一种改进的指纹图像分割算法

谭婷婷，刘 倩，2，陈 茂，周学礼

（1. 常熟理工学院 物理与电子工程学院，江苏 常熟 215500；2. 南京理工大学 电子工程与光电技术学院，江苏 南京 210094）

一种改进的指纹图像分割算法

谭婷婷1，刘 倩1，2，陈 茂1，周学礼1

（1. 常熟理工学院 物理与电子工程学院，江苏 常熟 215500；2. 南京理工大学 电子工程与光电技术学院，江苏 南京 210094）

基于自适应动态阈值分割算法，针对采集的指纹图像灰度值不均特点加以改进，提出了一种改进的指纹图像分割算法，结合阈值分割与区域分割，从而使指纹的背景和目标区分开来，这样处理出来的指纹图像效果更好. 实验证明，本文提出的指纹图像分割算法能达到很好的指纹图像处理效果.

指纹图像；分割；动态阈值；区域分割

指纹图像处理技术是生物特性鉴别技术的一个种类，与传统识别技术相比，具有无法比拟的方便实用、低成本和高准确率等优点，已经成为目前应用最广泛的身份认证手段之一，是未来身份认证手段的重要组成部分. 国内外研究主要集中在指纹识别系统中的指纹图像分割处理上，并取得了诸多成果. 文献［1-3］主要利用梯度或方向场等特点来进行分割；文献［4-11］着重研究指纹图像的阈值分割算法，针对指纹图像的灰度值不均，利用指纹图像的方差和方向等特点进行分割；区域分割法［12-14］也是研究指纹分割的经典算法，但是由于指纹采集装置的限制，一些采集的指纹图像质量不高，还有某些处理算法过于繁琐造成操作时间太长且处理效果不佳. 目前，还没有一种通用的分割算法来处理指纹图像，指纹图像分割技术是当今世界性的课题和难点之一.

1 指纹图像预处理

随着计算机技术的发展，指纹图像处理技术在税务安全、隐私信息、刑侦勘察等各个领域也越来越受欢迎. 但由于现在科研条件的制约，还有指纹图像处理过程中的不可控性，指纹图像处理仍面临不少严峻的问题. 因此进一步研究指纹图像处理算法是必要的，这不仅对指纹识别技术的研究有很高的理论价值，还对其应用有更加深远的实用价值和现实意义. 指纹图像预处理过程如图1所示，指纹图像分割是关系到指纹图像预处理准确性的关键.

本文提出的基于自适应动态阈值的改进指纹图像分割算法，综合利用了图像像素点灰度值信息，针对灰度值不均的特点加以改进，结合图像分割的典型算法［4-11］，基于Otsu算法［9］，结合区域分割算法［13］，提出了改进的指纹图像分割算法，能够较精确地对指纹图像进行分割，具有一定的应用价值.

2 指纹图像分割算法

图1 指纹图像预处理过程

2.1 分割基本原理

指纹图像一般包括前景区域和背景区域，但是一般提取的指纹图像是与其背景区域相混合的，因此就需要对规格化后的灰度图进行背景分离，提取有效的指纹区域. 图像分割算法在指纹图像预处理过程中尤为重要，较好地对指纹图像进行分割处理，即有效地去除背景区域和模糊区域，保留前景区域，减少算法的计算冗余度，对指纹图像的后续处理有着极大的帮助. 利用文献［4］指纹图像特有的方向性，提出一种改进的Mean Shift分割算法；文献［5］提出了结合方差和方向的分割算法；文献［8］提出了基于有效点聚集度及块聚集度的分割算法. 这些粗细分割结合的分级分割算法虽准确度较高但十分耗时.

2.2 自适应动态阈值初分割

由于图像像素点的灰度值不同，本文针对灰度值不均的特点，先从区域的角度设计指纹图像分割算法，采用自适应动态阈值分割法将其分割，这不仅与像素点的灰度值有关，还与该像素点的邻域特征值有关，也与该像素点的位置有关，然后根据指纹图像各个部分的灰度值自适应选择适当的阈值，以便将不同的目标、背景分离开来.

Otsu法［9］是阈值分割法的一类，其基本原理是使类间方差最大化来自动确认阈值大小．对于采集得到的初始指纹图像，其中灰度级为256，分辨率为500 dpi，设待处理指纹图像为I( x, y)，先将其规格化，但是指纹图像的灰度值不均，背景和目标由此区分，两者的类间方差越大，即两者的差别越大，故使类间方差最大基础上的分割算法就是使背景和目标误分的概率最小．根据定义，在I( x, y)中找出若干阈值T1, T2,...,TN，其中N≥1，将灰度图像转换为二值图像时，需要设定一个阈值，基于Otsu找到指纹图像的一个合适的阈值（threshold），本文采用的算法是：设待处理指纹图像共有L级灰度，其灰度范畴为［1，L］，灰度级（ii为整数）的像素点为ni，总像素点为N=n1+n2+...nL，概率为

