改進的指紋自適應閾值分割算法

摘要：在傳統的自適應閾值分割算法的基礎上，提出了一種改進的指紋圖像分割算法。該算法根據指紋與背景交接區域，以及指紋內部脊線太淡或脊線粘連的區域中圖像的灰度統計特性，對此類區域采取逐點分割，從而以較低的計算代價消除了指紋圖像分割后前景區域的邊界方塊效應。實驗表明，該算法具有較高的魯棒性，對指紋的分割更加靈活準確，分割后的指紋前景邊界也更加平滑細致。

關鍵詞：指紋； 閾值； 圖像分割； 灰度特性； 塊效應

中圖分類號：TP391文獻標志碼：A

文章編號：1001－3695(2008)06－1739－02

0引言

指紋圖像分割是指紋識別預處理中一個關鍵的步驟[1]，直接影響特征提取的準確性。傳統的指紋圖像分割算法主要是基于圖像灰度特性的分割(方差法)[2，3]和利用圖像方向信息進行分割(方向法)[3，4]以及兩者結合起來的復合方法。這三種方法都各有優缺點[5~7]。相對來說，方差法計算簡單、分割速度快、實時性強，所以在自動指紋識別系統研究中得到廣泛應用。

傳統的方差法是全局的閾值分割[8]。這種分割依賴于圖像灰度分布良好的雙峰性質。如果雙峰性不明或者灰度呈多峰分布，分割效果就很不理想。對這種方法的改進是用自適應的閾值來代替固定的閾值進行分割[3，9]，在分割的同時考慮了指紋的局部特性。此方法在非指紋區域效果較好，對低對比度和噪聲嚴重的指紋信息處理效果不理想[7]。分割后的指紋圖像存在方塊效應，在指紋與背景交接區域，以及指紋內部脊線太淡或脊線粘連的區域分割不準確。

1傳統的指紋圖像方差法分割

方差法是利用指紋圖像在指紋區域灰度變化很大，標準差較大，而背景部分圖像灰度變化較小、標準差較小的特點對指紋進行分割的。傳統的基于圖像灰度特性的分割方法是全局的閾值分割[8]：對于一幅大小為W×H的指紋圖像I，I(i，j)表示第i行、第j列的像素點灰度值，利用式（1）對圖像進行分割。其中：T為整幅圖像的分割閾值。

I（i，j)=前景點；I（i，j)≤T背景點；I(i，j)＞T(1)

由于單一的閾值不能兼顧圖像各個像素的實際情況，當有突發噪聲，或者背景灰度變化較大時，整幅圖像分割將沒有合適的單一門限。對這種方法的改進是采用動態的、自適應的、局部的閾值進行分割[3，9]。其分割步驟如下：

a)取分塊尺寸為N×N個像素，將圖像劃分為大小相等的若干塊，M（I_c）表示小塊圖像均值，VAR（I_c）表示小塊圖像方差。對每一個分塊，根據式（2）（3）計算以點I(i，j)為中心的分塊均值和方差。

b)用Ti表示第i個分塊的分割閾值，根據門限值Ti對該分塊圖像進行分割。分隔閾值Ti的選取可以參見文獻[7，10]。

I_c=背景區域；VAR（I_c)≤Ti前景區域；VAR（I_c)＞Ti（4）

這種方法以變化的閾值代替傳統的固定閾值對指紋圖像進行分割，在分割的同時考慮了指紋的局部特性，分割效果比固定閾值方法好。但是圖像分割后指紋區域邊緣和指紋質量較差的部分均出現鋸齒狀。這樣在指紋區域與背景區域的交接區容易丟失指紋信息，也容易將背景點分割為前景點，在指紋質量較差的區域則容易損失過多的指紋信息。

