CN102129561A - 一种基于人工免疫遗传和形态学的指纹图像分割方法 - Google Patents

Abstract

一种基于人工免疫遗传和形态学的指纹图像分割方法，属于图像处理技术领域。本发明利用人工免疫遗传的方法来计算最佳分割阀值，算法集免疫机制与进化机制为一体，吸收了遗传算法并行搜索的优点，并通过“疫苗接种”和“疫苗选择”，能在快速搜索的基础上有效的防止群体退化的现象产生，将基于灰度和梯度分布的分割方法中的指纹图像灰度值一致性和抗体浓度作为抗体的亲和力函数，进行遗传迭代，产生最优抗体，因此能够有效的分割指纹图像，具有分割效果好、鲁棒性高的特点，并且运算量较小、耗时较短，能达到实时指纹识别的要求。

Description

一种基于人工免疫遗传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，完成认证的一种解决方案。作为生物识别技术中最为成熟和研究最为深入的识别技术之一，指纹识别技术已成功应用于社会生活的各个领域之中，如：门禁、考勤系统、电子商务、特征密码验证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嵌入到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，IEEETRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE，VOL.19，NO.4，APRIL 1997；和文献：Anil K.Jain，Arun Ross，Salil Prabhakar，“An Introduction to BiometricRecognition”，IEEE Transaction on Circuits and Systems for Video Technology，Volume 14，No.1，pp4-20，2004所述。

在指纹自动识别系统中，指纹图像的分割技术是一项关键的技术，指纹图像分割的目的有：(1)能够减少后续算法的计算量，因为后续识别过程均是在指纹图像分割后的区域中进行，这样在很大程度上提高了指纹自动识别系统的速度。(2)能够提高自动指纹识别系统的识别率和减少误识别率，因为可以在后续识别过程中只选取高质量的分割区域进行自动指纹系统的识别。然而，指纹采集过程中通常伴随着各种各样的结构性噪声，一部分是由于采集仪器造成的，如采集仪上的污质，仪器参数设置的不当等；另外一部分是由于所采集手指的状态造成的，如手指的过干，太湿，伤疤，脱皮等。这些噪声的存在，往往导致最终的分割区域和我们所希望得到的分割区域存在一定的偏差。在目前已有的方法中，虽然有比较好的指纹分割方法，但是存在分割区域的准确性不稳定的缺点。详见文献Lin Hong，Wan Yifie，andAnil Jain.Fingerprint Image Enhancement：Algorithm and Performance Evaluation.IEEETRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE，VOL.20，NO.8，AUGUST 1998；Maio D，Maltoni.A structural approach to fingerprint classification.PatterRecognition，1996和文献Ghassemian.A robust on-line restoration algorithm for fingerprintsegmentation.Image Processing 1996所述。

目前常用的指纹图像分割方法有：

(1)基于灰度和梯度分布的分割方法。Mehtre，Chatter Jee.Segmentation of fingerprintimages-a composite method.Patter Recognition 1989，22(4)

(2)基于线性分类器的分割方法。Chen Xinjian，Tian Jie，Cheng Jiangang.Segmentation offingerprint images using linear classifier.EURSIP Journal on Aplied Signal Processing 2004

(3)基于模糊分类的分割方法。Ghassemian.A robust on-line restoration algorithm forfingerprint segmentation.Image Processing 1996

(4)基于直方图均衡的分割方法。Ahmed Wathik Naji，Abd Raham Ramli.A segmentationalgorithm based on histogram equalize for fingerprint classification system.ICECE 2002

上述指纹分割方法都在一定程度上存在问题，对低质量的指纹分割效果不稳定。

发明内容

本发明提供一种基于人工免疫遗传和形态学的指纹图像分割方法，利用人工免疫遗传的方法来计算最佳分割阀值，算法集免疫机制与进化机制为一体，吸收了遗传算法并行搜索的优点，并通过“疫苗接种”和“疫苗选择”，能在快速搜索的基础上有效的防止群体退化的现象产生，将基于灰度和梯度分布的分割方法中的指纹图像灰度值一致性和抗体浓度作为抗体的亲和力函数，进行遗传迭代，产生最优抗体，因此能够有效的分割指纹图像，具有分割效果好、鲁棒性高的特点，并且运算量较小、耗时较短，能达到实时指纹识别的要求。

