CN102254173B - 基于k均值聚类与线性邻域传播结合的指纹图像分割方法 - Google Patents

Abstract

本发明公开了一种基于k均值聚类与线性邻域传播结合的指纹图像分割方法，包括步骤：1)利用指纹采集设备，采集指纹图像；2)对采集到的指纹图像进行分块，将其划分成W×W大小的不重叠图像块；3)对每个图像块提取块均值、块方差梯度和块加博特征的标准差，并对所有块的上述三个特征值进行归一化处理；4)对每幅指纹图像用k均值聚类算法自动标记部分前景块和背景块；5)采用线性邻域传播算法学习；6)进行形态学处理，获得分割结果。该方法可以处理利用不同采集设备获得的指纹图像，得到很好的分割效果，非常适合应用于多类型指纹采集设备的互联网环境。

Description

基于k均值聚类与线性邻域传播结合的指纹图像分割方法

技术领域

本发明涉及本发明涉及自动指纹识别领域，具体地说是结合k均值聚类算法与线性邻域传播算法进行指纹图像分割方法。

背景技术

作为自动指纹识别系统中的第一个预处理步骤，指纹图像分割具有非常重要的作用。一幅指纹图像通常由两部分构成：前景区域和背景区域。前景区域是指具有指纹纹理特征的区域；而位于图像边缘的噪声区域通常被称为背景区域。指纹图像分割的目的是将指纹的前景区域从背景区域中分离出来。有效的指纹分割方法能完整地保留指纹的前景区域，去掉噪声区域，不仅可以减少后续步骤的处理时间，而且能提高指纹细节特征获取的准确性。

目前，市场上的指纹采集设备种类繁多，由于采集技术等方面的差异，不同采集设备获得的指纹图像具有不同的灰度等级、图像质量、分辨率等。然而目前大多数自动指纹识别系统中的指纹图像分割算法都是针对某一特定指纹采集设备设计的，当该系统处理不同采集设备获得的指纹图像时，导致适用于某一特定指纹采集设备的指纹图像分割算法在对来自其他型号的指纹采集设备的指纹图像进行分割时，分割效果会变得很差。一个好的指纹图像分割方法，应该能够在不做修改、不做参数配置的前提下自适应不同采集设备获得的指纹图像、可靠地实现分割，即具备较好的采集设备无关性。

发明内容

本发明的目的是为了克服现有指纹图像分割方法中存在的设备自适应性差的问题，提供一种基于k均值聚类与线性邻域传播相结合的指纹图像分割方法，该方法只依靠输入的指纹图像本身，实现了采集设备的无关性。因此，该方法可以处理利用不同采集设备获得的指纹图像，得到很好的分割效果，非常适合应用于多类型指纹采集设备的互联网环境。

为解决上述技术问题，本发明的技术方案是：基于k均值聚类与线性邻域传播结合的指纹图像分割方法,其特征在于：其包括以下步骤：

1）采集指纹图像；

2）对采集到的指纹图像进行分块，将其划分成W×W大小的不重叠图像块；

3）对每个图像块提取块均值、块方差梯度和块加博特征的标准差，并对所有块的上述三个特征值进行归一化处理；

4）对每幅指纹图像用k均值聚类算法自动标记部分前景块和背景块；

5）对每个图像块，使用块的行坐标、列坐标、块均值、块方差梯度和块加博特征的标准差组成一个五维的特征向量，然后利用所述步骤4）中标记的前景块和背景块，采用线性邻域传播学习算法，对剩余的无标记图像块进行类别标记为前景块或者背景块；

