CN102254172B - 一种基于细胞神经网络和形态学的指纹图像分割方法 - Google Patents

Abstract

一种基于细胞神经网络和形态学的指纹图像分割方法，属于图像处理技术领域。首先在原始指纹图像的灰度直方图h(k)的指纹前景峰值和背景峰值之间的曲线波谷中确定一个初始阈值t，然后计算原始指纹图像的模糊度μ(f(x，y))；接着用香农函数S(μ(f(x，y)))计算出模糊度的熵E(I)，并对熵取最小值计算出最优模糊阈值t^*；然后用最优模糊阈值t^*计算出神经细胞网络阈值z^*，用两个3×3大小的方形神经细胞网络模板对指纹图像进行处理，得到大致指纹前景区域图像；最后用9×9的形态学模板对大致指纹前景区域图像进行形态学操作得到最终的指纹前景区域图像。本发明的指纹分割算法计算量比较小，而且通过形态学操作之后的指纹前景轮廓也较平滑。

Description

一种基于细胞神经网络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.ACTAAUTOMATICA 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)采用灰度均值和灰度方差的线性分类器方法。参见文献BAZEN A，GEREZ S.Segmentation of fingerprint images[C]//Proceedings of Workshop on Circuits Systems and SignalProcessing(ProRISC’01).Washington：IEEE Computer Society，2001：276-280.

(2)采用指纹图像块方向图特性的方法。参见文献MAO Keming，WANG Guoren，CHANG Yong，et a.1A multi-stage fingerprint image segmentation method[C]//Proceedings ofInternational Conference on Intelligent System and Knowledge Engineering(ISKE’08).Washington：IEEE Computer Society，2008，1：1141-1145.

(3)基于隐马尔可夫模型的分割方法。参见文献KLEIN S，BAZENAM，VELDHUIS R NJ.Fingerprint image segmentation based on hidden Markov models[C]//Proceedings of 13^th AnnualWorkshop on Circuits，Systems，and Signal Processing.[S..1]：[s.n.]，2002：310-318.

(4)基于多尺度小波变换和能量场的分割方法。参见文献BERNARD S，BOUJEMAAN，VITALED，et al Fingerprint segmentation using the phase of multi scale Gabor wavelets[DB/OL].[2009-12-06].

上述指纹分割算法是建立在指纹图像的像素值信息和块信息之上的，其中方法(1)和(2)考虑的因素太少，因此对于低质量指纹图像的分割会产生很大的错误分割率；(3)和(4)虽然考虑了各种因素，但是其算法模型的计算复杂性过高。

发明内容

本发明提供一种基于细胞神经网络和形态学的指纹图像分割方法，该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和完整。

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3：二值化。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4：分段线性函数。每一段的图像都是直线而对应函数体不同的函数。

定义5：细胞神经网络。标准的M*N大小的细胞神经网络是由细胞C(i，j)组成的二维空间阵列，其数学模型为 $\stackrel{\·}{x_{i,j}}=-x_{i,j}+\underset{k=-r}{\overset{r}{\mathrm{\Σ}}}\underset{l=-r}{\overset{r}{\mathrm{\Σ}}}{a}_{k,l}{y}_{i+k,j+l}+\underset{k=-r}{\overset{r}{\mathrm{\Σ}}}\underset{l=-r}{\overset{r}{\mathrm{\Σ}}}{b}_{k,l}{u}_{i+k,j+l}+z_{i,j},$ i＝1，2，...，M；j＝1，2，...，N； $y_{i,j}=\frac{1}{2}\left(\right|x_{i,j}+1|-|x_{i,j}-1\left|\right);$ 其中x_i，j，y_i，j，u_i，j，z_i，j分别代表状态、输出、输入和阈值；S_i，j(r)是半径为r的影响球；a_k，l和b_k，l分别是A模板和B模板的参数。输出y_i，j是一个分段线性函数。

