第3章指纹图像增强

,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,第,3,章 指纹图像的增强,鲁 静,重难点,为什么要进行指纹图像的增强？,指纹图像增强的步骤,基于,Gabor,滤波的指纹图像增强算法,基于傅立叶滤波的指纹图像增强算法,基于知识的指纹图像增强方法,指纹自动识别系统框图,预处理,特征提取,特征匹配,输出匹配,结果,滤波增强、,二值化、细化,校准、细节点匹配,细节点提取,指纹图像,采集,指纹分类,数据库,指纹自动识别系统框图,指纹图像为什么要进行预处理？,低质量指纹图像示例,指纹图像预处理,指纹图像预处理是各种数字图像处理技术的综合应用，通常是指纹识别算法最先需要完成的任务。在目前的技术条件下，不论采用何种采集方式，指纹图像中都有可能出现各种质量缺陷，给计算机自动识别造成困难，指纹图像预处理的任务就是尽可能降低图像噪声或质量缺陷所带来的影响，准确可靠地提取指纹特征，以保证后续处理的可靠性和鲁棒性。可以看出，指纹图像预处理在很大程度上决定了指纹识别的准确程度。一般说来，指纹图像预处理包含了图像质量评价、图像增强、图像二值化和细化等步骤。,指纹图像预处理流程,指纹图像预处理概述（,1,）,图像质量评估：指纹图像经传感器获取后，首先要对其质量进行评估，通过检查其有效面积及图像的清晰程度决定是否对该图像进行下一步处理。若图像质量合格，则将其送入图像分割子模块，否则，要求重新采集，同时给出提示是指纹太干还是太湿，或者是手指放得太偏等等。,图像分割：把要处理的有效图像部分从整个指纹图像中分离出来，这样一方面减少了后续处理步骤的数据量，另一方面也避免了因为部分图像区域不可靠而导致伪特征的产生。,指纹图像预处理概述（,2,）,图像增强：包括两个部分：首先是对原始图像上模糊但有可能恢复的部分进行增强，然后再对整幅图像滤波，消除指纹脊线间的断裂和粘连。,图像二值化：提取经增强处理的指纹图像的脊线，用“,1”,表示脊线上的点，“,0”,表示背景和谷线，从而把原始灰度图像转化为二值图像。,图像细化：进一步把二值指纹脊线细化为单象素宽度的骨架线，这是为了方便以后的特征提取。,图像质量评估,指纹图像的质量评估在自动指纹系统中有着重要的实际价值。影响自动指纹识别系统水平的最重要因素之一便是在注册和辨别过程中对那些采集质量差的指纹的判别及处理能力，一个较好的指纹识别系统应要求用户在登记时多次获取指纹，然后，把图像质量最好的作为注册的指纹。同时，为了获得比较好的识别率，在匹配之前要对质量比较差的指纹图像区域先进行特殊的图像预处理，然后再进行识别。为了实现这个目的，需要设计一个合适的有效地指纹图像质量评估方法。刚采集的指纹原始图像一般有很多噪音，图像质量存在着差异。这主要是由受采集者平时的工作和环境所引起的，比如手指褪皮，有刀伤，疤痕，手指被弄脏，干燥，湿润等。同时，也与采集仪器的性能有着密切的联系，例如，光学全反射技术干手指差，且汗多的和稍脏的手指成像模糊；硅晶体电容传感技术干手指好，但汗多的和稍脏的手指不能成像。,图像质量评估,指纹图像质量通常以人的主观判决作为评价准则，受评测者背景知识、评测动机等等因素的限制和影响。在实际应用中，让计算机模拟人的行为对指纹图像质量自动做出评测是困难的。迄今为止，有关指纹图像质量判断的文献较少，方法多是将一些灰度图像质量判断的方法应用于指纹图像，用图像的信噪比、灰度分布等等手段评测，没有充分考虑指纹脊线的特殊纹理特征；另一类方法是计算指纹细节点的个数，如果提取的细节点过多或过少，都认为是质量差的指纹图像，这种方法从理论分析上比较可信，但是质量判断操作是在增强处理和提取细节点的操作之后，而且判断结果依赖于增强和提取细节点的算法效率，不能完全满足自动指纹识别系统中对指纹图像注册和拒登操作的快速高效的需求。,图像质量评估,指纹图像质量评价系统所要实现的基本功能有如下几个方面：,(1),将指纹图像区域从采集图像的背景区域中分离出来，尽量减少背景区域的噪声对后继处理结果的影响，并减少后继所要处理的图像区域，从而可以提高系统的精度、降低后继处理时间；,(2),给出一幅指纹图像的总体区域、图像偏移方向和大小、按压力度大小、手指的干,/,湿度等指标，从而为现场采集指纹图像时的调整提供一个比较合理的依据；,图像质量评估,(3),给出一幅指纹图像的总体质量评价，完成对质量低劣的指纹图像的筛选功能，能准确识别出质量很差的指纹图像，从而实现直接拒绝，既降低了由于指纹图像质量本身的问题而出现的错误率，又有效减少了系统的处理时间；,(4),完成对指纹图像的局部区域的质量评价，给出一幅指纹图像中每一个小区域的图像质量等级。从而在后继的处理过程中，可以针对这些区域进行有针对性的处理，另外，在后继的特征提取过程中可以有效的避开这些区域，有效的降低了在采集图像的过程中由于局部区域的采集图像质量问题而对整个自动指纹识系统所造成的影响。,图像质量评估,图像质量不同的指纹,指纹图像分割,在图像处理中，通常要把感兴趣的区域与其他部分区分开来，这称为前景与背景分割。指纹图像分割通常位于预处理的前端，其目的是把指纹图像中质量很差，在后续处理中很难恢复的图像区域与有效区域区分开来，使后续处理能够集中于有效区域。分割处理不仅能提高特征提取的精确度，而且还能大大减少指纹预处理的时间，因此是指纹图像处理中的重要组成部分。