一种自适应块大小的指纹图像分割算法
指纹图像预处理和特征提取算法的Matlab实现
ａｌｇｏｒｉｔｈｍ ｆｏｒ ｆｉｎｇｅｒｐｒｉｎｔ ｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ａ ｓｅｔ ｏｆ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｐｒｅｐｒｏｃｅｓｓｉｎｇ ａｎｄ ｍｉｎｕｔｉａｅ ｅｘｔｒａｃｔｉｏｎ ｉｓ ｄｅｓｉｇｎｅｄ
∥ ／燃
ａ末梢点 图１末梢点和分叉点
图２自动指纹识别系统流程图
３指纹图像的预处理
本文采用的图像预处理算法流程如图３所示。
方向滤波 图３指纹图像预处理算法流程图 各步骤得到的图像如图４所示。
－原始指纹图像 ｂ规格化后的图像 ｛ ｃ方向滤波后的图像
ｄ＝值化丘的盥像
ｅ细化后的图像
３．１规格化
图４预处理实验效果图
３．４细化
细化处理（Ｔｈｉｎｎｉｎｇ）是指在二值化的指纹图像上，在
不影响纹线连通性的基础上删除纹线的边缘像素，直到纹 线为单像素宽为止。细化后理想的结果是纹线骨架应该为 原始纹线的骨架中心，并保持纹线细节特征以及纹线的收 敛性、拓扑性、细化性和快速性。细化图像是基于点模式细 节特征点提取的前提，如果无法得到较好的细化图像，后续
不高。本文采用ＬｉｎＨｏｎｇ等人开发的基于最小均方估计
算法，即公式法。公式见式（３）、式（４）：
＝Ｇ（ｉ一１，歹一１）＋２Ｇ（ｉ，歹一１）＋
｛二
Ｇ（ｉ＋１，ｉ—１）一Ｇ（ｉ一１．ｉ＋１） ２Ｇ（ｉ，Ｊ＋１）一Ｇ（ｉ＋１，ｊ＋１） ＝Ｇ（ｉ一１，ｊ一１）＋２Ｇ（ｉ，Ｊ＋１）＋ Ｇ（ｉ一１，Ｊ＋１）一Ｇ（ｉ＋１，Ｊ一１）
SIMPLE算法解析
SIMPLE算法解析SIMPLE算法（Sequential IMage Partitioning framework with Learned Evolutionary optimization)是一种用于图像分割的算法。
这个算法结合了序列化图像分割和深度学习优化的思想，旨在提高图像分割的准确性和效率。
图像分割是计算机视觉领域中的一个重要任务，它将图像划分成多个具有语义意义的区域，通常用于目标检测、图像分析和计算机辅助诊断等应用。
在传统的图像分割方法中，通常通过手动选择特征和设计规则来实现图像分割。
然而，这些方法需要大量的人工参与，并且往往无法解决复杂场景下的图像分割问题。
序列化分割阶段首先将图像切分成若干个小块，并对每个小块进行分割。
这个过程使用了一种遗传算法来寻找最佳的分割方案。
遗传算法是一种模仿自然进化过程的优化方法，它通过不断演化和选择适应度高的解决方案来寻找最优解。
在序列化分割阶段中，遗传算法通过对小块的分割组合进行来找到最佳的图像分割方案。
深度学习优化阶段通过使用深度卷积神经网络（CNN）对序列化分割结果进行优化。
该网络学习如何根据输入图像的上下文信息进行调整，使得分割结果更加准确。
深度学习优化阶段使用了大量的标注图像来进行训练，通过不断迭代训练来提高网络的性能。
整个SIMPLE算法的流程如下：首先，将输入图像切分为多个小块。
然后，使用遗传算法对这些小块进行分割，找到最佳的分割方案。
接下来，将分割结果输入深度学习网络进行优化，得到最终的图像分割结果。
SIMPLE算法的优点是能够根据图像的上下文信息进行分割，从而获得更加准确的分割结果。
同时，使用遗传算法进行分割方案的，可以大大减少计算量。
此外，深度学习优化阶段可以通过大量的标注图像进行训练，从而获得更好的性能。
然而，SIMPLE算法也存在一些局限性。
首先，该算法对图像的初始分割方案比较敏感，如果初始方案不好，可能会导致后续的优化效果不佳。
指纹图像分割方法分析
指纹图像分割方法研究摘要指纹分割作为指纹识别的预处理环节，不仅能提高指纹特征提取精度，而且能减少指纹预处理时间，对提高整个识别系统性能有着重大意义。
本文在对常用指纹分割方法进行分类分析和探讨的基础上，对指纹图像分割理论和技术进行了深入研究，并对现有分割算法进行了改进。
本文主要工作包括：（1）对指纹图像分割方法做了比较全面的分析综述。
从指纹特征提取角度出发，将指纹图像分割方法分为基于特征融合判决分割方法与基于多级分割思想分割方法两类，并对这两类算法进行了详细分析。
（2）针对特征融合判决分割方法，把最小平方误差准则用于基于线性分类的指纹图像分割算法，该算法对低质量指纹图像分割效果较好；将指纹图像纹理特征引入灰度方差求解过程，提出一种基于纹理特征的指纹图像自适应分割算法。
通过实验对新算法分割效果及噪声抑制能力进行了验证。
（3）针对多级指纹分割方法，研究了结合多种方法的高效指纹图像逐级分割算法，采用一种鲁棒性更好的求点方向图方法，计算前景块中各像素方向；采用自动确定部分阈值的分级分割方法，改善算法中仅凭经验设定多个阈值的缺点。
实验结果表明，新算法分割精确率较高。
关键词：指纹，指纹分割，特征融合，多级分割Research on methods of fingerprint imagesegmentationAuthor:Xu Huali S upervisor：Fan YongshengABSTRACTAs an important step of fingerprint image preprocessing, fingerprint segmentation which has a great significance in the system performance can not only improve the accuracy of the feature extraction, but also reduce the time of fingerprint preprocessing. This paper