下载文档原格式
基于Gabor滤波器的指纹图像增强算法杜培明;巩静【摘要】介绍了一种基于Gabor滤波器的指纹图像增强算法,该方法对传统的Gabor滤波器的参数和大小进行了优化.实验表明这种算法具有很好的处理效果.【期刊名称】《微型机与应用》【年(卷),期】2011(030)005【总页数】3页(P37-39)【关键词】指纹识别;Gabor滤波器;指纹增强【作者】杜培明;巩静【作者单位】安徽工业大学,电气信息学院,安徽,马鞍山,243002;安徽工业大学,电气信息学院,安徽,马鞍山,243002【正文语种】中文【中图分类】TP751指纹具有唯一性和终身不变性。
指纹识别技术即是利用指纹的这种特性，通过对指纹特征的提取和比对完成对个人的身份验证。
其具体流程如图1所示。
图1 指纹识别处理过程从采集头得到的指纹图像往往带有大量的噪声。
这些噪声主要有：采集头上的污点、指纹本身带有的疤痕、指纹太湿造成的指纹粘连、指纹太干造成的纹线断裂。
这些噪声不利于指纹原本特征信息的准确提取，所以需要对采集到的指纹图像进行图像增强。
指纹增强的方法有：纹理滤波法[1]、傅里叶分析法、小波分析法和基于知识的方法等。
指纹图像增强的主流方法是纹理滤波方法，该方法计算指纹图像每个局部区域的方向和频率特征，用纹理滤波器对指纹图像进行滤波增强。
Hong提出一种基于Gabor滤波器的指纹增强方法[2]，Gabor滤波器 [3]可以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。
但该方法有时存在块效应或方向效应，并且对不同频率的图像有不同的增强程度。
本文在基于Gabor滤波器指纹增强[4]的基础上，提出一种改进的Gabor滤波器算法。
实验证明了该方法的有效性及可行性。
1 归一化归一化是为了消除指纹采集过程中由于传感器自身的噪声以及因为手指压力不均造成的灰度差异，将指纹图像的对比度和灰度调整到一个固定的级别上，为后续处理提供一个较为统一的图像规格[5]。
MUSICA 多尺度图像对比度增强算法的简要原理及MUSICA 多尺度图像对比度增强算法的简要原理及MUSICA(多尺度图像对比度增强)算法的简要原理及VC实现算法原理:图像增强的一般方法是对比度拉伸和直方图均衡，这两种方法对于灰度级过于集中，还有大量的灰度级没有充分利用的情况下比较适用，并且这两种方法都是基于直方图的变换，和像素的位置信息无关。
假设有原始信号如(a)，可看出细节信号(高频，例如指纹、衣服褶绉这样的细节)集中在较窄的灰度范围内，人眼很难分辨。
并且细节信号集中的灰度范围在整个灰度级空间内，使用对比度增强和直方图均衡无法对不同的区域内像素进行不同程度的放大或者缩小。
因此就有了MUSICA(Multi-Scale Image ContrastAmplification)，可以翻译成多尺度图像对比度增强。
基本的原理是先提取细节信息，然后对细节信号进行增强放大，然后再重构到原图中。
局部细节信息的提取现在研究的热点一直都是小波分解。
暂且不管理论，先从实际运用的角度来看。
如图(b)，假设对信号进行平滑滤波，可以得到新的蓝色信号。
可以认为蓝色信号是对原信号的低分辨率近似，保留了整体的特征而丢弃了高频的细节信号，例如要分析图像的整体特征就要使用近似信号以排除高频(可能是噪声)的干扰。
那么如图(c)，原信号减去近似信号，得到的就是高频信号，也就是细节信号(当然也可能是噪声)。
然后对(c)进行增强，最简单例如放大2倍，或者进行log变换得到(d)。
然后把(d)加回到近似信号上，重构出增强后的原信号，如(e)所示。
可以看到，图像的整体特性没有改变，两个细节集团的细节信号被放大了，适合人眼辨认。
图1 这个算是从最直观的角度来考虑算法原理，只是一种近似的抽象，实际过程需要更多更具体的考虑，同时这也是个人的理解，会有偏颇的地方，留待完善。