它不仅要求尽可能地去除无效区域，还要尽可能完整地保留有效区域。,指纹图像分割,这就需要有较精确的分割算法。好的指纹分割算法应该具有如下特点：,（,1,）对输入图像的灰度分布不敏感；,（,2,）能检测出信噪比低的有效区域；,（,3,）能够有效分割残留指纹；,指纹图像分割,根据指纹图像被噪声干扰的程度及能否正确恢复，可把图像细分为,4,类区域：背景区域、不可恢复区域、可恢复区域和清晰区域。指纹图像分割的目的就是割除背景区，保留前景区，尽可能保留模糊区中能恢复的部分。,指纹图像分割,指纹图像的四种区域,指纹图像分割,（,1,）背景区：指不包含纹线的白边界区；,（,2,）不可恢复区：包含指纹纹线，但受噪声干扰严重，纹线走向无法辨认，峰谷混杂不清，在后续处理中很难恢复的区域；,（,3,）清晰区：纹线连续，峰谷清晰，几乎没有噪声干扰的区域；,（,4,）可恢复区：受到噪声干扰，纹线断续或者峰谷界限不清晰的区域。,指纹分割的目的就是保持后两类区域，而去除前两类区域。,3.1,引言,指纹图像增强用于改善指纹图像的质量，以保证后续指纹特征提取及匹配的准确性和鲁棒性，在自动指纹识别系统中具有十分重要的作用和地位。,自动指纹识别系统通过比对指纹嵴线与峪线的结构及有关特征如纹线的端点和分歧点等来实现个人身份认证。然而，要从原始指纹图像上准确提取特征信息是十分困难的，特征提取的精确性在很大程度上依赖于图像质量。因此，在指纹特征提取和匹配之前有必要对指纹图像进行增强处理。,3.1,引言,指纹的嵴线与峪线,3.1,引言,指纹图像增强，就是对指纹图像采用一定的算法进行处理，使其纹理结构清晰化，尽量突出和保留固有的指纹特征信息，并消除噪声，避免产生虚假特征。其目的是保持特征信息提取的准确性和可靠性。,从目前的研究情况和各种算法的综合比较来看，空域滤波和频域滤波仍然是指纹图像增强中比较有效且占据主流地位的方法。,图象增强,1,点处理,2,图象平滑,3,图象锐化边缘增强,4,图象增强的频域处理,图象增强的目的是采用某种技术手段，改善图象的视觉效果，或将图象转换成更适合于人眼观察和机器分析识别的形式，以便从图象中获取更有用的信息。,图象增强与感兴趣物体特性、观察者的习惯和处理目的相关，因此，图象增强算法应用是有针对性的，并不存在通用的增强算法。,图象增强的基本方法：,1,、空域处理：点处理（图象灰度变换、直方图均衡、伪彩 色处理等）；,邻域处理（线性、非线性平滑和锐化等）；,2,、频域处理：高、低通滤波、同态滤波等。,T,1,点处理（,Point Operation),点处理实际上是一种图象灰度变换，它将输入图象,f(x,y),中灰度,r,，通过映射函数,T,（,）映射成输出图象,g(x,y),中的灰度,s,，与图象象素位置及被处理象素邻域灰度无关。其映射函数和变换示意图如下：,g(x,y) = Tf(x,y),f(x,y)=r g(x,y)=s,1.1.,1,灰度线性变换,对输入图象灰度作线性扩张或压缩，映射函数为一个直线方程，其表达式和演示控件如下：,g(x,y) = a f (x,y) +b,;,其中：,a,相当于变换直线的斜率, b,相当于截距；,a 1-,对比度扩张,b = 0,：,a 1,对比度压缩,a = 1,相当于复制,b 0:,灰度偏置,1.1.2,分段线性处理,与线性变换相类似，都是对输入图象的灰度对比度进行拉伸（,Contrast stretching,），只是对不同灰度范围进行不同的映射处理。当灰度范围分成三段时，其表达式及演示示意如下：,r1 f(x,y) ; 0ff1,g(x,y) =r2f(x,y)-f1+a ; f1ff2,r3f(x,y)-f2+b ; f2ff3,g,0,f1 f2 f3,1.1.3,对数变换,（,Logarithmic transformation,）,图象灰度的对数变换将扩张数值较小的灰度范围，压缩数值较大的图象灰度范围。这种变换符合人的视觉特性，,是一种有用的非线性映射变换函数。其映射函数表达式及演示示意如下：,g(x,y) = log f(x,y),g,0 f,1.1.4,指数变换,(Exponential transformation),另一种非线性变换，常与对数变换配合使用构成复合滤波操作。其映射表达式如下,g(x,y) = expf(x,y),1.1.5,其它灰度变换函数,灰度倒置变换,门限,锯齿形变换,原 图 处理后图,处理曲线,原 图 处理后图,处理曲线,1.2,直方图修整法,1.2.1,直方图均衡化,(Histogram equalization),图象直方图描述图象中各灰度级出现的相对频率,.,基于直方图的灰度变换,是调整图象直方图到一个预定的形状,.,例如,一些图象由于其灰度分布集中在较窄的区间，对比度很弱,图象细节看不清楚,.,此时,可采用图像灰度直方图均衡化处理,使得图象的灰度分布趋向均匀,图像所占有的象素灰度间距拉开,加大了图像反差，改善视觉效果,达到增强目的。,直方图均衡化处理算法描述：,原始图象灰度级,r,归一化在,0,1,之间，即,0 r 1 . p,r,( r),为原始图象灰度分布的概率密度函数,直方图均衡化处理实际上就是寻找一个灰度变换函数,T,，使变化后的灰度值,S = T( r ),其中，归一化为,0 s 1,即建立,r,与,s,之间的映射关系，要求处理后图象灰度分布的概率密度函数,p,s,( s ) = 1,，期望所有灰度级出现概率相同。