基于形态学算法和神经网络的指纹图像细化.pdf

基于形态学算法和神经网络的指纹图像细 化处理 贾而穑 130212114 田通 130212104 摘 要：指纹作为人的重要生理特征，具有唯一性和不变性。因而在计算机技术 飞速发展的当今社会，指纹识别被广泛运用于多个安全领域。而在指纹识别过程 中的细化阶段往往是取决于指纹识别是否准确快速的重要影响因素之一。在指纹 图像预处理后，从形态学算法出发并结合传统的OPTA 改进细化算法，提出了一 种必威体育精装版改进的OPTA 算法。测试表明，该算法能够更快更准确的对指纹图像进行 细化。根据模拟大脑学习过程的神经网络模型原理，利用BP 神经网络对已经细 化好的图像进行自学习，并建立反馈机制不断进行神经网络参数优化以实现识别 准确率最优。最终神经网络训练准确率达95%，实现了指纹图像的细化处理。 关键词：指纹 细化处理 形态学算法 Back Propagation 神经网络 1、 指纹图像的预处理 1.1 指纹图像增强 图像增强是指增强图像中的有用信息，它可以是一个失真的过程，其目的是要 改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局 部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不 同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量， 加强图像判读和识别效果，满足某些特殊分析的需要。对于一幅给定的指纹图像， 其增强要重点着眼于改善图像质量，滤除图像中一些不规则的噪声点，增强前后 景的对比度。 图像增强可分成两大类：频率域法和空间域法。前者把图像看成一种二维信号， 对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过） 法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的 图片变得清晰。后者空间域法中具有代表性的算法有局部求平均值法和中值滤波 （取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。 在程序的设计上，只需讨论某个像素点与其3*3 窗口内任意一个相邻点的差值 就可完成对指纹图像边缘的识别。边缘点灰度值的特点是其与周边一些点的灰度 值相比有较大变化，而非边缘处的像素点灰度值则与其周围点灰度值比较一致， 故灰度值相减时边缘点的灰度值会得到突出。 1.2 图像二值化 图像二值化是指将图像上每个点的灰度值变为0 或255，也就是使图像呈现出 黑白的效果。即将 256 个亮度等级的灰度图像通过适当的阈值选取而获得仍然 可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有 非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系 统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二 值化图像，这样子有利于在对图像做进一步处理时，图像的集合性质只与像素值 为 0 或255 的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且 数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界 定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其 灰度值为255 表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示 背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其 处在一个具有其他等级灰度值的均匀背景下，使用阈值法就可以得到比较的分割 效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个 差别特征转换为灰度的差别，然后利用阈值选取技术来分割该图像。动态调节阈 值实现图像的二值化可动态观察其分割图像的具体结果。 1.3 图像归一化 图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准 形式的过程，该标准图像称作归一化图像。始图像在经历一些处理或攻击后可以 得到多种副本图像，这些图像在经过相同参数的图像归一化处理后能够得到相同 形式的标准图像。图像归一化就是通过一系列变换（即利用图像的不变矩寻找一 组参数使其能够消除其他变换函数对图像变换的影响），将待处理的原始图像转 换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有 不变特性)。 2、图像的细化 细化处理是指在指纹图像二值化以后，在不影响纹线连通性的基础上，删除纹 线的边缘像素，直到纹线为单像素宽为止，理想细化后的纹线骨架应该是原始纹 线的中间位置，并保持纹线的连接性、拓