基于CMVF的指紋圖像分割算法

張美霞 王永康 孫燦 王永杰

摘要：本文主要通過研究采用單一特征或兩個特征簡單融合的指紋圖像分割算法的不足，從而提出基于指紋圖像子塊的方向一致性（Coherence）、灰度均值（Mean）、灰度方差（Variance）、紋線頻率（Frequency）這四種指紋特征的更為精確的分割算法。

關鍵詞：指紋圖像分割;CMVF

一、研究背景

在信息化發展迅速的今天，各種各樣的身份偽造，詐騙行為多有發生。在眾多的身份認證技術中，指紋識別技術憑借它的低成本、方便、安全的特點，成為身份認證技術中的佼佼者。指紋識別技術一般分為：指紋圖像采集、指紋圖像預處理、指紋特征提取、指紋匹配四個處理過程[1]，為了盡可能的較少后續步驟的處理時間、特征提取的精度和匹配的準確度，指紋圖像分割成為指紋預處理甚至整個指紋識別系統的重要組成部分。目前，指紋圖像分割算法百家爭鳴，經典的指紋圖像分割算法多采用單一特征或者兩個特征簡單融合，這些算法對高質量的指紋圖像能夠精準的分割，但是對低質量的指紋圖像分割效果有些差強人意，因此針對此難題，本文提出了基于CMVF的指紋圖像分割算法。

二、經典指紋分割算法

1、基于塊灰度方差的指紋圖像分割算法

一幅指紋圖像是由背景區域和具有指紋脊線與谷線相間的紋理的前景區域共同組成的[2]。前景區域中脊和谷的灰度存在較大的差異，所以前景區域的灰度統計特征中的灰度方差很大[3]，但是背景區域的灰度方差則很小，若圖像子塊的灰度方差大于先前設定的閾值th，則該圖像塊即前景塊，屬于前景區域。否則屬于背景區域。基于圖像子塊灰度方差的指紋分割方法就是根據這個原理來分割指紋圖像的。

該算法對于對比度較小的指紋圖像來說，會將指紋區域當作非指紋區域分割出去造成指紋特征的損失。因此，該方法只適用于質量好并且對比度高的指紋圖像，而噪聲圖像或者對比度低的圖像不適用[4-5]

2、基于方向一致性的指紋圖像分割算法

指紋的紋理都是有一定的方向的，指紋圖像的方向圖是基于方向一致性的指紋圖像分割的前提[6]，指紋圖像是一類脊谷相間的紋理圖像，觀察對比指紋圖像的前背景不難發現，順著指紋的前景區域的紋路方向對像素點進行投影運算，直方圖中呈明顯的正弦變化，而垂直于紋路方向進行投影，得到的直方圖中呈現的則是平坦的直線。但在背景區域，因為每個像素點的方向都不明顯[7]，因此，在任一方向上投影，像素均值都沒有大幅波動。指紋紋線的變化是緩慢的，在很小的一個區域內可以看作是紋線趨于平行，而且只有一個方向。利用這個特性，可根據指紋的方向一致性進行指紋分割。

從圖2-1可以看出，該方法對于方向一致性較好的區域能夠精確的分割出來，但是對于指紋斷裂嚴重和方向變化較劇烈的區域，如方向變化比較急劇的中心和三角區域的分割就難以達到讓人滿意的效果。

3、融合灰度方差和方向一致性的指紋圖像分割算法

本算法試圖將圖像的方差分割方法和方向一致性分割方法相結合，在進行分割時利用了指紋圖像的兩個特征，即指紋的方向特征和方差，對改進單一特征的分割效果存在一定程度的影響。算法具體步如下：

第一步：首先，根據基于灰度方差的指紋圖像分割算法將圖像完成分割，然后將圖像中所有的分塊做下標記signx，y，z，所有的前景塊標記為1，背景塊標記為0，除了前背景的標記之外，還有該塊在圖像中所在的位置，其中（x，y）即代表的圖像塊的位置，z代表該塊為前景塊還是背景塊;

第二步：按照方向一致性分割指紋圖像，然后同第一步中一樣的方法，將所有圖像塊做下標記;

第三步：融合同一指紋圖像不同的分割結果。將同一位置的圖像塊的

利用該方法進行圖像分割的效果為：

圖2-2圖（a）為原圖（b）為基于灰度方差的圖像分割（c）為基于方向一致性的圖像分割（d）為二者的融合分割結果

通過實驗，明顯的發現使用單一特征的指紋圖像分割算法分割效果總是不那么令人滿意，而融合單一特征的分割算法，使得誤分割率大大的下降，取得了較好的效果，但是如果指紋圖像質量很差，其錯誤率仍然很高。