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：灰度值归一化。将指纹图像的灰度值归一化到一定范围之内，减小指纹脊线和谷线之间的灰度值变化。

定义4：抗原。是指能够刺激机体产生(特异性)免疫应答的物质。本发明中指待分割指纹图像。

定义5：抗体。指机体的免疫系统在抗原刺激下，所产生的免疫细胞。本发明中指要求解的最佳分割阀值。

定义6：免疫记忆细胞。用来存储和记录抗体适应度的单位。

定义7：轮盘赌选择法。一种按照累积概率进行随机选择的方法。

定义8：交叉和变异的遗传操作。用来进行遗传产生子代抗体的方法。

定义9：形态学。用具有一定形态的结构元素去量度和提取图像中的对应形状的方法。

本发明技术方案如下：

一种基于人工免疫遗传和形态学的指纹图像分割方法，如图1所示，包含下述步骤：

步骤1：对原始采集的指纹图像gray进行灰度值的归一化，以减小指纹脊线和谷线之间的灰度变化范围，具体包括：

步骤1-1：计算指纹图像gray的灰度平均值Mean和灰度方差Var：

$\mathrm{Mean}=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{gray}(i,j)$

$\mathrm{Var}=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(\mathrm{gray}(i,j)-\mathrm{Mean})}^2$

其中，gray(i，j)表示指纹图像gray中像素点(i，j)处的灰度值，1≤i≤M，1≤j≤N，M为指纹图像gray上一维横向上的像素点个数，N为指纹图像gray上一维纵向上的像素点个数，MN为指纹图像gray总的像素点个数。

步骤1-2：对指纹图像gray进行灰度值归一化，得到待分割指纹图像gray1。灰度值归一化的目的是减少指纹脊线和谷线之间灰度值的动态变化范围，从而优化指纹图像分割的效果。

其中gray1(i，j)为待分割指纹图像gray1中像素点(i，j)点的灰度值，Mean为步骤1-1中计算所得的灰度平均值；Var为步骤1-1中计算所得的灰度方差；M₀为事先确定的一个灰度值，其取值范围为[90，110]；VAR₀为事先确定的一个灰度方差，其取值范围为[90，110]。

步骤2：用基于人工免疫遗传的方法计算步骤1所得指纹图像gray1的最佳分割阀值，具体步骤如下：

步骤2-1：把待分割指纹图像gray1视为抗原进行编码，即把待分割指纹图像gray1所有像素点的像素值按逐行或逐列的方式排列在一起，组成一个一维向量Anti。

步骤2-2：随机产生N1个长度为M1的初始抗体，每个初始抗体的元素值为[0，255]之间的整数，并确定人工免疫遗传的最大迭代代次数GM。本发明把希望得到的所有最优分割阀值视为免疫系统的抗体集合，假设免疫系统由N1个抗体组成，每个抗体长度为M1，则免疫系统的抗体集合可写成一个的N1×M1大小的数据矩阵。

步骤2-3：计算所有初始抗体对抗原的亲和力即抗体的适应度，抗体的适应度F用所分割区域的一致性度量函数G的加权和来表示：

$F=\frac{1}{M_1}\underset{j=1}{\overset{M_1}{\mathrm{\Σ}}}{W}_j\left(p_j\right)*G_j$ 1≤j≤M1，

其中

$G=\frac{\underset{j=1}{\overset{M1}{\mathrm{\Σ}}}{(m_i-m_j)}^2}{M1*{\mathrm{\σ}}_i^2}$ 1≤i，j≤M1，且i≠j1

而

其中， 

表示为分割区域r_i的灰度方差值，抗体长度M1同时表示分割区域r_i的个数，m_i和m_j分别表示为分割区域r_i和r_j的平均灰度值，p_j为当前分割区域的面积，W_j(p_j)为为分割区域的面积加权系数， 