然后，总得给出点具体的原理和算法的实际步骤。
详细的说明可以从MUSICA的专利文档里获得，这里给出个人角度的理解和说明。
指纹识别系统中的图像增强与特征提取指纹识别作为一种常用的生物识别技术，已经广泛应用于安全系统、移动设备和金融行业等领域。
它通过对指纹图像进行图像增强和特征提取，来实现对个体指纹的准确识别。
在指纹识别系统中，图像增强和特征提取是两个重要的步骤，对于提高识别准确率和效率具有关键作用。
图像增强是指通过一系列的图像处理技术，对原始指纹图像进行去噪、增强边缘、提升对比度等操作，以改善图像的质量和清晰度。
它可以帮助我们有效地消除图像中的噪声和模糊度，提高指纹图像的可视化效果，从而有助于后续的特征提取和匹配过程。
在图像增强的过程中，常用的方法包括直方图均衡化、滤波、增强边缘检测等。
直方图均衡化是一种常见的增强方法，它通过重新分布图像的灰度级，增强图像的对比度。
滤波技术则可以通过去除高频噪声和平滑图像，提高图像的清晰度。
而增强边缘检测则是通过寻找图像中的边缘信息，使图像的轮廓更加明确。
除了上述方法外，还可以利用基于深度学习的图像增强算法对指纹图像进行处理。
深度学习可以通过训练大量的图像样本，学习到图像中的特征表示，进而提高图像增强的效果。
例如，卷积神经网络可以通过多层卷积和池化操作，有效地提取图像中的纹理和结构信息，达到优化指纹图像的目的。
特征提取是指从经过增强的指纹图像中提取出与个体相关的关键特征，用于后续的比对和识别过程。
指纹图像中的特征主要包括细节点、方向和亮度等信息。
其中，细节点是指指纹图像中的细小的点状特征，方向是指指纹图像中纹线的走向，亮度则是指指纹图像中灰度的分布情况。
在特征提取的过程中，最常用的方法是利用小波变换、Gabor滤波器等技术。
小波变换可以将图像分解成不同频率的子带，并提取其中的纹理和结构信息。
而Gabor滤波器则可以模拟人脑中的视觉特性，对纹线进行检测和提取。
此外，近年来深度学习在指纹特征提取方面也取得了显著的成果。
通过训练一个深度神经网络，可以直接从指纹图像中学习到特征的表示。
深度神经网络具有较强的拟合能力和学习能力，可以自动提取图像中的关键特征，避免了手工设计特征的繁琐过程。
指纹图像对比度模糊增强算法作者：蔡秀梅来源：《现代电子技术》2010年第16期摘要:指纹图像采集过程常会造成对比度不强等非线性失真,基于模糊逻辑的处理方法常用于改善指纹图像质量。
研究了模糊特征平面增强算法和基于广义模糊算子的图像增强算法,将两种算法应用于指纹图像对比度增强,并对增强结果进行比较分析。
实验结果表明,采用这2种方法均可以在一定程度上提高指纹图像低灰度区域和高灰度区域之间的对比度,从而提高图像的质量,使增强后的指纹图像结构更清晰。
关键词:指纹; 对比度增强; 模糊特征平面; 广义模糊算子中图分类号:TP911-文献标识码:A文章编号:1004-373X(2010)16-0140-03Algorithms of Fingerprint Image Contrast Enhancement Based on Fuzzy LogicCAI Xiu-mei(School of Automation, Xi'an University of Posts and T elecommunications, Xi’an 710121, China)Abstract: The acquisition process of fingerprint image often causes the nonlinear distortion such as low contrast. The algorithms based on the fuzzy logic are often used to improve the quality of fingerprint image. The image enhancement