CN101650781B - 指纹图像灰度规范化方法 - Google Patents

Abstract

本发明公开了一种指纹图像灰度规范化方法，要解决的技术问题是：解决分块效应问题，且运算速度快，具有较好的实时性。技术方案是对图像进行无重叠分块，对与当前块中心重合但比当前块更大的块计算灰度直方统计特征，使用灰度直方均衡与灰度拉伸进行灰度规范化，当处理完一个图像块后处理下一个相邻的图像块时采用增量式方法计算图像块的灰度直方统计特征，最后用灰度规范化结果覆盖原始图像。采用本发明克服分块效应的问题，且速度更快，具有更好的实时性，能够更好地用于实时嵌入式***。

Description

指纹图像灰度规范化方法 

技术领域

本发明涉及计算机科学中指纹识别领域的指纹图像预处理方法，尤其是对指纹图像的灰度规范化方法。 

背景技术

指纹识别作为一种基于生物特征的身份认证技术得到越来越广泛的应用。高性能的指纹识别***需要高正确率而且快速的特征提取与匹配算法。特征提取通常经过方向计算、图像分割、图像增强、纹路提取与细化、细节点特征提取与筛选的过程。为了提高特征提取的正确率，通常在特征提取前先对图像灰度进行规范化预处理。不同采集设备采集的指纹图像或者同一采集设备在不同条件下采集的指纹图像具有不同的灰度特征，指纹图像灰度规范化是指对指纹图像的灰度进行调整，使得具有不同灰度对比特征的图像经过规范化后具有相似的灰度对比特征，同时使得同一图像内不同纹路区域具有相似的灰度对比特征，通过灰度规范化可以缩小不同图像之间的灰度特征差异，增强指纹图像的纹路与纹谷的灰度对比，从而提高特征提取算法的适应能力。 

Lin Hong(Lin Hong，Yifei Wan，Anil Jain.Fingerprint Image Enhancement：Algorithm and Performance Evaluation.IEEE Transactions on Pattern Analysis andMachine Intelligence，1998，20(8)：777-789)提出了基于灰度均值与方差的指纹图像灰度规范化方法：假设指纹图像I的平均灰度为M，灰度方差为VAR，期望规范化后的灰度均值为M0，期望规范化后的灰度方差为VAR0，经过规范化后，像素(i，j)原有灰度值I(i，j)变为新灰度值G(i，j)： 

$G(i,j)=\left\{\begin{array}{cc}M0+\sqrt{\frac{\mathrm{VAR}0{(I(i,j)-M)}^2}{\mathrm{VAR}}}& I(i,j)>M\\ M0-\sqrt{\frac{\mathrm{VAR}0{(I(i,j)-M)}^2}{\mathrm{VAR}}}& I(i,j)\≤M\end{array}\right.---\left(1\right)$

Hong方法对整个图像进行处理，M和VAR是由整副图像计算出来的。许多图像不同的纹路区域有着不同的灰度特征，因而这种方法不能缩小不同纹路区域的灰度特征差异，只能规范化整个图像的灰度均值和方差，在规范化后的图像中不同的局部纹路区 域之间灰度特征差异较大。 

为了能够规范化指纹图像每个局部区域的灰度特征，Byung-Gyu Kim(Byung-Gyu Kim，Dong-Jo Park.Adaptive Image Normalisation Based on BlockProcessing for Enhancement of Fingerprint Image.Electronics Letters，2002，38(14)：696-698)对每个局部块采用基于灰度均值与方差的方法进行灰度规范化，这种方法将图像划分为不重叠的图像块，计算每个图像块的灰度均值和方差，然后采用公式(1)对局部图像块进行灰度规范化。这种方法使得同一图像中不同的局部纹路区域之间具有相似的灰度特征，但容易产生分块效应：由于将图像分割成不重叠的块，做为规范化参数的均值和方差由该块计算，使得规范化后块与块之间无法平滑地衔接。 

Kim方法可以进一步改进以克服分块效应。在对某个局部图像块进行灰度规范化时，Kim方法计算该块的灰度均值M和灰度方差VAR作为规范化参数，再用公式(1)计算每个像素的新灰度。假设局部块的大小为α×α，当前块的中心点为(i，j)，可取以(i，j)为中心、大小为β×β(β＞α)的块，计算这个更大的块的灰度均值M′和灰度方差VAR′做为规范化当前块的参数。β-α越大，则分块效应越不明显，但需要更多的CPU时间。这种方法叫Kim扩展方法。 