为所有分割区域中最小区域的面积，β为所有分割区域中最大区域的面积。

步骤2-4：把N1个抗体适应度函数F按从大到小或从小到大的顺序排列起来，若迭代次数达到最大迭代次数GM，则将抗体适应度函数F最大的抗体作为最佳适应度抗体输出，否则执行下步骤2-5；

步骤2-5：计算抗体集合中抗体的选择概率p_s(k)，然后用轮盘赌选择法提取所需要的抗体；

$p_s\left(k\right)=\mathrm{\α}\×c\×|1-\frac{F_k}{F_{\max }}|+\mathrm{\β}\×\frac{F_k}{F_{\max }}$ 1≤k≤N1

$P=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{P}_s\left(k\right)$

$S\left(k\right)=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\frac{P_s\left(k\right)}{P}$

其中α和β是根据经验规定的调节因子，c表示抗体的浓度，即相同抗体在总抗体中所占的比例，F_k是单个抗体的适应度函数，F_max是抗体集合中的最大适应度函数，P是总的选择概率，S(k)是第k个抗体的累积选择概率；随机产生N1个[0，1]之间的数，对每一个[0，1]之间的随机数，若该随机数小于或者等于第k个抗体的累积概率并且大于第k-1个抗体的累积概率，则选择第k个抗体，总共选择N1个抗体并转入步骤2-6；

步骤2-6：先对步骤2-5中N1个抗体随机配对进行交叉操作：

$\left\{\begin{array}{c}{x}_i^{\′}=x_i+r_1(x_i-y_j)\\ y_j^{\′}=y_j+(1-r_1)(x_i-y_j)\end{array}\right.$ 1≤i，j≤N1，且i≠j1

再利用交叉所得的N1个中间抗体做变异操作：

x″_i＝x′_i+r₂(xmax-x′_i)    1≤i≤N1，

其中x_i和y_j表示进行交叉操作的两个父代抗体，r₁代表交叉选择概率，r₂代表遗传选择概率，xmax表示父代中适应度最大的抗体；x′_i和y′_j表示交叉操作所产生的中间抗体；x″_i表示变异操作所产生的子代抗体。

步骤2-7：计算所有子代抗体x″_i的适应度，若某个子代抗体的适应度小于父代抗体x_i的适应度(说明出现退化现象)，则用其对应的父代抗体取代该子代抗体，得到一个新的抗体集合，迭代次数加一后返回步骤2-4。

步骤3：利用步骤2-4最终输出的最佳适应度抗体，即最优分割阀值对原始采集的指纹图像gray进行多阀值分割，得到初步的分割结果gray2：

步骤4、用形态学的方法处理分割后得到的区域，以消除细小毛刺和填补细小空洞，并得到最终的指纹分割图像。具体方法是：先对分割结果gray2的所有分割区域进行开操作， 以消除细小的毛刺；再对所有分割区域进行闭操作，以填补细小的空洞。

通过以上步骤，就能得到最终的指纹分割图像。

需要说明的是：

步骤1中的灰度值归一化的作用是为了减小指纹脊线和谷线之间灰度值的动态变化范围，使指纹脊线和谷线的灰度值限定在一定的范围之内。同时也使得整个指纹图像的灰度值分布在一个比较集中的区域。

步骤2采用了人工免疫遗传的方法来计算最佳分割阀值，其中把待分割的指纹图像编码成抗原。把需要计算的最佳分割阀值编码成抗体，经过免疫遗传的多次迭代，得到的最佳分割阀值，步骤2-5中调节因子α的一般取值范围为[0.3，0.5]，调节因子β的一般取值范围为[0.5，0.7]；步骤2-6中交叉选择概率r₁的一般取值范围为[0.5，0.7]，遗传选择概率r₂的一般取值范围为[0.07，0.09]。