,从下页图中可以看出在灰度变换的,dr,和,ds,区间内，,象素点个数是不变的，因此有：,当,dr 0,，,ds 0,，略去下标,j,有,由于,s = T(r) p,s,(s) = 1,，则,最终得到直方图均衡化的灰度变换函数为,它是原始图象灰度,r,的累积分布函数（,CDF,）。,对于数字图象离散情况，其直方图均衡化处理的计算步骤如下：,1,、 统计原始图象的直方图,r,k,是归一化的输入图象灰度级；,2,、,计算直方图累积分布曲线,3,、用累积分布函数作变换函数进行图像灰度变换,根据计算得到的累积分布函数，建立输入图象与输出图象灰度级之间的对应关系，并将变换后灰度级恢复成原先数范围。,原象灰级,k,归一化灰级,(r,k,),第,k,象素级象素个数,n,r,(r,k,),S,k,= n,r,(r,k,),变换后灰级,0,0/7=0,790,0.19,0.19,S1,1,1/7=0.1428,1023,0.25,0.44,S3,2,2/7=0.2856,850,0.21,0.65,S5,3,3/7=0.4285,656,0.16,0.81,S6,4,4/7=0.5714,329,0.08,0.89,S6,5,5/7=0.7142,245,0.06,0.95,S7,6,6/7=0.8571,122,0.03,0.98,S7,7,7/7=1,81,0.02,1,S7,例子,64*64 8,级灰度 的均衡化,S,k,0.25,0.20,0.15,0.10,0.05,0,1/7 1 rk 1/7 3/7 5/7 6/7 1,原图直方图 处理曲线 处理后直方图,概述：,1,）、变换后直方图趋向平坦，灰级减少，灰度合并。,2,）原始象零灰度级象素个数多于,n/m+1,变换后零灰度级消失，含有象素数多的几个灰级间隔被拉大了，压缩的只是象素数少的几个灰度级，实际视觉能够接收的信息量大大地增强了。,原 图 处理后图,1.2.2,直方图规定化处理,（,Histogram specification,）,将输入图象灰度分布变换成规定一个期望的灰度分布直方图，,p,r,(r),为原图的灰度密度函数，,p,z,(z),为希望得到的灰度密度函数,首先分别对,p(r),，,p(z),作直方图均衡化处理则有：,S = T(r)= 0r1,V = G(z)= 0z1,经上述变换后的灰度,S,及,V,，其密度函数是相同的均匀密度，再借助于直方图均衡化结果作媒介，实现从,p,r,(r),到,p,z,(z),的转换。,利用,S = T(r)=,，,V = G(z)=,分布相同的特点建立,r z,的 联系，即,Z=G,-1,(v)= G,-1,(s)= G,-1,(T(r),实现步骤：,1,）,直方图均衡化输入图象，计算,R,j,-S,j,对应关系；,2,）,对规定直方图,p,z,(z),作均衡化处理，计算,Z,k,-V,k,的对 应关系；,3,）,选择适当的,V,k,和,S,j,点对，使,V,k,S,j,；,4,）,由逆变换函数,Z=G,-1,(S)=G,-1,(T( r ),，计算流程如下：,R,j,S,j,V,k,Z,k,均衡 求近似相等 求逆变换,均衡,P,z,(x),原图象的灰度分布,Pr(r),r,S S,V,r,z,Ps(s),Pv(v) Pz(z),希望得到的灰度分布,z,原 图 处理后图,处理背景图,原 图 处理后图,处理直方图,2,图象平滑（,Image smoothing,）,图象平滑是一种图象邻域操作，非递归邻域操作可用函数,表示为,g(x,y)=x,y,f(x,y,):(x,y,)N(x,y),其中,N(x,y),是以（,x,，,y,）为中心的某邻域象素集合，,f(x,y,),是集合内象素灰度值，,g(x,y),是处理结果图象。,2.1,局部平均,（,Spatial Averaging,）,其中,f(x,y),为原始图象,g(x,y),是平滑后的图象，,h(i,j),为邻域模板内对应点加权系数，,N,为该邻域内象素个数,邻域模板尺寸取,(2M+1),(2M+1),，一般取,M=1,即,3,3,模板。对应于四连通域和八连通域，有如下图模板示例。,或者,四邻域 八邻域,局部平滑的降噪能力分析,假设,f(x,y)= f,(x,y)+ n(x,y),其中，,f,(x,y),为无噪图象，,n(x,y),为均值为,0,，方差为,2,的独立同分布的噪声图象。,可以得到,g(x,y)=,=,已知,E = 0,，,则,Eg,（,x,，,y,）,=E = f(x,y),而,Dg,（,x,，,y,）,=D, =,2,/N,例：用八邻域模板处理图例,另外的几种平滑处理模板：,平滑处理模板的滤波作用例，模板,处理原始图像,假设,D,f,表示输入图象,f(x,y),相邻象素的灰度最大绝对差；,D,g,表示处理后图象,g(x,y),相邻象素的灰度绝对差，,则上述方程有,平滑处理后相邻象素灰度差别只会减小不会加大，起到平滑作用。,原 图,用模板 及,处理后的两幅图,2.2,门 限 去 噪,如前所述，图象平滑在去除噪声的同时，也将图象本身变模糊。如何区分开图象与噪声，加大对噪声平滑力度，维持图象本身不变或少变，是一个感兴趣的研究内容。以下给出一些处理方法示例。