生物图像特征提取算法研究(毕业论文(编辑修改稿)

生物图像特征提取算法研究(毕业论文(编辑修改稿)内容摘要：

连通性 ， 提出了不同的血管追踪算法 , Sun提出一种自适应追踪算法。 这种算法以血管中心线、方向、直径和灰度的空间连续性作为追踪依据 ， 它不 但需要人工确定追踪的起始点 ， 而且不能识别重叠的血管。 Tolias和 Panas提出一种基于模糊聚类的追踪算法。 该方法噪声对它的影响比较小 ， 但 该方法不仅难于识别并追踪细血管和灰度对比较小的血管 ， 而且起始点的确定也可能发生8 错误 [17]。 小结 本章介绍了人脸、虹膜、掌纹以及视网膜的特征和特征提取方法。 目前，有三种生物特征被认为是最具固有性和唯一性：视网膜、虹膜和指纹。 因此，这三种生物 特征在生物识别技术中具有最高的可信度和准确度。 众多的生物识别技术中，指纹识别的技术应用最广泛、最方便、可靠和非侵害的，因此其 特征提取技术也相应最为成熟，算法研究的最多。 目前人脸特征提取算法主要适用于限定环境，限定类别数量条件下的应用。 人脸姿态的多样性和面部非刚体变化决定了人脸模式的复杂性，从而导致难以提取足够多的不变性特征。 而虹膜识别、视网膜识别、掌纹识别等还有待进一步推广。 3 指纹图像增强 算法研究 引言 在指纹采集中 , 对干、湿、老化、破损的指纹 , 往往难以得到清晰的图像 , 为了弥补指纹图像的质量缺陷 , 确保指纹特征提取算法的鲁棒性 , 有必要在指纹特征提取之前实施指纹图像增强，它是最关键的步骤 ,直接影响特征提取和匹 配。 指纹增强是对低质量的指纹图像采用一定的算法进行处理 , 使其纹线结构清晰 , 进而突出和保留固有的特征信息而避免产生伪特征信息。 其 目的是在保护纹线结构的前提下增加脊线和谷线的对比度 ,减少伪信息。 目前已经提出了许多关于指纹图像增强的算法。 O’Gorman和 Nickerson最先提出了基于方向滤波的指纹图像增强方法。 该方法使用具有方向性的滤波器来沿着指纹纹线方向进行平滑 ,同时还能够在梯度方向上提高纹理的对比度。 Sherlock等人则在频率域进行方向滤波。 将经过滤波的图像根据原始图像的局部方向信息来进行融合 , 得到完整的增强图像。 基于 Gabor滤波的指纹图像增强方法能取得较好的处理效果 ,是目前被广泛应用的算法。 本章将重点讨论几种指纹图像增强算法：（ 1）基于傅里叶变换的指纹增强算法；（ 2）基于 Gabor滤波的指纹增强算法；（ 3）基于空域、频域和方向滤波相结合的指纹增强算法。 基于傅里叶变换的指纹增强算法 （ 1） 均衡化 均衡化是为了减小灰度值沿脊线和谷线的变化范围，调整指纹图像的均值和方差接9 近期望的均值和方差。 这里用式 （ 1） 来均衡化。     22, , ( ( , ) )( , ), , ( ( , ) )ooooV I x y MM I x y MVN x yV I x y MM I x y MV     （ 1） 式中： Mo 和 Vo— — 期望的均值和方差（分别取为 150和 200）。 （ 2） 傅立叶变换 如图 3 (a) 所示指纹图像是由脊线和谷线交替组成，脊线宽度一般在 3~6个像素之间，具有很强的周期性，并且在局部有很强的方向性，这些特性都有利于图像的频域处理，同时对指纹图像进行频域处理可以取得比空域更好的效果。 这里 采用傅立叶变换对指纹图像进行频域处理。 首先对指纹图像用式（ 2）进行二维离散傅立叶变换。 11 2 ( )00( , ) ( , ) xyNN j nxyF f x y e     （ 2） 由图 3 (b)可以看出经过傅立叶变换的指纹图像中间有一个较亮的高能量带，它几乎包含了指纹图像的全部信息。 其它的亮点是图像噪声的干扰，我们对图像进行带通滤波去除干扰信息。 