步骤3中采用步骤2中计算的阀值对指纹图像进行多阀值分割，然后可以根据后续识别步骤所需要的图像质量选取分割后的区域。

步骤4中，中采用形态学出来分割后的区域，能有效的消除一些细小的毛刺和填补一些细小的空洞。

在实际计算中，为了减少计算量，我们可以根据指纹图像质量的情况，选择不同的抗体个数和抗体所含基因的个数，这样可以大大加快指纹最佳阀值求解的速度。

本发明的创新之处在于：

1、采用人工免疫遗传的方法来求解最佳阀值，在并行搜索的同时有效的避免了陷入局部最优解的情况，具有高鲁棒性；

2、在人工免疫遗传的抗体选择步骤中，在计算选择概率时就加入了对抗体浓度的评价，能有效的保持抗体的多样性；

3、采用多阀值的方法对指纹图像进行分割，而不是简单的把指纹图像分为前景区域和背景区域，这样就可以根据后续算法对指纹质量的不同要求，选择不同的分割区域；

附图说明

图1是本发明流程示意图。

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中完成一幅指纹图像分割的平均时间约为0.7s。

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、采集指纹图像，并采用步骤1的方法对指纹图像进行灰度值的归一化，这里灰度平均值M₀的大小为100，灰度方差值VAR₀取值大小为100。

2、把指纹图像视作抗原进行十进制编码，把需要求解的阀值视作抗体进行十进制编码。

3、初始化抗体矩阵，并确定最大迭代次数，这里的最大迭代次数取值为100。

4、计算抗体的适应度函数。

5、把抗体按适应度函数的大小从高到低排序，产生记忆细胞，若满足最大迭代次数则输出最佳适应度抗体。

6、用轮盘赌选择法提取进行参加遗传的抗体，调节因子α大小为0.4和调节因子β大小为0.6。

7、对选择的抗体进行交叉和变异的遗传操作，这里交叉选择概率r₁大小为0.65，遗传选择概率r₂的大小为0.08。

8、检测子代抗体，若其适应度仍不如父代，说明出现退化现象，该个体被父代中所对应的个体所取代，否则进行模拟退火选择。

9、更新记忆细胞库，迭代次数累加一次，转步骤4。

10、用步骤5得到的最佳分割阀值对指纹图像进行多阀值分割。

11、用形态学的方法处理分割后得到的区域，以消除细小毛刺和填补细小空洞，并得到最终的指纹分割图像。

Claims (4)

1.一种基于人工免疫遗传和形态学的指纹图像分割方法，包含下述步骤：

步骤1：对原始采集的指纹图像gray进行灰度值的归一化，以减小指纹脊线和谷线之间的灰度变化范围，具体包括：

步骤1-1：计算指纹图像gray的灰度平均值Mean和灰度方差Var：

$\mathrm{Mean}=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{gray}(i,j)$

$\mathrm{Var}=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(\mathrm{gray}(i,j)-\mathrm{Mean})}^2$

其中，gray(i，j)表示指纹图像gray中像素点(i，j)处的灰度值，1≤i≤M，1≤j≤N，M为指纹图像gray上一维横向上的像素点个数，N为指纹图像gray上一维纵向上的像素点个数，MN为指纹图像gray总的像素点个数；

步骤1-2：对指纹图像gray进行灰度值归一化，得到待分割指纹图像gray1；

其中gray1(i，j)为待分割指纹图像gray1中像素点(i，j)点的灰度值，Mean为步骤1-1中计算所得的灰度平均值；Var为步骤1-1中计算所得的灰度方差；M₀为事先确定的一个灰度值；VAR₀为事先确定的一个灰度方差；

步骤2：用基于人工免疫遗传的方法计算步骤1所得指纹图像gray1的最佳分割阀值，具体步骤如下：

步骤2-1：把待分割指纹图像gray1视为抗原进行编码，即把待分割指纹图像gray1所有像素点的像素值按逐行或逐列的方式排列在一起，组成一个一维向量Anti；

步骤2-2：随机产生N1个长度为M1的初始抗体，每个初始抗体的元素值为[0，255]之间的整数，并确定人工免疫遗传的最大迭代代次数GM；

步骤2-3：计算所有初始抗体对抗原的亲和力即抗体的适应度，抗体的适应度F用所分割区域的一致性度量函数G的加权和来表示：

$F=\frac{1}{M_1}\underset{j=1}{\overset{M_1}{\mathrm{\Σ}}}{W}_j\left(p_j\right)*G_j$ 1≤j≤M1，