,例如一种超限象素平滑（,Out range pixel smoothing,）方法,其它方法,:,1),K,最近邻法：与中心象素灰度接近的,K,个象素灰度求平均。一般，,3,3,窗口，,K,6,。,2),在窗口中划分子窗口,将方差最小子窗口象素取均值。,2.3,多帧平均法,图象采集过程中，出现噪声是不可避免的，特别在采用信噪比较低的传感器时。在加性噪声情况下，如果处理静止场景图象，则可将多帧图象进行加权求平均的方法，降低噪声影响。其运算表达式为：,f,i,(x,y),为一批静止图象，,i,为帧号，噪声是随机加性,g,（,x,，,y,）是平滑处理的输出图象。,平滑后噪声方差下降,M,倍，而且，参与平均的图,象愈多，噪声抑制的效果愈好。,2.4,二值图象平滑,(Bilevel image smoothing),二值图象是多灰度级图象分割处理得到仅有,“,1,”,和,“,0,”,两个灰度的,“,目标,/,背景,”,图象。分割难免不出错误，目标区域可能混入个别的背景象素点或小区，在目标区图象出现一些为,“,0,”,的单点或空洞；背景区域也可能出现个别的目标象素点或小区。这些都相当于噪声干扰，会影响后续的特征提取和识别。,二值图象平滑去噪的典型过程如下：,1,、,填充单点空洞,对原始图象八邻域都为,“,”,的中心象素赋,“,”,;,2,、,收缩,象素八邻域全为,“,”,时，将收缩图象对应象素点位置赋值,“,”,；,3,、,扩张,收缩图象中为,“,”,的像素其对应扩张图象位置及其相邻点象素全赋值为,“,”,。,原 图 二值图象平滑,处理后图,2.6,中值滤波,(Median filtering),中值滤波是一种保边缘的非线性图象平滑方法,在图象增强中广泛应用,.,2.6.1,定义和计算方法,一维数据,x1,xn,按大小排序,x1,x2,xn,则,例如：,Med( 0 3 4 0 7 ) = 3;,均值滤波和中值滤波的处理结果比较：,输 入：,0 0 8 0 0 2 3 2 0 2 3 2 0 3 5 3 0 3 5 3 0 0 2 3 4 5 5 5 5 5 0 0 0,均值滤波：,0 2 2 2 0 1 2 1 1 1 2 1 1 2 3 2 2 2 3 2 1 0 1 3 4 4 5 5 5 3 1 0 0,中值滤波,:,0 0 0 0 0 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 0 0 2 3 4 5 5 5 5 5 0 0 0,原 图 中值滤波,处理后图,2.7,自适应加权平滑,空间移不变平滑算子对图象所有象素作同样处理，这种与图象内容无关的操作在平滑掉噪声的同时，也模糊了物体区域的边缘。平滑算子的设计，实际上是在去噪和保物体图象边缘之间的折中，我们希望能根据图象局部特性自适应调整图像平滑强度，使物体区域内部平滑强度大一些，而区域边缘处平滑强度小一点，这样既去除了噪声，又不致于明显模糊了边缘或图象细节。,局部特征统计,图象输入 平滑输出,图象平滑,先验知识,首先判断局部处理窗口是否存在边缘，定义窗口中心像素与邻域内其它点之间的梯度的绝对值的倒数定义为权值，则物体区域内部象素权值大，而处于边缘附近的象素点权较小。,定义,f(x,y),在,n,n,邻域内的梯度倒数,g,（,x,，,y,；,I,，,j,）：,自适应平滑公式,:,原 图 自适应加权平滑,处理后图,3,边缘增强,(Image Sharpening/Edge Enhancement,),图象边缘是图象的基本特征之一，它包含对人类视觉和机器识别有价值的物体图象边缘信息。边缘是图象中特性（如象素灰度、纹理等）分布的不连续处，图象周围特性有阶跃变化或屋脊状变化的那些象素集合。图象边缘存在于目标与背景、目标与目标、基元与基元的边界，它标示出目标物体或基元的实际含量，是图象识别信息最集中的地方。,边缘增强是要突出图象边缘，抑制图象中非边缘信息，使图象轮廓更加清晰。由于边缘占据图象的高频成分，所以边缘增强通常属于高通滤波。,3.1,线性滤波方法,如前所述,图象锐化是要增强图象频谱中的高频部分，就相当于从原图象中减去它的低频分量，即原始图象经平滑处理后所得的图象。选择不同的平滑方法，会有不同的图象锐化结果。,或,g,（,x,，,y,）,是输出图象。,当,K=1,时，上式：,平滑窗口 图象锐化模板,其它图象锐化模板,原 图,用模板,进行边缘增强的处理后图,3.2,梯度增强,对于图象灰度特性，边缘是灰度梯度较大的地方。定义,图象,f,（,x,，,y,）的梯度为 。对于离散图像有,梯度定义可简化为,或简化为,梯度计算的另一种近似表达式为,Roberts,梯度算子，其定义为：,3.3 Laplacian,算子,拉普拉斯算子定义图象,f,（,x,，,y,）梯度为：,对于离散图象：,相当于原图象与模板,卷积 。,Laplacian,算子边缘的方向信息被丢失，对孤立噪声点的响应是阶跃边缘的四倍，对单象素线条的响应是阶跃边缘的二倍，对线端和斜向边缘的响应大于垂直或水平边缘的响应。,原 图,Laplacian,算子,处理后图,3.4 Sobel,算子,Sobel,相当于先对图象进行加权平均在做差分,对于图象的,3,3,窗口,设,则定义,sob,e,l,算子为,: ,也可简化为,另外模板可写成,分别与图像,卷积，然后取绝对值求和，,k,可取,1,或,2,。