定义6：标准的阈值细胞神经网络。有两种标准的阈值模板形式，其中A模板是3*3大小的中心值为2，其他值为0的矩阵；B模板是3*3大小的零矩阵；Z＝-z^*，-1＜z^*＜1，z^*代表阈值。从全局来看，给定一副灰度图像P和阈值z^*，输入U(t)为任意或缺省为U(t)＝0，初始状态：X(0)＝P，固定边界条件，所有边界虚细胞有u_i，j＝y_i，j＝0，输出

为二值图像，P中的像素当其灰度p_i，j＞z^*时变黑，否则变白；从局部来看当x_i，j(0)＜z^*时变白，x_i，j(0)＞z^*时变黑，这时与其周围像素无关，当x_i，j(0)＝z^*时设为零噪声。

定义7：模糊集合。用来表达模糊性概念的集合，即具有某个模糊概念所描述的属性的对象的全体。由于概念本身不是清晰的、界限分明的，因而对象对集合的隶属关系也不是明确的、非此即彼的。

定义8：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：

“腐蚀”运算公式为：“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，o为开启运算符，g为闭合运算符。

定义9：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。

本发明技术方案如下：

一种基于细胞神经网络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I(x，y)的灰度直方图h(k)，然后从灰度直方图h(k)的指纹前景峰值和背景峰值之间的曲线波谷中确定一个初始阈值t；所述灰度直方图h(k)＝n_k，k＝0，1，...，L，其中L表示最大灰度等级，n_k表示灰度值为k的像素点个数。本步骤能够得到指纹图像的基本质量效果，为计算模糊阈值做准备。

步骤2：用模糊集理论获取细胞神经网络的阈值z^*，用细胞神经网络的阈值z^*对原始指纹图像I(x，y)进行分割，得到去除了模糊区域的大致指纹前景区域图像I′(x，y)。本步骤能够大致地确定指纹前景区域，并去除大部分模糊区域和背景区域，减少后续步骤的计算量。包括以下具体步骤：

步骤2-1：计算原始指纹图像I(x，y)中每个像素点的模糊度μ(f(x，y))。

$\mathrm{\μ}\left(f(x,y)\right)=\frac{1}{1+|f(x,y)-{\mathrm{\μ}}_0\left(t\right)|C}$ 当f(x，y)≤t时；

$\mathrm{\μ}\left(f(x,y)\right)=\frac{1}{1+|f(x,y)-{\mathrm{\μ}}_1\left(t\right)|C}$ 当f(x，y)＞t时；

其中：μ(f(x，y))表示原始指纹图像I(x，y)中像素点(x，y)的模糊度，f(x，y)表示像素点(x，y)的像素值，μ₀(t)表示背景像素的平均值，μ₁(t)表示前景像素的平均值，t为步骤1所得初始阈值，C为取值在(0，1)之间的常数。

步骤2-2：用香农函数S(μ(f(x，y)))计算原始指纹图像I(x，y)中每个像素点的模糊度的熵E(I)，而当E(I)取得最小值时就可以得到最优的模糊阈值t^*。

其中：S(μ(f(x，y)))＝-μ(f(x，y))ln[μ(f(x，y))]-[1-μ(f(x，y))]ln[1-μ(f(x，y))]；

$E\left(I\right)=\frac{1}{\mathrm{MN}\ln 2}\underset{k=0}{\overset{L}{\mathrm{\Σ}}}S\left(\mathrm{\μ}\left(f(x,y)\right)\right)h\left(k\right);$ t^*＝min E(I)；M、N分别表示原始指纹图像I(x，y)的行数和列数。

步骤2-3：计算神经细胞网络阈值z^*；z^*＝2×(t^*/255-0.5)。对于细胞神经网络来说，背景像素相当于-1，而前景像素相当于1，所以z^*的取值在-1到1之间。

步骤2-4：计算去除了模糊区域的大致指纹前景区域图像I′(x，y)。

$I^{\′}(x,y)=\frac{1}{2}\left(\right|f^{\′}(x,y)+1|-|f^{\′}(x,y)-1\left|\right),$

