CN108932492A - 一种基于非采样剪切波变换的图像指纹提取方法 - Google Patents

Abstract

本发明提供了一种基于非采样剪切波变换的图像指纹提取方法，对指纹原图像进行非采样剪切波变换，分解为一个低频子带图像,两个高频尺度，每个高频尺度在分解为四个方向子带，分别对低频子带、对各尺度方向高频子带图像处理，最后进行多尺度指纹信息融合、形态学处理、细化处理，以实现指纹提取。本发明提供采用非采样剪切波进行指纹图像分解，不仅具备多尺度多方向、平移不变和各向异性等特点，而且运算效率高、分解方向不受限制等优点，获得的指纹方向性好、连续性好、细节明显。

Description

一种基于非采样剪切波变换的图像指纹提取方法

技术领域

本发明属于指纹识别和提取技术领域，具体涉及一种基于非采样剪切波变换的图像指纹提取方法。

背景技术

目前图像指纹的提取方法主要有两种：一种是在空间域中对图像先进行增强，再通过二值化处理或边缘检测提取指纹信息，该方法在空间域中对指纹图像增强时，增强图像边缘和纹理细节的同时放大了噪声，然后进行二值化处理或边缘检测时，容易造成边缘细节丢失和出现伪边缘；另一种是在频域中先对图像进行小波多尺度变换，在各个尺度下进行指纹信息提取，然后进行多尺度指纹信息融合，该在频域中对指纹图像进行小波多尺度变换方法中，主要分为一个低频尺度和多个高频尺度，低频主要展现的是轮廓信息，高频包含边缘和噪声信息，通过小波阈值法可以将噪声去除，多尺度的指纹信息提取提高了指纹提取的准确率，但是小波变换的方向性有限，只从垂直和水平方向上来刻画图像细节，不能有效的捕捉图像的边缘细节、容易导致微弱细节丢失。

发明内容

根据上述阐述，本发明的目的在于提供一种基于非采样剪切波变换的图像指纹提取方法，结合非采样剪切波变换和多尺度指纹信息检测及融合的指纹提取方法的优点，将各尺度各方向的指纹信息进行融合，获取连续性好、细节明显的指纹信息。

本发明提供的技术方案：

一种基于非采样剪切波变换的图像指纹提取方法，其步骤为：

步骤1、对指纹图像进行非采样剪切波变换，分解为低频子带和多尺度多方向高频子带，指纹图像处理表达式为：

其中，ψ∈L²(R)²是仿射***的基础函数，k,l和b分别是分解的尺度系数、方向系数和平移系数，A是控制尺度分解的各向异性膨胀矩阵,S为控制方向分解的剪切矩阵；

步骤2、对低频子带，使用轮廓提取算法提取低频子带的指纹信息；

步骤3、对各尺度方向高频子带，结合尺度相关系数进行噪声去除，通过方向模极大值检测获取各高频方向子带的指纹信息；

步骤4、最后进行多尺度指纹信息融合、以实现指纹提取。

上述技术方案中，所述步骤1中所述非采样剪切波变换去掉了下采样环节使图像具有平移不变性，采用非下采样金字塔进行多尺度分解，将指纹图像进行k次非下采样金字塔分解后，得到1个低频图像和k层高频子带图像，然后采用剪切滤波器对高频子带进行l级多方向分解，得到2^l个大小与原指纹图像相同的多方向子带，分解后的低频子带包含图像的大部分能量,保留了指纹图像的近似特征，各高频方向子带包含了指纹细节以及噪声。