algorithms based on fuzzy property plane and Generalized Fuzzy Operator (GFO) are researched respectively. They are used to enhance the contrast of fingerprint images. The results of contrast enhancement are analyzed contrastively. The experimental results show that these two methods based on fuzzy logic can increase the contrast between the low gray level area and the high gray level area of a fingerprint image to a certain extent, and make the construct of the fingerprint image more clearly.Keywords: fingerprint; contrast enhancement; fuzzy property plane; generalized fuzzy operator0 引言指纹识别是指指尖表面纹路的脊谷分布模式识别,这种脊谷分布模式是由皮肤表面细胞死亡、角化及其在皮肤表面积累形成的。
指纹图像对比度模糊增强算法
指纹图像对比度模糊增强算法
引言指纹识别是指指尖表面纹路的脊谷分布模式识别,这种脊谷分布模式是由皮肤表面细胞死亡、角化及其在皮肤表面积累形成的。
人的指纹特征是与生俱来的,在胎儿时期就已经决定了。
人类使用指纹作为身份识别的手段已经有很长历史,使用指纹识别身份的合法性也己得到广泛的认可。
自动指纹识别系统通过比对指纹脊线和谷线结构以及有关特征,如纹线的端点和分歧点等来实现个人身份认证。
然而,要从原始指纹图像上准确地提取特征信息,这是十分困难的,在很大程度上特征提取的精确性依赖于图像质量。
因此,在指纹特征提取和匹配之前有必要对指纹图像进行增强处理。
指纹图像增强就是对指纹图像采用一定算法进行处理,使其纹理结构清晰化,尽量突出和保留固有的指纹特征信息,并消除噪声,避免产生虚假特征。
其目的是保持特征信息提取的准确性和可靠性,在自动指纹识别系统中具有十分重要的作用和地位。
由于曝光不足等因素的影响,图像的亮度分布会发生非线性失真,常常表现为对比度不强,图像的整体感觉较暗等。
目前,已经有很多基于灰度直方图的方法来增强对比度,从而改善图像的质量。
近年来,人们对基于模糊的图像处理技术进行了研究。
模糊集合理论已能够成功地应用于图像处理领域,并表现出优于传统方法的处理效果。
根本原因在于:图像所具有的不确定性往往是因模糊性引起的。
图像增强的模糊方法,有些类似于空域处理方法,它是在图像的模糊特征域上修改像素的。
基于模糊的图像处理技术,是一种值得重视的研究方向,应用模糊方法往往能取得优
于传统方法的处理效果。
很多时候基于模糊的增强图像对比度方法能够更好地增强图像的对比度,尤其是对于对比度很差,一般的增强算法无法对其增强的图像,它的优势突显。
本文结合模糊逻辑技术,研究了基于模糊特征平面的增强算法和基于GFO算子(广义模糊算子)的图像增强算法,并将其应用于指纹图像对比度的增强。
1模糊特征平面增强算法1.1模糊特征平面从模糊集的概念来看,一幅具有L个灰度级的M×N元图像,可以看作为一个模糊集,集内的每一个元素具有相对于某个特定灰度级的隶属函数。
该模糊集称为图像等效模糊集,亦即图像的模糊特征平面,对应的模糊矩阵记为F,有:式中:矩阵的元素μmn/Xmn表示图像像素(m,n)的灰度级Xmn相对于某个特定的灰度级l′的隶属度,通常l′取最大灰度级K-1。
