Fingerprint Image Segmentation Algorithm
Based on Contourlet Transform Technology
Guanghua Zhang*, Zhongyang Xiong, Shuyin Xia,
Yueguo Luo, Changyuan Xing
College of Computer Science
Chongqing University
Area A, No. 174, Shazheng Str., Shapingba District
Chongqing, 400030, China
E-mails: guanghua0420@gmail.com, zyxiong@cqu.edu.cn,
yshxkkk@cqu.edu.cn, ygluo@cqu.edu.cn, cyxing@cqu.edu.cn
*Corresponding author
Received: February 16, 2016 Accepted: September 10, 2016
Published: September 30, 2016
Abstract: This paper briefly introduces two classic algorithms for fingerprint image
processing, which include the soft threshold denoise algorithm of wavelet domain based on
wavelet domain and the fingerprint image enhancement algorithm based on Gabor function.
Contourlet transform has good texture sensitivity and can be used for the segmentation
enforcement of the fingerprint image. The method proposed in this paper has attained the
final fingerprint segmentation image through utilizing a modified denoising for a highfrequency
coefficient after Contourlet decomposition, highlighting the fingerprint ridge line
through modulus maxima detection and finally connecting the broken fingerprint line using a
value filter in direction. It can attain richer direction information than the method based on
wavelet transform and Gabor function and can make the positioning of detailed features
more accurate. However, its ridge should be more coherent. Experiments have shown that
this algorithm is obviously superior in fingerprint features detection.
Keywords: Fingerprint image segmentation algorithm, Contourlet transform.
Introduction
Image segmentation is the basis of image understanding, analysis and recognition. The effect
of image segmentation directly affects the performance of subsequent image processing, thus
making it a key issue in the field of image processing. However, making image segmentation
on multi-scale with adoption of wavelet transform can attain corresponding segmentation of
an image at each scale, but two-dimensional separable wavelet is formed by one-dimensional
wavelet. Its primary function is isotropic and has only limited direction, which can only detect
the point singularity, but cannot effectively detect the line singularity and surface singularity
in a two-dimensional image [10].
Contourlet transform is a “real” image two-dimensional expression method, which has
attained extensive attention from an increasing number of scholars and achieved very good
effects in each facet in the field of image processing [11, 12]. Contourlet transform has multiresolution
time-frequency analysis features of wavelet transform, as well as a flexible multidirectional
and anisotropic scaling relationship [20]. Compared with the wavelet transform
method, Contourlet transform technology can set various direction numbers in the directional
filter bank at each layer, and therefore can capture more directional information [1, 15].
Materials and methods
Contourlet transform is realized by Laplacian Pyramid and directional filter, which has multiresolution time-frequency analysis features of wavelet transform, as well a as high multidirectional and anisotropic scaling relationship [4]. Compared with the wavelet transform method, Contourlet can set the direction number in the directional filter bank at each layer, and therefore can capture more direction information [17]. Theoretically speaking, Contourlet transform is more suitable for fingerprint image processing and can achieve a better effect [6, 16]. This paper has established a new fingerprint image segmentation method through a high frequency sub-band adaptive correction factor after fingerprint image Contourlet change and detected module maximum, while at the same time, connecting the broken fingerprint ridge line by adopting block directional information [5]. Experiments have found that this method is superior in details extraction of a fingerprint image and has practical value [22]. The algorithm flow chart is as shown in Fig. 1.
Orientation estimation
Because a fingerprint ridge has fixed directional information, the calculation at fingerprint
ridge direction is essential to fingerprint image processing [18]. To decrease the complexity of
calculation, this paper calculates direction through a local fingerprint image. The fingerprint
image is divided into blocks of the same size. The size of block is determined by the
fingerprint direction within the block, thus ensuring that the fingerprint direction of each
block is single [8]. Meanwhile, the fingerprint direction is quantized into eight blocks, as
shown in Fig. 2.
Based on the above description, the gradient direction of the fingerprint ridge line is assumed
to be the minimum, then the direction of each block can be calculated based on the following
steps:
(1) Divide the fingerprint image into the block whose size is TT, and select T as 8 or 16.
(2) Calculate the gradient of each pixel point in eight directions within each block by using
the Sobel algorithm; indicates eight directions [7].
