改进的指纹自适应阈值分割算法
2015-12-02
(杭州电子科技大学电子信息学院，浙江 杭州310018)
0 引 言
位于预处理前端的指纹图像分割是自动指纹识别系统中一个极为重要的过程，其目的是区分出指纹有效区和无效区以达到去除背景区域和保留前景区域[1]。较好的指纹图像分割算法不仅能使后续处理集中于有效区域，还能显著提高特征提取的精确度[2]。因此指纹图像算法在自动指纹识别算法领域中具有重要地位。文献[2]提出了一种基于纹理特征的自适应指纹图像分割算法。相较传统的方差法[3-5]，该算法能更为准确地实现指纹的分割。但是在一些低质量的指纹图像处理中，这种算法的错误分割区域比例并不理想，从而降低了指纹分割的质量。针对上述问题，本文在此算法的基础上，对分割阈值的确定过程进行调整，以改善其分割的总体质量。
1 基于纹理特征的自适应指纹图像分割
经过观察各类指纹图像发现，指纹是具有较强的规律性的纹理图像[6]。有效指纹图像区域中的黑白相间的纹理构成了明显的指纹特征，而背景区域则基本不具有相应的纹理特征。在有效指纹图像区域中，指纹的脊线和谷线是间隔均匀出现的，体现在灰度值上就是指纹图像区域分块后每块的灰度均值应能将该块的像素划分为两个数目近似相等的像素点集[2]。这一发现，为小块区域的灰度均值因噪声影响而出现偏离的现象得到相应修正提供了理论依据。
同时，灰度均值也可成为分割的依据之一。而且，常规方差法的阈值全部凭经验确定给后续处理带来很多不确定性，影响识别率。针对上述问题，文献[2]提出了一种基于纹理特征的自适应指纹图像分割算法。相较传统的方差法，该算法能够更为准确地实现指纹的分割。但是在一些低质量的指纹图像，该算法的分割错误比例较高，从而降低了指纹分割的质量。针对上述问题，本文将在此算法的基础上，提出了一种改进算法。
2 改进的自适应阈值指纹图像分割
2.1 基于纹理特征的改进方差法算法描述
文献[2]所提出改进的指纹图像自适应分割算法，步骤主要有4个部分组成。
其中，(x，y)为指纹图像分块后各个小块的映射坐标，x表示在宽坐标上的列，y表示在高坐标上的行;Mean (x，y) 、Var (x，y) 分别表示坐标为(x，y)的小块的灰度均值和方差;g (i，j)表示第 (x，y) 小块中第i行第j列像素的灰度值;w×h表示小块的大小。
2)修正均值。
①统计像素点。计算小块中灰度值≥Mean (x，y)的个数Nh 及＜Mean (x，y)的个数Nl;
③均值修正。采用下式完成小块均值的修正，并返回步骤2的①。
式中，h、l 即为避免出现死循环而添加的补充条件，初始值均设为0。
3)确定分割阈值。
④确定分割阈值:T1=M2，T2=V2。
4)分割指纹图像，计算公式如下:
式中，I(x，y)表示相应坐标上的小块区域的分割标志，“1”为指纹区域，“0”为背景区域。
2.2 算法改进分析
文献[2]所提出的算法中，最为核心的有两个方面:一是为减小突发噪声影响而对各个小块的均值做出相应的修正(对应于2.1 节步骤2);二是以相应的均值及方差的估值作为自适应分割阈值(对应于2.1 节步骤3)。但是，此算法仅对均值做出了相应的修正而未涉及方差，因此对于噪声较为严重的指纹图像，方差阈值有较大的误差。
经过分析可知，方差的修正过程远比均值的修正过程复杂得多。然而，分割阈值的确定过程为的修正阈值提供了可能。从某种程度上来说，对方差阈值及均值阈值的修正，其效果如同对各个小块的方差及均值的修正，反过来亦如此。
文献[2]算法已经能够较为准确地实现指纹的分割，其分割结果基本符合要求。根据其分割结果，对比分割阈值的确定过程，可以判断出其阈值的合理性，从而为分割阈值的修正提供了理论依据。
2.3 改进算法描述
本文改进算法流程图如图1所示，步骤如下。
图1 改进算法流程图
1)分块求均值方差。如2.1 节中的步骤1。
2)确定分割阈值。如2.1 节中的步骤3，其中第2步增加计算满足条件Mean (x，y) ≤Km 小块比例m1和满足条件Var (x，y) ≥Kv 小块的比例m2，其中
3)分割指纹图像。如2.1 节中的步骤4。
4)根据分割结果，确定是否需要修正分割阈值。
①计算分割后指纹区域的比例m3;
5)分割阈值的修正。包括两个部分的修正:均值阈值修正、方差阈值修正，具体如下:
①确定修正结束条件。均值阈值:若m3≥m1，则结束条件为m1≥m3+β，否则为m1≤m3-β。方差阈值:若m3≥m2，则修正结束条件为m2≥m3+β，否则为m2≤m3-β;
④重新计算满足条件Mean (x，y) ≤Km 小块比例m1;
⑤判断修正结果1。若满足均值阈值修正结束条件，继续至下一步，否则返回③继续修正;
⑧重新计算满足条件Var (x，y) ≥Kv 小块比例m2;
⑨判断修正结果2。若满足方差阈值修正结束条件，继续至下一步，否则返回⑦继续修正;
⑩根据步骤2的过程，通过修正后的Km、Kv 确定新的分割阈值。
6)指纹重新分割。根据新的分割阈值，重新分割指纹。
7)分割结束。