1.2算法实现首先采用图像分割中的阈值选取方法(本文中采用Ot su方法)来确定阈值参数X T,显然X T将整个图像的直方图分为2个部分。
低灰度部分和高灰度部分;对于具有典型双峰分布的直方图来说,它们分别对应目标和背景这两部分。
然后定义新的隶属函数形式,再进行模糊增强运算,在低灰度区域进行衰减运算,从而使属于该区域像素的灰度值更低,而在高灰度区域则进行增强运算,从而使属于该区域像素的灰度值更高。
因而,经过模糊增强后直方图上阈值X T两侧的灰度对比增强,图像区域之间的层次将更加清楚。
整个算法过程如下:(1)首先根据Ot su选取阈值的方法确定阈值参数XT。
显然对于双峰分布的直方图阈值参数XT将位于双峰之间的谷底附近。
然后定义新的隶属度函数为:对于迭代次数r的选择,仿真结果表明,当r较小时,模糊增强不够充分;随着r的逐渐加大,图像的增强效果会越来越明显,当达
到一定程度时,图像中局部细节会逐渐消失而变为二值图像。
但对于指纹图像r选取过大,则会丢失一些细节信息,本文取r=8。
本算法对μmn>0.5的区域,即高灰度区域的像素进行增强运算;对于μmn≤0.5的区域,即低灰度区域的像素进行衰减运算。
因此,实现了对低灰度区域的像素进行衰减运算和对高灰度区域的像素进行增强运算,从而使图像增强后区域之间的层次更清楚。
2基于GFO算子(广义模糊算子)的图像增强算法文献[10]给出了广义模糊集和广义模糊算子的定义。
在此基础上,本文设计的基于GFO算子的图像增强算法如下:步骤1:利用模糊熵确定阈值参数T,表征的是要增强或减弱的灰度值边缘,如果灰度值大于阈值T,则使其更大,否则使其更小。
通过大量实验验证,当阈值参数T接近指纹图像直方图谷底时,将得到较好的增强效果。
步骤2:通过式(7)将待处理的图像X从空域的灰度值I={I(i,j)}映射为与之对应的广义隶属度μ={μ(i,j)};步骤3:利用式(8)定义的GFO 算子对广义隶属度进行非线性变换;式(8)可知,广义模糊算子可以利用参数r和f值的大小控制图像增强的程度,r越大,去除背景的能力越强;f 越小,增强脊线与谷线的对比度的能力越强。
广义模糊算子通过降低区域中的值和增加区域中的值,起到了增强2个区域之间对比度的作用。
步骤4:通过式(7)的反函数,将映射为二维空间域的灰度图像。
其得到经过模糊增强处理后的图像,中的像素灰度值为:3实验结果与分析采用Matlab 软件编程且分别应用以上2种算法对FVC指纹数据库中一些指纹图进行增强处理,增强结果。
从实验结果可以看出,两种模糊增强算法在一定条件下都可有效增强指纹图像的对比度。
相比之下,基于GFO算子(广义模糊算
子)的图像增强算法去除背景能力更强,因此对于具有单峰及双峰分布直方图的指纹图像,该算法可能将一些灰度值较低的前景点误分为背景点;而模糊特征平面增强算法因为去除背景能力较弱,对于具有多峰分布直方图的指纹图像增强效果较差。
因此对于需要着重增强前景的指纹图像,更适合用基于模糊特征平面的增强算法,而对于需要重点去除背景的指纹图像则需选取基于GFO算子(广义模糊算子)的图像增强算法。
4结语从模糊集的角度出发,模糊特征平面增强算法将图像转化为等效的图像模糊特征平面,在此基础上进行模糊增强,最后再转换为空域图像。
基于GFO算子(广义模糊算子)的图像增强算法与模糊特征平面增强算法,处理过程相似,不同之处在于所定义的隶属度函数及非线性变换形式不同。
采用这两种方法均可以在一定程度上提高低灰度区域与高灰度区域之间的对比度,从而提高图像的质量。
两种算法相比而言,基于模糊特征平面的增强算法更适合用于需要着重增强前景的指纹图像,而基于GFO算子(广义模糊算子)的图像增强算法则更适合用于需要重点去除背景的指纹图像。
需要指出的是以上两种算法仅仅增强了指纹图像的对比度,要取得更好的增强效果还需要结合指纹图像的方向信息进行滤波增强,以达到对粘连脊线分离及断开脊线连接的效果。