mainly investigates the theory and methods of fingerprint image segmentation, and some of the segmentation methods are classified and discussed. The main works include:（1）A comprehensive review of the fingerprint image segmentation methods is given. Basing on extracting fingerprint features, we first classify the methods of fingerprint image segmentation into two classes, which are the feature fusion segmentation method and multi-level segmentation method. And then, we introduce the two methods in detail.（2）In the aspect of the feature fusion based fingerprint segmentation method, we investigate the Minimum Square Error rule based fingerprint segmentation algorithm and a adaptive texture feature based fingerprint segmentation algorithm. First, we investigate the linear classifier based fingerprint segmentation algorithm, which uses a combination of three variance, mean and ridge orientation features of fingerprint image, and presents the improved algorithm of using the Minimum Square Error rule. The experimental results demonstrate the effectiveness of the improved algorithm, especially in low quality images. Second, we investigate the traditional variance based fingerprint segmentation algorithm, and present a adaptive texture feature based fingerprint segmentation algorithm which combine texture feature and variance. The experimental results demonstrate the effect of the proposed segmentation algorithm is better than the variance based fingerprint segmentation, and it also has stronger resistance to noise.（3）In the aspect of the multi-level based fingerprint segmentation method, weinvestigate the multi-level segmentation algorithm of fingerprint image. First, to improve the method of calculating the orientation image, the paper uses a better robust method. Second, we present an improved algorithm of setting the thresholds automatically for the disadvantage of setting some thresholds based on experience. The experimental results demonstrate the high accuracy rate of the improved algorithm.KEY WORDS: fingerprint, fingerprint segmentation, feature fusion, multi-level segmentaion目录第一章绪论 (1)1.1研究背景 (1)1.1.1生物特征识别技术概述 (1)1.1.2主要生物特征识别技术 (2)1.2指纹识别技术简介 (6)1.2.1指纹识别研究内容 (6)1.2.2国内外发展状况和面临的挑战 (10)1.3研究内容与结构 (12)第二章指纹图像分割方法综述 (14)2.1图像分割方法 (14)2.2指纹图像分割方法 (17)2.2.1基于特征融合判决的指纹图像分割方法 (19)2.2.2基于多级分割思想的指纹图像分割方法 (21)2.3本章小结 (22)第三章基于特征融合判决分割方法研究 (23)3.1有监督分割方法 (23)3.1.1分割特征选择 (23)3.1.2分类器选择 (26)3.1.3实验结果及分析 (28)3.2无监督分割方法 (29)3.2.1基于灰度方差的指纹图像分割 (30)3.2.2基于纹理特征的自适应指纹图像分割 (31)3.2.3实验结果及分析 (33)3.3本章小结 (36)第四章基于多级分割思想分割方法研究 (37)4.1结合多种方法的指纹图像逐级分割方法 (37)4.1.1第一级指纹图像分割 (37)4.1.2第二级指纹图像分割 (39)i4.1.3第三级指纹图像分割 (42)4.2自动确定部分阈值的指纹图像分级分割方法 (42)4.3实验结果及分析 (44)4.4本章小结 (45)第五章结论与展望 (46)5.1结论 (46)5.2展望 (47)参考文献 (48)攻读硕士期间发表的论文及所取得的研究成果致谢ii中北大学学位论文第一章绪论随着信息技术的发展，传统的身份识别技术已经逐渐被新型的基于生物特征的识别技术所替代。
