isodata聚类在指纹图像分割中的应用-北京玛格泰克科技发展有限.pdf

第３３卷 第３期 桂 林 理 工 大 学 学 报 Ｖｏｌ３３Ｎｏ３ ２０１３年８月 ＪｏｕｒｎａｌｏｆＧｕｉｌｉｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ Ａｕｇ　２０１３  文章编号：１６７４－９０５７（２０１３）０３－０５４７－０８　　　　　 ｄｏｉ：１０３９６９／ｊ．ｉｓｓｎ１６７４－９０５７２０１３０３０２７ ＩＳＯＤＡＴＡ聚类在指纹图像分割中的应用 １ ２ １ 刘汉英 ，周剑勋 ，谢晓兰 （１桂林理工大学 信息科学与工程学院，广西 桂林　５４１００４；２桂林泓成橡塑科技有限公司，广西 桂林　５４１００４） 摘　要：针对指纹图像的特点，研究了传统的指纹分割方法和形态学图像处理方法，将迭代自组织分 析算法 （ＩＳＯＤＡＴＡ聚类）应用到指纹图像分割中。首先根据指纹图像块灰度均值、块标准偏差、块灰 度对比度和块方向一致性，使用聚类方法划出图像的部分背景块；然后将背景块灰度用背景处灰度平 均值代替，使用形态学图像处理方法实现指纹图像的分割。对ＦＶＣ（国际指纹识别竞赛）指纹库中不 同质量的指纹图像进行了测试。结果表明，此算法比传统算法更有效。 关键词：迭代自组织分析算法；形态学处理；指纹图像分割；自动指纹识别；指纹特征 中图分类号：ＴＰ３９１４１　　　　　　　　　　　　　文献标志码：Ａ ［１］ 一幅指纹图像分为４类图像区域 ：背景区、 考虑的因素较少，对于低质量的图像分割会产生 不可恢复区、清晰区和可恢复区。背景区是不包 较大的错误分割率，且域值的确定较为困难；方 含纹线的边界区；不可恢复区包含指纹纹线，但 法 考虑了方向特性和灰度特性，对两种特性的 ③ 受噪声干扰严重，纹线走向无法辨认，峰谷混杂 ［７］ 融合有多种方法，如基于ＤＳ推理理论的方法 、 不清，在后续处理中很难恢复；清晰区纹线连续、 ［８］ ［９］ Ｋ均值聚类方法 、ＢＰ神经网络的方法 ；方法 峰谷清晰，几乎没有噪声干扰；可恢复区具有轻 和 考虑了多种因素，但算法计算复杂性较大。 ④ ⑤ 微噪声干扰，峰谷界限不清晰，但经过后续处理 本文在研究传统方法如 ＯＴＳＵ最大类间方差 可以恢复。指纹图像分割的目的是去除背景区和 法、基于标准偏差的分割方法、基于方向一致性 噪声较多的不可恢复区，减少后续处理的工作量， 的分割方法和形态学图像处理方法的基础上，将 提高计算效率，减少伪特征点的提取，提高识别 迭代自组织分析算法 （ＩＳＯＤＡＴＡ聚类）应用到指 的正确性。 纹图像分割中，给出了指纹特征量的选择、计算 目前常用的指纹分割方法有：①根据图像灰 和算法步骤，并对实验结果进行了分析。 度特性的分割方法，利用指纹图像灰度平均值和 方差对指纹图像进行分割； 根据指纹图像块方 ② １　传统方法原理