数字图像处理的应用

数字图像处理在指纹识别技术中的应用电子与信息工程学院07计算机科学与技术2班*学号：*一、摘要20世纪60年代，人们开始着手研究利用计算机来处理图形和图像信息。在这一阶段，由于图像存储成本高、处理设备昂贵、提取的有效图像信息较少，图像处理在当时应用面很狭窄。如今，随着计算机的普遍使用，人类已经进入了一个高速发展的信息时代，图像处理技术愈来愈成为科学技术各领域中必不可少的手段，在短短50年间就迅速地发展成为一门独立的有强大生命力的学科，并取得了巨大的成就。它的应用领域包括航空航天、生物医学工程、工业检测、公安司法、军事制导和文化艺术等。其中，指纹识别正是随着数字图像处理和模式识别等学科的发展而逐步形成的一门新兴身份认证技术。传统的利用密码、证件作为身份识别的方式具有易遗忘、易破解、易丢失、易伪造等特点，已不再符合现代数字社会的需求。指纹，作为人体独一无二的生理特征，虽然只是人体皮肤的一小部分，但是它的纹理复杂度可以提供用于识别的足够特征，具有极高的安全性，并且指纹还具有易获取、无侵犯性、唯一性和不变性等优点，使其成为生物识别技术中的焦点。 关键词：指纹识别 数字图像处理二、指纹识别技术概述2.1 概述生物识别技术（Biometric Identification Technology）是利用人体生物特征进行身份认证的一种技术。由于每个人的生物特征都有与其他人不同的唯一性和在一定时期内不变的稳定性，不易伪造和假冒，所以利用生物识别技术进行身份认定，安全，可靠，准确。常见的生物识别技术主要有指纹、脸形、虹膜、视网膜、手写体、声音、掌纹、手形和脸部热谱图9种，指纹识别是生物识别技术的一种。迄今为止，最为人们所关注、最为成熟的生物识别技术就是指纹识别。2.2 指纹识别系统分类自动指纹识别系统的工作模式可以分为2类： 验证模式（verification）和辨识模式（identification）。验证就是通过把一个现场采集到的指纹与一个已经登记的指纹进行一对一的比对（one to one matching），来确认身份的过程。验证过程如图1所示。 辨识则是把现场采集到的指纹同指纹数据库中的指纹逐一对比，从中找出与现场指纹相匹配的指纹。这也叫做“一对多匹配（one to many matching）”。指纹辨识过程如图2所示。图1 指纹验证过程图2 指纹辨识过程三、指纹识别系统工作原理3.1 概述 一般来讲，自动指纹识别算法体系大致由指纹图像采集、指纹图像预处理、特征提取、指纹分类和指纹比对几个部分组成。如图所示。图3 指纹识别工作原理3.2 指纹图像采集 较早出现的活体指纹采集设备是光电式的。后来出现的电容式和电感式的采集设备。 到目前为止，光学采集头提供了更加可靠的解决方案。通过改进原来的光学取像技术，新一代的光学指纹采集器更是以无可挑剔的性能与非常低的价格使电容方案相形见绌。 光学技术需要一个光源从棱镜反射到按在取像采集头上的手指，光线照亮指纹从而采集到指纹。光学取像设备依据的是光的全反射原理(FTIR)。3.3 预处理 通常，指纹采集器采集到的指纹是低质量的，存在的噪声较多。通过预处理，将采集到的指纹灰度图像通过预滤波、方向图计算、基于方向图的滤波、二值化、细化等操作转化为单像素宽的脊线线条二值图像，基于此二值图像对指纹的中心参考点，以及细节特征点特征等进行提取。指纹预处理的一般过程如图所示。图4 预处理的一般过程3.4 特征提取 指纹的特征点分为全局特征（如奇异点、中心点）和局部特征（指纹细节点）。在考虑局部特征的情况下，英国的E.R.Herry认为，在比对时只要 13个特征点重合，就可以确认是同一个指纹。指纹的细节特征可以有150种之多，但这些特征出现的概率并不相等，很多特征是极其罕见的。 一般在自动指纹识别技术中只使用两种细节特征：纹线端点与分叉点。纹线端点指的是纹线突然结束的位置，而纹线分叉点则是纹线突然一分为二的位置。大量统计结果和实际应用证明，这两类特征点在指纹中出现的机会最多、最稳定，而且比较容易获取。3.5 指纹分类 指纹分类的主要目的是方便大容量指纹库的管理，减小搜索空间，加速指纹匹配过程。指纹分类技术越完善，能够划分的类型越细，样本数据库每个类别中所包含的样本数量就会越少，对一次识别任务来讲，需要比对的次数和时间开销就会越少。 在大部分研究中，指纹一般分为漩涡型（whorl）、左环型（left loop）、右环型（right loop）、拱型（arch）、尖拱型（tented arch)5类。