基于支持向量机的图像分割

1、 邮局订阅号:82-946360元/年技术创新模式识别PLC 技术应用200例您的论文得到两院院士关注基于支持向量机的图像分割Segm entation of Im ages Based on Support Vector Machine(北京航空航天大学邢伟XING WEI摘要:良好的指纹图像分割对于指纹奇异点及细节特征的可靠提取具有重要意义。本文提取指纹图像子块内梯度一致性、灰度均值及灰度方差构成特征向量,提出采用支持向量机对这些特征向量进行分类,根据训练得到的分类判决函数并结合形态学操作最终实现指纹前、背景分割。实验结果表明,本文方法在FVC2002指纹库上的平均分割错误率小于3.62%

2、。关键词:指纹识别;图像分割;特征向量;支持向量机中图分类号:TP391.41文献标识码:A Abstract:Exact segmentation of fingerprint image is very important for fingerprint singular points and minutiae features extraction.In this paper,we propose to construct feature vector by extracting gradient coherence,gray mean and variance in image blo

3、ck and use support vector machine to classify those vectors.Fingerprint segmentation is achieved based on the trained decision function and mor-phology operations.Experimental results demonstrate that the average segmentation error rate of this method is less than 3.62%in FVC2002fingerprint database

4、s.Key words:fingerprint recognition,image segmentation,feature vector,support vector machine文章编号:1008-0570(200801-1-0217-03引言指纹分割的目的在于将由指纹纹线组成的前景区与包含噪声的图像背景区分开,以保证特征的可靠提取,提高自动指纹识别系统的鲁棒性。Mehtre 等提出将指纹图像分成许多互不重叠的块,分析块中象素梯度方向的统计特性,并结合灰度方差进行分割;Ratha 计算图像块内象素灰度在块方向上投影的方差,对于前景区,该方差在垂直方向较大,而平行方向上则较小;Chikke

5、rur 采用图像块傅立叶变换的频谱能量、沈虹提出基于方向信息的分割特征来分割图像。这些方法采用的分割特征过于单一,适应性差。Hong 使用每个图像块在其垂直方向上的投影信号的波峰波谷高度差、信号频率和方差,采用聚类的方法对图像块进行分类,由于其投影窗为重叠的,类别间特征向量的各分量并不独立,类间距离小,采用非监督学习的方法分类性能难以保证;Bazen 以象素为处理单位,提取其邻域灰度均值、方差及梯度一致性等特征,采用感知器进行分类,由于感知器仅适用于线性可分的情况,所以分类器训练迭代难以收敛,分类错误率高;Wang 提出图像块对比度、频谱主能量比等特征,再采用RBF 神经网络分类,该方法没有兼

6、顾准确性与算法效率之间的平衡;Chen 等提出灰度聚类度特征,结合块内灰度均值、方差,采用基于最小错分样本数准则的线性分类器进行样本分类,但灰度聚类度特征与块内灰度均值分割特点相似,分类性能有限,且最小错分样本数准则分类器易陷入局部极小点,在小样本条件下易出现过学习;Zhu 等提出利用神经网络进行方向图估计和指纹图像分割的方法,网络输入节点达到11个,整个处理过程非常耗时。本文在分析了指纹图像各种特征的分割性能的基础上,指出由指纹图像块内梯度一致性、灰度均值及灰度方差构成的特征向量可很好地表达指纹前景区的特点;提出采用支持向量机对这些特征向量进行分类,由训练得到的判决函数实现对指纹图像前、背景

7、分割,结合形态学操作可进一步降低分类错误率。1特征选择与提取指纹前景区属于方向条纹模式,采用全局或局部阈值均不能有效地将其从背景中分离。考虑到处理速度,通常以块为处理单元。文献4-8中提出了多种图像特征用于分割,表1所示为这些特征在FVC2002指纹库中的分割错误率对比。表1特征的分割错误率对比由表1中数据看出,对比度分割性能最佳,它是通过计算灰度方差与均值的比值而得到,实际上为组合特征;频谱能量的分割性能优于纹线间距特征,但提取该特征比较耗时;聚类度是通过计算图像块内象素的55邻域中象素灰度与全局平均灰度均值之差而得到的统计值,该特征与灰度均值的分类性能是类似的,而计算复杂度却更大。本文提出

8、采用梯度一致性、灰度均值及灰度方差构成分割特征向量。由于指纹前景区的平行纹线具有明显的方向性,梯度一致性可衡量该图像块中象素梯度指向同一方向的程度,指纹前景区中图像块的梯度一致性要大于背景区。并且,前景区的指纹纹线为明暗相间的条纹,其灰度均值及灰度方差要与灰度分布相对均匀的背景区存在明显差异。设I(x,y表示原始指纹图像(x,y位置象素灰度值,G x (x,y和G y (x,y分别为(x,y处象素灰度的梯度。将指纹图像分成大小为邢伟:硕士研究生217-技术创新中文核心期刊微计算机信息(测控自动化2008年第24卷第1-1期360元/年邮局订阅号:82-946现场总线技术应用200例模式识别W

9、W 的互不重叠的图像子块,(i,j为子块的中心象素坐标,由式(14计算梯度一致性。(1(2(3(4块内灰度均值与灰度方差分别利用式(5和(6计算得到。(5(6由式(46可提取得到图像子块特征向量x=coh,mean,varT 。图1所示为FVC2002DB1DB4的特征向量x 的空间分布。2特征分类采用线性分类器对特征向量分类可以平衡分割准确性与计算复杂度,但基于最小均方误差准则的分类器对于线性不可分的情况分类错误率高,而采用最小错分样本数准则又易陷入局部极小值。支持向量机方法来源于统计学习理论,在线性不可分的情况下,采用线性核的支持向量机训练得到的广义最优分类面是在控制错分样本数的前提下使分