,原 图,Sob,e,l,算子,处理后图,4,图象增强的频域处理,(Transform operations),图象空间域的线性邻域卷积实际上是图象经过滤波器对信号频率成分的滤波，这种功能也可以在变换域实现，即把原始图象进行正变换，设计一个滤波器用点操作的方法加工频谱数据（变换系数），然后在进行反变换，即完成处理工作。这里关键在于设计频域（变换域）滤波器的传递函数,H(u,v),。,图象增强的频域处理工作流程如下：,f(x,y) DFT H,（,u,v,）,IDFT g(x,y),4.1,理想滤波器,(Ideal filter),理想滤波器传递函数在通带内所有频率分量完全无损地通过，而在阻带内所有频率分量完全衰减。例如，低通滤波器（,LPF,）的传递函数为,H(u,v),0 D,0,D(u,v),高通和带通情况与之类似。理想滤波器有陡峭频率的截止特性，但会产生振铃现象使图象变得模糊。,原 图 理想低通 理想高通,处理后图 处理后图,截止频率,40,截止频率,5,4.2,梯形滤波,(Trapezoidal filter),梯形滤波是传递函数在通带与阻带之间呈线性变化，其形状为梯形的频域滤波，其中低、高通滤波器如下：,H H,1 TLPH THPF,0 0,D,0,D,1,D(u,v) D,1,D,0,D(u,v),TLPH:,其性能介于理想低通滤波器与完全平滑滤波器之间，对图象有一定的模糊和振铃效应。,4.3 Butterworth,滤波,(Butterworth filter),Butterworth,滤波是一种非线性滤波,通带和阻带之间没有明显的不连续性,其传递函数为：,BLPH,：,n,阶,H(u,v),1 BHPH,：,n,阶,0.5,1 2 3,传递函数比较平滑，没有振铃现象，故图象的模糊减少,原 图,Butterworth Butterworth,低通处理后图 高通处理后图,4.4,指数滤波,(Exponential filter),BLPF,：,BHPF,：,n,为阶数，,D,0,为截止频率。当,n=1,时，,H,在,D,0,降至,1/e,。,ELPF,处理引起图象模糊较,Butterworth,严重些，但无振铃现象。,5,同态滤波 （,Homomorphic filting,）,如上节所述，频域滤波作为一种图象增强的工具，可以灵活地解决加性畸变问题。但实际成象中有许多非线性干扰问题，此时，直接用频域滤波的方法，将无法消减乘性或卷积性噪声。同态滤波基本思想是将非线性问题转化成线性问题处理，即先对非线性混杂信号作某种数学运算,D,，变换成加性的，然后用线性滤波方法处理，最后作,D,1,运算，恢复处理后图象。,同态滤波处理流程图如下：,f(x,y) D H(u,v) D,1,g(x,y),f(x,y) In FFT H(u,v) IFFT exp g(x,y),例如，图象,f(x,y),由照射分量,i(x,y),与反射分量,r(x,y),乘积构成。,f(x,y) = i(x,y),r(x,y),其中，,0r(x,y)1, 0f(x,y)i(x,y),首先,f,（,x,，,y,）取对数，,z(x,y) = In f(x,y) = Ini(x,y) + Inr(x,y),；,作付氏变换,F(z(x,y)= FIn i(x,y)+ FIn r(x,y),；,即,Z(u,v) = I(u,v) + R(u,v),设计滤波器传递函数为,H,（,u,，,v,），则,S(u,v) = H(u,v)Z(u,v) = H(u,v)I(u,v) + H(u,v)R(u,v),进行反变换,s(x,y) = F,-1,(S(u,v),，再对,s(x,y),取指数即的得到最终处理结果：,g(x,y) = exp(s(x,y),其中可设,S(u,v) = K,i,I(u,v) + K,r,R(u,v),其中,K,i,= 0.5, K,r,= 2 ,相当于高通滤波,H(u,v),D(u,v),同态滤波传递函数截面图,3.1,引言,空域滤波法通过对滤波算子和原始图像作卷积来实现图像增强，具有简单直观，易于分析的优点。,OGorman,和,Nickerson,较早提出采用方向滤波器进行指纹图像增强。他们利用指纹独特的方向性设计出相应的方向滤波器模板，这种滤波器能够沿指纹纹线方向对图像进行平滑，具有一定的消除噪声和弥合裂纹的能力，同时能提高指纹脊线和谷线在图像中的对比度。但是，该方法没有使用指纹的频率信息，主要依据经验来确定滤波器模板，对低质量指纹图像的处理效果较差，具有一定的局限性。,文献,10,3.1,引言,Greenberg,等使用具有结构自适应能力的各向异性滤波器对指纹图像进行滤波，能够在滤除噪声的同时保护指纹纹线结构，但是同样没有结合指纹的频率信息，对指纹纹线变化的适应能力有限。,Hong,等提出采用具有方向和频率选择性的二维,Gabor,滤波器来增强指纹图像。他们根据指纹的方向性将二维,Gabor,滤波器调制到各个方向，并根据指纹的频率信息来确定滤波器的中心频率，然后使用所得的,Gabor,滤波器组对图像进行滤波。该方法较好地结合了指纹的方向信息和频率信息，对指纹图像的增强效果比较显著。其不足之处在于，容易破坏纹线方向变化剧烈的模式区域，会在一定程度上改变脊线和谷线的位置及比例关系，对细节特征的保护能力有限。