2改進的自適應閾值分割算法

采用自適應閾值分割算法對指紋圖像進行分割，在純粹的背景區域和純粹的指紋區域按分塊進行分割是比較準確的，但是在指紋與背景交接區域，以及指紋內部脊線太淡或脊線粘連的區域，分割對于分塊來說是全局性的。所以一方面在指紋信息所占比例比較小的分塊內指紋信息被分割為背景；另一方面在指紋信息所占比例比較大的分塊內背景點被分割為前景，在指紋識別的后續處理中既需要處理無用的背景信息，又損失了有效的指紋信息，降低了處理的效果。

針對上述問題，本文在傳統自適應閾值分割方法的基礎上設計了一種改進的分割方法。該方法針對指紋與背景交接區域，以及指紋內部脊線太淡或脊線粘連的區域的灰度特點，在該分塊處采取逐點分割的方法，對分塊以內的每一個像素點根據灰度值逐點進行分割，這樣避免了該分塊內的指紋信息丟失（指紋信息在分塊內占的比例較小的情況）和將背景信息誤分割為前景（指紋信息在分塊內所占比例較大的情況）。考慮到逐點分割可能將該區域內的孤立點誤判為指紋信息，在進行逐點分割時，同時把每一個像素點相關鄰域的像素灰度信息考慮在內，該鄰域的大小可以根據實驗調整，一般取大于脊線寬度即可。為了方便敘述，在算法中指紋與背景交接區域以及指紋內部脊線太淡或脊線粘連的區域統稱為過渡區域。具體算法如下：

a）定義灰度指紋圖像I為W×H的像素矩陣，I(i，j) 表示第i行、第j列的圖像元素灰度值，I_c為N×N的像素矩陣，是圖像I的一個子塊。

其中：G（i，j）為歸一化后圖像點的灰度值；M0、VAR0分別為期望的均值和方差。文獻[11]中推薦的分別是10和100，但是實際應用中應參照具體的各類圖像的總體灰度均值和方差的平均值，并結合后續處理算法的需要進行選擇。

c）取分塊尺寸為N×N個像素，將圖像劃分為大小相等的若干塊，M（I_c ）表示分塊圖像均值，VAR（I_c）表示分塊圖像方差。對每一個分塊，根據式（2）（3）計算以點I(i，j)為中心的分塊均值和方差。 

d)判斷該分塊是背景區、前景區還是背景區和前景區的過渡區域。

當某個分塊I_c的方差小于閾值T1時，可以直接判斷該分塊屬于背景區域；如果該分塊的方差在[T1，T2]，則該分塊為孤立點或污漬所在的分塊；如果分塊方差在[T2，T3]之間，可判斷該分塊為過渡區域；除此之外的情形均屬于前景區域。

I_c=背景區域；0≤VAR（I_c)≤T1孤立點或污漬；T1＜VAR（I_c)≤T2

過渡區域；T2＜VAR（I_c)≤T2前景區域；其他（8）

e）如果是過渡區域，對該分塊內的每個像素點I(i，j)，按式(2)計算以其為中心的N×N鄰域的像素的灰度均值M（I_c）。如果該點的灰度值大于此均值，就判斷該點為背景像素點；反之則認為是前景像素點。

I（i，j）=背景像素點；I（i，j）＞M(I_c)前景像素點；I（i，j）≤M(I_c)（9）

3實驗結果及分析

本文算法實現硬件環境：CPU為PentiumⅣ 2.8 GHz，內存為512 MB的計算機；軟件編程環境：Windows XP操作系統，Visual C++6.0。實驗采用2004美國第三屆國際指紋識別大賽指紋數據庫（FVC2004）DB1_B圖像進行實驗，指紋圖像大小為640×480像素。實驗時分別選取質量較好（脊線信息清晰）的指紋和質量較差（粘連或較淡）的指紋進行效果對比。在本文實現的分割算法實驗中，主要考慮了指紋與背景交接區域，以及指紋內部脊線太淡或脊線粘連區域的局部特性。在給出實驗結果的同時給出了分割掩碼圖（MASK），可以更直觀地進行比較。