其中：f′(x，y)＝-f(x，y)+a+b+z^*为中间值，而参数a的计算方法是以像素点f(x，y)为中心取与A模板相同大小的区域像素点与A模板对应点乘后相加得到，b参数的计算方法是以像素点f(x，y)为中心取与B模板相同大小的区域像素点与B模板对应点乘后相加得到，A模板为3×3大小的矩阵，周围取值都为0，中心值可取[0，8]之间的整数(根据经验宜取4)；B模板是值全相同的3×3大小的矩阵，取值区间为[1，10](根据经验宜取1)。

步骤3：对步骤2所得去除了模糊区域的大致指纹前景区域图像I′(x，y)进行形态学操作处理，确定最终的指纹前景区域图像。本步骤所采用的形态学操作不但能够得到比较光滑的指纹前景轮廓，而且它的计算量比较小，能够较大的提高速度。具体形态学操作过程更包括：

步骤3-1：对去除了模糊区域的大致指纹前景区域图像I′(x，y)取反，采用9×9大小的全1矩阵模板对取反后的去除了模糊区域的大致指纹前景区域图像I′(x，y)进行闭操作，使得指纹的前景区域连接成一个连通区域。

步骤3-2：对闭操作后的结果进行开操作，以消除一些删除一些孤立的小块或细小的末梢。

步骤3-3：对经步骤3-1和步骤3-2操作后的结果进行标号处理，标记出图像中不同的连通域，然后选择最大的连通域作为指纹前景区域。

步骤3-4：构建一个与原始指纹图像I(x，y)相同大小的指纹图像分割模板，指纹图像分割模板的前景区域与步骤3-3所得指纹前景区域一致、且像素值设为1，其余像素点为背景像素点、且像素值设为0；采用该指纹图像分割模板与原始指纹图像I(x，y)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，我们就能够较好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是为确定除边缘信息外的指纹前景区域。细胞神经网络是一种实时信号处理的非线性模拟电路，其单位元细胞，只与最临近的细胞有关。从总体来看，它在时域能进行大量的实时信号处理；从局部来看，它每一个细胞只与临近细胞有关的特性非常适合应用于指纹图像的分割和提取。但细胞神经网络的阈值选取非常重要，本发明中应用模糊算法的原理很好的解决了阈值问题。由于指纹的前景区域相对比较集中，选用细胞神经网络的方法能较快较好的提取出前景区域。

步骤2中应用细胞神经网络阈值进行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。

步骤3中用形态学模板对指纹进行边缘提取，由于在普通分辨率下的指纹脊线之间的距离通常在[7，11]之间，所以选用的模板大小为9×9。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。在形态学中应用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、归一化指纹图像直方图能够更好地显示出指纹的前景像素信息。

2、采用细胞神经网络的方法能很好地消除指纹图像中的噪声，更有效地从指纹图像中提取出有用信息。

3、采用模糊算法理论能更快地计算出细胞神经网络的阈值，而且分割出来的前景区域效果比较好，运算量也相对较小。

4、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 2.0GHZ中完成一幅480×640指纹图像分割的平均时间为0.03s。

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、采集指纹原始图像，对原始图像计算灰度直方图。

2、用灰度直方图得到的初始阈值计算出指纹图像的模糊度。

3、用香农函数计算出指纹图像模糊度的熵，并对熵取最小值计算出最优模糊阈值。

4、用最优模糊阈值计算出神经细胞网络阈值，用两个3×3大小的方形神经细胞网络模板对指纹图像进行处理。

5、用细胞神经网络阈值对已经步骤4后的指纹图像进行二值化，得到初步分割后的指纹图像。

6、用9×9的方形模板对二值化图像进行闭操作，然后再进行开操作。

7、把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，将原始指纹图像同该模板进行点乘运算，得到最终的指纹前景区域图像。

Claims (2)

1.一种基于细胞神经网络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I(x,y)的灰度直方图h(k)，然后从灰度直方图h(k)的指纹前景峰值和背景峰值之间的曲线波谷中确定一个初始阈值t；所述灰度直方图h(k)=n_k,k=0,1，...,L，其中L表示最大灰度等级，n_k表示灰度值为k的像素点个数；