医学影像处理中的自适应阈值分割算法
医学影像处理中的自适应阈值分割算法医学影像处理在现代医学应用中扮演着极为重要的角色。
随着计算机技术和数字图像处理技术的不断发展，医学影像处理技术也越发成熟，被广泛应用于医学诊断、疾病研究、医疗检测等方面。
医学图像的自动分割技术是医疗影像处理的重要内容之一。
其中，自适应阈值分割算法是一种基于图像直方图分析的图像分析和处理方法，因其能够适应灰度分布不均匀的图像，也就成为医学影像分割领域中应用广泛的技术。
随着医疗影像学技术的发展，医学影像数据的数量以及复杂度也在不断增加，因此如何快速、自动、准确地对医学影像进行分割成为了医学影像处理领域需要解决的难题。
自适应阈值分割算法是一种能够有效解决医学影像非均匀性分布问题的自动分割方法。
该方法将图像处理为灰度直方图，并据此选取合适的阈值进行图像分割。
由于该算法的计算量较小，并且不依赖于特定的二值化阈值，因此在处理医学影像数据中表现出良好的稳定性，从而得到了广泛的应用。
自适应阈值分割算法主要包括基于灰度值的区域分割和基于边界线的区域分割两种方法。
其中，基于灰度值的区域分割通常将图像分成若干个区域，然后对每个区域选取适当的阈值进行分割；而基于边界线的区域分割，则是在灰度图像的边缘区域内使用自适应阈值分配算法，根据图像边缘的特点进行分割。
近年来，随着深度学习技术的广泛应用，医学影像领域也开始探索使用深度学习来进行自动分割和诊断。
有许多研究表明，使用深度学习技术相对于传统的自适应阈值分割算法能够取得更好的分割效果。
然而，深度学习要求有足够的数据进行训练，这在医学影像处理中并不容易实现。
因此，在实际应用中，自适应阈值分割算法仍然是医学图像处理中广泛应用的一种算法，它具有较好的适应性和实时性，能够高效地分割医学影像。
总而言之，自适应阈值分割算法是医学影像处理领域中常用的自动分割技术之一。
它具有简单、快速、适应性强等优点，可以广泛应用于医学影像的分割和诊断。
在不断发展的医学影像处理领域，随着深度学习技术的不断进步，自适应阈值分割算法的一些缺点也将逐渐被克服，使其能够更好地服务于人类的健康事业。
基于方差及方差梯度的指纹图像自适应分割算法
Ａｂ ｔ ａ ｔ ｓｒｃ
Ｔ ｈ ｔ ｓ ｉ ｇ ｒ ｉ ｔ ｅ ｅ ａ ｋ ｏｆ ｆｎ ｅ ｐｒｎ ｓ ｇｍ ｅ ｔ ｔｏｎ ｓ ｏ ｓ ａ ｅ ｈ ｆｎｇ ｒ ｉ ｔ ｒ ａ ｒ ｍ ｔ ｉ ａ ｅ ｎ ａ ｉ ｉ ｔ ｉｏｌ ｔ ｔ ｅ ｉ ｅ ｐｒｎ ａ ｅ ｆ ｏ ｈｅ ｍ ｇ
ａ ｏ ｅ ｏ ｏｍｐｕ ｅ ａ ｐ ｉ ｅｙ ｈｅ ｈｒ ｓ ｄ ｏ ｓ ｇ ｎｔ ｔｏ ｄ ｐｔ ｄ ｔ ｃ ｔ ｄａ ｔｖ ｌ ｔ ｔ ｅ ｈｏｌ ｆ ｒ ｅ ｍｅ ａ ｉ ｎ． Ｆｉ ｌｙ， ａ ｎａ ｌ ｍｏ ｐｈｏ ｏ ｉ ａ ｐｒ ｃ ｓ ｉ ｒ ｌ ｇ ｃ ｌ ｏ ｅ ｓｎｇ
ｖ ｒａ ｃ ｎ ｉｓ ｒ ｄ ｅ ｉ ｃ ｏｓ ｎ ｓ ｈｅ ｌ ｋ ｅ ｔ ｒ ． Ａ ｆｅ ｔ ｔ ａ ｈ ｅ ｈ ｌ — ｅ ｔｎ ｍ ｅ ｈ ｉ ａ ｉ ｎ ｅ ａ ｄ ｔ ｇ ａ ｉ ｎｔ Ｓ ｈ ｅ ａ ｔ ｂ ｏｃ ｆ ａ ｕ ｅ ｔ ｒ ｈａ ， ｔ ｒ ｓ ｏ ｄ ｓ ｔｉ ｇ ｔ ｏｄ Ｓ
数 据 库 上 的 实 验 结 果 表 明 ， 分 割算 法快 速 有效 ， 有 较 强 的鲁 棒 性 ． 该 且
关 键 词 图 像 处 理 ； 纹 图像 分 割 ； 纹 预 处 理 指 指
中 图法 分 类 号 ＴＰ３ １ ４ ９．１
Ａｄａ ｔｖ ｎ ｅ ｐ ｉ ｔＳｅ ｍ ｅ ａ ｉ ｎ Ｂａ ｅ ｎ Ｖａ ｉ ｎｃ ｎ ｔ ａ ｉ ｎ ｐ ｉ ｅ Ｆｉ ｇ ｒ ｒ ｎ ｇ ｎｔ ｔｏ ｓ ｄ ｏ ｒ ａ ｅ ａ ｄ Ｉ ｓ Ｇｒ ｄ ｅ ｔ
ａ ｄ ＦＶＣ２ ０ ｈ ｗ ｕｒｐｒ ｐｏ ｅ ｌ ｏ ｉｈｍ ８ ｆ ｓ ，ｅ ｆ ｃ ｉ ｎ ｏｂ ｔ ｎ ０ ４ ｓ ｏ ｏ ｏ ｓ ｄ ａ ｇ ｒｔ ｉ ａ ｔ ｆｅ ｓ ｉ ｇ；ｆｎ ｅ ｐｒｎｔｓ ｇ ｅ ａ ｉ ｎ； ｆｎｇ ｒ ｒ ｎ ｅ ｒ ｅ ｓｎｇ ｙ ｗｏ ｄｓ ｍ ｇ ｒ ｅ ｓ ｎ ｉ ｇ ｒ ｉ ｅ ｍ ｎｔ ｔｏ ｉ ｅ ｐ ｉ ｔｐｒ ｐ ｏｃ ｓ ｉ
一种新型指纹图像分割算法
ｇ ｒｔｍｓｔ ｈ ｏ ｓ ｓａｔ ｃ ｅ ｅ ｉｐ ｔ ｎ ｅ ｒｎ ｍａ ｅ ，ｓ ｃ ｓｄ ｒ，ｉ ｕ ｔ ｓａ ｄ ｌｗ ｃ ｎ ｒ ｓ ｗａ ｎ ｙ ｅ ．Ａ ｎ ｗ ｍｅｈ ｄ ｔ ｓ ｇ ｏｉ ｈ ｏ ｔｅ ｎ ｉｅ ｔ ｈ ｄ ｔ ｔ ｎ ｕ ｇ ｒ ｉ ｔ ａ ｏｈ ｉ ｆ ｐ ｉ ｇ ｓ ｕ ｈａ ｉ ｔ ｍｐ ｒ ｉ ｎ ｏ ｏ ｔ ｔ ｓａ ａ ｚ ｄ ｉ ｅ ａ ｌ ｅ ｔ ｏ ｏ ｅ －
第２ ７卷 第 ７期
２１ ０ ０年 ７月
机
电
工
程
Ｖｏ ． ７ Ｎｏ ７ １２ ．