对于要求严格的指纹识别系统，仅按此分类 是不够的，还需要进一步更加细致地分类。3.6 指纹比对 指纹比对是通过对2枚指纹的比较确定它们是否同源的过程，即2枚指纹是否来源于同一手指。指纹比对主要是依靠比较2枚指纹的局部纹线特征和相互关系决定指纹的唯一性。细节特征的集合形成一个拓扑结构，指纹比对的过程实际就是2个拓扑结构的匹配问题。 由于采集过程中的变形、特征点定位的偏差、真正特征点的缺失和伪特征点的存在等问题，即使是2枚同源的指纹，所获得的特征信息也不可能完全一样，指纹比对的过程必然是一个模糊匹配问题。 3.7 可靠性问题 计算机处理指纹图像时，只是涉及了指纹有限的信息，而且比对算法不是精确的匹配，因此其结果不能保证100%准确。指纹识别系统的重要衡量标志是识别率，它主要由2部分组成：拒判率（FRR，false reject rate）和误判率（FAR，false accept rate)。右图的ROC(Receiver Operating Curve）曲线给出 FAR和 FRR 之间的关系图5 FAR和FRR之间的关系四、指纹识别模块算法4.1 预处理指纹的特征是指指纹脊线的某种构型，如端点、分叉等。为了提取这些特征，必须先把灰度的指纹图处理为二值线型图，此过程即指纹图像预处理。图像预处理是指纹自动识别过程的第一步,它的好坏直接影响指纹识别的效果。 图像预处理通常包括增强、分割、细化等几个步骤。增强是通过平滑、锐化、灰度修正等手段，改善图像的视觉效果；分割则是把图像划分为若干个区域，分别对应不同的物理实体；细化则是把分割后的图像转为只有一个像素点宽度的线型图，以便提取特征。 在预处理过程中，必须保证尽可能不出现伪特征，并尽量保持其真实特征不受损失。4.2 方向滤波算法 指纹图像获取时，由于噪音及压力等的不同影响，将会导致2种破坏纹线的情况：断裂及叉连。这2种干扰必须清除，否则会造成假的特征点，影响指纹的识别。为了消除干扰及增强纹线，针对指纹纹线具有较强方向性的特点，可以采用方向滤波算法对其进行增强，为此必须利用指纹图上各个像素点上的局部方向性4.2.1 方向图的获取 方向图是用每个像素点的方向来表示指纹图像。像素点的方向是指其灰度值保持连续性的方向，可以根据像素点邻域中的灰度分图6 指纹方向表示布判断，反映了指纹图上纹线的方向。如图所示设定8个方向，各方向之间夹角为/8，以18表示。每个像素点上方向值的判定是在其NN邻域窗口中得到的。邻域窗口的尺寸并无严格限定，但其取值与图像的分辨率直接有关。如果邻域取得过小，则难以从其中的灰度分布得出正确的方向性；若取得过大，则在纹线曲率较大的区域窗口内纹线方向不一致，会对以后的滤波操作造成不良影响。一般可取N为12个纹线周期。实验中取N=9，该99邻域窗口如图所示。分别求出沿各个方向的灰度变化：式中, d代表与d 垂直的方向，即d=(d+4)mod8 ;f(i,j)是点p(i,j)的灰度值；ik是d方向上的第k点；fdk(ik,jk)，f dk(ik,jk)分别是点pdk与Pdk的灰度值。点P(i,j)的方向应该是Sd取值最小、S取值最大的方向。4.2.2 方向图的平滑算法方向图求出后,由于纹线中的毛刺、背景中的细小污点等影响,会存在一定的噪音,需要对其进行平滑。方向图平滑的基本思想是，指纹纹线的走向是连续变化的,邻近像点上的方向不应该有突然的大角度转折。平滑也是在窗口中进行的,窗口中心像点上的平滑结果由窗口中各像素点方向值及其分布确定。4.2.3 方向滤波器的设计 在得到指纹的方向图后,可以根据每个像素点的方向值利用方向滤波器对指纹进行滤波,以消除噪音,增强纹线,提高脊和谷之间的反差。滤波器设计原则如下所述。 滤波器模板的尺寸要合适。模板过小难以达到良好的去噪音、清晰化效果;模板过大则可能在纹线曲率较大处破坏纹线构型。一般取模板边长为11.5 个纹线周期。 模板边长为奇数,模板关于其朝向轴及朝向垂直方向轴均为对称 为提高脊、谷之间的灰度反差,达到边缘锐化的效果,模板应设计为在垂直于朝向方向上,中央部分系数为正,两边系数为负。 滤波结果应与原图的平均灰度无关,因此模板中所有系数的代数和应为04.3 局域自适应二值化算法以上所得的是增强后的256 级灰度图像,需要将其进一步二值化。