改進的指紋自適應閾值分割算法

(杭州電子科技大學電子信息學院，浙江 杭州310018)

0 引 言

位于預處理前端的指紋圖像分割是自動指紋識別系統中一個極為重要的過程，其目的是區分出指紋有效區和無效區以達到去除背景區域和保留前景區域[1]。較好的指紋圖像分割算法不僅能使后續處理集中于有效區域，還能顯著提高特征提取的精確度[2]。因此指紋圖像算法在自動指紋識別算法領域中具有重要地位。文獻[2]提出了一種基于紋理特征的自適應指紋圖像分割算法。相較傳統的方差法[3-5]，該算法能更為準確地實現指紋的分割。但是在一些低質量的指紋圖像處理中，這種算法的錯誤分割區域比例并不理想，從而降低了指紋分割的質量。針對上述問題，本文在此算法的基礎上，對分割閾值的確定過程進行調整，以改善其分割的總體質量。

1 基于紋理特征的自適應指紋圖像分割

經過觀察各類指紋圖像發現，指紋是具有較強的規律性的紋理圖像[6]。有效指紋圖像區域中的黑白相間的紋理構成了明顯的指紋特征，而背景區域則基本不具有相應的紋理特征。在有效指紋圖像區域中，指紋的脊線和谷線是間隔均勻出現的，體現在灰度值上就是指紋圖像區域分塊后每塊的灰度均值應能將該塊的像素劃分為兩個數目近似相等的像素點集[2]。這一發現，為小塊區域的灰度均值因噪聲影響而出現偏離的現象得到相應修正提供了理論依據。

同時，灰度均值也可成為分割的依據之一。而且，常規方差法的閾值全部憑經驗確定給后續處理帶來很多不確定性，影響識別率。針對上述問題，文獻[2]提出了一種基于紋理特征的自適應指紋圖像分割算法。相較傳統的方差法，該算法能夠更為準確地實現指紋的分割。但是在一些低質量的指紋圖像，該算法的分割錯誤比例較高，從而降低了指紋分割的質量。針對上述問題，本文將在此算法的基礎上，提出了一種改進算法。

2 改進的自適應閾值指紋圖像分割

2.1 基于紋理特征的改進方差法算法描述

文獻[2]所提出改進的指紋圖像自適應分割算法，步驟主要有4個部分組成。

其中，(x，y)為指紋圖像分塊后各個小塊的映射坐標，x表示在寬坐標上的列，y表示在高坐標上的行;Mean (x，y) 、Var (x，y) 分別表示坐標為(x，y)的小塊的灰度均值和方差;g (i，j)表示第 (x，y) 小塊中第i行第j列像素的灰度值;w×h表示小塊的大小。

2)修正均值。

①統計像素點。計算小塊中灰度值≥Mean (x，y)的個數Nh 及＜Mean (x，y)的個數Nl;

③均值修正。采用下式完成小塊均值的修正，并返回步驟2的①。

式中，h、l 即為避免出現死循環而添加的補充條件，初始值均設為0。

3)確定分割閾值。

④確定分割閾值:T1=M2，T2=V2。

4)分割指紋圖像，計算公式如下:

式中，I(x，y)表示相應坐標上的小塊區域的分割標志，“1”為指紋區域，“0”為背景區域。

2.2 算法改進分析

文獻[2]所提出的算法中，最為核心的有兩個方面:一是為減小突發噪聲影響而對各個小塊的均值做出相應的修正(對應于2.1 節步驟2);二是以相應的均值及方差的估值作為自適應分割閾值(對應于2.1 節步驟3)。但是，此算法僅對均值做出了相應的修正而未涉及方差，因此對于噪聲較為嚴重的指紋圖像，方差閾值有較大的誤差。

經過分析可知，方差的修正過程遠比均值的修正過程復雜得多。然而，分割閾值的確定過程為的修正閾值提供了可能。從某種程度上來說，對方差閾值及均值閾值的修正，其效果如同對各個小塊的方差及均值的修正，反過來亦如此。

文獻[2]算法已經能夠較為準確地實現指紋的分割，其分割結果基本符合要求。根據其分割結果，對比分割閾值的確定過程，可以判斷出其閾值的合理性，從而為分割閾值的修正提供了理論依據。

2.3 改進算法描述

本文改進算法流程圖如圖1所示，步驟如下。

圖1 改進算法流程圖

1)分塊求均值方差。如2.1 節中的步驟1。

2)確定分割閾值。如2.1 節中的步驟3，其中第2步增加計算滿足條件Mean (x，y) ≤Km 小塊比例m1和滿足條件Var (x，y) ≥Kv 小塊的比例m2，其中

3)分割指紋圖像。如2.1 節中的步驟4。

4)根據分割結果，確定是否需要修正分割閾值。

①計算分割后指紋區域的比例m3;

5)分割閾值的修正。包括兩個部分的修正:均值閾值修正、方差閾值修正，具體如下:

①確定修正結束條件。均值閾值:若m3≥m1，則結束條件為m1≥m3+β，否則為m1≤m3-β。方差閾值:若m3≥m2，則修正結束條件為m2≥m3+β，否則為m2≤m3-β;

④重新計算滿足條件Mean (x，y) ≤Km 小塊比例m1;

⑤判斷修正結果1。若滿足均值閾值修正結束條件，繼續至下一步，否則返回③繼續修正;

⑧重新計算滿足條件Var (x，y) ≥Kv 小塊比例m2;

⑨判斷修正結果2。若滿足方差閾值修正結束條件，繼續至下一步，否則返回⑦繼續修正;

⑩根據步驟2的過程，通過修正后的Km、Kv 確定新的分割閾值。

6)指紋重新分割。根據新的分割閾值，重新分割指紋。

7)分割結束。

3 實驗結果及其分析

3.1 實驗環境及結果

算法在CPU為Inter(R)Core(TM)2 Duo CPU P7350@2.00 GHz，內存為2.00 GB，操作系統為Windows 7的PC 機上進行測試;測試軟件為Microsoft Visual C++6.0。

本文對FVC2002 標準指紋庫的DB2_B和DB3_B中的指紋圖像做了相應的對比實驗(為體現分割實際效果，實驗除去分割后的形態學處理過程)。β 取0.03。對于文獻[2]算法，其分塊大小直接影響其紋理特征依據的成立與否。而對于本文算法雖無此依據，但分塊至少不能小于使得塊中全部是脊線或者全部是谷線，否則將使得方差閾值的失效引起分割失敗，故分塊大小的選擇極其關鍵。為對比兩者算法，統一其分塊大小。其中DB2_B中的指紋圖像小塊大小為12×14(像素)，列出其兩幅典型的指紋106_7、110_8的對比實驗結果分別如圖2、圖3所示;DB3_B中的指紋圖像小塊大小為12×12(像素)，列出其兩幅典型指紋103_5、106_4的對比實驗結果分別如圖4、圖5所示。

圖2 DB2_B 中編號106_7的實驗結果

圖3 DB2_B 中編號110_8的實驗結果

圖4 DB3_B 中編號103_5的實驗結果

圖5 DB3_B 中編號106_4的實驗結果

由實驗對比圖可以清楚地發現，本文算法誤分割區域有較大程度的降低。可見本文算法對閾值的修正過程是基本有效的，對文獻[2]算法的改進效果是明顯的。

3.2 實驗分析

為評價算法的性能，選擇算法錯誤率、算法耗時兩項算法指標。

1)算法錯誤率(False Rate，FR):指分割過程中分割錯誤的區域所占比例。包括兩個方面:①錯誤前景率(False Foreground Rate，FFR);②錯誤背景率(False Background Rate，FBR)[2]。為分析指紋圖像質量對算法錯誤率的影響，進而分析算法對于高低質量指紋圖像的改進效果，將指紋圖像分類。其中指紋區域清晰部分約占其2/3以上且首次計算得出的指紋區域均值估計值和背景區域均值估計值差值大于40的為較好質量的指紋，其他歸為較差質量的指紋圖像。為提高數據的準確性，實驗時均略去形態處理過程，統計結果如表1所示。

表1 算法錯誤率統計表%

2)算法耗時:指算法完成所需時間，體現了算法的適應性。根據在Microsoft Visual C++6.0平臺上的調試結果，可大致獲得算法所耗費的時間，如表2所示。

表2 算法耗時統計表ms

根據表1可知，相比較文獻[2]算法，本文算法有更低的分割錯誤率，特別是對于低質量的指紋圖像，其改善效果明顯。根據表2可知，本文算法增加了分割耗時，但均處于合理范圍之內。因此，相比較文獻[2]算法，本文提出的算法在合理增加算法耗時的情況下，有更低的分割錯誤率，能夠更為準確地實現指紋的分割，特別是對低質量指紋圖像有更為理想的效果。

4 結束語

本文在文獻[2]算法的基礎上提出了一種改進的自適應閾值指紋圖像分割算法。通過實驗說明，本算法可以很好地從一幅含有較強噪聲的指紋圖像中把前景區從背景區中給分割出來，分割效果有較大的改善，且耗時在合理范圍內。由于其處理時間相對合理，并且分割質量也較好，因此對于嵌入式的自動指紋識別系統來說是相當適用的。實踐表明它是一種高效、實用、快捷的指紋圖像分割算法。

[1]樊冬進，孫冰，封舉富.基于方差及方差梯度的指紋圖像自適應分割算法[J].計算機輔助設計與圖形學學報，2008，20(06):742-747.

[2]徐華麗，樊永生.改進的指紋圖像自適應分割方法[J].計算機工程與應用，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，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，2005:1-153.

[6]Abhyankar A，Stephanie S.Integrating a wavelet based perspiration liveness check with fingerprint recognition[J].Pattern Recognition，2009，42(3):452-464.