Ｊ ｕ ｎ ｌｏ ｃ ａ ｉａ ＆ Ｅ ｅ ｔ ｃ ｌＥ ｇｎ ｅ ｉ ｇ ｏ ｒ ａ ｆＭｅ ｈ ｎ ｃ ｌ ｌｃｒ ａ ｎ ｉ ｅ ｒ ｉ ｎBiblioteka Ｊ１ ００ ｕ ．２ １
区域生长法自适应阈值分割
区域生长法自适应阈值分割区域生长法是一种在图像处理中广泛应用的像素聚类技术，它通过预先定义的相似性准则将像素或像素区域组合成更大的、具有相似性质的区域。
自适应阈值分割则是在传统的全局阈值分割基础上发展起来的一种更为灵活和适应性更强的图像分割方法。
本文旨在探讨区域生长法与自适应阈值分割相结合的应用，并分析其在图像处理中的优势与局限性。
一、区域生长法的基本原理区域生长法的基本思想是从图像中选取一组“种子”像素，然后根据某种相似性准则，将与种子像素相邻且具有相似性质的像素合并到种子区域中。
这一过程不断迭代，直到没有新的像素可以加入为止。
相似性准则可以是像素的灰度值、颜色、纹理等属性的差异。
通过这种方法，可以将图像分割成若干个内部性质相似、相互之间性质差异较大的区域。
二、自适应阈值分割的原理与特点与传统的全局阈值分割不同，自适应阈值分割是根据图像的局部性质动态地确定阈值。
它通常将图像划分为若干个小区域（如邻域、窗口等），然后在每个小区域内计算一个局部阈值，用于分割该区域内的像素。
局部阈值的计算可以基于该区域内像素的灰度直方图、均值、方差等统计信息。
这种方法能够更好地适应图像中不同区域的灰度分布和对比度变化，从而得到更准确的分割结果。
三、区域生长法与自适应阈值分割的结合将区域生长法与自适应阈值分割相结合，可以充分利用两者的优点，实现更为精确和灵活的图像分割。
具体而言，可以先使用自适应阈值分割方法将图像初步划分为若干个小区域，然后在每个小区域内应用区域生长法，根据像素之间的相似性准则进行进一步的细分和合并。
这种方法能够在保持局部适应性的同时，有效地减少噪声和伪影的干扰，提高分割结果的准确性和鲁棒性。
四、应用实例与效果分析为了验证区域生长法自适应阈值分割的有效性，我们可以将其应用于不同类型的图像进行实验。
例如，在医学图像处理中，可以利用该方法对CT、MRI等医学图像进行分割，提取出感兴趣的区域（如肿瘤、血管等）；在遥感图像处理中，可以利用该方法对地表覆盖类型进行分类和识别；在工业自动化领域，可以利用该方法对产品质量进行检测和评估等。
自适应阈值分割算法
自适应阈值分割算法自适应阈值分割算法是一种常用的图像分割算法，可以根据图像的局部特征来确定合适的阈值，从而实现图像的分割。
自适应阈值分割算法主要分为以下几个步骤：1. 图像预处理：首先对原始图像进行预处理，可以使用滤波器进行平滑处理，去除图像噪声，减小图像中的干扰因素。
2. 计算图像的局部均值：将图像分成若干个大小相等的区域，计算每个区域的像素值平均值，得到图像的局部均值。
3. 计算局部方差：对于每个区域，计算该区域内像素值的方差，得到图像的局部方差。
4. 计算局部阈值：根据图像的局部均值和局部方差，计算每个区域的局部阈值。
一般情况下，局部阈值可以表示为局部均值加上一个适当系数乘以局部方差。
5. 图像分割：将图像的每个像素与其所在区域的局部阈值进行比较，如果像素值大于局部阈值，则将其分为目标区域；如果像素值小于局部阈值，则将其分为背景区域。
6. 后处理：对于分割后的图像进行一些后处理操作，可以通过腐蚀、膨胀等形态学操作来去除图像中的噪声，使分割结果更加准确。
自适应阈值分割算法的特点是能够根据图像的局部特征来确定阈值，因此对于不同区域具有不同亮度和对比度的图像，该算法能够产生更好的分割效果。
相比于全局阈值分割算法，自适应阈值分割算法更适用于复杂背景或光照不均匀的图像。
除了自适应阈值分割算法，还有一些其他的图像分割算法，例如基于区域的分割算法、基于边缘的分割算法、基于水平集的分割算法等。
每种算法都有着各自的优缺点，并适用于不同类型的图像分割任务。
总的来说，自适应阈值分割算法是一种简单而有效的图像分割算法，可以通过计算图像的局部特征来确定合适的阈值，从而实现对图像的准确分割。
它在图像分割领域具有广泛的应用，并且可以结合其他图像处理技术进行进一步的改进和优化。
自适应阈值算法
自适应阈值算法
自适应阈值算法是一种常用的图像处理算法，它可以根据图像的特征自动调整阈值，从而实现图像的二值化处理。
在实际应用中，自适应阈值算法被广泛应用于图像分割、目标检测、字符识别等领域。
自适应阈值算法的核心思想是根据图像的局部特征来确定阈值。
传统的阈值算法通常采用全局阈值，即将整幅图像分为前景和背景两部分，但是这种方法对于光照不均匀、背景复杂的图像效果不佳。
而自适应阈值算法则可以根据图像的局部特征来确定阈值，从而更加准确地分割图像。
自适应阈值算法的实现过程通常分为以下几个步骤：
1. 将图像分割为若干个小区域，每个小区域内的像素值相似。
2. 对每个小区域内的像素值进行统计分析，计算出该区域的平均值和标准差。
3. 根据每个小区域的平均值和标准差计算出该区域的阈值。
4. 将每个小区域内的像素值与该区域的阈值进行比较，将像素值大于阈值的像素标记为前景，将像素值小于阈值的像素标记为背景。
自适应阈值算法的优点在于它可以根据图像的局部特征自动调整阈值，从而更加准确地分割图像。
但是该算法也存在一些缺点，例如计算量较大、对噪声敏感等问题。
因此，在实际应用中需要根据具
体情况选择合适的算法。
自适应阈值算法是一种常用的图像处理算法，它可以根据图像的局部特征自动调整阈值，从而实现图像的二值化处理。
在实际应用中，该算法被广泛应用于图像分割、目标检测、字符识别等领域，具有重要的应用价值。
图像分割算法的原理及实现
图像分割算法的原理及实现图像分割是一种将图像按照某种特定的准则进行拆分的技术，它被广泛应用于计算机视觉领域中的目标定位、图像识别以及医疗领域的病变检测等领域。
图像分割算法的实现要点包括图像特征提取、分割方法选择、分割效果评估等内容。