步骤2：用模糊集理论获取细胞神经网络的阈值z^*，用细胞神经网络的阈值z^*对原始指纹图像I(x,y)进行分割，得到去除了模糊区域的大致指纹前景区域图像I′(x,y)；包括以下具体步骤：

步骤2-1：计算原始指纹图像I(x,y)中每个像素点的模糊度μ(f(x,y))；

$\mathrm{\μ}\left(f(x,y)\right)=\frac{1}{1+|f(x,y)-{\mathrm{\μ}}_0\left(t\right)|C}$ 当f(x,y)≤t时；

$\mathrm{\μ}\left(f(x,y)\right)=\frac{1}{1+|f(x,y)-{\mathrm{\μ}}_1\left(t\right)|C}$ 当f(x,y)>t时；

其中：μ(f(x,y))表示原始指纹图像I(x,y)中像素点(x,y)的模糊度，f(x,y)表示像素点(x,y)的像素值，μ₀(t)表示背景像素的平均值，μ₁(t)表示前景像素的平均值，t为步骤1所得初始阈值，C为取值在（0，1）之间的常数；

步骤2-2：用香农函数S(μ(f(x,y)))计算原始指纹图像I(x,y)中每个像素点的模糊度的熵E(I)，而当E(I)取得最小值时就可以得到最优的模糊阈值t^*；

其中：S(μ(f(x,y)))=-μ(f(x,y))ln[μ(f(x,y))]-[1-μ(f(x,y))]ln[1-μ(f(x,y))]； $E\left(I\right)=\frac{1}{\mathrm{MN}\ln 2}\underset{k=0}{\overset{L}{\mathrm{\Σ}}}S\left(\mathrm{\μ}\left(f(x,y)\right)\right)h\left(k\right);$ t^*=minE(I)；M、N分别表示原始指纹图像I(x,y)的行数和列数；

步骤2-3：计算神经细胞网络阈值z^*；z^*=2×(t^*/255-0.5)；

步骤2-4：计算去除了模糊区域的大致指纹前景区域图像I′(x,y)；

$I^{\′}(x,y)=\frac{1}{2}\left(\right|f^{\′}(x,y)+1|-|f^{\′}(x,y)-1\left|\right),$

其中：f'(x,y)=-f(x,y)+a+b+z^*为中间值，而参数a的计算方法是以像素点f(x,y)为中心取与A模板相同大小的区域像素点与A模板对应点乘后相加得到，b参数的计算方法是以像素点f(x,y)为中心取与B模板相同大小的区域像素点与B模板对应点乘后相加得到，A模板为3×3大小的矩阵，周围取值都为0，中心值可取[0,8]之间的整数；B模板是值全相同的3×3大小的矩阵，取值区间为[1,10]；

步骤3：对步骤2所得去除了模糊区域的大致指纹前景区域图像I′(x,y)进行形态学操作处理，确定最终的指纹前景区域图像；具体形态学操作过程更包括：

步骤3-1：对去除了模糊区域的大致指纹前景区域图像I'(x,y)取反，采用9×9大小的全1矩阵模板对取反后的去除了模糊区域的大致指纹前景区域图像I′(x,y)进行闭操作，使得指纹的前景区域连接成一个连通区域；

步骤3-2：对闭操作后的结果进行开操作，以消除一些孤立的小块或细小的末梢；

步骤3-3：对经步骤3-1和步骤3-2操作后的结果进行标号处理，标记出图像中不同的连通域，然后选择最大的连通域作为指纹前景区域；

步骤3-4：构建一个与原始指纹图像I(x,y)相同大小的指纹图像分割模板，指纹图像分割模板的前景区域与步骤3-3所得指纹前景区域一致、且像素值设为1，其余像素点为背景像素点、且像素值设为0；采用该指纹图像分割模板与原始指纹图像I(x,y)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所述的基于细胞神经网络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A模板的中心值为4；所述B模板的取值为1。