6）进行形态学处理，获得分割结果。

在现有指纹图像分割方法中，特征选择时大都利用灰度信息与纹理信息，计算特征值时基于块或基于像素。因为基于块特征的方法具有较低的时间复杂度，本专利采用基于块特征的指纹分割方法。本专利提取如下三个特征描述每个指纹图像块：（a）块均值；（b）块方差梯度；（c）块加博特征的标准差，并将整幅指纹图像分成大小为W×W的不重叠的图像块，所以所述步骤3）中对每个图像块提取块均值、块方差梯度和块加博特征的标准差为：

a.块均值

用M表示一个图像块的均值，对每一个图像块而言，块均值如式（1）所示：

$M=\frac{1}{w\×w}\mathrm{\ΣI}---\left(1\right)$

其中，I是块内各点的灰度值，W是块得大小，默认值取W=8；

b.块方差梯度

图像的方差是图像灰度值变化幅度的一种度量，图像块方差的梯度是方差的一个很好的补充特征，将两者的乘积作为块特征，可以有效地区分前景块和背景块。用VarG表示一个图像块的方差梯度特征，如式（2）所示：

VarG＝VI×DVI        （2）

其中，

m为与前景块类中心距离最近的图像块个数，

$\mathrm{VI}=\frac{1}{w\×w}\mathrm{\Σ}{(I-m)}^2---\left(3\right)$

$\mathrm{DVI}=\sqrt{{\left(\frac{\∂\mathrm{VI}}{\∂x}\right)}^2+{\left(\frac{\∂\mathrm{VI}}{\∂y}\right)}^2}---\left(4\right)$

VI为方差，DVI为方差的梯度向量模，I是块内各点的灰度值,

表示图像块(x,y)的方差梯度向量，M定义如式（1）；

c.块加博特征的标准差

加博特征反映了指纹的脊线结构，加博特征的标准差对指纹的前景区域和背景区域具有明显的区分性。G表示一个图像块的加博特征的标准差，如式（5）所示

$G=\sqrt{\frac{1}{m-1}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(g_{{\mathrm{\θ}}_k}-\stackrel{\‾}{g_{\mathrm{\θ}}})}^2}---\left(5\right)$

其中，

m为与前景块类中心距离最近的图像块个数，

(k=1,2,3…m)为m方向加博特征；

对各图像块求取块均值、块方差梯度和块加博特征的标准差三个特征之后，对特征值进行归一化，使之取值均在[0，1]之间。

所述步骤4）中对每幅指纹图像用k均值聚类算法自动标记部分前景块和背景块为：对每个图像块，使用块均值和块方差梯度特征组成一个二维向量，k=2，初始前景块类中心为（0，1），背景块类中心为（1，0），用k均值聚类算法将一幅指纹图像的前景块和背景块自动聚成两类，计算每个图像块与两个类中心的欧氏距离，使每个图像块指向与其欧氏距离最近的类中心，然后重新计算类中心，此过程重复直到类中心不再变化，聚类过程结束。记录每个图像块距离各自类中心的距离，并按照升序排序，将与前景块类中心距离最近的m个图像块自动标记为前景块，与背景块类中心距离最近的n个图像块标记为背景块，取m=200，n=50。

所述步骤5）在线性邻域传播算法中，不仅需要设置的参数有：(1)特征向量：块的行坐标，块的列坐标，块均值，块方差梯度和块加博特征的标准差；还需每个图像块在每次迭代中从它邻域获得标记信息的比例为α和邻域块数：α=0.99，邻域块数为7。

所述步骤6）进行形态学处理为，首先利用开运算消除被误分成前景区的小区域，然后利用闭运算消除被误分为背景区的小区域，获得分割结果。本发明的有益效果是：结合机器学习中的k均值聚类算法与线性邻域传播算法，提出一种设备无关的指纹图像分割方法。该方法的突出特点是使用k均值聚类算法自动标记部分指纹图像块，具有较高的准确性，为后续线性邻域传播算法学习提供了可靠的标记。本专利提出的方法具有分割正确率高、鲁棒性强、与设备无关等特点，非常适合应用于多类型指纹采集设备的互联网环境。

附图说明

下面结合附图和实施例对本发明进一步说明。

附图是本发明基于k均值聚类与线性邻域传播结合的指纹图像分割方法流程图；

具体实施方式

下面结合附图和实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

如附图所示，基于k均值聚类与线性邻域传播结合的指纹图像分割方法,其特征在于：其包括以下步骤：

1）采集指纹图像；利用指纹采集设备，采集指纹图像;