本文将从原理和实现两个层面对图像分割算法进行深入讲述。
一、图像分割算法原理的概述1.1 图像分割算法的基本原理图像分割是将图像按照其特征和相似性划分为若干个具有这些特征的部分的过程。
通常情况下，图像分割的基本原理是：首先通过预处理将图像中的噪声去除或减小，再进行特征提取来识别图像中感兴趣的目标或区域；接着根据预先设定的分割方法将图像划分为若干个子目标或子区域。
1.2 图像分割算法基本分类按照分割策略，图像分割算法可分为以下三类。
1.2.1 基于阈值的图像分割算法基于阈值的图像分割算法，是将图像根据像素值的分布情况进行分割。
分割时，选择一个阈值，通过枚举阈值的不同取值，找到最佳分割点，将图像分成两个子区域。
此类方法实现简单，但对于复杂场景和多目标识别效果会比较差。
1.2.2 基于区域的图像分割算法这类方法首先根据图像特征将图像中不同的区域分割出来，再通过分割区域外的连续边界将相邻区域进行合并。
1.2.3 基于边缘处理的图像分割算法这类方法首先对图像中的边缘进行检测，再根据边缘连接将图像区域划分为不同的部分。
此类方法对噪声敏感较小，但对于曲线和空间位置的变化比较大的图像难以处理。
二、图像分割算法实现的方法和技术2.1 图像特征提取在实现图像分割的过程中，需要对图像进行特征提取。
主要有以下两种方法。
2.1.1 基于像素点的特征提取方法这种方法主要是根据像素点的位置、颜色等特征进行分割。
其中，像素点的位置是指在图像中的坐标位置，而像素点的颜色是指在图像中的颜色属性。
2.1.2 基于图像区域的特征提取方法这种方法是根据不同区域的纹理、形状或颜色等进行分割。
该方法常用的特征提取技术包括SIFT、SURF、LBP等。
自适应阈值分割算法
自适应阈值分割算法自适应阈值分割算法是一种用于图像处理的重要方法，常被应用于图像的分割与边缘检测等领域。
其原理是根据图像中像素的灰度级特性来自动确定一个适应于图像的阈值，从而将图像分割成具有不同灰度级的区域。
一般来说，自适应阈值分割算法主要包括以下步骤：1. 确定分割窗口的大小：分割窗口是指在图像中进行阈值计算的区域。
合适的窗口大小可以根据图像的尺寸来确定，一般情况下，窗口大小越大，阈值计算的准确性越高，但同时计算的时间也会增加。
2. 计算每个像素的局部阈值：对于图像中的每个像素，利用其周围窗口内的像素灰度级信息来计算一个局部阈值。
常见的计算方法有基于平均值、中值、最大最小值等。
3. 对图像进行二值化分割：根据计算得到的局部阈值与图像中像素的灰度级比较，将像素分为两类，一类是高于阈值的像素（亮像素），另一类是低于阈值的像素（暗像素）。
通过这一步骤，图像就被分割成了具有不同亮度的区域。
4. 进行后处理：分割后的图像可能存在噪声或连接问题，需要进行后处理来进行调整。
常见的后处理方法包括形态学操作、连通区域分析等。
自适应阈值分割算法的优点在于它能够自动选择合适的阈值，适用于复杂的图像场景，能够提高分割的准确性。
但同时也存在一些缺点，如计算时间较长、对图像中存在的光照变化敏感等。
常见的自适应阈值分割算法有：1. 基于全局阈值的自适应算法（Global Adaptive Thresholding）：该算法将图像分割为两个区域，根据区域内像素的平均灰度值计算一个全局阈值，并根据该阈值将图像二值化。
但这种方法在图像中存在光照不均匀的情况下效果较差。
2. 基于局部阈值的自适应算法（Local Adaptive Thresholding）：该算法将图像分割为多个区域，并根据每个区域内像素的局部特性计算一个局部阈值。
这种方法可以克服全局阈值算法对光照变化的敏感性。
3. 基于统计的自适应算法：该算法根据图像中像素的统计特性来确定阈值，常见的方法有OTSU算法、最大类间方差（Maximally Interclass Variance）等。
图像分割概述
图像分割总结图像分割就是把图像中有意义的特征部分提取出来，例如，图像中的边缘、区域等，通过特征部分的提取将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标。
图像分割是由图像处理到图像分析以及其他操作的关键步骤。
现有的图像分割方法主要分以下几类：基于阈值的分割方法（可以分为全局阈值方法和局部阈值方法）、基于区域的分割方法（区域生长算法、分裂合并算法、分水岭算法等）、基于边缘的分割方法（分为串行边缘检测技术和并行边缘检测技术）以及基于统计模式分类的分割方法等。
1、智能剪刀智能剪刀是一个新的，交互式的，用于图像分割和合成的工具。
数字图像分割技术用来从周围的背景中提取图像成分。
但是当时基于计算机的分割工具非常粗糙，并且和手工跟踪相比没有太大的优势。
然而，智能剪刀可以通过鼠标的移动快速和精确地提取图像中的物体。
当鼠标确定的位置接近一个物体的边缘的时候，一个live-wire边界捕捉并且包围了我们感兴趣的物体。
live-wir e是一种交互式分割方法,其基本思想是利用动态规划方法产生图像中给定两点间的最优路径,合理地构造代价函数和选择起始点和目标点,用以提取物体的边缘。
live-wir e边界检测将离散的动态规划问题规划为一个二维图像的搜索问题。
动态规划提供了数学意义上最佳的边界，同时也极大的减少了局部噪声和其他干扰结构的影响。
该算法选择的边界不是邻接边中的最强壮的边，而是与现在正在被跟踪的边的特定类型相符合的边，这一过程我们成为on-the-fly training，增强了算法的可靠性和智能剪刀工具的健壮性。
通过智能剪刀提取出来的物体可以被放大或者缩小，旋转，以及利用live-wire掩模和空间频率等值性组合成新的图像。
空间频率等值是利用巴特沃斯低通滤波器实现的。