由于各个像素点之间的灰度值不同，可以用阈值T将其分为C0和C1（背景区域和目标区域，反之亦然），灰度范畴在[1，T]间的像素点令其为C0，灰度范畴在[T+1,L]间的像素点令其为C1，根据灰度值分布的概率公式，待分割指纹图像的均值为

则C0和C1的均值分别为

C0和C1的出现概率分别为

其中，

类间方差的定义为

自适应动态阈值初分割基础上，再根据相似性判别生长准则，将指纹图像上具有类似性质的像素点集中起来形成一个区域．区域增长算法［12-14］从区域这一角度着手，全面考虑区域内部及之间的异同点，尽可能地保证区域中像素点的一致性．本文算法关键是设计一个高效的相似性判别生长准则，用以判别两个相邻区域是否能够合并，符合准则就将这两个相邻区域合并，直到不能合并为止．

首先确定该区域的生长点种子像素，接着由上述所确定的阈值T来判定该种子像素与邻域像素间的灰度差，符合条件则合并，重复判断、合并过程，最后限定生长、停止条件．设(m, n)为某像素的坐标，f( m, n)为像素点灰度值，f( i, j)为与(m, n)相邻且不属于任何区域的像素点的灰度值，T为灰度差阈值，则灰度差表达式为

当A

3 算法实现与实验分析

3.1 算法实现

本文设计的指纹图像分割算法，分为以下4步：

Step1:载入待处理指纹图像，对图像进行规格化处理；

Step2:基于本文2.2内容，利用类间方差确定最佳阈值，完成对图像初步分割；

Step3:基于本文2.3内容，选定起始生长点，由初步分割确定的阈值进行由小到大的合并分割处理，完成区域增长的再次分割；

Step4:选择最佳生长点，不断对其进行修改，完善改进算法分割．

本文采用的初始指纹图像，如图2所示，其中灰度为256级，分辨率为500 dpi，主要分割目的是提取有效的指纹区域．

为了验证本文提出的改进算法必要性和优越性，先对原始指纹图像进行边缘检测［14］分割、Otsu算法［9］分割、区域增长算法［13］分割和分裂合并算法［14］分割，结果如图3、图4、图5、图6所示．

如图3所示的分割结果图是利用边缘检测算法——Sobel算法分割得到的，图3（a）是水平和垂直边缘检测的结果，图3（b）是45°边缘检测的结果；如图4所示是基于自适应动态阈值分割的Otsu算法分割结果图；区域增长算法如图5所示；如图6所示是利用四叉树分解法，基于分裂合并算法的分割结果图，采用了自定义阈值Th=0.2．

图2 初始指纹图像

图3 边缘检测算法分割

图4 Otsu算法分割

图5 区域增长算法分割

本文先利用自适应动态阈值进行初次分割，再利用初次分割算法中所得的阈值T，完成指纹图像中像素点由小到大的合并，在分割中选定起始像素点，如图7（b）所示，由初次分割中确定的阈值T来判定该起始像素点与邻域像素点之间的灰度差，若相似则合并，并使用相同的像素标记来进行分割，处理结果图如图7（c）所示．

3.2 实验分析

本文着重研究了指纹图像预处理中的关键算法——分割算法，利用MATLAB验证了本文算法，并在Windows 7操作系统和MATLAB R2014b编译环境下实现．

本文提出的改进指纹图像分割算法，创新之处是融合了阈值分割和区域分割两种算法的优点，与传统的动态阈值分割算法和区域分割算法相比，不仅能较快地处理对比度较高的指纹图像，对于质量较低的指纹图像处理效果也很好．

图6 分裂合并算法分割

图7 本文改进算法结果图

第一，从分割的速度来看，由于Otsu算法速度很快，能较好地适应实时性系统诸如指纹识别系统这一对速度要求特别高的系统，但因其处理对比度不高的指纹图像时处理效果不佳，则需要对这一算法进行改进，保留原Otsu算法速度的优越性，利用区域起始像素点，针对起始点与邻域像素点的灰度值之差，使用由Otsu算法确定的阈值T，避免了区域分割时阈值不精确的劣势，既保证了处理速度，也保证了指纹图像处理的效果．