总结起来，Hong方法灰度规范化结果中容易使得各局部纹路区域灰度特征明显不同，有的局部区域纹路纹谷灰度对比不能得到加强；Kim方法可以克服Hong方法的问题，但容易产生分块效应；Kim扩展方法可以克服分块效应，但需要更多的CPU时间，损失了算法的运行速度，不利于用于实时***。因此，如何克服分块效应并提高灰度规范化速度是本领域技术人员极为关注的技术问题。 

发明内容

本发明要解决的技术问题是：在解决指纹图像灰度规范化不同局部纹路区域灰度特征不同的问题的同时，解决分块效应问题，且运算速度快，具有较好的实时性。 

为了解决上述技术问题，本发明的技术方案为：对图像进行无重叠分块，对与当前块中心重合但比当前块更大的块计算灰度直方统计特征，使用灰度直方均衡与灰度拉伸进行灰度规范化，当处理完一个图像块后处理下一个相邻的图像块时采用增量式方法计算图像块的灰度直方统计特征。 

具体技术方案为： 

第一步，对指纹图像分块，方法是将待进行灰度规范化的指纹图像I分成大小为 α×α的互不重叠的块。图像I的高度为height，宽度为width，图像I第i行第j列像素(i，j)的灰度值为I(i，j)(0≤i＜height，0≤j＜width)。被分割成的大小为α×α的互不重叠的图像块称为A类图像块，所有A类图像块组成一个A类图像块矩阵，用A(ci，cj)标识该矩阵的第ci行、第cj列的A类图像块，矩阵的行和列从0开始编号，0≤ci，0≤cj。对于每个A类图像块A(ci，cj)，取一个中心与A(ci，cj)重合、大小为β×β(β≥α)的矩形区域，这个矩形区域用B(ci，cj)表示，称为B类图像块。分块时，先分出A类块，再对每个A类块确定一个对应的B类块。确定参数时，先确定β取值，再确定α的取值。B类图像块的边长β一般取为纹路宽度的2至3倍。指纹采集仪采集的指纹图像分辨率一般为500dpi，这种情况下，纹路间距一般在8个像素左右，纹路宽度约为4到5个像素，β取值不宜过大，否则需要更多计算时间，一般β取9到15个像素之间。在确定了β后，α的取值范围为1到β个像素之间，在给定的β值下，α越小，规范化结果图像质量越高，但需要更多运行时间，α越大，运行速度越快，但规范化结果图像质量越低。为了计算方便，α和β通常取奇数，使得图像块关于块的中心像素对称。为了使得B类图像块不超出图像I的边界，最左列的A类块的中心像素距图像左边界的距离为β/2，最下行A类块的中心像素距图像下边界的距离为β/2，A类图像块矩阵共 

行 

列，所以 

第二步，建立图像I的副本G，采用重新计算方法或增量式计算方法逐个对A类图像块进行灰度规范化，每规范化完一个图像块就将该图像块的规范化结果保存在副本G中。对图像块A(ci，cj)的规范化过程为： 

2.1统计中心与A(ci，cj)重合、大小为β×β的图像块B(ci，cj)中灰度值为k的像素个数c[k](0≤k≤255)。分两种情况统计c[k]。 

2.1.1如果A(ci，cj)是位于最左列的A类图像块，即cj＝0，则采用重新计算方法计算c[k]：先将c[k]赋值0，然后对于B(ci，cj)中的每个像素(i，j)，将c[I(i，j)](k＝I(i，j))加1。 

2.1.2如果A(ci，cj)不是位于最左列的A类图像块，即cj＞0，此时c[k]保存着B(ci，cj-1)的灰度统计结果，只需对c[k]修改就可以得到B(ci，cj)的灰度统计结果，具体方法是增量式计算方法：对于B(ci，cj-1)-B(ci，cj)(集合的减运算，将两个图像块看作像素组成的集合，做此减法得到属于B(ci，cj-1)但不属于B(ci，cj)的像素集合)中的每个像素(i，j)，将c[I(i，j)]减1；对于B(ci，cj)-B(ci，cj-1)(做此减法得到属于B(ci，cj)但不属于B(ci，cj-1)的像素集合)中的每个像素(i，j)，将c[I(i，j)]加1。

重新计算方法也可用于计算第二种情况中c[k]，但重新计算方法比增量式计算方法需要更多的运行时间。 

2.2对图像块B(ci，cj)进行灰度均衡，B(ci，cj)中的灰度k经过均衡后变为b[k]，均衡结果保存在b[k]中，并不变更B(ci，cj)中像素的灰度值。b[k]的具体计算过程为： 