二值化指纹图像是将灰度图像变成0、1两个灰度级的图像,前景点(指纹脊线) 取作1 ,背景点取作0 ,以把指纹脊线提取出来,便于后续处理。根据指纹图中脊线与谷线宽度大致相等的特点,即二值化后黑白像素的个数应大致相同,采用局部域值自适应算法。把指纹图分成ww(w为一个纹线周期) 的子块,在每一子块内计算灰度均值f(i,j)为子块内(i,j)的灰度值。在该块内若某一点的灰度值f(i，j) Av,则f(i ,j) =1;若f(i,j)Av,则f (i ,j) = 0。对每一块都进行这样的处理,可得到指纹的二值图像。4.4 二值化后的去噪 由于灰度去噪的不完全及二值化过程又可能引入噪音,所以对二值化后的指纹图像还需要进行一次二值滤波去噪,目的是去除或减弱图像中的噪音,增强图像中有意义的部分。这一过程可以填补二值化后纹线上的孔洞，或者删除模式上的“毛刺”和孤立的值为1 的像素,即包括填充和删除2个算法。4.4.1 填充 填充算法把同时满足以下条件的像素p值取为1。 p为0 像素; p的4邻域中有3个以上的邻点为1 像素。 下图示出了填充算法的一个实例。4.4.2 删除 删除算法把同时满足以下条件的像素p 值取为0 。 p 为1 像素; (p1+p2+p3)(p5+p6+p7) + (p3+p4+p5) (p7+p8+p1) = 0 ; p 不是端点。 左图示出了删除过程的一个实例。图中p1p8 (值为0 或1) 定义如右图所示。经过去噪后，有效地清除了原二值图中的大部分孔洞和“毛刺” 4.5 细化及细化后的去噪处理 细化是图像分析、信息压缩、特征提取和模式识别常用的基本技术,它使图像的每条纹线都变为单像素宽的“点线”,且细化后的纹线近似处于原图的“中轴”。 细化过程中,在判断是否删除一个前景像素点时,需要考虑其33邻域中除其自身外的8个像素点中的连接成分数。如果此连接成分数为1 ,则说明删除当前像素点不会改变原图的连通性;若大于1 ,则改变了原图的连通性。令Nc为p 的8邻域中的连接成分数,则其由序列p1p2p3p4p5p6p7p8p1中01 变化的次数可以得到。这里采用逐层迭代算法。本算法把一次迭代分作两次扫描,细化过程中由周边向中间逐层细化,使细化结果位于原图的“中轴”。令BN为3 3 窗口内目标像素的个数，BN=Pi，2次扫描中需满足下面条件：2 BN6 (排除p为端点和内部像点的情况) ;若已标记pi 视为1 时,有Nc = 1(保证删除当前像素不会改变原图的连通性)；p的值是1(保证p为前景点);当p3 或p5 已标记时,若视p3、p5为0 ,依然有Nc=1(保证宽度为2 的线条只删除一层像点,避免其断开) 。 本细化算法重复执行2个步骤： 从左到右,从上到下顺序扫描图像,对同时满足以上条件的像素,如果p1p3p7=0且p1p5p7=0 ,则将其作上标记; 从左到右,从上到下顺序扫描图像,对同时满足以上条件的像素,如果p1p3p5=0且p3p5p7=0 ,则将其作上标记。当扫描完整幅图像后,去掉作了标记的像素。重复步骤1、2操作，直至得到单位宽度的线条为止。经过此细化算法处理后,得到单像素宽的8 连通的指纹图像。经上述处理后的图像有利于特征提取。五、指纹特征提取和比对5.1 指纹的特征提取和剪枝 由细化所得的指纹点线图,很容易找到指纹的细节特征:端点和分叉点,记录这些特征的位置、类型和方向。因为指纹预处理的不完善性,在细化后的纹线图中总存在或多或少的伪特征点。因此有必要对这些粗筛选出的特征进行剪枝,以达到去伪存真的目的。细节特征剪枝的标准主要依赖于以下3个条件。 特征点到边缘的距离; 细节特征间的距离和角度关系; 指纹脊线和细节特征的空间分布。 根据以上3个条件组合各种特征剪枝的标准,凡符合标准的特征点删除,其余的给予保留。5.2 指纹的比对 在进行指纹比对之前,一定要存在指纹数据库。建立指纹数据库,一般要采集同一枚指纹的35 个样本。对于待匹配的指纹图像,经预处理和特征提取后,形成一个坐标链码记录,根据这些特征的相互位置关系与指纹数据库中的样本做图形匹配,得到最终的识别结果。右图展示了指纹原始图像经增强、分割和细化后的效果。六、指纹增强6.1 图像增强的背景很多历史资料由于材质和时间的原因，整幅图片色泽偏暗，亮度范围不足或非线性等因素造成对比度不足，影响观看效果，结合人眼对灰度的感觉，如果相邻两个物体目标灰度相差比较小，超过人眼对灰度差的感知能力，人眼就无法区分这不同的两个物体，从而导致无法看清楚图片，这就需要对图片做出一些处理，使图片的灰度差和整体色泽有所改善，以达到人眼观看的效果。