智能剪刀提供了一个用于物体提取和图像合成的精确并且高效的交互性工具，它不仅可以用于灰度图像，同时也可适用于任意复杂度的彩色图像，并且基于这个工作还有很多扩展应用。
自适应阈值原理
自适应阈值原理自适应阈值原理是一种在计算机视觉领域中常用的图像分割算法。
该算法基于图像的局部特征和全局统计信息，通过自动调整阈值的方式，从而实现对图像的自适应分割。
在传统的图像分割算法中，通常需要提前确定一个全局阈值来将图像分为目标和背景。
然而，由于图像中目标和背景的亮度和对比度存在较大的差异，全局阈值往往无法适应不同区域的特征差异，从而导致分割结果不准确。
自适应阈值原理的核心思想是将图像分割的阈值根据局部特征进行自动调整。
具体而言，算法将图像分割为多个局部块，并计算每个块的局部阈值。
这些局部阈值是根据块内像素的亮度和对比度统计得到的。
然后，通过对每个像素与其所在块的局部阈值进行比较，确定该像素属于目标还是背景。
自适应阈值原理的优点在于能够适应不同区域的亮度和对比度差异，从而提高图像分割的准确性。
而传统的全局阈值算法在处理具有复杂背景和光照变化的图像时，往往无法取得良好的效果。
然而，自适应阈值原理也存在一些问题。
首先，对于块的选择和大小，需要进行合理的确定。
如果块的大小太小，可能会导致分割结果过于精细；如果块的大小太大，可能会导致分割结果模糊。
其次，自适应阈值原理依赖于图像的局部特征和全局统计信息，对于复杂的图像场景，可能需要进一步的处理和优化。
为了克服自适应阈值原理的局限性，研究人员提出了许多改进算法。
例如，基于区域生长的分割算法能够根据像素的相似性将图像分割为不同区域；基于边缘检测的分割算法能够通过检测图像的边缘来实现分割。
这些算法在一定程度上提高了图像分割的准确性和鲁棒性。
自适应阈值原理是一种常用的图像分割算法，能够根据图像的局部特征和全局统计信息自动调整阈值，从而实现对图像的自适应分割。
它的优点在于能够适应不同区域的亮度和对比度差异，提高分割的准确性。
然而，该原理也存在一些问题，需要进一步的改进和优化。
随着计算机视觉技术的不断发展，相信将有更多高效准确的图像分割算法被提出和应用。
基于多智能体系统的自适应指纹图像分割算法
中图分类号 ：ｔ ９． １ 文献标识码 ： 文章编号 ：６１ ６７ （０ １０ — ０ ３ ０ ＴＢ １４ Ａ １７ — ５４ ２． ）１ ０７ — ７ １
１ 引 言
近 年来 ， 统 的基 于 特定 物品 或知识 的身份识 别 方 法 已经无 法 满 足 现代 信 息 社会 的实 际 传
２１ ０ １年 １月 第 １ 期
浙 江
教 育 学 院 学 报
Ｊ ｎ ａｙ２ １ ａ ｕ ｒ ０ １
Ｎｏ １ ．
Ｊ Ｕ Ｎ ＬＯ Ｈ ＪＡ Ｇ Ｅ Ｕ Ａ ＩＮ Ｉ Ｓ ＩＵ Ｅ Ｏ Ｒ Ａ ＦＺ Ｅ Ｉ Ｎ Ｄ Ｃ ＴＯ Ｎ ＴＴ Ｔ
基于多智能体 系统的 自适应指纹图像分割算法
后续 的低 质量 指纹 图像 处理 方法 的性 能有 较 大影 响 ． 低 质量 对
可 以降低 背景 或强 噪声 区域 对后 续处 理方 法 的不 良影 响 ， 高 指 纹 特征 信 息 提取 结 果 的 可靠 提
性 和 精度 ， 从而 提 高 自动 指纹 识别 系统 的识 别 精 度 ¨ ３． － 同时 ， 确 的分 割 结 果 可 以有效 减 少 准 后 续 处理 过程 中 的数据 量 ， 降低 自动 指纹 识 别 系 统 的处 理 时 间 ． 般 而言 ， 以将 指 纹 图 一 可
方法 有一 个前 提 条件 ， 即所 求取 的方 向信息 是 可靠 、 确 的． 准 否则 ， 由于方 向信息求 取 结果 的 错 误， 分割 结果 的有 效性 不 可能 得到 保证 ． 因此 ， 于低 质 量 指 纹 图像 而言 ， 对 由于 强 噪 声 的干 扰 ， 方 向信息 求取 结果 的准确 性必 然 下降 ， 从而 导致 了分割 算法 的实 际性 能 急剧 下 降 ， 法满 足应 无
一种指纹图像的快速分割方法
该方法在保证 良好分割精度 的同时分割速度较快 。 关健 葡：数学形态学 ；变形 虫；自适应分割 ；离散小波变换 ；指纹分 割
Ｆａ ｔＳ ｇ ｅ ｔ ｔｏ ｅ ｈ ｄ ０ ｎ ｅ ｐ ｉ ｔ ｍ ａ ｅ ｓ ｅ ｍ ｎ ａ ｉ ｎ Ｍ ｔ ｏ ｆＦｉ ｇ ｒ ｒｎ Ｉ ｇ
Ｄ Ｉ １ ． ６ ／ｉ ｎ１０ — ２ ． １ ． ． ０ Ｏ ： ０ ９ ９ ．ｓ． ０３ ８ ０ １ ７ ７ ３ ｊｓ ０ ４ ２ １ ０
１ 概述
指纹 图像 的分割是指纹识别系统中的重要环节之一 。大 多数的指纹分割 方法仍将指纹 区域与背景区域的特征差异作 为分割的主要依据 ，如不 同区域的灰度统计特征 、局部方 向 性、方向图的统计特征和周 围区域方 向一致性、频率 、投影 信号等ｕ。近几年来 ，很 多方法从模式分类 的角度提 出了一 Ｊ 些新特征 ，而且采用形态 学、快速傅里叶变换、隐马尔可夫 模型、神经 网络等理论设计 了一些新 的分割方法…。这些 方 法虽然有效地提 高了指纹 图像 的分割效率 ，但也在一 定程度 上存在算法无法通用、鲁棒性 太低 、运行效率不高等问题 ， 而且很多方法的分割效果不够精确 。 为此 ，本文提出一种 指纹 图像 的快速分割方法 ，采用离 散小波变换对原图像 进行 一次分解 ，利用数学形态学变形虫
自适应法分割指纹图像
为 ５ 即 Ｔ３＝ ， ｄ ５时效果较理想 ） 。
指两条脊线之 间的灰度值较浅 的部分。
② 求取分块图像内沿着纹线切线的垂直方 向各
象素的值相互进 行 比较 ， 所得 的 差值放 到 ｃｕ￣［ ］ ｏ ｎ ｎ 中， 比较数量最多的差值数是 否大于 Ｔ４（ 文实验 得 ｄ 本
２ 算法的设计与实现
是否为指纹前景区。
② 求取 各分块 图像的灰度直 系 统 应 用
２０ 年 第 ２ 期 ０７