其中

$G=\frac{\underset{j=1}{\overset{M1}{\mathrm{\Σ}}}{(m_i-m_j)}^2}{M1*{\mathrm{\σ}}_i^2}$ 1≤i，j≤M1，且i≠j1

而

其中，表示为分割区域r_i的灰度方差值，抗体长度M1同时表示分割区域r_i的个数，m_i和m_j分别表示为分割区域r_i和r_j的平均灰度值，p_j为当前分割区域的面积，W_j(p_j)为为分割区域的面积加权系数，

为所有分割区域中最小区域的面积，β为所有分割区域中最大区域的面积；

步骤2-4：把N1个抗体适应度函数F按从大到小或从小到大的顺序排列起来，若迭代次数达到最大迭代次数GM，则将抗体适应度函数F最大的抗体作为最佳适应度抗体输出，否则执行下步骤2-5；

步骤2-5：计算抗体集合中抗体的选择概率p_s(k)，然后用轮盘赌选择法提取所需要的抗体；

$p_s\left(k\right)=\mathrm{\α}\×c\×|1-\frac{F_k}{F_{\max }}|+\mathrm{\β}\×\frac{F_k}{F_{\max }}$ 1≤k≤N1

$P=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{P}_s\left(k\right)$

$S\left(k\right)=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\frac{P_s\left(k\right)}{P}$

其中α和β是根据经验规定的调节因子，c表示抗体的浓度，即相同抗体在总抗体中所占的比例，F_k是单个抗体的适应度函数，F_max是抗体集合中的最大适应度函数，P是总的选择概率，S(k)是第k个抗体的累积选择概率；随机产生N1个[0，1]之间的数，对每一个[0，1]之间的随机数，若该随机数小于或者等于第k个抗体的累积概率并且大于第k-1个抗体的累积概率，则选择第k个抗体，总共选择N1个抗体并转入步骤2-6；

步骤2-6：先对步骤2-5中N1个抗体随机配对进行交叉操作：

$\left\{\begin{array}{c}{x}_i^{\′}=x_i+r_1(x_i-y_j)\\ y_j^{\′}=y_j+(1-r_1)(x_i-y_j)\end{array}\right.$ 1≤i，j≤N1，且i≠j1

再利用交叉所得的N1个中间抗体做变异操作：

x″_i＝x′_i+r₂(xmax-x′_i) 1≤i≤N1，

其中x_i和y_j表示进行交叉操作的两个父代抗体，r₁代表交叉选择概率，r₂代表遗传选择概率，xmax表示父代中适应度最大的抗体；x′_i和y′_j表示交叉操作所产生的中间抗体；x″_i表示变异操作所产生的子代抗体；

步骤2-7：计算所有子代抗体x″_i的适应度，若某个子代抗体的适应度小于父代抗体x_i的适应度，则用其对应的父代抗体取代该子代抗体，得到一个新的抗体集合，迭代次数加一后返回步骤2-4；

步骤3：利用步骤2-4最终输出的最佳适应度抗体，即最优分割阀值对原始采集的指纹图像gray进行多阀值分割，得到初步的分割结果gray2：

步骤4、用形态学的方法处理分割后得到的区域，以消除细小毛刺和填补细小空洞，并得到最终的指纹分割图像。具体方法是：先对分割结果gray2的所有分割区域进行开操作，以消除细小的毛刺；再对所有分割区域进行闭操作，以填补细小的空洞；

通过以上步骤，就能得到最终的指纹分割图像。

2.根据权利要求1所述的基于人工免疫遗传和形态学的指纹图像分割方法，其特征在于，步骤1-2中所述M₀和VAR₀的取值范围为[90，110]。

3.根据权利要求1所述的基于人工免疫遗传和形态学的指纹图像分割方法，其特征在于，步骤2-5中所述调节因子α的一般取值范围为[0.3，0.5]，调节因子β的一般取值范围为[0.5，0.7]；步骤2-6中所述交叉选择概率r₁的一般取值范围为[0.5，0.7]，遗传选择概率r₂的一般取值范围为[0.07，0.09]，

4.根据权利要求1所述的基于人工免疫遗传和形态学的指纹图像分割方法，其特征在于，步骤2-4中所述最大迭代次数GM取值为100。

Images