带通滤波式为（ 3），将其它的频率幅度置为 0。  , ( e n e r g y )() 0,i e n e r g y      高 低其 他 （ 3） 同时取功率谱的 次方来增强图像，即  用式（ 4）对增强后的图像进行离散二 维傅立叶逆变换。 11 2 ( )2 001( , ) ( , ) xyNN j nf x y F eN    （ 4） 由图 3(c)可以看出经过傅立叶变换处理的指纹图像有了显著增强，并去除了大部分的噪声干扰，脊线变的更加平滑，许多毛刺、短线和黑点被去除，而且断线也连接上了 [18]。 10 (a) 原指纹图像 (b) 傅立叶变换后图像 (c) 增强后的图像 图 3 图像增强过程 基于 Gabor 滤波的指纹增强算法 在指纹图像增强方面 , 利用指纹的方向特性设计出 Gabor 滤波器 , 并且根据指纹核心区域方向变化比较剧烈 , Gabor滤波求取的结果不够准确 , 对核心区域采用了单一方向Gabor滤波以及多方向 Gabor滤波合成的方法 , 取得了较好的效果。 由于 Gabor 滤波器可以同时在空域和频域上获得最佳的分辨率 , 具有良好的带通性和方向选择性 , 可以采用 Gabor滤波器来实现指纹图像的增强。 根据需要 , 将 Gabor 函数略作修改 , 得到一个数字滤波器 , 如公式 (5) 所示 :        2222yc o s sin1, : , e x p c o s 2 c o s2xxyh x f fx        （ 5） 这里得到的 Gabor 滤波器 h ( x , ν:Φ , f ) 用于对指纹图像的局部区域进行滤波。 其滤波参数与局部图像块的方向、频率、尺寸和位置有关。 式中 : Φ表示滤波器的方向。 f 表示脊线形成的正弦波频率 ， δ x 和δ y 为沿 X 轴和 Y 轴的空间常量。 利用公式 (5) 对图像进行滤波 , 其滤波公式为 :      / 2 / 2/ 2 / 2, , : , 39。 ,w g w gu w g v w gi j h u v f I i u j v        （ 6） 式中 :ω( i , j)为滤波后的图像 ,Φ为图像块的方向 , f为脊线的频率 (本 算法 取固定值 ) ,I39。 ( i , j)为规格化后的指纹图 像 , wg为 Gabor滤波器的大小 ,一般为一个脊线宽度。 考虑到在指纹图像的核心区域方向变化比较剧烈 ,针对指纹图像的不同区域采取了单一方向 Gabor 滤波及多方向 Gabor 滤波合成的综合增强方法 ,算法步骤如下 : (1) 把指纹图像分成大小为 16 16 的互不重叠的小块。 (2) 对当前小块 ,计算其方向值与 4 个邻域子块的方向值的差值。 (3) 如果差值都小于 45176。 ， 则利用当前的方向参数得到 Gabor 滤波器进行滤波 ； (4) 如果差值有大于 45176。 的 ， 则分别取当前子块和四邻域子块的方向参数得到 5个Gabor滤波器 ， 用这 5个 Gabor滤波器分别进行滤波 ， 并相加合成。 孙以雷等人在该 算法中 取 ： δ x = ,δ y = , f = ,经过以上的方法进行增强以后 ， 指纹图像的脊线连通性较好 ， 在脊线方向变化较大的局部区域取得了较好11 的处理效果 [19]。 基于空域、频域和方向滤波相结合的指纹增强算法 利用空域增强来增加对比度、消除传感器噪声 , 利用频域增强来增强指纹纹线 , 利用方向滤波连接纹线不应有的间断 , 同时将粘连的纹线分离开。 （ 1） 基于空域的图像增强 采用灰度均衡化来消除传感器噪声以及 手指压力不均造成的灰度差异。 使用 公式 （ 1）均衡化。 