① 求取分块 图像 内各 块 的最 大 、 最小 灰度 值 ， 第 （，） 的最 大 、 小 灰 度 值 分 别 记 为 Ｌ ｘ（，） ｊｉ块 最 Ｍａ ｉｉ 和 Ｌ ｎ ｉ ） ｉ Ｏ １ … ， ， ＝ １…１ 。 Ｍｉ（， ， ＝ ，， １ ｉ Ｏ，， ９ ｉ ９ ② 取 Ａ ｅ （，）＝（Ｍａ （，）＋Ｌ ｎ ｉｉ） ２为 ｖ ｒ ｉｉ １ ｘ ｊＩ Ｍｉ（，） ／ ＿ 图像 内各块 的灰 度中值 。 ③ 求取此分块图像 的灰度值方差
线） 可以使后续 的处理 能更有效地集 中在前景区域 ， 从
而 能节 省处理 时间及达 到实时的 目的 ， 还可 以提高
③ 对每个灰度级上象素出现的频数较多的前 ２ ０
个对应的灰度值相互进行 比较 ， 有的差值放 到 ｍ 中， 所
若其中最大的差值数大于 ｍ＝ ｄ （ Ｔ ｌ本文实验得出 Ｔ １ ｄ 为
维普资讯
２０ 年 第 ２ 期 ０７
计 算 机 系 统 应 用
自适应法分割指纹图像
Ｔｈ ｌ．ａ ａ ｔ ｅ Ｓ ｇ ｅ ｔｔｏ ｇ ｉ ｅ Ｓｅｆ ． ｄ ｐ ｉ ｅ ｍ ｎａ ｉｎ Ａｌ ｏｒ ｈｍ ｆＦ ｎ ｅ ｐ ｉｔｉ ｇ ｖ ｔ ｏ ｉｇ ｒ ｒｎ ｍａ ｅ
改进的指纹图像自适应分割方法
ｂ ｔ ｒ ｔａ ｈ ａｉｎ ｅ ｂ ｓ ｄ ｆｎ ｅ ｒ ｔｓ ｇ ｅ ｔｔｏ ａ ｄ ｉ ｌｏ ｈ ｓ ｓｒ ｎ ｅ ｅ ｉｔｎ ｅ ｏ ｎ ｉｅ ａ ｄ ｈｇ ｅ ｄ ｐ ａ ｉｉ ｏ ｅｔ ｈ ｎ ｔｅ ｖ ｒ ｃ ａ ｅ ｇ ｒ ｉ ｅ ｍ ｎ ａｉｎ， ｎ ｔ ｓ ａ ｔ ｇ ｒ ｒｓｓａ ｃ ｔ ｏ ｓ ｎ ｉｈ ｒ ａ ａ ｔｂｌｙ ｔ ｅ ａ ｉ ｐ ｎ ａ ｏ ｔ
Ｃ ｍ ｕｅ ｎ ｉｅｒ ｇａ ｄ ｐ ｌ ａｉ ｓ ｏ ｐ ｔｒ ｇｎｅｉ Ａ ｐ ｉ ｔ ｎ 计算机工程 与应用 Ｅ ｎ ｎ ｃ ｏ
改进 的指 纹图像 自适应分割 方法
徐 华丽 ， 樊永 生
ＸＵ Ｈｕａｉ Ｆ ｌ， ＡＮ ｎｇｓ ｎｇ Ｙｏ ｈｅ
中北大学 电子与计算机科学技术 学院 ， 原 ０ ０ ５ 太 ３ ０ １
Ｃｏ ｌ ｇ ｆ Ｅ ｅ ｔ ｎ ｃ ｎ ｍｐ ｔ ｒ Ｓ ｉｎ ｅ Ｎｏ ｉ ｅ ｓｔ ｆ Ｃｈ ｎ ， ａ ｙ ａ ３ ０ ， ｉ ａ ｌ ｅ ｏ ｌ ｃｒ ｉ ｓ ａ ｄ Ｃｏ ｕ ｅ ｃｅ ｃ ， ａｈ Ｕｎ ｖ ｒ ｉ ｏ ｉ ａ Ｔ ｉ ｕ ｎ ０ ０ ５１ Ｃｈ ｎ ｅ ｏ ｙ
型的指 纹图像有较 高的适应性 。 关键词 ： 纹分割 ； 指 方差 ； 均值 ； 纹理特征； 自适应 阈值
ＤＯ ：０ ７ ８ ．ｓ．０ ２８ ３ ． １．８ ４ 文 章 编 号 ：０ ２８ ３ （０ １０ ．１ １０ 文 献 标 识 码 ： 中 图 分 类 号 ： Ｐ ９ ．１ Ｉ １． ７ ／ｉ ｎ１０ ．３ １ ０ １ ． ７ ３ ｊｓ ２ ００ １ ０ ．３ １２ １ ）８０ ６ ．３ Ａ Ｔ３１ ４
ａ ｅ ｓ ｇ ｎ ａ ｉ ｎ ａ ｇ ｒ ｈ ｓ ａ ｅ ａ ａｙ ｅ ｎ ｏ ｇ ｅ ｍｅ ｔ ｔ ｌ ｏ ｔ ｍ ｒ ｎ ｌ ｚ ｄ ａ ｄ ｃ ｍｐ ｅ ａ ｄ ａ ｎ ｗ ｄ ｐ ｉ ｅ ｆ ｇ ｒ ｒｎ ｅ ｍｅ ｔ ｏ ｌ ｏ ｔｍ ａ ｅ ｎ ｔ ｅ ｏ ｉ ｒ ａ ｄ， ｎ ｅ ａ ａ ｔ ｎ ｅ ｐ ｉ ｔ ｓ ｇ ｎ ｍｉ ｎ ａ ｇ ｒ ｈ ｂ ｓ ｄ ｏ ｈ ｖ ｉ ｉ ｖ ｒａ ｃ ａ ｅ ｆ ｇ ｒ ｒ ｔ ｅ ｍｅ ｔｔ ｎ ｌ ｏ ｉ ｍ ｓ ｒ ｐ ｓ ｄ Ｉ ｈ ｎ ｗ ａｇ ｒｔ ｍ ， ｈ ｔ ｘｕ ｅ ｅ ｔ ｒ ｗｈ ｃ ｉ ｅ ｒ ｓ ｎ ｅ ａ ｎ ｅ ｂ ｓ ｄ ｉ ｅ ｐ ｉ ｓ ｇ ｎ ａ ｉ ａｇ ｒｔ ｉ ｎ ｎ ｏ ｈ ｉ ｐ ｏ ｏ ｅ ． ｔ ｅ ｅ ｎ ｌｏ ｈ ｉ ｔ ｅ ｅ ｔ ｒ ｆ ａｕ ｅ ｉｈ ｓ ｒ ｐ ｅ ｅ ｔ ｄ ｂ ｔ ｅ ｎ ｆ ｒ ｉｄ ｅ ｎ ｖ ｌ ｙ ｎ ｅ ｖ ｌ ｉ ｕ ｅ ｔ ｃ ｍｐ ｔ ｍｅ ｎ ｎ ｔ ｒ ｓ ｏ ｄ ｄ ｐ ｉ ｅｙ Ｔ ｅ ｒ ｂ ｅ ｙ ｈ ｕ ｉ ｍ ｒ ｇ ａ ｄ ａ ｌ ｉ ｔ ｒ ａ ｓ ｓ ｓ ｄ ｏ ｏ ｕ ｅ ｏ ｅ ａ ａ ｄ ｈ ｅ ｈ ｌ ａ ａ ｔ ｌ ． ｈ ｐ ｏ ｌ ｍ ｏ ｅｅ ｍ ｉ ｉ ｇ ｖ ｆ ｄ ｔｒ ｎ ｎ
指纹分割的块图像梯度因子聚类法
（ ｕ ａ ｎｖ ｒｉ ｆ ｎｅｎ ｔ ｎ ｌ ｃ ｎ ｍｉ， ｈ ｎ ｓ ａ ４ ０ ０ ） Ｈ ｎｎＵ ｉ ｓｙｏ ｔ ａｏ ａ Ｅ ｏ ｏ ｃ Ｃ ａｇｈ １２５ ｅ ｔ Ｉ ｒ ｉ
Ａｂｓ ｒ ｃ Ｔｈ ｎ ｅ ｐ ｉ ｔｉ ｅ ｔ ｅ ｙ ｔ ｍ’ ｃｅ ｉ ｉ ｔ ｆ ｗｉ ｃ ｕ ａ ｅ ｗｉ ｄ ａ ｔ ｅ ｍｉ ｕ ｉｅ ｆ ｒｐ ｅ ｉ ，ｂ ｔｅ ｉｔ ｇ ｔａ ｔ ｅ ｆ ｇ ｒ ｒｎ ｄ ｎ ｉ ｓ ｓ ｓｅ Ｓ ｒ ｄ ｂ ｌ ｙ ｏ ｔ ａ ｃ ｒ ｔ ｔ ｒ ｗ ｈ ｎ ｔ ｏ ｒｍ ｓ ｉ ｉ ｆ ｉ ｈ ｈ ａ ｅ ｕ ｘｓ ｎ ｉ
ｔ ｃ （ ） ＝ １ ’，ｅ（ ）＝ １ ｒ ｅ Ｊ ＋Ｊ ｄ￡ Ｊ １ ａ １ ２ ２一 ２ （） ２
从 而将 标 准化一 致性 度量 因子 定义 为
收 稿 日期 ：０ ８年 ２月 ２ ３， 回 １期 ：０ ８年 ３月 ２ 日 ２０ １１ 修 ５ ２０ ｔ ２
作者简介 ： 曾喜 良， ， 女 助教 ， 硕士研究 生 ， 研究方 向： 图形图像 处理 、 嵌入式 系统设计 。王金 娟 ， ， 女 研究方 向 ： 信息安
２ 块 图像 梯 度 因 子
计算 指 纹 图 像 梯 度 因 子 时 ， 大 小 为 ｍ × 取 ｍ（ 文 ｍ取 为 ８ 本 ）的图像块 ， 每 个 图像 块 Ｂ 中 ， 在
任意ｇ ， 。
像 块 Ｂ的协方 差矩 阵表 示 为