2.2.1 初始化变量sc＝0。 

2.2.2 k从0到255依次计算b[k]： 

2.2.2.1 sc＝sc+c[k]； 

2.2.2.2 b[k]＝(sc×256-β²)/β²。 

2.3将灰度区间[b[low]，b[up]]映射到灰度区间[0，255]，low和up分别表示图像块B(ci，cj)中的最小灰度值和最大灰度值，映射过程相当于将[b[low]，b[up]]拉伸至[0，255]，将灰度值b[k](low≤k≤up)映射到e[k]的方法是用公式(2)计算e[k]。 

$e\left[k\right]=\frac{\left(b\right[k]-b[\mathrm{low}\left]\right)\×255}{b\left[\mathrm{up}\right]-b\left[\mathrm{low}\right]}---\left(2\right)$

2.4更新图像副本G中与A(ci，cj)对应的区域的像素灰度值。方法是对于每个A(ci，cj)中的像素(i，j)，采用公式(3)更新G中的灰度值G(i，j)。 

G(i，j)＝e[I(i，j)]，(i，j)∈A(ci，cj)    (3) 

第三步，所有A类块规范化后，副本图像G保存着灰度规范化结果，用副本图像G覆盖图像I。 

与现有方法相比，采用本发明可获得以下有益效果： 

通过对图像分块克服了现有Hong方法在规范化结果中不同纹路区域有明显不同灰度特征的问题；通过对每个A类图像取一个对应的更大的B类图像块克服了Kim方法分块效应的问题；同时相对Kim扩展方法在相同的分块参数(α和β)下速度更快，这是因为采用了计算简单的灰度均衡与拉伸，并用增量式计算方法进行灰度统计。本发明具有更好的实时性，能够更好地用于实时嵌入式***。如果设置相同的分块参数α＝3和β＝9，本发明的运行时间约为Kim扩展方法的43％，如果设置相同的分块参数α＝3和β＝15，本发明的运行时间约为Kim扩展方法的18％，而规范化 的结果图像质量相当。 

附图说明

图1是本发明第一步中图像分块示意图。 

图2是本发明总体流程图。 

图3是用于实验的原始图像。 

图4是α＝β＝300时的Kim方法与本发明的结果对比。 

图5是α＝β＝9时的Kim方法与本发明的结果对比。 

图6是α＝5、β＝9时的Kim方法与本发明的结果对比。 

图7是α＝3、β＝9时的Kim方法与本发明的结果对比。 

图8是α＝β＝15时的Kim方法与本发明的结果对比。 

图9是α＝3、β＝15时的Kim方法与本发明的结果对比。 

具体实施方式

图1为采用本发明进行图像分块的示意图。I是指纹图像，高度为height，宽度为width，图像第i行第j列像素(i，j)的灰度值为I(i，j)。将图像I分成大小为α×α的互不重叠的块，称为A类图像块，所有的A类图像块组成一个A类图像块矩阵，该矩阵的第ci行、第cj列的A类图像块用A(ci，cj)标识，矩阵的行和列从0开始编号，因此A(2，1)是第3行、第2列的A类图像块。对于每个A类图像块A(ci，cj)，取一个中心与A(ci，cj)重合、大小为β×β(β≥α)的矩形区域，这个矩形区域用B(ci，cj)表示，称为B类图像块，因此B(2，1)是中心与A(2，1)重合大小为β×β的图像块。为了使得B类图像块不超出图像I的边界，最左列的A类块的中心像素距图像左边界的距离为β/2，最下行A类块的中心像素距图像下边界的距离为β/2，最左下角的A类图像块A(0，0)其中心像素为(β/2，β/2)，A类图像块矩阵共 行 

列。 

图2为本发明总体流程图。具体过程为： 

1.设待处理的图像为I，建立I副本图像G。(对I处理的中间结果保存在G中。) 

2.从图像左下角的A类图像块A(0，0)开始，逐个规范化A类图像块，规范化结果保存在G中。对当前块A(ci，cj)规范化的具体过程为： 

2.1计算中心与A(ci，cj)重合的B类图像块B(ci，cj)的灰度统计c[k]，c[k]是图像块B(ci，cj)中灰度值为k的像素个数。分两种情况计算c[k]。 

2.1.2如果cj＝0，则采用重新计算方法计算c[k]。 

2.1.2如果cj＞0，此时c[k]保存着B(ci，cj-1)的灰度统计结果，只需对c[k]修改就可以得到B(ci，cj)的灰度统计结果，因此采用增量式计算方法计算c[k]。 