3 实验结果及其分析
3.1 实验环境及结果
算法在CPU为Inter(R)Core(TM)2 Duo CPU P7350@2.00 GHz，内存为2.00 GB，操作系统为Windows 7的PC 机上进行测试;测试软件为Microsoft Visual C++6.0。
本文对FVC2002 标准指纹库的DB2_B和DB3_B中的指纹图像做了相应的对比实验(为体现分割实际效果，实验除去分割后的形态学处理过程)。β 取0.03。对于文献[2]算法，其分块大小直接影响其纹理特征依据的成立与否。而对于本文算法虽无此依据，但分块至少不能小于使得块中全部是脊线或者全部是谷线，否则将使得方差阈值的失效引起分割失败，故分块大小的选择极其关键。为对比两者算法，统一其分块大小。其中DB2_B中的指纹图像小块大小为12×14(像素)，列出其两幅典型的指纹106_7、110_8的对比实验结果分别如图2、图3所示;DB3_B中的指纹图像小块大小为12×12(像素)，列出其两幅典型指纹103_5、106_4的对比实验结果分别如图4、图5所示。
图2 DB2_B 中编号106_7的实验结果
图3 DB2_B 中编号110_8的实验结果
图4 DB3_B 中编号103_5的实验结果
图5 DB3_B 中编号106_4的实验结果
由实验对比图可以清楚地发现，本文算法误分割区域有较大程度的降低。可见本文算法对阈值的修正过程是基本有效的，对文献[2]算法的改进效果是明显的。
3.2 实验分析
为评价算法的性能，选择算法错误率、算法耗时两项算法指标。
1)算法错误率(False Rate，FR):指分割过程中分割错误的区域所占比例。包括两个方面:①错误前景率(False Foreground Rate，FFR);②错误背景率(False Background Rate，FBR)[2]。为分析指纹图像质量对算法错误率的影响，进而分析算法对于高低质量指纹图像的改进效果，将指纹图像分类。其中指纹区域清晰部分约占其2/3以上且首次计算得出的指纹区域均值估计值和背景区域均值估计值差值大于40的为较好质量的指纹，其他归为较差质量的指纹图像。为提高数据的准确性，实验时均略去形态处理过程，统计结果如表1所示。
表1 算法错误率统计表%
2)算法耗时:指算法完成所需时间，体现了算法的适应性。根据在Microsoft Visual C++6.0平台上的调试结果，可大致获得算法所耗费的时间，如表2所示。
表2 算法耗时统计表ms
根据表1可知，相比较文献[2]算法，本文算法有更低的分割错误率，特别是对于低质量的指纹图像，其改善效果明显。根据表2可知，本文算法增加了分割耗时，但均处于合理范围之内。因此，相比较文献[2]算法，本文提出的算法在合理增加算法耗时的情况下，有更低的分割错误率，能够更为准确地实现指纹的分割，特别是对低质量指纹图像有更为理想的效果。
4 结束语
本文在文献[2]算法的基础上提出了一种改进的自适应阈值指纹图像分割算法。通过实验说明，本算法可以很好地从一幅含有较强噪声的指纹图像中把前景区从背景区中给分割出来，分割效果有较大的改善，且耗时在合理范围内。由于其处理时间相对合理，并且分割质量也较好，因此对于嵌入式的自动指纹识别系统来说是相当适用的。实践表明它是一种高效、实用、快捷的指纹图像分割算法。
[1]樊冬进，孙冰，封举富.基于方差及方差梯度的指纹图像自适应分割算法[J].计算机辅助设计与图形学学报，2008，20(06):742-747.
[2]徐华丽，樊永生.改进的指纹图像自适应分割方法[J].计算机工程与应用，2011，47(08):161-163.
[3]Zhang K，She J，Gao M，et al.Study on the Embedded Fingerprint Image Recognition System[C]// Information Science and Management Engineering (ISME)，2010 International Conference of.IEEE，2010，2:169-172.
[4]Zhu E，Yin J P，Hu C F，et al.A systematic method for fingerprint ridge orientation estimation and image segmentation[J].Pattern Recognition，2006，39(8):1 452-1 472.
[5]田捷，杨鑫.生物特征识别技术理论与应用[M].北京:电子工业出版社，2005:1-153.
[6]Abhyankar A，Stephanie S.Integrating a wavelet based perspiration liveness check with fingerprint recognition[J].Pattern Recognition，2009，42(3):452-464.