其中 M0、 V0是图像预置的均值和方差 (均设为 100), M、 V为图像计算的均值和方差 , I(i,j)、 N(i,j)分别为均衡化前后像素灰度值。 由于用采集器采集的指纹图像纹线的脊和谷都较暗 , 采用自动对比度增强 , 来提高指纹图像的对比度 , 从而得到清晰的指纹图像。 公式 （ 7） 如下 :    ,dcg x y f x y cba （ 7） 根据上式可以将任意像素灰度 f(x,y)变 换成灰度 g(x,y)。 变换前的图像灰度的最小值 a和最大值 b分别被变换为 c和 d,处理后的脊线和谷线的对比度增加 , 图像变得清晰。 （ 2） 基于频域的图像增强 把高通滤波和低通滤波的方法结合起来形成了带通滤波 , 带通滤波只保留傅立叶变换后环域部分。 经过实验 , 理想带通滤波的效果不好 , 原因在于理想滤波器有陡峭频率的截止特性 , 会产生振铃现象使图像变得模糊。 Butterworth滤波是一种非线性滤波 , 通带和阻带之间没有明显的不连续性 , 故图像的模糊减少。 孙燕等人在 算法 中 采用了对指纹图像做傅里叶变换后进行 Butterworth带通滤波的方法，其实验结果明显优于单纯使用低通滤波或高通滤波。 （ 3） 方向滤波 ① 图像方向场提取 将指纹图像划分为不重叠的大小为 ww的块，初始值科设置为 16 16；对整幅指纹图像进行增强，采用 Sobel算子计算其每一像素点的一阶偏导数；计算每块图像的方向信息。 ② 方向滤波 结合纹线本身的方向信息 , 构建适当的模板 , 沿着纹线切线方向对纹线进行平滑处理 , 可以连接不应有的间断 ； 沿着纹线的法线方向对纹线进行增强 , 可以将粘连的纹线分离开。 利用前一步求出的方向角信息来构建这个 7 7 的方向模板 [20]。 12 小结 指纹图像增强在指纹特征提取中是个难点，尽管存在许多方法，但指纹增强中的一些问题仍然没有得到很好的解决，特别是对一些质量比较低的图像，以及指纹中疤痕的处理。 在数字图像处理中，已存在许多去噪方法，它们可以应用到指纹图像增强中来，但这些方法需要与指纹图像的特性结合起来才能取得较好的效果。 4 指纹图像特征提取算法研究 引言 用计算机的语言完整地描述稳定而又有区别的指纹特征是实现自动指纹识别的一个关键问题。 选择什么特征以及如何表示这种特征既关系指纹本身的特点，又和具体的指纹匹配算法紧 密联系，同时还要考虑所采用的指纹采集设备的特点。 目前普遍采用的指纹特征是细节点 （ minutiae） ，分为极限末梢和分叉点。 指纹的特征可以反映给定的人类群体里来自不同手指的指纹之间相似的程度。 指纹的特征信息很多。 这些所有的指纹特征信息构成了庞大的指纹特征集合。 一组好的特征不仅要能达到身份识别的基本要求，而且对噪声、畸变和环境条件不敏感。 为了 识别 的快速、准确 ,指纹特征提取算法应具备以下特性 : 1) 易计算。 2) 稳定 ,随噪声及干扰信号变化不大。 3) 保持指纹特征点的唯一性。 4) 适于实现自动 识别 算法。 本 章主要通过基于结构的指纹特征提取算法和基于细节点的指纹特征提取算法对指纹图像特征提取算法 进行 研究，并对两种算法作比较。 概述 作为最传统、最成熟的生物识别方式 ,指纹有如下两个突出的特点 :人各不同 ,指指相异。 每个人的 指 纹不一样 ,即使同一个人的每个手指也不相同。 特征稳定 ,终生基本不变。 指纹是手指末梢乳突纹突起形成的纹线图案 ， 指纹纹线中包含有很多类似于起点、终点、分歧、结合、小勾、小眼、 小桥、短棒、小点等细节特征点 [21]。 现今已经确定的指纹特征有 150多种 [22]，但这些特征出现的概率不等，很多特征是极 其罕见的， 其中最稳定、最广泛应用的细节特征是脊线的端点和分叉点，如图 4所示。 13 (a)端点 (b)分叉点 图 4 细节特征点 指纹图像的特征提取方法可以从三个方面（指纹。