全技 术 。
维普资讯
是确 保 自动识 别 系统 性 能 的前 提 和 基础 。而指 纹 分 割是 自动指 纹识别 系统 中很 重要 的一 步 ， 目标 其
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基金项 日：河南省高等学校青年骨 于教 师计划基金 资助项 目 ２ ０ Ｇ （０ ９
起 来 提 出 合 成 分 割 法 ；文 献 ［】 出逐 级分 割法 。 ５提 迄 今 为 止 ，基 于 块 的 指 纹 图像 分 割法 在 对 图像 分 块 时 多 是 按 照 经 验 把 把 图 像分 成 互 不 重 叠 的 ｎ 大 小 的方 块 ，每 块 ×
纹预处理、特征提取 、指纹分类、指纹匹配等组成…。其中 ，
指 纹 图像 预 处理 是 指 纹 识 别 系 统 中 紧 跟 在 指 纹采 集 之 后 的一
个环节 ，预处理 的效果直接影响到系统的性 能；而指纹分割 是指纹预处理 的关键组成部分 。 指纹 图像在采集过程中不可避 免地被噪声干扰 ，存在一 些无效 区域 。指纹图像 中包含 比较清 晰或可 以恢复的指纹纹
像分割算法虽然分割精度受到块大小 的影响 ，但其具有速 度 快、易于实现等优点 ，成为 目前指纹 图像分割算法研究比较
集中的措施 。文 献［】 ２把图像分块后 ，使 用线性分类器完成指
作者 筒介 ： 李慧娜（９ ０ ） 女 ， １８ － ， 讲师、 硕士 ， 主研方向 ： 息安全 ， 信
ＧＪ 一 ２ 、 Ｓ １ ０
目前 已有的指纹 图像分割方法主要是利用图像 的灰度统 计特性和指纹 的方向特性在 时域完成 。 根据分割精度的不同 ，பைடு நூலகம்
现 有 的 指纹 分 割 方 法 分 为 基于 边 界 的分 割法 和 基 于 区域 的 分
割法。基于 区域 的指纹图像分割算法是 目前应 用比较广泛 的
特 点 ，提 出把 指 纹 图像 分 成 互 不 重 叠 的矩 形 块 、块 大小 由 图 像 的纹 线 距离 决定 的分 割 方 法 。
一性 崛 ，而且对低 质量 图像 分割效果不理想 。本文把平均纹 ～ 魄 不强 理信息 的部分称为前景区域 ，而那些包含低质量 、及在后续
处理 中很 难 恢 复 的 图 像 区 域 的 部 分称 为 背景 区 。指 纹 分 割 就 是从 指 纹 图像 中提取 前 景 区 域 的过 程 。指 纹 分 割 步 骤 可 以 使 自动 指 纹 识 别 系 统 的 后 续 处理 过 程 集 中于 指 纹 图 像 的 有 效 指
第 ３ ７卷 第 ８期
Ｖ０ ．７ １３
．
计
算
机
工
程
２ １ 年 ４月 ０ １
Ａｐ ｉ ０１ ｒｌ ２ １
ＮＯ． ８
Ｃｏｍ ｐ ｔ ｒＥｎｇ ｎ ｅ ｉ ｇ ｕｅ ｉ ｅ ｒｎ
人工智 能及 识别 技术 ・
文章编号：１ － ２（ ｌ ０—ｏｌ—ｏ ０ ＿ ４８ ｏ１ ８ ＿ ９ － ｏ ３ ２ ） ２ ３
１ 概 述
纹 图像的分割 ；文献【１ 出利用多特征来判断每个子块是否 ３提
●Ｌ
．
ｎ ｌ ； ｋ 一
指纹识别是 目前最成熟的生物特征 识别技术之一 ，并被
广 泛 应 用于 高 安检 领 域 。指 纹 识 别 系 统 一 般 由 指 纹采 集 、指
属于前景 区；文 献【１ ４把方差法、方向图法、简单闻值法结合
一
类 方 法 ，根 据 分 割 精 确 度 的 不 同 ，其 又 分 为 基 于 像 素 的分
割 法和 基 于 块 的分 割 法 。 基于 像 素 的 区域 分 割 法 虽 然 分 割 的
精确度比较 高，但其计算量大、速度较慢等缺点 限制 了它 的 应用，特别是对高分辨率指纹 图像 的分 割。基于块的指纹图
摘
要 ：指纹图像分割是影响指纹识 别系统性 能的关键步骤之一 。为此 ，研究指纹图像频谱 图和传 统的基于 块的指纹 图像 分割 方法 ，由频
谱 图上 能 量 分 布 情 况 得 到 甲均 指 纹 纹 线 距 离 ，结 合 生 物 统 计 学 原 理 把 指 纹 图 像 分 成 互 不 重叠 的 矩 形 块 ，块 火 小 根 据 均 指 纹 纹 线 距 离在 算
ｉ ｉ ｉ
包含 ２条～ 条指纹脊线。显而易见 ，同一 个指纹在不同分辨 ３ 率 下 采 集 到 的 图像 需要 被对 应分 成不 同大 小 的 块 才 能使 每块 包含适量的指纹脊线。因此 ， 目前根据经验值把块设定成大 小固定的方块 的做 法，造成算法对指纹采集器分辨 率的适应 线距离作 为确定块 大小 的的重要参数 ，结合人体手指 的生理
ｐ Ｍ ㈨
文献标识 码：Ａ
中图分类号： Ｐ９・ Ｔ ３
一
种 自适应 块ｎ 小 的指 纹 图像 分割 算 法 大 呲 砌 什 Ⅲ ㈨ ． １ 了 一
．
ｉ 一一 一 一一～ ｉ 一一 ０ 叫 一
ｍ～ 李慧娜 ，平 源
（ 昌学院计算机科学 Ｅ技术学院 ，河南 许吕 ４哗０ ） 许 ｊ 胛 ６１ ０ ０ Ｔ 瑚 １ … 讲
法执行过程 中自动确定 。实验结果表明 ，该算法对不同分辨率及不同质量 指纹 图像 的适应性 都高于传统算 法。 关健词 ：指纹分割 ；矩形块 ；频谱分析 ；纹线距离
｛ ｍ Ｓ 一∞ ５ 。
ｉ ＿．
挑 一～ ～ ＝ ：一 ～ ｍ 她 ～ 蚕～ ～ 舢 ｍ 伽乏 一 一 一． 一 ３ 一 ～ 暑 岫 ｎ ～ 一 蛳 ｋ
纹 区域 ，有利于 提高特征提取 的准确性和速度 ，从而提高系
统的性能。
２ 基于频谱分析的平均纹线距离估计方法
指纹 图像 中脊线 和相邻 谷线 的间距 定义为 指纹纹线 距 离 。从技 术实现的角度来看 ，一般把指纹脊线中心到相邻 谷线 中心的长度作 为纹线距离 。没指纹图像 中有 ｎ条宽度分 别为 ｗ ２…， 小 的脊线 ，被 ｎ１ ｗ， 一 条宽为 ， …， １ ， 的