,文献,1,、,16,、,43,3.1,引言,Lin Hong,指纹增强算法流程,3.1,引言,在,Hong,等人的研究基础上，还出现了一些改进的,Gabor,滤波算法。,Areekul,等将二维,Gaobr,滤波器分解为两个相互独立的一维高斯低通滤波器和一维高斯带通滤波器进行滤波。该算法在运算速度上比原始的,Gabor,滤波算法大约要快,2.6,倍。但是，分解得到的两个一维滤波器的组合并不完全等价于原始的二维,Gabor,滤波器，在一定程度上削弱了指纹图像增强效果。,Yang,等考虑到指纹脊线和谷线宽度通常不等，提出改进的,Gabor,滤波器设计方法。与传统的,Gabor,滤波器相比，改进的,Gabor,滤波器同时引入脊线和谷线的周期作为参数可实现双频率选择，能够适应指纹脊谷宽度的相对变化。该方法加强了对指纹纹线结构的保护，但是相应提高了计算复杂度。,3.1,引言,频域滤波法通过直接改善图像的频谱来实现图像增强。由于指纹纹线具有较强的等周期性，因此从频谱上看，指纹图像的能量通常集中在某个频率附近，这为在频域进行指纹图像增强带来方便。,Sherlock,等提出了基于频域的方向滤波算法。首先在频域定义出一组方向滤波器对指纹图像的频谱进行滤波处理，每一个方向滤波器在提取出对应方向的频谱信息的同时削弱其它方向的频谱信息，然后在空域将滤波结果按指纹图像的方向信息进行融合，从而得到完整的增强图像。该方法利用了图像的全局信息，对低质量指纹图像也能取得较好的增强效果，但是仅以常数作为指纹的脊线频率，没有考虑频率的空间变化性，对指纹的纹线结构和细节特征具有一定的破坏性。另外，该方法需要对整幅图像进行多次傅立叶变换，存在较多的运算，计算效率还有待提高。,3.1,引言,Kamei,和,Mizoguchi,在频域对图像作方向滤波时进一步考虑了指纹的局部频率信息，并使用贪婪算法以能量最小化的方式对滤波图像进行融合。该方法的最大问题是计算量和存储量均较大，不利于实际应用。,Willis,和,Myers,提出了一种快速的频域增强算法。首先将指纹图像分成一系列小方块，并对各图像子块分别作傅立叶变换以得到相应的频谱，然后采用求幂的方法直接修改幅度谱值，最后通过傅立叶逆变换得到增强图像。该方法不需要计算原始指纹图像的方向和频率，因此简单易行，计算量较小，但是在噪声的影响下会对图像造成较大的破坏，其合理性还有待进一步研究。,文献,18,3.1,引言,Chikkerur,等人使用短时傅立叶变换对图像进行频谱分析和处理。首先利用短时傅立叶变换提取出图像各个局部区域的频谱信息，并根据频谱估计出对应区域的纹线方向和频率，然后构造出相应的具有方向选择性的带通滤波器进行滤波处理。该方法能够同时在空域和频域对指纹图像进行局域化分析，优点较为明显，但是在滤波器设计上缺乏研究和改进，滤波性能一般。此外，在频域计算指纹纹线方向和频率易受噪声干扰，精度较低，影响图像增强效果。,3.1,引言,指纹图像增强的前处理和后处理对展示指纹图像的增强效果起到关键性作用，是不可或缺的重要环节。其中前处理主要是归一化；后处理则主要是二值化处理。归一化的主要目的是解决按压不均匀对采集的指纹图像的影响；二值化的主要目的是更好的展示增强的效果，为后面的细化做好充分的准备。,3.1,引言,图像增强前后对比,3.1.1,基于,FFT,滤波的指纹图像预处理,基于快速傅里叶变换（,FFT,）滤波的指纹预处理方法的一般思路如下：,对指纹图像的每一个分块，利用二维,FFT,将指纹图像信息的空间表达变为频域表达；,对此频域表达式用一个非线性变换以增强游泳信息相对于噪声的比重。,用反二维快速傅里叶变换（,IFFT,）将增强后的频域信息变为空间信息。,3.1.2,滤波的前期处理：指纹图像归一化,指纹图像归一化的目的是使得图像灰度值达到一个预先定义的平均值和方差，增强图像整体对比度。归一化处理能够有效地解决按压不均匀对采集到的指纹图像的影响。归一化采用如下公式实现 。,对于图像，,m,和,v,分别为图像的灰度均值和方差，为期望的灰度均值和方差。,当期望的均值和方差均取不同值时，归一化的程度不同，均值和方差取值越大，归一化程度越强。对于不同按压不均匀程度的指纹图像，通过调整参数，就可以达到消除按压不均匀对指纹图像的影响的目的。,3.2,方向场的计算,3.2.1,掩膜法,表,3-1 8,个方向的掩膜,掩膜法的主要原理,掩膜法的算法步骤,3.3.1 Gabor,滤波增强,Gabor,滤波增强使用纹线方向和纹线频率作为参数对指纹图像进行增强，是增强算法中最为常见的一种。,该算法是基于指纹的数学模型，指纹在局部小区域内可以认为是一组平行的具有一定频率的直线，可以顺着脊线的方向使用,Gabor,窗函数来过滤图像，使脊线的信息得到加强。由于是顺着脊线的方向滤波，在顺着脊线方向上有平滑的作用，所以能将一些断裂的脊线（噪声）修复回原来的状态，同时由于,Gabor,滤波器具有良好的频率选择性，因此可以在有效去除脊线上噪声的同时，保持脊线的结构。,3.3.1 Gabor,滤波增强,结合,Gabor,滤波函数的时空特性，,Jain(1991),和,Hong(1995),采用的是二维,Gabor,函数的实部，即：,3.3.1 Gabor,滤波增强,其中，,3.3.1 Gabor,滤波增强,如果我们把上式分解成两个正交的两个部分，一个平行另一个垂直于方向 ，如下所示：,3.3.1 Gabor,滤波增强,第一个因子,hx,可以被看作为一个一维的,Gabor,函数,带通滤波器，第二个因子,hy,是高斯函数,低通滤波器，并且这两个因子向量相互正交。