图象处理的原始目的就是改善，使看不清的目标能够看得清楚，因此，对数字图象识别分析的全过程，都要求图像得到改善以适应人的肉眼，为了达到这个目的，除了首先需要去除噪声之外，还需要分辨灰度细节，解决灰度的扩展和图像鲜明化问题。6.2 指纹图像增强算法分类介绍指纹图像增强算法，大体上可以分为空域增强算法和频域增强算法。空域增强算法是利用一定的规则直接作用于指纹图像的像素值，达到增强的目的。频域增强则是先进行一个变换域操作，然后利用图像的相位、频率及能量等信息进行图像增强。6.3 指纹图像的规格化（频域增强）图像规格化的目的是把图像的平均灰度和对比度调整到一个固定的级别上，以减少不同指纹图像之间的差异。令I 代表原始图像在点(I，j)的灰度值，I代表规格化后的图像在点的灰度值，M和VAR分别代表原始指纹图像的均值和方差， 和分别代表期望得到的均值和方差。 则规格化之后的指纹图像在象素点的值 I 由下式确定： 按上式对输入图像进行点运算即可实现图像的规格化处理，运算结果使得图像的灰度均值和方差与预定值一致。 （）分割后的指纹图像 （）规格化后的指纹图像6.4 图像规格化后的再处理通过规格化处理后的图片需要进行再次的处理，主要是图像方向图的计算与平滑。首先对规格化后的图像方向图计算， 因为指纹方向图抽象了指纹脊线与纹谷交错平行分布的特点，反映了指纹图像纹理结构的本质而方向场是指纹图像中蕴含的最重要的信息。然后对指纹图像做方向场的平滑计算，求得的平滑方向场。由于脊方向在噪声影响下会产生畸变，需要对所求方向场进行平滑去噪。为了实现平滑，可以使用一个低通滤波器，让方向场需转换成连续向量场，以便再做处理。最后求指纹纹线平均频率，设频谱峰距频谱中心点的距离为k(单位为象素)，则根据离散傅立叶变换性质有：式中，f为纹线平均频率，N为图像大小。6.5 指纹图像的Gabor滤波增强对于指纹图像，局部区域的纹线分布具有较稳定的方向和频率，根据这些方向和频率数值，设计出相应的带通滤波器就能有效地在局部区域对指纹进行修正和滤波。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，如下所示：其中： 这里得到的Gabor滤波器 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。上式中：表示滤波器的方向；表示脊线形成的正弦波频率， 和为沿X轴和Y轴的空间常量。利用上式对图像进行滤波，其滤波公式为：上式中： 为滤波后的图像， 为图像块的方向，为脊线的频率(本文取固定值)， I 为规格化后的指纹图像，为Gabor滤波器的大小，一般为一个脊线宽度。当指纹图像质量较差时较难精确地计算出纹线方向和频率，如果采用与纹线真实方向和频率不同的Gabor滤波器对局部指纹图像进行滤波，那么滤波器的通带将不与纹线频谱图中的峰相重合，不仅阻止指纹纹线信号通过，而且使噪声信号获得增强，从而不仅达不到增强效果，反而会使图像质量更差甚至改变纹线的结构。 （）规格化后的指纹图像 （）Gabor滤波后的指纹图像6.6 对指纹图像的Gabor算法改进指纹图像的核心区域方向所取得的处理效果不好。所以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，改进后的算法基于局部与宏观相结合的原则，不但利用了指纹图像的局部特性，而且结合了局部四邻区域的关联特性，对于指纹图像中脊线方向变化较规则的区域，采用方向为最佳且经过参数优化的单一方向Gabor滤波；对于指纹图像中脊线方向存在突变块的区域，则采用组合的多方向Gabor滤波，算法步骤如下：(1)把指纹图像分成大小为1616的互不重叠的小块；(2)对当前小块，计算其方向值与四个邻域子块的方向值的差值；(3)如果差值都小于45。，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45 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。通过以上4步的改进，对核心指纹区域进行了分割，有效减少了伪特征点的出现。这些措施的确提高了低质量指纹识别结果的可靠性。6.7 指纹图像增强Gabor算法弊端虽然Gabor算法在低质量指纹图像的方向信息