上述技术方案中，所述步骤2中轮廓提取算法为采用一种基于图像梯度幅度直方图和熵值最大法的自适应确定阈值方法，具体为：

对低频图像进行动态梯度的自适应分数阶微分增强，有效增强图像边缘纹理信息，动态梯度的自适应分数阶微分全模板增强阶次具体如下：

其中，M(i,j)表示像素点(i,j)的8领域梯度的平均值m。对于一幅M×N大小的数字图像f(i,j)，它的m值如下：

计算增强后低频图像S(i,j)的梯度幅值和方向，它的梯度可以使用2×2一阶有限差分近似式来计算x与y偏导数的两个矩阵P_x(i,j)与P_y(i,j)：

P_x(i,j)≈(S(i+1,j)-S(i,j)+S(i+1,j+1)-S(i,j+1))/2

P_y(i,j)≈(S(i,j+1)-S(i,j)+S(i+1,j+1)-S(i+1,j))/2

图像的梯度幅值：

图像的梯度方向：

对梯度幅值进行非极大值抑制，目的就是细化梯度幅值，使用自适应高低阈值进行连接边缘，即将非极大值抑制后图像中的像素分为A1，A2，A3三类。其中A1为梯度幅值{r₁,r₂,...,r_k}的像素集合，表示原图中的非边缘点；A2为梯度幅值{r_k+1,r_k+2,...,r_m}的像素集合，表示原图中需要判断是否为边缘点的点；A3为梯度幅值{r_m+1,r_m+2,...,r_L}的像素集合，表示原图中的边缘点，计算A1，A2，A3各类的平均相对熵，根据熵值最大法的自适应确定高低阈值。

上述技术方案中，所述步骤3中，定义像素点(i,j)在k尺度l方向子带上的尺度相关系数为：

先采用方向模极大值进行高频边缘分量检测，计算各尺度高频子带像素点的所有方向分量模值，筛选出最大的方向分量，假设k尺度上(i,j)点包含个方向分量，对其中任何一个方向分量与其他方向分量的模值进行比较，选出模值最大的分量，也就是指纹细节，并将其他分量置零，如果该点的尺度相关系数小于原系数，则判为噪声系数，也将该分量置零：

本发明提供采用非采样剪切波进行指纹图像分解，不仅具备多尺度多方向、平移不变和各向异性等特点，而且运算效率高、分解方向不受限制等优点；通过对轮廓提取算法进行改进，有利于提取低噪声的低频子带的指纹信息；对各尺度方向高频子带，结合尺度相关系数判断可有效去除噪声，同时保留指纹细节；对各方向子带，通过方向模极大值检测可有效获取各个方向的指纹细节；多尺度指纹信息融合后，指纹方向性好、连续性好、细节明显。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是实施例指纹样本图像。

图2是实施例指纹样本分解成的低频子带图像。

图3是实施例指纹样本分解成的高频尺度1图像。

图4是实施例高频尺度1图像尺度在四个方向之一的图像。

图5是实施例高频尺度1图像尺度在四个方向之一的图像。

图6是实施例高频尺度图像尺度在四个方向之一的图像。

图7是实施例高频尺度1图像尺度在四个方向之一的图像。

图8是对图2使用改进轮廓提取算法提取低频子带的指纹信息后图像。

图9是实施例高频尺度1图像尺度在四个方向之一通过方向模极大值检测获取的图像。

图10是实施例高频尺度1图像尺度在四个方向之一通过方向模极大值检测获取的图像。

图11是实施例高频尺度1图像尺度在四个方向之一通过方向模极大值检测获取的图像。

图12是实施例高频尺度1图像尺度在四个方向之一通过方向模极大值检测获取的图像。

图13是实施例高频尺度1提取结果的图像。

图14是实施例指纹样本分解成的高频尺度2图像。

图15是实施例高频尺度2提取结果的图像。

图16是实施例最终提取结果的图像。

具体实施方式

下面对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

非采样Contourlet变换继承了Contourlet的多尺度多方向特性，且分解后的图像具有平移不变性，但是运算效率低，方向选择受限。非采样剪切波变换不仅具备多尺度多方向、平移不变和各向异性等特点，而且运算效率高、分解方向不受限制等特质，适用于不同粗细指纹的检测，同时可以减少噪声的影响。

根据图1至图16所示，本发明的实施例，以一个指纹样本为例说明步骤如下：

步骤1、对指纹原图像进行非采样剪切波变换，分解为一个低频子带图像,两个高频尺度，每个高频尺度在分解为四个方向子带。

步骤2、对低频子带，使用改进轮廓提取算法提取低频子带的指纹信息。

步骤3、对各尺度方向高频子带，结合尺度相关系数进行噪声去除，通过方向模极大值检测获取各高频方向子带的指纹信息。

步骤4、最后进行多尺度指纹信息融合、形态学处理、细化处理，以实现指纹提取。

试验数据：

为了进一步定量对比本专利方法的性能，选取300幅有代表性的气泡图像，老年人指纹图像、中年人指纹图像、青少年指纹图像各100幅作为实验对象。采用差异法对提取结果进行评估，定义N_g为专家人工标注的指纹数量，N_d为各方法提取的实际指纹数量，N_t为各方法检测正确的指纹数量，检测效率(R_DE)及准确率(R_AC)的定义，计算公式为：