2）对采集到的指纹图像进行分块，将其划分成W×W大小的不重叠图像块;

3）对每个图像块提取块均值、块方差梯度和块加博特征的标准差，并对所有块的上述三个特征值进行归一化处理；

4）对每幅指纹图像用k均值聚类算法自动标记部分前景块和背景块；

5）对每个图像块，使用块的行坐标、列坐标、块均值、块方差梯度和块加博特征的标准差组成一个五维的特征向量，然后利用所述步骤4）中标记的前景块和背景块，采用线性邻域传播算法学习，对剩余的无标记图像块进行类别标记为前景块或者背景块；

6）进行形态学处理，获得分割结果。

其中，1.分割特征选择

因为基于块特征的方法具有较低的时间复杂度，本专利采用基于块特征的指纹分割方法。本专利提取如下三个特征描述每个图像块：（a）块均值；（b）块方差梯度；（c）块加博特征的标准差。将整幅指纹图像分成大小为8×8的不重叠的图像块，对于每一个图像块，提取的三个特征定义如下：

a.块均值

对每一个图像块而言，块均值如式（1）所示：

$M=\frac{1}{w\×w}\mathrm{\ΣI}---\left(1\right)$

其中，I是块内各点的灰度值，W是块得大小，值取W=8；

b.块方差梯度

一个图像块的方差梯度特征，如式（2）所示：

VarG=VI×DVI      （2）

其中，

$\mathrm{VI}=\frac{1}{w\×w}\mathrm{\Σ}{(I-m)}^2---\left(3\right)$

$\mathrm{DVI}=\sqrt{{\left(\frac{\∂\mathrm{VI}}{\∂x}\right)}^2+{\left(\frac{\∂\mathrm{VI}}{\∂y}\right)}^2}---\left(4\right)$

VI为方差，DVI为方差的梯度向量模，I是块内各点的灰度值,

表示图像块(x,y)的方差梯度向量，M定义如式（1）；

c.块加博特征的标准差

一个图像块的加博特征的标准差，如式（5）所示

$G=\sqrt{\frac{1}{m-1}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(g_{{\mathrm{\θ}}_k}-\stackrel{\‾}{g_{\mathrm{\θ}}})}^2}---\left(5\right)$

其中，

m为与前景块类中心距离最近的图像块个数，

(k=1,2,3…m)为m方向加博特征；

对各图像块求取块均值、块方差梯度和块加博特征的标准差三个特征之后，对特征值进行归一化，使之取值均在[0，1]之间。

2.分割步骤：

1）采集指纹图像；利用指纹采集设备，采集指纹图像;

2）对采集到的指纹图像进行分块，将其划分成8×8大小的不重叠图像块;

3）对每个图像块提取块均值、块方差梯度和块加博特征的标准差，并对所有块的上述三个特征值进行归一化处理；

4）对每幅指纹图像用k均值聚类算法自动标记部分前景块和背景块；对每个图像块，使用块均值和块方差梯度特征组成一个二维向量，k=2，初始前景块类中心为（0，1），背景块类中心为（1，0），用k均值聚类算法将一幅指纹图像的前景块和背景块自动聚成两类，记录每个图像块距离各自类中心的距离，并按照升序排序，将与前景块类中心距离最近的m个图像块自动标记为前景块，与背景块类中心距离最近的n个图像块标记为背景块，取m=200，n=50；

5）对每个图像块，使用块的行坐标、列坐标、块均值、块方差梯度和块加博特征的标准差组成一个五维的特征向量，然后利用所述步骤4）中标记的前景块和背景块，采用线性邻域传播算法学习，对剩余的无标记图像块进行类别标记为前景块或者背景块，而每个图像块在每次迭代中从它邻域获得标记信息的比例为α和邻域块数：本专利α=0.99，邻域块数为7；