2.2对c[k]进行灰度均衡得到新灰度值b[k]。具体计算过程为： 

2.2.1初始化变量sc＝0。 

2.2.2k从0到255依次计算b[k]： 

2.2.2.1 sc＝sc+c[k]； 

2.2.2.2 b[k]＝(sc×256-β²)/β²。 

2.3计算出图像块B(ci，cj)中的最小灰度值low和最大灰度值up，计算low时，依次测试0、1、2、3、...，直到遇到k，使c[k]不等于0，low赋值为k。计算up时，依次测试255、254、253、252、...，直到遇到k，使c[k]不等于0，up赋值为k。 

2.4将灰度区间[b[low]，b[up]]映射到灰度区间[0，255]，映射过程相当于将[b[low]，b[up]]拉伸至[0，255]，灰度值b[k](low≤k≤up)映射到  $e\left[k\right]=\frac{\left(b\right[k]-b[\mathrm{low}\left]\right)\×255}{b\left[\mathrm{up}\right]-b\left[\mathrm{low}\right]}.$

2.5更新图像副本G中与A(ci，cj)对应的区域的像素灰度值，若某个像素的灰度为k，则更新后的灰度值为e[k]。 

2.6如果还有A类图像块没有被规范化，则取下一个图像块(按照从下往上、从左往右的顺序，ci赋值为下一个图像块的行号，cj赋值为下一个图像块的列号)，转到第2.1步；否则转第3步。 

3.所有块处理完毕，副本图像G保存着灰度规范化结果图像，用副本图像G覆盖图像I，即将G拷贝到I，I为规范化结果。 

图3是用于实验的原始图像，图像大小为300x300。 

图4-图9给出了本发明与Hong方法以及Kim(扩展)方法对图3中的原始图像的规范化结果和运行时间的对比。实验平台为Intel Pentium CPU 1.86G。图5-图9中给出的采用增量式计算方法的运行时间是本发明的运行时间，采用重新计算的运行时间是指将2.1.2中的增量式计算方法改为重新计算方法后的运行时间。 

图4(a)是α＝β＝300时的Kim方法(此时Kim方法退化为Hong方法)的结果，运行时间为5.5ms；图4(b)是本发明在α＝β＝300时的结果，运行时间为0.6ms。两者灰度规范化结果图像质量相当，但后者的运行时间约为前者的11％。两者都是对图像整体(不分块)规范化，各纹路区域灰度对比特征明显不同。 

图5(a)是α＝β＝9时的Kim方法的结果，运行时间为6.2ms；图5(b)是α＝β＝9时的本发明的结果，运行时间为3.0ms。两者灰度规范化结果图像质量相当，但后者的运行时间约为前者的48％。图5的方法对图像分块，克服了图4中的结果图像中的问题。由于分块时B类块与A类块大小相同，可从结果图像中看出分块效应：有的区域存在锯齿边缘；相邻块间衔接不平滑；两条并行的纹路有的地方被连接在一起，没有明显分离。这种分块效应在图8中表现得更明显。 

图6(a)是α＝5，β＝9时的Kim方法的结果，运行时间为17.6ms；图6(b)是α＝5，β＝9时的本发明方法的结果，运行时间为7.9ms。两者灰度规范化结果图像质量相当，但后者的运行时间约为前者的45％。图6中，B类块大小为9×9，A类块大小为5×5，可从看出，图5中的分块效应在图6中得到了一定的克服，这是因为减小了α值。 

图7(a)是α＝3，β＝9时的Kim方法的结果，运行时间为47.7ms；图7(b)是α＝3，β＝9时的本发明方法的结果，运行时间为20.7ms。两者灰度规范化结果图像质量相当，但后者的运行时间约为前者的43％。图7中，B类块大小为9×9，A类块大小为3×3，结果图像中没有明显的分块效应。可见，α相对β越小，分块效应克服得越好。 

图8(a)是α＝β＝15时的Kim方法的结果，运行时间为5.5ms；图8(b)是α＝β＝15时的本发明方法的结果，运行时间为1.6ms。两者灰度规范化结果图像质量相当，但后者的运行时间约为前者的29％。图8的方法对图像分块，B类块与A类块大小相同，块的大小比图5中的分块更大，可从看出，图8的结果图像比图5有更明显的分块效应，可见两类块大小相同时，分块越大，分块效应越明显。 

图9(a)是α＝3，β＝15时的Kim方法的结果，运行时间为126.2ms；图9(b)是α＝3，β＝15时的本发明方法的结果，运行时间为29.6ms。两者灰度规范化结果图像质量相当，但后者的运行时间约为前者的18％。图9中，B类块大小为15×15，A类块大小为3×3，结果图像中没有明显的分块效应。 

