[发明专利]一种基于细胞神经网络和形态学的指纹图像分割方法

摘要

一种基于细胞神经网络和形态学的指纹图像分割方法，属于图像处理技术领域。首先在原始指纹图像的灰度直方图h(k)的指纹前景峰值和背景峰值之间的曲线波谷中确定一个初始阈值t，然后计算原始指纹图像的模糊度μ(f(x，y))；接着用香农函数S(μ(f(x，y)))计算出模糊度的熵E(I)，并对熵取最小值计算出最优模糊阈值t*；然后用最优模糊阈值t*计算出神经细胞网络阈值z*，用两个3×3大小的方形神经细胞网络模板对指纹图像进行处理，得到大致指纹前景区域图像；最后用9×9的形态学模板对大致指纹前景区域图像进行形态学操作得到最终的指纹前景区域图像。本发明的指纹分割算法计算量比较小，而且通过形态学操作之后的指纹前景轮廓也较平滑。

主权项

一种基于细胞神经网络和形态学的指纹图像分割方法，包含下述步骤：步骤1：计算原始指纹图像I(x，y)的灰度直方图h(k)，然后从灰度直方图h(k)的指纹前景峰值和背景峰值之间的曲线波谷中确定一个初始阈值t；所述灰度直方图h(k)＝nk，k＝0，1，...，L，其中L表示最大灰度等级，nk表示灰度值为k的像素点个数；步骤2：用模糊集理论获取细胞神经网络的阈值z*，用细胞神经网络的阈值z*对原始指纹图像I(x，y)进行分割，得到去除了模糊区域的大致指纹前景区域图像I′(x，y)；包括以下具体步骤：步骤2 1：计算原始指纹图像I(x，y)中每个像素点的模糊度μ(f(x，y))； μ ( f ( x , y ) ) = 1 1 + | f ( x , y ) - μ 0 ( t ) | C 当f(x，y)≤t时； μ ( f ( x , y ) ) = 1 1 + | f ( x , y ) - μ 1 ( t ) | C 当f(x，y)＞t时；其中：μ(f(x，y))表示原始指纹图像I(x，y)中像素点(x，y)的模糊度，f(x，y)表示像素点(x，y)的像素值，μ0(t)表示背景像素的平均值，μ1(t)表示前景像素的平均值，t为步骤1所得初始阈值，C为取值在(0，1)之间的常数；步骤2 2：用香农函数S(μ(f(x，y)))计算原始指纹图像I(x，y)中每个像素点的模糊度的熵E(I)，而当E(I)取得最小值时就可以得到最优的模糊阈值t*；其中：S(μ(f(x，y)))＝ μ(f(x，y))ln[μ(f(x，y))] [1 μ(f(x，y))]ln[1 μ(f(x，y))]； E ( I ) = 1 MN ln 2 Σ k = 0 L S ( μ ( f ( x , y ) ) ) h ( k ) ; t*＝min E(I)；M、N分别表示原始指纹图像I(x，y)的行数和列数；步骤2 3：计算神经细胞网络阈值z*；z*＝2×(t*/255 0.5)；步骤2 4：计算去除了模糊区域的大致指纹前景区域图像I′(x，y)； I ′ ( x , y ) = 1 2 ( | f ′ ( x , y ) + 1 | - | f ′ ( x , y ) - 1 | ) , 其中：f′(x，y)＝ f(x，y)+a+b+z*为中间值，而参数a的计算方法是以像素点f(x，y)为中心取与A模板相同大小的区域像素点与A模板对应点乘后相加得到，b参数的计算方法是以像素点f(x，y)为中心取与B模板相同大小的区域像素点与B模板对应点乘后相加得到，A模板为3×3大小的矩阵，周围取值都为0，中心值可取[0，8]之间的整数；B模板是值全相同的3×3大小的矩阵，取值区间为[1，10]；步骤3：对步骤2所得去除了模糊区域的大致指纹前景区域图像I′(x，y)进行形态学操作处理，确定最终的指纹前景区域图像；具体形态学操作过程更包括：步骤3 1：对去除了模糊区域的大致指纹前景区域图像I′(x，y)取反，采用9×9大小的全1矩阵模板对取反后的去除了模糊区域的大致指纹前景区域图像I′(x，y)进行闭操作，使得指纹的前景区域连接成一个连通区域；步骤3 2：对闭操作后的结果进行开操作，以消除一些删除一些孤立的小块或细小的末梢；步骤3 3：对经步骤3 1和步骤3 2操作后的结果进行标号处理，标记出图像中不同的连通域，然后选择最大的连通域作为指纹前景区域；步骤3 4：构建一个与原始指纹图像I(x，y)相同大小的指纹图像分割模板，指纹图像分割模板的前景区域与步骤3 3所得指纹前景区域一致、且像素值设为1，其余像素点为背景像素点、且像素值设为0；采用该指纹图像分割模板与原始指纹图像I(x，y)进行点乘运算，得到最终的指纹前景区域图像。