其空域、频域冲击响应可由图,3-4,反映,图,3-4 Gabor,滤波函数的空频、域滤波响应,Gabor,滤波的效果： 图,3-5,3.3.1 Gabor,滤波增强,Hong,算法的缺陷：,Hong,算法假设指纹图像的脊和谷的周期交替在其截断层面上表现为含有噪声的灰度正弦波信号。但是这种假设在一些指纹或指纹的一些区域内是不成立的。,如图所示,，在某些区域内指纹的脊谷却不是成不规则的正弦分布或者直接就不是正弦分布。除此之外，,Hong(l998),的文章中，对于滤波器系数的选取也是与图像相关的，在纹理结构不同的区域增强效果是不一致的。,针对此缺陷，,Jianwei Yang,等提出了一种改进的加博滤波函数，有效的改进了指纹局部纹线成正弦波这种假设带来的图像依赖性，并对加博函数的包络常数进行了分析，设计了自适应的包络常数对照表。,3.3.1 Gabor,滤波增强,图 一幅指纹图像及其对应的脊线和谷线图谱,右上角图像可粗略的看作正弦波，但左下角不是正弦波,返回,3.3.1 Gabor,滤波增强,Gabor,滤波增强是利用方向场来进行图像增强方法的一种，但是使用,Gabor,滤波器进行增强，需要计算指纹的方向场和纹线频率，目前的指纹方向场计算方法受指纹质量影响很大，难以准确的计算低质量指纹图像的方向场。针对这种情况，,L.Hong,等还利用加博滤波器组将指纹图像分解为一个滤波图像集、用分解方法计算图像方向场的方法。该方法仍能够较为可靠地计算纹线方向，增强效果较好。但算法相当复杂，时间消耗大，很难用于满足在线应用的需要。,3.3.2,基于傅立叶滤波的低质量指纹图像增强,以,Gabor,滤波函数为主的增强算法，因为方向参数和纹线频率参数的求取，严重依赖于指纹图像的质量。对中高指纹质量的图像，增强结果较为理想，但是对于低质量指纹图像处理效果较差，增强效果较差。在现场采集的指纹图像中，因为采集设备的固有缺陷，或者人为因素等，大约有,10%,的指纹图像质量较差，这些指纹或者纹理模糊，紊乱不清，或者连接的脊线被断开，并行脊线粘连在一起。在这些指纹上，方向场的计算会严重背离指纹的实际情况，从而使得指纹的增强效果差强人意。对于这些低质量指纹可以考虑使用基于傅立叶的频域滤波来对图像进行处理。,3.3.2,基于傅立叶滤波的低质量指纹图像增强,一个,M*N,大小的二维离散傅立叶变换和逆变换公式为：,3.3.2,基于傅立叶滤波的低质量指纹图像增强,(1),基于傅立叶函数的滤波流程为：,1,、通过傅立叶变换,(FFT),将图像转换到频域,2,、将图像频谱与滤波模板做乘积,3,、将滤波后的图像，通过逆傅立叶变换,(IFT),转化为空域图像,傅立叶滤波，是图像在频域中的滤波，具有一些空域滤波不具备的优点。,如图,3-7,3.3.2,基于傅立叶滤波的低质量指纹图像增强,(2),对傅里叶变换后的图像分,8,个方向进行滤波,指纹图像局部区域的脊线方向和傅里叶频谱紧密相关。,傅里叶频谱亮点方向与局部脊线方向垂直。如图,3-8,。,所以，先对频谱图像进行方向滤波，再做傅里叶逆变换，则能得到指纹图像在当前方向的增强脊线。,通常分,8,个方向进行滤波。如图,3-10,。,3.3.2,基于傅立叶滤波的低质量指纹图像增强,(3),脊线提取与组合、二值化,B.Sherlock,等人提出根据原指纹图像的局部脊线方向，从滤波图像中提取脊线。这种方法要求精确求取指纹图像局部脊线的方向，实际中很难做到。,根据图像局部均值、方差与图像总体均值、方差的关系，可以将方差作为阈值，做图像的二值化处理，将脊线和背景区分开。如图,3-11,。,文献,11,文献,16,3.3.2,基于傅立叶滤波的低质量指纹图像增强,频域滤波的优点：,1,、速度快于空域滤波的速度，频域滤波利用的是快速傅立叶变换，耗时少，与滤波模板做的乘积运算，明显快于空域滤波是与滤波模板做卷积。,2,、增强效果在低质量指纹图像中好于空域处理。这是因为频域图像利用的是指纹的全局信息，而不是指纹的局部信息。,TeddyKo,将常用的频率滤波器，分为以下几种：低通滤波器、高通滤波器、带通滤波器、局域裁减滤波器,(a spike-cut filter),和局域增强滤波器,(a spike-boost filter),。,实验结果如图,3-12,、图,3-14,3.3.3,基于知识的指纹图像增强方法,基于知识的指纹增强算法。该算法的基本思想是利用计算机模拟人工做图像增强的做法。由于指纹图像有它自身的特点，有可以利用来进行图像增强的两方面主要的先验知识：指纹的脊线在一个较小的局部内可以用低次,(,一次或二次,),曲线拟合；指纹图像中脊线和谷线互相交替出现且宽度大致相等。基于知识的图像增强算法是以规则的形式表述人们对指纹结构的认识,(,即指纹图像的两方面主要的先验知识,),，利用指纹图像的机构信息来引导图像增强的过程。