(3) Calculate the sum of the gradient of each pixel point in eight directions within each
block. Regard the gradient and minimum direction as the fingerprint ridge direction of this
block.
The above steps can determine that the direction of the fingerprint ridge can be calculated
based on the following formula:
in which, W is a sub-block image.
The direction of each block of the fingerp
剩余内容已隐藏，支付完成后下载完整资料
基于Contourlet变换技术的指纹图像分割算法
张光华, 熊忠阳, 夏树应 ,
罗跃国, 邢长元
计算机科学学院
重庆大学
沙坪坝街A区174号
重庆，400030，中国
E-mails: guanghua0420@gmail.com, zyxiong@cqu.edu.cn,
yshxkkk@cqu.edu.cn, ygluo@cqu.edu.cn, cyxing@cqu.edu.cn
*对应作者
收到：2016年2月16日 接收：2016年9月10日
发布时间：2016年9月30日
摘要：本文简要介绍了两种经典的指纹图像算法，其中包括基于小波域的小波域软阈值去噪算法和基于Gabor函数的指纹图像增强算法。 Contourlet变换具有良好的纹理灵敏度，可用于指纹图像的分割实现。本文提出的方法通过对Contourlet分解后的高频系数进行修正去噪，通过模数最大值检测突出指纹脊线，并使用方向上的值滤波器连接破损的指纹线，达到最终的指纹分割图像。它可以比基于小波变换和Gabor功能的方法获得更丰富的方向信息，并且可以使详细特征的定位更加准确。然而，它的脊应该更连贯一些。实验表明，该算法在指纹特征检测中的表现明显优于其他方法。
关键词：指纹图像分割算法，Contourlet变换。
介绍
图像分割是图像理解，分析和识别的基础。 图像分割的效果直接影响后续图像处理的性能，从而成为图像处理领域的关键问题。 然而，通过采用小波变换进行多尺度图像分割，可以在每个尺度上实现图像的相应分割，但二维小波形成二维可分离小波。 其主要功能是各向同性，只有有限的方向，只能检测点奇点，但不能有效地检测二维图像[10]中的线奇异性和表面奇异性。
Contourlet变换是一种“真实的”图像二维表达方法，得到越来越多学者的广泛关注，并在图像处理领域的各个方面取得了很好的效果[11,12]。 Contourlet变换具有小波变换的多分辨率时频分析特征，以及灵活的多向和各向异性缩放关系[20]。 与小波变换方法相比，Contourlet变换技术可以在每层的方向滤波器组中设置各种方向数，从而可以捕获更多的方向信息[1,15]。
实验材料和方法
轮廓变换由拉普拉斯金字塔和方向滤波器实现，其具有小波变换的多分辨率时频分析特征，以及高多向和各向异性的缩放关系[4]。与小波变换方法相比，Contourlet可以在每个层上设置方向滤波器组中的方向数，从而可以捕获更多的方向信息[17]。理论上，Contourlet变换更适合于指纹图像处理，可以实现更好的效果[6,16]。本文通过指纹图像轮廓变换和检测模块最大值，通过高频子带自适应校正因子建立了新的指纹图像分割方法，同时采用块方向信息连接破损指纹脊线[5] 。实验发现，该方法在指纹图像的细节提取方面优于实用价值[22]。算法流程图如图1所示。
方向估计
由于指纹脊具有固定的方向信息，因此指纹纹方向的计算对指纹图像处理至关重要[18]。 为了降低计算的复杂度，本文通过局部指纹图像计算方向。 指纹图像被分成相同大小的块。 块的大小由块内的指纹方向确定，从而确保每个块的指纹方向为单[8]。 同时，指纹方向被量化为八个块，如图2所示。
基于上述描述，指纹脊线的梯度方向被假设为最小值，则可以基于以下步骤计算每个块的方向：
（1）将指纹图像划分为大小为TxT的块，并选择T为8或16。
（2）使用Sobel算法计算每个块内八个方向上每个像素点的梯度; 表示八个方向[7]。
（3）计算每个块内八个方向上每个像素点的梯度的总和。 将梯度和最小方向作为该块的指纹脊方向。
上述步骤可以根据以下公式确定指纹脊的方向：
其中，W是子块图像。