圖2是采用傳統的自適應分割算法對圖1的指紋進行分割，可以看出在指紋與背景交接區域，以及指紋內部脊線太淡或脊線粘連的區域分割后的前景邊界有明顯的方塊效應。圖3是其相對應的掩碼圖；圖4是采用本文所提出的算法對圖1指紋進行分割的結果；圖5是其相對應的掩碼圖，可以看出指紋圖像非指紋區與指紋區的邊緣更平滑，指紋質量較差部分的分割也比較平滑細致，有效指紋區的分割更加精確，分割效果明顯優于圖2。

從實驗結果來看，本文提出的圖像分割算法分割效果比較好，分割得到的掩碼圖前景區域和有效指紋圖像所占的實際區域非常接近。與傳統的自適應閾值分割算法相比，本文算法雖然計算量有所增大，但能正確區分質量中等區域和質量較差的區域，并將背景區域和質量較差、后繼算法無法恢復的噪聲區域分割掉，保留質量中等區域，使后續算法的處理區域更精確。

4結束語

本文提出了一種改進的基于指紋灰度特性的指紋圖像分割算法，克服了傳統自適應閾值分割算法在指紋與背景交接區域，以及指紋內部脊線太淡或脊線粘連的區域分割不準及分割前景邊界的方塊效應問題，適用于更多類型的指紋圖像，且分割比較精確。實驗結果表明，該算法的分割效果很好，對前景區和背景區的分割更加靈活準確，有效降低了指紋圖像噪聲的影響，它不僅能分割出指紋質量較好的圖像，也能有效地分割噪聲干擾較大的指紋圖像，經過分割后的圖像指紋紋線清晰、流暢，具有較強的適應性和很高的實用價值。目前該算法已被應用到成熟的指紋識別算法中。

參考文獻：

［1］陸潁．指紋自動識別原理與方法綜述[J]．工程數學學報，2004，21（6）：1003－1010.

[2]ZHANG Jian－wei，LU Heng－li．Study on segment algorithm in automa－tic fingerprint identification[J]． Microcomputer Applications，1999，15(12)：20－22．

[3]MEHTRE B M， CHATTER J B．Segmentation of fingerprint images:acomposite method[J]． Pattern Recognition， 1989，22（4）：381－385．

[4]MEHTRE B M．Fingerprint image analysis for automatic identification[J]．Machine Vision and Applications，1993，6（2－3)：124－139．

[5]蘇彥華．Visual C++數字圖像識別技術典型案例[M]．北京:人民郵電出版社，2004．

[6]耿茵茵，唐良瑞．指紋圖像分級分割算法[J]．北方工業大學學報，2000，12(3):21－26．

[7]甘樹坤，歐宗瑛，魏鴻磊.基于灰度特性的指紋圖像分割算法[J].吉林化工學院學報，2006，23（1）：68－71.

[8]ROSENFILD A，KAK A C． Digital image processing[M]. New York：Academic Press，1976．

[9]GONAZALES R C， WOODS R E．Digital image processing[M].Reading MA:Addison－Wesley， 1992．

[11]田捷，楊鑫．生物特征識別技術理論與應用[M]．北京：電子工業出版社，2005.

[10]吳一金，朱兆達．圖像處理中閾值選取方法30年（1962—1992）的進展（1，2）[J]．數據采集與處理，1993，8（3）：193－201；（4）：268－278．

[12]BAZEN A M， GEREZ S H． Segmentation of fingerprint images[C]//Proc of the 12th Annual Workshop on Circuits Systems and Signal Processing. Netherland:[s.n.]，2001:276－280.

[13]馮星奎，顏祖泉，肖興明，等. 指紋圖像合成分割法[J]. 計算機應用研究，2000，17(1):76－77．

[14]韓思奇，王蕾．圖像分割的閾值法綜述[J]．系統工程與電子技術， 2002，24(6):91－94.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文