,3.3.3,基于知识的指纹图像增强方法,基于知识的指纹图像增强包括以下几步：,简单脊线结构的处理,进一步的局部脊线结构处理,局部脊线的拟合,拟合曲线的延伸,沿拟合曲线的移动,图像二值化,图,3-16,图,3-17,图,3-18,实验结果见图,3-19,3.3.5,其他指纹图像增强方法,基于非线性扩散模型的滤波算法,将,I(i, j),扩展为,u(i, j, t),， 在物理上,u(i, j, t),表示能量在经过,t,时刻后扩散的状态，构造非线性扩散方程求解,u,要使图像沿着指纹脊线的方向扩散，需要构造结构张量,S,来反映图像局部结构,计算,S,的特征向量,w,1,2,和特征值,u,1,2,，特征值大的特征向量对应于垂直于指纹脊线的方向，而特征值小的特征向量对应于指纹脊线的方向,3.3.5,其他指纹图像增强方法,基于非线性扩散模型的滤波算法步骤,根据特征向量,w,2,计算点,(i, j),的脊线方向,O(i, j),，如图,3-21,根据结构张量,S,构造扩散张量,D,，其中,D,的特征向量与结构张量,S,一致,采用直接显式法和半隐式法迭代求解,u(i, j, t),，此方法时间复杂度高,非线性滤波的滤波结果如图,3-22,改进的非线性滤波的滤波结果如图,3-24,性能评估如图,3-253-27,，表,3-33-5,3.3.5,其他指纹图像增强方法,基于多尺度滤波的指纹增强算法：,在指纹增强过程中，由于噪声的存在，一些小的细节可能被噪声淹没，而噪声一般是局部的，在进行局部计算时，必须对指纹的全局信息进行考虑以确保尽可能少的受噪声影响。,另一方面，由于指纹中各个区域受噪声影响的程度不一样，在指纹增强时不能用同样的标准去增强指纹。针对上述情况，,B.chanda,等将多尺度理论引入了指纹增强中。,3.3.5,其他指纹图像增强方法,尺度空间介绍：,多尺度实际上就是用不同尺度的滤波算子对图像进行卷积，常使用高斯函数的二阶导数,-LOG,算子。,选取,LOG,算子不是偶然的，那是因为高斯核函数满足尺度定理。,尺度定理保证了利用高斯核函数可以随着尺度的增大，伪边缘点会被逐步去掉，而不会产生新的伪边缘点，这样就可以在粗尺度下检测边缘点，然后逐步减少尺度，跟踪到细尺度下去给边缘点准确定位。,3.3.5,其他指纹图像增强方法,基于多尺度的指纹增强,将,I(i, j),扩展为,L(i, j, t),， 在物理上,L(i, j, t),表示不同尺度空间的图像,I(i, j),在尺度空间中随着尺度不断增大，小的信号就不再出现，而在大尺度上留下的都是具有全局性的结构。这种由粗到细，由局部到全局的信号特征描述方式就是尺度空间的因果性准则。,用一系列尺度 对图像,I,滤波，定义相邻两个尺度的差为,图像细节,L,k,3.3.5,其他指纹图像增强方法,基于多尺度的指纹增强,多尺度理论将指纹图像表示为一系列的图像，得到不同尺度下的图像特征，这些特征是全局的。然后根据图像的全局特征来增强图像。,3.3.5,其他指纹图像增强方法,基于多尺度的指纹增强需要解决的问题：,各个尺度如何选取？,尺度序列应该有多长？,3.3.5,其他指纹图像增强方法,基于多尺度滤波的指纹增强算法流程,粗增强,计算方向场,计算脊线宽度,文献,34,，实验结果如图,3-28,文献,43,，实验结果如图,3-29,文献,1,，实验结果如图,3-32,3.3.5,其他指纹图像增强方法,基于形态学的指纹增强算法。形态学是生物学中研究动植物结构的一个分支。用于图像分析处理时，其基本思想是用一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。数字形态学的数学基础和所用语言是集合论。它的应用可以简化图像数据，保持他们的基本的形状特性，并去除不相干的结构。数字形态学的基本运算有四个：腐蚀，膨胀，开启和闭和。使用这些运算可以推导和组合成各种数字形态学的使用算法。有文献利用了数字形态学的有关运算组合来分别处理油、干指纹。,3.3.5,其他指纹图像增强方法,基于形态学的指纹图像增强,3.3.5,其他指纹图像增强方法,基于小波的指纹增强算法。小波已经覆盖了各个领域并被广泛的应用于各自应用项目中。,Lee,使用小波变换将一幅指纹图像分解为几个方向子图。在这些子图中的方向指标和一致性指标被计算来识别图像。,Ching-Tang Hsieh,等也利用小波理论在全局纹理和局部方向多层分析的基础上，对图像进行了增强，改进了指纹脊线结构的清晰程度和连续程度。,3.3.5,其他指纹图像增强方法,基于,DFB(Directional filter bank),理论的指纹增强算法：方向分析在影响实际生活的很多领域,(,石油勘探、医药、远程感知、数据分析,),中起着很重要的作用。目前方向分析技术己经覆盖了几乎全部二维或三维信号领域。,此外，还有一些其他的指纹增强算法，如基于方向中值滤波器,(DNF),的增强算法，基于各向异性的指纹增强算法等。,3.4,滤波的后续处理：指纹图像二值化,指纹图像的二值化是把灰度指纹图像变成仅用,O,和,255,两个值表示的二值图像，其中，,O,表示脊线子图，,255,表示背景子图，即将灰度图像变为黑白图像的过程。在指纹图像中，脊线也比谷线要暗。所谓灰度图像的二值化就是通过设定阈值,(threshold),，把它变为仅用两个灰度值分别表示图像的前景和背景颜色的二值图像。,3.4,滤波的后续处理：指纹图像二值化,二值化的方法很多，关键在于阈值,T,的选取。而,T,的取值方法又取决于二值化的技术。,T,的选择有基于由点的像灰度值单独决定的、有由像素的局部特征决定的、也有基于全局像素决定的。阈值可以分为两类：全局阈值和局部阈值。全局阈值是对整个图像采用一个