三、基于CMVF的指紋圖像分割算法

在上文中，已經介紹了使用單一特征和兩個特征簡單融合的分割指紋圖像的方法，無論從理論上還是從實驗結果上，以上方法都難以達到理想的分割指紋的效果。利用支持向量機進行指紋分割，是本文提出的一個融合多特征進行指紋圖像分割的算法。提取指紋圖像子塊的方向一致性（Coherence）、灰度均值（Mean）、灰度方差（Variance）、紋線頻率（Frequency）這四種指紋特征，并用代表該指紋圖像子塊的這四個特征作為特征向量。采用已經訓練好的支持向量機分類器，將提取的指紋圖像子塊的特征向量作為輸入，然后依據輸出對指紋圖像進行分割，輸出為1 的指紋塊為前景塊，輸出為-1的指紋塊為背景塊。最后結合數學形態學的方法對分割結果做后處理，以減少誤分割。

3.1? 支持向量機的核心思想

支持向量機的核心思想[8]是在高維特征空間學習到最優的分類器，該分類器不僅保證將不同類別的樣本分開，而且要保證不同類別樣本之間的距離最大。我們可以利用這一點，將指紋圖像的前景和背景完成分割。

3.2? 分割算法描述

首先，我們選擇指紋數據庫FVC2002圖像質量較差的DB3中的10幅指紋圖像，將這些指紋圖像按照16*16進行互不重疊分塊，并人工標注哪些是背景塊，哪些是前景塊。

其次，將標注的指紋塊作為訓練樣本集，并提取指紋塊的（CMVF）四個特征，通過歸一化處理，將這些指紋塊的特征值表示為[0，1]區間的實數。作為代表本指紋塊的特征向量x（x1，x2，x3，x4）作為輸入向量。

對這些特征向量進行分類，輸入到支持向量機，如果相應的輸出是1，那么圖像塊作為前景塊，否則，該塊作為背景塊。下表展示的是使用SVM進行分割的錯誤率：

如圖，由于噪聲的存在和圖像質量不高，使用SVM分割的指紋圖像時存在離散的指紋塊，也有原本是屬于前景的指紋塊卻被誤分割為了背景塊?；谶@一點，本文采用數學形態學進行后處理，處理結果如下所示：

四、總結

在此，我們選取了FVC2002中質量較低的指紋圖像驗證了算法效果，可以看出，在指紋圖像質量較低的情況下，本算法仍然取得了較好的分割效果，大大降低了誤分割率。下圖中a、c為原始圖像，b、d為分割后的圖像：

本文提出了指紋圖像紋線頻率特征，該特征形象的描述了指紋圖像的紋理特征，通過比較紋線頻率可以準確的判斷指紋圖像塊為前景還是背景。而且在一定程度上避免了灰度均值和方差特征因為指紋圖像質量低而造成的分割高錯誤率。本文首先對支持向量機的基本理論做了闡述，并訓練出了基于指紋CMVF特征的支持向量機分類器，最后使用基于支持向量機已經訓練好的分類器進行指紋圖像的分割，并為了驗證該方法對FVC2002中的指紋圖像做了仿真實驗。實驗結果表明，融合多特征的基于支持向量機的指紋圖像分割方法比使用單一指紋特征進行分割的效果要精確很多。

參考文獻：

[1]?? 任春曉.自動指紋識別中若干關鍵算法的研究[D].山東大學博士學位論文.2011.

[2]?? Chen Xin-jian，Tian Jie.Segmentation of fingerprint images using linear classifier[J].EURASIP Journal on Applied Signal Processing，2004，4 （4）：480-494.

[3]?? BAZEN A M，GEREZ S H.Segmentation of fingerprint images[C].Pro-ceedings of IEEE Workshop on Circuits，Systems and Signal Processing，Veld-hoven：IEEE，2001：276-280.

[4]?? 蔡秀梅，張永健，梁輝.結合方差和方向的指紋圖像分割算法[J].現代電子技術，2011，34（12）：111-113.

[5]S.Klein，A.Bazen，R.Veldhuis，Fingerprint image segmentation based on hidden Markov models[J].Proceedings of13th Annual Workshop on Circuits，Systems，and Signal Processing，2002：310-318.

[6]Y.L.Yin，Y.R.Wang，X.K.Yang，Fingerprint image segmentation based on quadric surface model[J].Proceedings of Audio and Video based Biometric Per-son Authentication，LNCS，2005，3546：647–655.

[7]B.M.Mehtre，N.N.Murthy，S.Kapoor，and B.Chatterjee，Segmentation of fin-gerprint images using the directional image[J].Pattern Recognition，1987，20（4）：429-435.

[8]Nello Cristianini.Training Invariant Support Vector Machines[J].Machine Learning，2002，46：161-190.