6）进行形态学处理，首先利用开运算消除被误分成前景区的小区域，然后利用闭运算消除被误分为背景区的小区域，获得分割结果。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

一切从本发明的构思出发，不经过创造性劳动所作出的结构变换均落在本发明的保护范围之内。

Claims (5)

1.基于k均值聚类与线性邻域传播结合的指纹图像分割方法,其特征在于：其包括以下步骤：

1）采集指纹图像；

2）对采集到的指纹图像进行分块，将其划分成W×W大小的不重叠图像块；

3）对每个图像块提取块均值、块方差梯度和块加博特征的标准差，并对所有块的上述三个特征值进行归一化处理；

4）对每幅指纹图像用k均值聚类算法自动标记部分前景块和背景块；

5）对每个图像块，使用块的行坐标、列坐标、块均值、块方差梯度和块加博特征的标准差组成一个五维的特征向量，然后利用所述步骤4）中标记的前景块和背景块，采用线性邻域传播算法学习，对剩余的无标记图像块进行类别标记为前景块或者背景块；

6）进行形态学处理，获得分割结果。

2.如权利要求1所述的基于k均值聚类与线性邻域传播结合的指纹图像分割方法，其特征在于是，所述步骤3）中对每个图像块提取块均值、块方差梯度和块加博特征的标准差为：

a.块均值

用M表示一个图像块的均值，对每一个图像块而言，块均值如式（1）所示：

$M=\frac{1}{w\×w}\mathrm{\ΣI}---\left(1\right)$

其中，I是块内各点的灰度值，W是块得大小，默认值取W=8；

b.块方差梯度

用VarG表示一个图像块的方差梯度特征，如式（2）所示：

VarG=VI×DVI       （2）

其中，

$\mathrm{VI}=\frac{1}{w\×w}\mathrm{\Σ}{(I-m)}^2---\left(3\right)$

$\mathrm{DVI}=\sqrt{{\left(\frac{\∂\mathrm{VI}}{\∂x}\right)}^2+{\left(\frac{\∂\mathrm{VI}}{\∂y}\right)}^2}---\left(4\right)$

VI为方差，DVI为方差的梯度向量模，I是块内各点的灰度值,

表示图像块(x,y)的方差梯度向量，M定义如式（1）；

c.块加博特征的标准差

G表示一个图像块的加博特征的标准差，如式（5）所示

$G=\sqrt{\frac{1}{m-1}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(g_{{\mathrm{\θ}}_k}-\stackrel{\‾}{g_{\mathrm{\θ}}})}^2}---\left(5\right)$

其中，

m为与前景块类中心距离最近的图像块个数，

(k=1,2,3…m)为m方向加博特征；

对各图像块求取块均值、块方差梯度和块加博特征的标准差三个特征之后，对特征值进行归一化，使之取值均在[0，1]之间。

3.如权利要求1所述的基于k均值聚类与线性邻域传播结合的指纹图像分割方法，其特征在于是，所述步骤4）中对每幅指纹图像用k均值聚类算法自动标记部分前景块和背景块为：对每个图像块，使用块均值和块方差梯度特征组成一个二维向量，k=2，初始前景块类中心为（0，1），背景块类中心为（1，0），用k均值聚类算法将一幅指纹图像的前景块和背景块自动聚成两类，记录每个图像块距离各自类中心的距离，并按照升序排序，将与前景块类中心距离最近的m个图像块自动标记为前景块，与背景块类中心距离最近的n个图像块标记为背景块，取m=200，n=50。

4.如权利要求3所述的基于k均值聚类与线性邻域传播结合的指纹图像分割方法，其特征在于是，所述步骤5）每个图像块在每次迭代中从它邻域获得标记信息的比例为α：α=0.99，邻域块数为7。

5.如权利要求1所述的基于k均值聚类与线性邻域传播结合的指纹图像分割方法，其特征在于是，所述步骤6）进行形态学处理为，首先利用开运算消除被误分成前景区的小区域，然后利用闭运算消除被误分为背景区的小区域，获得分割结果。

Images