下载文档原格式
一种有效的指纹图像细化算法作者：何晶范九伦来源：《现代电子技术》2008年第18期摘要：OPTA方法是一个经典的指纹图像细化方法，针对OPTA法的不足提出改进的OPTA方法能够得到完全细化的指纹图像，细化后图像纹线扭曲小。
但是改进的OPTA方法还存在细化后的图像容易产生毛刺的不足，为此提出一组改进模板，即在改进的OPTA 模板的基础上增加一组去除毛刺的模板。
实验表明，通过该算法得到的细化指纹图像在保持连通性的基础上光滑无毛刺，取得了更为理想的细化结果。
关键词：图像处理；细化；模板；毛刺中图分类号：TP391.4 文献标识码：B 文章编号：1004373X(2008)1814303An Effective Thinning Algorithm for Fingerprint ImageHE Jing,FAN Jiulun(Xi′an Institute of Post and Telecommunications,Xi′an,710061,China)Abstract：OPTA method is a classical thinning method for fingerprint image.Improved OPTA method,which is proposed to overcome the insufficiency of the OPTA method,can obtain a complete thinning result,and can eliminate the distortion of the skeleton.But the improved OPTA thinning algorithm has a deficiency of being easy to get burrs after thinning.To deal with this problem,a set of ameliorative templates is added in this paper.Experimental results show that the new algorithm can not only keep connective,but also keep smooth without burrs.More ideal thinning result is obtained.Keywords：image processing;thinning;template;burr1 引言迄今为止，生物特征识别技术已经成为最为方便与安全的识别技术［1］。
论文中文摘要毕业设计说明书（论文）外文摘要1 绪论图像的细化是数字图像预处理中的重要的一个核心环节。
图像细化在图像分析和图像识别中如汉子识别、笔迹鉴别。
指纹分析中有着广泛的应用。
图像的细化主要有以下几个基本要求：（1）骨架图像必须保持原图像的曲线连通性。
（2）细化结果尽量是原图像的中心线。
（3）骨架保持原来图形的拓扑结构。
（4）保留曲线的端点。
（5）细化处理速度快。
（6）交叉部分中心线不畸变。
虽然现在人们对细化有着广泛的研究，细化算法的方法有很多。
然而大多数算法如Hilditch算法和Rosenfield算法存在着细化后图形畸变，断点过多，在复杂的情况下关键信息的缺失等问题。
基于上诉考虑，传统的细化算法已经无法满足如今的数字图像处理要求。
因此，需要提出新的一种算法，来解决相关问题。
1．1 相关定义1.1.1串行与并行从处理的过程来看，主要可以分为串行和并行两类，前者对图像中当前象素的处理依据其邻域内象素的即时化结果，即对某一元素进行检测，如果该点是可删除点，则立即删除，且不同的细化阶段采用不同的处理方法；后者对当前的象素处理依据该象素及其邻域内各象素的前一轮迭代处理的结果，至始至终采用相同的细化准则。
即全部检测完汉子图像边缘上的点后再删除可删除点。
1.1.2骨架对图像细化的过程实际上是求一图像骨架的过程。
骨架是二维二值目标的重要拓扑描述，它是指图像中央的骨架部分，是描述图像几何及拓扑性质的重要特征之一。
骨架形状描述的方法是Blum最先提出来的，他使用的是中轴的概念。
如果用一个形象的比喻来说明骨架的含义，那就是设想在t=0的时刻，讲目标的边界各处同时点燃，火焰以匀速向目标内部蔓延，当火焰的前沿相交时火焰熄灭，那么火焰熄灭点的集合就构成了中轴，也就是图像的骨架。
例如一个长方形的骨架是它的长方向上的中轴线，正方形的骨架是它的中心点，圆的骨架是它的圆心，直线的骨架是它自身，孤立点的骨架也是自身。
细化的目的就是在将图像的骨架提取出来的同时保持图像细小部分的连通性，特别是在文字识别，地质识别，工业零件识别或图像理解中，先对被处理的图像进行细化有助于突出形状特点和减少冗余信息量。
图像细化（⾻架化）算法分析图像细化（⾻架化）算法分析图像的细化是模式识别中很重要的⼀个技术，指的是将原本"臃肿"的像素简化为单像素相连接的⼆值图像（即类似⾻架的概念），细化的好坏直接影响到后⾯识别匹配的效率。
摘⾃某⽂章的话，细化就是经过⼀层层的剥离，从原来的图中去掉⼀些点，但仍要保持原来的形状，直到得到图像的⾻架。
⾻架，可以理解为图象的中轴，例如⼀个长⽅形的⾻架是它的长⽅向上的中轴线；正⽅形的⾻架是它的中⼼点；圆的⾻架是它的圆⼼，直线的⾻架是它⾃⾝，孤⽴点的⾻架也是⾃⾝。
下⾯先介绍经典的Zhang并⾏快速细化算法：设p1点的⼋邻域为：【 p9 p2 p3p8 p1 p4p7 p6 p5 】（其中p1为⽩点，如果以下四个条件同时满⾜，则删除p1，即令p1=0）其中迭代分为两个⼦过程：过程1 细化删除条件为：（1）、2 < =N(p1) <= 6， N(x)为x的8邻域中⿊点的数⽬（2）、A(p1)=1, A(x)指的是将p2-p8之间按序前后分别为0、1的对数（背景⾊：0）（3）、p2*p4*p6=0（4）、p4*p6*p8=0如果同时满⾜以上四个条件则该点可以删除（赋值为0）。
