除了模糊区域的大致指纹前景区域图像的梯度值进行二值化，提取出指纹的脊线或谷线边缘；

步骤4-2、用尺寸大于两相邻脊线之间距离的模板对步骤4-1得到的梯度二值图像进行闭操作，然后再用该模板对闭操作后的二值图像进行开操作；

步骤4-3、把上述形态学操作之后的连通的二值图像作为指纹分割的模板，模板中指纹前景区域的值为1，其它区域的值为0；将原始指纹图像Gray同该模板进行点乘运算，得到最终的指纹前景区域图像。

2、根据权利要求1所述的基于梯度投影和形态学的指纹图像分割方法，其特征在于，步骤3-1将步骤2中所确定的大致指纹前景区域图像划分成w×w的块时，w的取值范围为[7，15]。

3、根据权利要求1所述的基于梯度投影和形态学的指纹图像分割方法，其特征在于，梯度方向一致性的阀值取值范围为[0.1，0.4]。

4、根据权利要求1所述的基于梯度投影和形态学的指纹图像分割方法，其特征在于，步骤4-1对步骤3所得去除了模糊区域的大致指纹前景区域图像的梯度值进行二值化时，采用全局阀值T对梯度图像进行二值化得到二值图像bw_image：

其中，阀值T的取值范围为

为梯度图像的梯度最大值。