总体而言，(1)在固定的β值下，α越大，规范化结果图像出现锯齿边缘、相邻块衔接不平滑和相邻纹路相连接的现象越多，α越小，这些现象能得到克服，但消耗更多的CPU时间；(2)两类块大小相同时，分块越大，分块效应越明显；(3)在相同的α值和β值下，本发明相对Kim方法和Kim扩展方法具有更快的运行速度，α值相对β值越小，本发明的速度优势越明显。对于分辨率500dpi的指纹图像，一般可设置β＝9，α＝3或5，这种设置下即能得到高质量的规范化结果，又具有快的运行速度。 

因此采用本发明对指纹图像进行灰度规范化能够克服分块效应，与现有方法相比，在相同分块参数设置下，具有更高的运行速度，适合于实时嵌入式***。 

Claims (3)

1.一种指纹图像灰度规范化方法，其特征在于包括以下步骤：

第一步，对待进行灰度规范化的指纹图像I分成大小为α×α的互不重叠的块：图像I的高度为height，宽度为width，图像I第i行第j列像素(i，j)的灰度值为I(i，j)；被分割成的大小为α×α的互不重叠的图像块称为A类图像块，所有A类图像块组成一个A类图像块矩阵，用A(ci，cj)标识该矩阵的第ci行、第cj列的A类图像块，0≤ci，0≤cj；对于每个A类图像块A(ci，cj)，取一个中心与A(ci，cj)重合、大小为β×β的矩形区域，β≥α，这个矩形区域用B(ci，cj)表示，称为B类图像块；分块时，先分出A类块，再对每个A类块确定一个对应的B类块；确定参数时，先确定β取值，再确定α的取值；B类图像块的边长β取为纹路宽度的2至3倍，α的取值范围为1到β个像素之间；

第二步，建立图像I的副本G，采用重新计算方法或增量式计算方法逐个对A类图像块进行灰度规范化，每规范化完一个图像块就将该图像块的规范化结果保存在副本G中，对图像块A(ci，cj)的规范化过程为：

2.1统计中心与A(ci，cj)重合、大小为β×β的图像块B(ci，cj)中灰度值为k的像素个数c[k]，0≤k≤255，分两种情况统计c[k]：

2.1.1如果A(ci，cj)是位于最左列的A类图像块，即cj＝0，则采用重新计算方法计算c[k]：先将c[k]赋值0，然后对于B(ci，cj)中的每个像素(i，j)，将c[I(i，j)]加1；

2.1.2如果A(ci，cj)不是位于最左列的A类图像块，即cj＞0，则采用增量式计算方法对c[k]进行修改，方法为：对于B(ci，cj-1)-B(ci，cj)中的每个像素(i，j)，将c[I(i，j)]减1；对于B(ci，cj)-B(ci，cj-1)中的每个像素(i，j)，将c[I(i，j)]加1；

2.2对图像块B(ci，cj)进行灰度均衡，B(ci，cj)中的灰度k经过均衡后变为b[k]，均衡结果保存在b[k]中，b[k]的具体计算过程为：

2.2.1 初始化变量sc＝0；

2.2.2  k从0到255依次计算b[k]：

2.2.2.1  sc＝sc+c[k]；

2.2.2.2  b[k]＝(sc×256-β²)/β²； 

2.3将灰度区间[b[low]，b[up]]映射到灰度区间[0，255]，low和up分别表示图像块B(ci，cj)中的最小灰度值和最大灰度值，映射过程相当于将[b[low]，b[up]]拉伸至[0，255]，将灰度值b[k]映射到e[k]的方法是用公式(2)计算e[k]，此时low≤k≤up：

2.4更新图像副本G中与A(ci，cj)对应的区域的像素灰度值，方法是对于每个A(ci，cj)中的像素(i，j)，采用公式(3)更新G中的灰度值G(i，j)：

G(i，j)＝e[I(i，j)]，(i，j)∈A(ci，cj)                (3)

第三步，所有A类块规范化后，副本图像G保存着灰度规范化结果，用副本图像G覆盖图像I。

2.如权利要求1所述的指纹图像灰度规范化方法，其特征在于所述β取9到15个像素之间，α和β取奇数。

3.如权利要求1所述的指纹图像灰度规范化方法，其特征在于分块时最左列的A类块的中心像素距图像左边界的距离为β/2，最下行A类块的中心像素距图像下边界的距离为β/2，A类图像块矩阵共 

行 

列， 

Images