指纹识别中的图像处理研究------指纹图像的预处理
能满足要求的指纹拒之于外,特别是在指纹登记过程中,一定要保证指纹模板的可靠性。图3.3为几种质量较差的指纹图像的示例。
下面对图像质量评估的详细的过程介绍如下:
根据假设(2)对有效指纹区域的定义和限制,以及假设(3)对有效指纹区域的性质的描述,作者设计了用灰度值的变化量来判断有效指纹区域和非有效指纹区域的算法,如下:
首先把一幅指纹图像分成n×n的小方块,n大约为指纹两个脊线(或谷线)之间的宽度,对于分辨率为500dpi的指纹图像其大小可取n=10~18.定义n×n小方块的灰度值的变化量其中
(i0,j0)为小方块的左上角点的坐标,
fi,j,为原始图像第i行j列点的象素灰度值(为了和第二章的二值图像相区别,这里用fi,j,来表示指纹图像,而不用B[i,j])
M为该小方块内所有点的均值。
对于求出的△f,设定一定的阈值T,如果△f >T,则该方块内所有点都是有效指纹区域内的点。否则,如果△f< T,则该方块内所有点都是非有效的指纹区域内的点。为了进一步判断指纹图像的质量,对于非有效指纹区域还要对其性质进行进一步的判断,设定另一个一定的阈值T1,如果该小方块内所有点的均值Mi0,j0<T1,则可以判定该小方块内的图像是由于图像粘连所引起的,是手指太湿的原因造成的;否则,如果该小方块内所有点的均值Mi0,j0>T1,且T2<△f<T(T2为一个阀值),则说明该小方块内的指纹图像是比较淡,这是由于采集指纹图像的时候,手指过于干燥引起的;如果小方块内的非有效指纹区域不属于以上两种情况,则小方块内的指纹图像属于指纹图像的背景。
为了对整幅指纹图像的性质作出判断,需要对所有已经分出性质的小方块进行统计,并且对统计量进行概率分析,分析出指纹图像的质量是否合格,如果质量不合格,则要判断出不合格的原因,给出下次采集指纹图像的指导性意见。
设整幅指纹图像是由N个n×n的小方块,经过统计后,△f >T的所有小方块的个数为N1个,△f <T时,Mi0,j0<T1 的所有小方块的个数为N2个,T2<△f<T 时,Mi0,j0>T1 的所有小方块的个数为N3个,其他性质的小方块的个数为4 N个。
在统计了上述信息后,计算每种性质小方块的数量与整幅指纹图像的小方块的数量N的关系,由此来确定一幅指纹图像的质量
如果P1>TH1(TH1为一个阈值),则认为图像质量合格,P1的值越大,指纹图像的质量就越好,否则,指纹图像的质量不合格。
如果P1≤TH1,P2>TH2(TH2为一个阈值),则认为图像的粘连太多,主要是由于采集指纹图像时,手指太湿引起的。
如果P1≤TH1,P2≤TH2,P3>TH3(TH3为一个阈值),则认为指纹图像纹理太淡,不清晰,是由于采集指纹图像时,手指太干燥引起的。
如果P1≤TH1,P4>TH4(TH4是一个阈值),则认为指纹图像中背景图像过多,这是由于采集指纹图像时,手指放置的太位置偏引起,如果要判断到底是手指偏向左边、偏向右边、偏向上边还是偏向下边,则还要统计一个信息,就是所有△f >T的所有小方块的所包含的图像区域(即有效指纹图像区域)的中心点的位置( x ,y),这个位置的具体的求法,参见第二章的公式2.1、公式2.2、公式2.3这三个公式,由( x ,y)的信息即可判断出指纹图像偏离的具体的性质,比如说,如果,x取值过大,说明位置偏上,x取值过小,说明位置偏下。左右的情况可以由y来确定。
通过上面对指纹图像质量评估的算法的介绍,可以得出指纹图像质量评估模块的算法流程图,如图3.4所示。图3.5是用上面介绍的方法对指纹图像进行评估时,产生的指纹图像的有效区域。因为,指纹图像的特征信息都包含在指纹图像的有效区域,所以在后续的处理中,就可以只处理指纹图像的有效区域部分,对其它的部分可以不予处理。
- 基于ARM和滑动指纹传感器的采集系统(03-01)
- 指纹识别的原理及关键算法的研究(10-20)
- 指纹识别中的图像处理研究------背景与基础名词解释(10-20)
- 指纹识别中的图像处理研究------指纹图像的特性分析 (10-20)
- 指纹识别中的图像处理研究------指纹图像的特性分析 (二)(10-21)
- 基于指纹识别的大学生体育锻炼管理系统(01-13)