实验统计结果如表1所示：

表1指纹提取结果客观评价

本专利方法对不同类型的指纹图像均表现出良好的检测效率与准确性，具有较大的优势。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种基于非采样剪切波变换的图像指纹提取方法，其特征在于：

步骤1、对指纹图像进行非采样剪切波变换，分解为低频子带和多尺度多方向高频子带，指纹图像处理表达式为：

其中，ψ∈L²(R)²是仿射***的基础函数，k,l和b分别是分解的尺度系数、方向系数和平移系数，A是控制尺度分解的各向异性膨胀矩阵,S为控制方向分解的剪切矩阵；

步骤2、对低频子带，使用轮廓提取算法提取低频子带的指纹信息；

步骤3、对各尺度方向高频子带，结合尺度相关系数进行噪声去除，通过方向模极大值检测获取各高频方向子带的指纹信息；

步骤4、最后进行多尺度指纹信息融合、以实现指纹提取。

2.根据权利要求1所述的一种基于非采样剪切波变换的图像指纹提取方法，其特征在于：所述步骤1中所述非采样剪切波变换去掉了下采样环节使图像具有平移不变性，采用非下采样金字塔进行多尺度分解，将指纹图像进行k次非下采样金字塔分解后，得到1个低频图像和k层高频子带图像，然后采用剪切滤波器对高频子带进行l级多方向分解，得到2^l个大小与原指纹图像相同的多方向子带，分解后的低频子带包含图像的大部分能量,保留了指纹图像的近似特征，各高频方向子带包含了指纹细节以及噪声。

3.根据权利要求1所述的一种基于非采样剪切波变换的图像指纹提取方法，其特征在于：所述步骤2中轮廓提取算法为采用一种基于图像梯度幅度直方图和熵值最大法的自适应确定阈值方法，具体为：

对低频图像进行动态梯度的自适应分数阶微分增强，有效增强图像边缘纹理信息，动态梯度的自适应分数阶微分全模板增强阶次具体如下：

其中，M(i,j)表示像素点(i,j)的8领域梯度的平均值m，对于一幅M×N大小的数字图像f(i,j)，它的m值如下：

计算增强后低频图像S(i,j)的梯度幅值和方向，它的梯度可以使用2×2一阶有限差分近似式来计算x与y偏导数的两个矩阵P_x(i,j)与P_y(i,j)：

P_x(i,j)≈(S(i+1,j)-S(i,j)+S(i+1,j+1)-S(i,j+1))/2

P_y(i,j)≈(S(i,j+1)-S(i,j)+S(i+1,j+1)-S(i+1,j))/2

图像的梯度幅值：

图像的梯度方向：

对梯度幅值进行非极大值抑制，目的就是细化梯度幅值，使用自适应高低阈值进行连接边缘，即将非极大值抑制后图像中的像素分为A1，A2，A3三类，其中A1为梯度幅值{r₁,r₂,...,r_k}的像素集合，表示原图中的非边缘点；A2为梯度幅值{r_k+1,r_k+2,...,r_m}的像素集合，表示原图中需要判断是否为边缘点的点；A3为梯度幅值{r_m+1,r_m+2,...,r_L}的像素集合，表示原图中的边缘点，计算A1，A2，A3各类的平均相对熵，根据熵值最大法的自适应确定高低阈值。

4.根据权利要求1所述的一种基于非采样剪切波变换的图像指纹提取方法，其特征在于：所述步骤3中，定义像素点(i,j)在k尺度l方向子带上的尺度相关系数为：

先采用方向模极大值进行高频边缘分量检测，计算各尺度高频子带像素点的所有方向分量模值，筛选出最大的方向分量，假设k尺度上(i,j)点包含 个方向分量，对其中任何一个方向分量与其他方向分量的模值进行比较，选出模值最大的分量，也就是指纹细节，并将其他分量置零，如果该点的尺度相关系数小于原系数，则判为噪声系数，也将该分量置零：