基于上述步骤可以获得指纹图像的每个块的方向。
非二次采样Contourlet变换（NSCT）
因为Contourlet变换中的下采样处理将降低图像的分辨率，对于本文的16times;16块，分辨率的持续降低将导致随后的处理困难[3]。 因此，本文采用NSCT。 当使用NSCT时，子代图像中的所有像素点与一对一地匹配，并且子时域图像和原始图像中的像素点在时域位置是相同的。 NSCT的过程如图3所示。
轮廓系数和指纹图像
在指纹图像的观察中，显然指纹具有方向，这意味着指纹纹具有几何结构，而噪声则不具有。 基于上述观察，我们发现它与小波分解系数相似; 图像的平滑区域对应于具有小值的非有效系数，而诸如脊的图像的局部特征对应于具有较大数据量的显着系数[13]。 与小波系数相比，Contourlet系数更加突出的特点是：对于子带的特定方向，只有一定方向的图像将具有显着的系数。
由于子带中的所有Contourlet系数对应于原始图像像素位置，所以指纹图像中的每个方向上的脊信息在变换后分配在高频子带系数中。 因此，通过Contourlet子带系数可以很容易地获得每个像素的几何特征[2]。
高频子带系数可以分为三大类，其中包括强边缘系数，弱边缘系数和干扰系数[9,19,21]。 在相同的尺度下，强边缘系数在子带的所有对应位置几乎呈现大模态值; 弱边缘系数仅在特定方向的一些子带中呈现大的模式值，而在其他方向的相应位置处的模式值较小，而对于干扰值，所有方向的子带中的对应模式值小。
可以基于此计算每个方向上每个像素的系数模量，并计算其平均值和最大值。 可以通过设置合适的阈值来区分子带系数的类别，包括强边缘系数，弱边缘系数和噪声系数。
其中，最大值是滤波窗口（2M 1）times;（2N 1）内的最大系数模式值。在本文中，由于指纹脊宽度约为5个像素，M和N的值设置为5，平均值可以根据下式计算：
因此，Contourlet系数可以通过公式 （4）基于每个像素的分类，从而加强弱边缘和限制噪声。
其中，x是原始的Contourlet系数。 通过上述步骤，保持强边缘系数，弱边缘系数增大，干涉系数设定为0。
需要注意的是，沿上述计算的块指纹方向进行自适应滤波窗口。
模数最大值检测
模数最大值检测提取一个高效率系数，通过检查模数最大值，勾勒出指纹脊，并达到一个完整的高频指纹图像的方法模极大值检测[ 22 ]。
传统的基于小波变换的模数最大值检测方法需要计算弹性模量的相位角来确定曲线的梯度方向，而Contourlet变换滤波器组不能分离。它的子带在每个方向上的系数已经包括足够的方向信息，是特定的方向子带，包括在特定方向上的模数最大值。因此，它可以简化Contourlet变换模数最大值的计算。
它可以判断一个方向的子带系数中的一个点是模数最大点是I级子带等效梯度分解，每个等级的分解方向数为八个，其他情况类似）。在图4，参数n除以j等级分解是k方向上子带的像素坐标。图4示出了在方向子带中的每一个，可以被用作边沿沿方向的等效梯度方向。然后，比较对应于mod的等效梯度方向的两个相邻元素的模量和，并确认此时的模量是否为局部最大值。那是：
首先，对每个尺度的每个方向进行子带的系数模量最大值检测，然后对模最大矩阵进行适当的阈值处理，最后对处理后的系数矩阵进行Contourlet逆变换; 此时，二值化处理后可获得指纹分割图像。
定向中值滤波器
高频指纹图像呈现更详细的特征，但是脊的连续性差。 为了连接高频处理后脊的不连续现象，本文采用方向中值滤波器。 当对一个像素点I（i，j）进行中值滤波处理时，可以发现：
其中W是可以调整其大小的中值滤波器窗口。
在指纹图像处理中，标准中值滤波器难以产生明显的效果，因为指纹图像具有独特的线特征，方向缓慢而平滑地变化。然而，破碎脊线之间的像素可以被认为是脉冲噪声，因此具有相同滤波方向和脊方向的中值滤波器可以有效地降低干扰; 就是连接破损的指纹脊线。为了使中值滤波器方向与指纹的脊方向配合，可以改变滤波器窗口的形状。基于图4所示的八个方向。 如图4所示，相应的中值滤波器窗口的形状如图4（5）所示。
基于以下事实，中值滤波器窗口设置为3times;7，其中断指纹线的宽度为约3个像素点，长度为约5-7像素点。
结果与讨论
本实验在Matlab 7.6环境下进行仿真，采用灰度指纹图像作为实验图像。 本文算法对指纹图像进行了两级Contourlet变换，高频级子带数为8，LP分解和DFB分解采用9-7滤波器和PKVA滤波器。
为了验证该算法的有效性，将其与基于小波的软阈值算法以及基于Gabor滤波器的指纹执行算法进行比较[14]。 小波变换采用db4小波基，进行二层分解。 Gabor滤波器的阻塞大小为16times;16。 比较结果如图7，图8和图9所示。