第二，从分割的效果来看，如图3所示的Sobel算法分割结果图，（a）是水平和垂直边缘检测结果图，（b）是45°边缘检测结果图，如图4基于Otsu算法直接进行阈值分割，处理后的指纹图像边缘不是很理想，指纹的背景区域与前景区域交界处有少量“黑影”，这些“黑影”是某些像素点因算法错误标记而造成的，这些误标的像素点导致指纹图像分割后边缘稍模糊，分割效果不清晰．与之相对比的是图5、图6所示的区域分割算法，它的分割效果较边缘和阈值分割算法略好．如图6所示的分裂合并算法将整个指纹图像分解成512×512，256×256，128×128...，2×2，1×1，只要图像是2的正整数次方，就通过不断手工改变阈值分解待处理指纹图像，最终确定自定义阈值Th=0.2，然后返回四叉树矩阵---稀疏矩阵，直到分解后的每小块区域内的最大像素值和最小像素值之差小于0.2，接着将这些小块合并．从改进的算法处理结果图可以看出，如图7所示的分割结果较图3、图4、图5、图6所示的几种分割结果图明显较好．本文改进的指纹图像分割算法关键之处在于起始像素点的选定，如图7（b）所示，生长点的选择关系到分割精度，在衡量算法性能时，应该重点比较指纹图像分割的范围和修改生长点后自动修正的准确性．

4 结语

由于初始指纹图像的指纹区域和背景区域相混淆，本文通过分析指纹图像的特点，对指纹图像进行分割处理．本文在分析常用指纹图像分割算法的基础上，提出了改进的指纹图像分割算法，使阈值分割与区域分割相结合，更加有利于阈值选定的准确度．实验验证了本文提出的改进分割算法对于指纹图像分割处理具有较佳效果，为进一步研究指纹图像预处理中其他步骤奠定基础，同时也为指纹识别系统中的指纹特征提取和指纹匹配的精确性提供了保障．

［1］马俊. 指纹图像分割及参考点检测算法研究［D］. 北京：北京邮电大学，2011．

［2］李文静. 指纹识别预处理算法的研究［D］. 哈尔滨：东北林业大学，2011．

［3］LIN H. Automatic personal identification using fingerprints［D］. East Lansing: Michigan State University， 1998: 5-46.

［4］王科飞，王慧. 一种改进的Mean Shift指纹图像分割算法［J］. 吉林大学学报（理学版），2012，50（5）： 1011-1014．

［5］蔡秀梅，张永健，梁辉. 结合方差和方向的指纹图像分割算法［J］. 现代电子技术，2011，34（12）：111-113．

［6］ TIWARI K， MANDAL J， GUPTA P. Segmentation of slap fingerprint images［J］. Communications in Computer and Information Science， 2013， 375: 182-187.

［7］ MENZE B H， JAKAB A， BAUER S， et al. The Multimodal Brain Tumor Image Segmentation Benchmark （BRATS）［J］. IEEE Transactions on Medical Imaging， 2015， 34（10）: 1993-2024.

［8］梅园. 自动指纹识别系统中若干关键问题研究［D］. 南京：南京理工大学，2009．

［9］ OTSU N. A threshold selection method from gray-level histograms［J］. IEEE Transactions on Systems Man & cybernetics, 1979, 9（1）: 62-66.

［10］张正言，徐荣青. 指纹图像分割方法的研究［J］. 微计算机信息（管控一体化）， 2006， 22（10-3）： 284-286．

［11］ LIU J， TANG Y. Adaptive image segmentation with distributed behavior-basedagents［J］. IEEE Transactions on PAMI，1999， 21（6）: 544-551.

［12］宋李江. 指纹图像分割算法的研究［D］. 郑州：郑州大学，2010．

［13］刘军，齐华，汪振飞. 基于边缘区域增长法的飞机图像目标分割研究［J］. 飞行力学， 2008，26（2）：93-96．

［14］石荣刚，李志远，江涛. 图像分割的常用方法及其应用［J］. 现代电子技术，2007，12：111-114．

Abstract:This paper makes a study of fingerprint image segmentation algorithm. Fingerprint image segmentation algorithm is the essence of the whole fingerprint identification system. The paper presents an improved fingerprint segmentation algorithm. Based on adaptive dynamic threshold segmentation algorithm for fingerprint image, the paper has collected uneven gray value characteristics to improve the algorithm. The paper presents an improved fingerprint image segmentation algorithm, and it combines threshold segmentation algorithm and region segmentation algorithm. According to the experiments, these algorithms introduced in the paper can be tested in PC by programming. Through the comparison and analysis of these algorithms, it has been proved that the algorithm described in the paper has a great advantage in fingerprint image processing.

Key words:fingerprint image; segmentation; dynamic threshold; region segmentation

An Improved Fingerprint Image Segmentation Algorithm

TAN Tingting1, LIU Qian1,2, CHEN Mao1, ZHOU Xueli1
(1.School of Physics and Electronic Engineering, Changshu Institute of Technology, Changshu 215500; 2. School of Electronic and Optical Engineering, Nanjing University of Science and Technology, Nanjing 210094, China)

TP391.41

A

1008-2794（2017）04-0062-05

2016-05-17

周学礼，副教授，研究方向：计算机图形学及医学图像处理，嵌入式系统设计，E-mail：zhouxueli008@163.com.