过程2 细化删除条件为：（1）、2 < =N(p1) <= 6， N(x)为x的8邻域中⿊点的数⽬（2）、A(p1)=1, A(x)指的是将p2-p8之间按序前后分别为0、1的对数（背景⾊：0）（3）、p2*p4*p8=0（4）、p2*p6*p8=0如果同时满⾜以上四个条件则该点可以删除。
代码如下：A.m1 function n=A(temp,i,j)2 %0->1的数⽬3 shuzu=[temp(i,j),temp(i-1,j),temp(i-1,j+1),temp(i,j+1),temp(i+1,j+1),temp(i+1,j),temp(i+1,j-1),temp(i,j-1),temp(i-1,j-1)];4 n=0;5for i=2:86if shuzu(i)==0&&shuzu(i+1)==17 n=n+1;8 end9 end主函数代码：1 test=input('Please input a digits image:','s'); %输⼊图像2 x=imread(test);3if ~isbw(x)4'请确保输⼊图像为⼆值化图像！';5else6 [height,width]=size(x);7 mark=1;8 % temp=zeros(height+2,width+2);9 % temp(2:height+1,2:width+1)=x(:,:);10 temp=x;11 imshow(temp);12while mark==113 mark=0;1415for i=2:height-116for j=2:width-117 condition=0;18 %判断P(r,c)是否为可细化像素19if temp(i,j)==120 n=0;21for ii=-1:122for jj=-1:123 n=n+temp(i+ii,j+jj);24 end25 end26if (n>=3 && n<=7)27 condition=condition+1;28 end29if A(temp,i,j)==130 condition=condition+1;31 end32if temp(i-1,j)*temp(i,j+1)*temp(i+1,j)==033 condition=condition+1;34 end35if temp(i,j+1)*temp(i+1,j)*temp(i,j-1)==036 condition=condition+1;37 end38if condition==439 mark=1;40 temp(i,j)=0;41 end42 end43 end44 end45 figure;imshow(temp);464748for i=2:height-149for j=2:width-150 condition=0;51 %判断P(r,c)是否为可细化像素52if temp(i,j)==153 n=0;54for ii=-1:155for jj=-1:156 n=n+temp(i+ii,j+jj);57 end58 end59if (n>=3 && n<=7)60 condition=condition+1;61 end62if A(temp,i,j)==163 condition=condition+1;64 end65if temp(i-1,j)*temp(i,j+1)*temp(i,j-1)==066 condition=condition+1;67 end68if temp(i,j-1)*temp(i+1,j)*temp(i,j-1)==069 condition=condition+1;70 end71if condition==472 mark=1;73 temp(i,j)=0;74 end75 end76 end77 end78 figure;imshow(temp);79 end80 end结果：。
图像细化算法一、细化算法简介图像细化（Image Thinning），一般指二值图像的骨架化（Image keletonization）的一种操作运算。
所谓的细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。
骨架，可以理解为图象的中轴。
好的细化算法一定要满足：∙收敛性；∙保证细化后细线的连通性∙保持原图的基本形状∙减少笔画相交处的畸变∙细化结果是原图像的中心线∙细化的快速性和迭代次数少依据是否使用迭代运算可以分为两类：（1）非迭代算法一次即产生骨架，如基于距离变换的方法。
游程长度编码细化等。
（2）迭代算法即重复删除图像边缘满足一定条件的像素，最终得到单像素宽带骨架。
迭代方法依据其检查像素的方法又可以再分成①串行算法是否删除像素在每次迭代的执行中是固定顺序的，它不仅取决于前次迭代的结果，也取决于本次迭代中已处理过像素点分布情况.②并行算法像素点删除与否与像素值图像中的顺序无关，仅取决于前次迭代的结果二、本文所用算法我所采用的是Zhang并行快速细化算法，它的原理也很简单：我们对一副二值图像进行骨架提取，就是删除不需要的轮廓点，只保留其骨架点。
假设一个像素点，我们定义该点为p1，则它的八邻域点p2->p9位置如下图所示，该算法考虑p1点邻域的实际情况，以便决定是否删除p1点。
假设我们处理的为二值图像，背景为黑色，值为0，要细化的前景物体像素值为1。
算法的描述如下。
首先复制源图像到目地图像，然后建立一个临时图像，接着执行下面操作：1. 把目地图像复制给临时图像，对临时图像进行一次扫描，对于不为0的点，如果满足以下四个条件，则在目地图像中删除该点(就是设置该像素为0)，这里p2，…，p9是对应位置的像素灰度值(其为1或者0)。
a. 2<= p2+p3+p4+p5+p6+p7+p8+p9<=6大于等于2会保证p1点不是端点或孤立点，因为删除端点和孤立点是不合理的，小于等于6保证p1点是一个边界点，而不是一个内部点。