10、类间隙最大,达到结构风险最小化。本文提出采用线性核的支持向量机对特征向量进行分类。设1、0分别表示指纹图像前景和背景类,训练样本特征向量集为(x i ,y i ,i=1n 。其中xi=coh,mean,varT 为样本特征向量,y i 为其类别标志:(7则确定的广义最优分类面对所有训练样本应满足:(8式中w=w 1,w 2,w 3为权重向量,b 为阈值;而i 为线性不可分情况下引入的松弛项。只要使式(9中F(最小就可以达到错分样本数最小。(9分类间隔可表示为:(10则结构风险最小化即使式(11最小。(11其中C 为某个指定的常数,实现在错分样本的比例与算法复杂度之间的平衡。本文采用迭代法求在条

11、件(8的约束下式(11的最小值。由得到的全局最优解w*,b*构造的最优分类判决函数为:(12上式中sgn 为符号函数,则对于测试样本,只要将其特征向量代入式(12,根据函数值即可确定样本类别。采用形态学操作可进一步降低分割错误率。对由分类判决函数得到二值图像进行开操作,去除被错分为前景的背景块;其次,进行闭操作修正前景中被错分的图像块。3实验结果在FVC2002指纹库对本文方法进行了性能测试。分别从DB1DB4setB 中分别选取10幅指纹图像作为训练样本,将其图像块人工标记为前、背景,实验中取W=12。表2FVC2002指纹库支持向量机训练结果表2为利用支持向量机得到的训练结果,其中P(0/

12、1为前景块中被错分为背景块的比例;相应地,P(1/0为背景块的错分率;P error 为分类错误率。图1所示选取的训练样本图像的特征向量空间及得到的广义最优分类面。(aDB1(bDB2(cDB3218- 邮局订阅号:82-946360元/年技术创新模式识别PLC 技术应用200例您的论文得到两院院士关注(dDB4图1FVC2002指纹库训练样本特征向量空间及广义最优分类面在set A 中选取一定数量的指纹图像作为测试样本,由于图像质量差异,从DB1DB4中分别选取10、15、30和10幅图像,利用分类判决函数得到的分类结果如表3所示。表3中还列出了利用文献4中方法在相同测试样本上得到的最小分割

13、错误率以及根据文献8中分类判决函数对其描述的特征向量分类得到分类错误率。表3实验结果对比对比表3中结果可以看出,本文方法的分割性能优于文献中,利用支持向量机构造的分类判决函数具有很好的推广性。4结语本文提出了一种新的指纹图像分割方法,该方法提取指纹图像子块内梯度一致性、灰度均值及灰度方差构成特征向量,采用支持向量机对这些特征向量进行分类,根据训练得到的分类判决函数并结合形态学操作最终实现指纹前、背景分割。实验结果表明,本文方法在FVC2002指纹库上的平均分割错误率小于3.62%,训练得到的分类判决函数具有很好的推广性。本文作者创新点:1.比较并分析了已知文献中所提出的指纹图像特征的分割性能;

14、2.提出图像块梯度一致性、灰度均值及灰度方差构成特征向量可很好地表达指纹前、背景的差异性;3.提出采用线性支持向量机对特征向量进行分类,兼顾了分割准确性和计算复杂度。参考文献1D.Maio,D.Maltoni,Anil K.Jain et al.Handbook of Fingerprint Recognition M.Springer Verlag,2003.2B.M.Mehtre,B.Chatterjee.Segmentation of Fingerprint Images A composite method J.Pattern Recognition,1989,22(4:381-385

15、.3N.Ratha,S.Chen,A.K.Jain.Adaptive Flow Orientaion-Based Feature Extraction in Fingerprint Image J.Pattern Recognition,1995,28(11:1657-1672.4Sharat Chikkerur,Alexander N Cartwright,and Venu Govin-daraju.Fingerprint Image Enhancement Using STFT Analysis C.ICAPR,2005.5L Hong,Y Wang,and A K Jain.Finger

16、print Image Enhance-ment:Algorithm and Performance Evaluation J.IEEE Transac-tions on PAMI,1998,20(8:777-789.6A.M.Bazen,S.H.Gerez,Segmentation of Fingerprint Images C,In ProRISC 2001Workshop on Circuits,Systems and Signal Processing,2001.7S.Wang,W.W.Zhang,Y.S.Wang.New Features Extraction and Applica

17、tion in Fingerprint Segmentation J.Acta Automatica Sinica,2003,29(4:622-626.8Xinjian Chen,Jie Tian,Jiangang Cheng,et al.Segmentation of Fingerprint Images Using Linear Classifier J.EURASIP Journal on Applied Signal Processing,2004,4:480-494.9En Zhu,Jianping Yin,Chunfeng Hu,Goumin Zhang.A Sys-tematic

18、 Method for Fingerprint Orientation Estimation and Image Segmentation J,Pattern Recognition.2006,39(8:1472-1492.10O.L.Mangasarian,David R.Musicant.Lagrange Support Vector Machines J,Journal of Machine Learning Research,2001,1:161-177.11沈虹,汪剑鸣,苗长云.基于贝叶斯最小错误率的一种新的指纹分割算法J.微计算机信息,2006,22(1:208-210.作者简介:

19、邢伟(1981-,男,北京人,硕士研究生,主要研究领域为电路与系统、模式识别。Biography:Xing Wei (1981-,Male,Beijing,BeiHang Univer-sity,Graduate student,Research area is circuit and system,pat-tern recognition.(100083北京航空航天大学电子信息工程学院邢伟(School of Electronic and Information Engineering,Beihang University,Beijing 100083,ChinaXing-Wei通讯地址:(100083北京航空航天大学电子信息工程学院邢