以上证明小波算法可以更精确地检测指纹信息。 它部分消除了干扰，提高了指纹图像的质量。 然而，处理后的指纹脊线没有良好的连续性，并且在指纹图像去噪过程中也部分失去了一些有用的信息。 因此，整体改善效果不明显。 Gabor滤波将在特定方向产生额外的噪声，这使得指纹图像只能在某些部分有效地加强，同时在其他部分产生额外的噪声。 本文算法可以有效降低噪声，指纹脊线具有良好的连续性。
为了进一步验证该算法的有效性，利用二值化和细化对该算法进行特征检测，并采用小波软闭包法共享算法以及滤波处理后的指纹图像。 图。 5是线性化后的指纹图像。 图 6,7和8是用于细化和特征检测的图像。
仔细观察上述检测特征表明，与其他两种方法相比，本文提出的基于Contourlet分解的指纹图像分割算法对指纹图像的详细特征进行了更准确的定位，检测到的伪特征较少，总体效应 很好。
使用基于Contourlet的指纹图像分割算法处理最佳频谱处的光谱指纹图像，分割图像如图9所示。其简单处理和二值化后的二值图像如图10所示。
结论
本文对指纹图像处理的两种经典算法作了简要的介绍，包括软闭值基于小波域和基于Gabor函数的指纹图像增强算法去噪算法，并指出了它们的特点，通过理论分析和推导。
Contourlet变换具有良好的纹理灵敏度，可用于指纹图像的分割实现。 本文提出的方法通过对Contourlet变换后的高频系数进行修改去噪，通过模数最大值检测突出指纹脊线，最后用方向上的值滤波器连接断指纹线，达到最终的指纹分割图像。 它可以比基于小波变换和Gabor函数的方法获得更丰富的方向信息，使得详细特征的定位更加准确。
然而，它的脊应该更连贯一些。 实验表明，该算法在指纹特征检测中的表现明显优于对照。
参考文献
1. Abhyankar A., S. Schuckers (1998). Integrating a Wavelet Based Perspiration Liveness
Check with Fingerprint Recognition, Pattern Recognition, 42(3), 452-464.
2. Bazen A. M., S. H. Gerez (2001). Segmentation of Fingerprint Images, Prorisc Workshop
on Circuits Systems amp; Signal Processing, 276-280.
3. Blanton M., P. Gasti (2011). Secure and Efficient Protocols for Iris and Fingerprint
Identification, Computer Security – ESORICS 2011, 16th European Symposium on
Research in Computer Security, Leuven, Belgium, September 12-14, 190-209.
4. Cappelli R., M. Ferrara, D. Maltoni (2010). Minutia Cylinder-code: A New
Representation and Matching Technique for Fingerprint Recognition, IEEE Transactions
on Pattern Analysis amp; Machine Intelligence, 32(12), 2128-2141.
5. Cole S. A. (2005). Accounting for Error in Latent Fingerprint Identification, Journal of
Criminal Law amp; Criminology, 95(3), 985-1078.
6. Egli Anthonioz N. M., C. Champod (2014). Evidence Evaluation in Fingerprint
Comparison and Automated Fingerprint Identification Systems – Modeling between
Fing
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[25486]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
