基于Matlab的指纹图像预处理方法研究.doc

《基于Matlab的指纹图像预处理方法研究.doc》由会员分享，可在线阅读，更多相关《基于Matlab的指纹图像预处理方法研究.doc（37页珍藏版）》请在沃文网上搜索。

1、南昌航空大学科技学院学士学位论文基于MATLAB的指纹图像预处理方法研究摘要：随着电子信息技术的发展，传统的密码、信物安全系统已经不能满足社会的需求，因此基于生物特征的身份验证系统得到了发展和应用。生物特征的唯一性和永久性，更好的作为身份识别的依据。指纹在众多的生物特征里有它的独特优势，指纹识别技术已经成为重要的研究领域，应用前景也很开阔。如金融安全、门禁系统、数字加密、电子商务等等。要应用好指纹识别，指纹图像的预处理是前提，只有经过预处理的指纹图像才能更方便提取出特征点用于识别。因此预处理的好坏对识别系统有决定性的影响。本文基于MATLAB的环境，对指纹图像的预处理方法进行研究对比。对原始图

2、像进行平滑、锐化、二值化、细化等处理之后得到可以方便提取特征点的指纹图像。平滑处理的算法以线性滤波法、中值滤波法，维纳自适应滤波法为研究对象进行算法比较研究。锐化处理对Sobel算子法和拉普拉斯算子法进行研究。二值化处理使用全局阈值法和局部阈值法进行处理。细化处理采用较好的OPTA细化算法模板实现细化。通过对算法处理效果的比较与分析，确定出最好的算法方案，得到最理想的效果。关键词：指纹图像、预处理、算法、MATLAB 指导老师签名：Studies on fingerprint image preprocessing algorithm based on MATLAB Student name

3、: Ding Chao Class: 0982042Supervisor: Li Zhongmin Abstract :With the development of electronic information technology ,traditional Password and token security system has unable meet the demand of the society, so the authentication system based on biological characteristics has been developed and app

4、lied.because of the Uniqueness and permanent,biological features become better as identity recognition. Fingerprint technology has its unique advantages in many biological characteristics. Fingerprint recognition technology has become an important research field, the application prospect is very bro

5、ad. Such as financial security, access control systems, digital encryption, electronic commerce and so on. To make good use of fingerprint recognition，the fingerprint image preprocessing is the precondition, only after pretreatment of fingerprint image can be more convenient to extract feature point

6、s for identification .Therefore, the performance of pretreatment has a decisive effect on the recognition system. This thesis based on MATLAB environment, comparative study on the fingerprint image preprocessing method.After smoothing, sharpening, two values processing, thinning of the original imag

7、e can be easily extracted fingerprint feature point.Smoothing algorithms for linear filtering, median filtering, Wiener filtering method as an object of study for algorithm comparison study Smoothing algorithms for linear filtering, median filtering, Wiener filtering method as an object of study for

8、 algorithm comparison study.Sharpening study on the Sobel operator method and the Laplasse operator method. The two value is treated using a global threshold and local threshold method.Refinement using template OPTA thinning algorithm for better implementation of refinement. Through the comparison a

9、nd analysis of the treatment effect of the algorithm, determine the best algorithm scheme, is the most ideal effect.Keywords：Fingerprint image，preprocessing ，algorithm，MATLAB Signature of Supervisor： 目 录 1 绪论1.1 引言11.2 指纹识别技术的发展概况11.3 本课题研究目标22 指纹图像预处理概述与实验平台2.1指纹识别技术的研究内容32.2 指纹图像预处理32.3 MATLAB实验平台

10、的简介33 实验方案与实现3.1 指纹图像预处理算法的实验框图53.2指纹图像平滑处理53.2.1常见的噪声53.2.2 图像平滑技术63.2.3 平滑线性滤波法63.2.4 中值滤波法73.2.5 维纳自适应滤波法73.2.6 三种算法的MATLAB实现和比较83.3 指纹图像锐化处理93.3.1 图像锐化的概念93.3.2 梯度法93.3.3 Sobel算子法103.3.4 拉普拉斯算子锐化处理法113.3.5 两种算法锐化处理的比较123.4 指纹图像二值化处理133.4.1 图像二值化原理及意义133.4.2 全局阈值法143.4.3 局部阈值法163.4.4两种二值化方法的代码和结果

11、183.4.5 算法结果分析比较193.5 指纹图像细化算法193.5.1 细化的基本概念193.5.2 OPTA细化算法模板203.5.3 MATALAB实现二值化的指纹图像细化处理223.6算法总结254 总结与展望4.1 总结264.2 展望26参考文献28致谢29附录301 绪论1.1 引言 近几年，我们的生活逐步进入了数字化时代，伴随着计算机的不断更新换代，人们对信息系统安全和网络安全更加重视。传统的身份识别方式主要包括了使用密码或口令的方法或者使用卡片等实际存储信息等。这些识别方法操作性较差，安全性不足，且2容易窃取伪造，信息安全难以得到抱着。而近十多年来，随着数字图像处理技术和模

12、式识别技术的发展，生物识别技术获得了较好的发展。生物特征识别技术是通过计算机与光学、声学、生物传感器及生物统计学统计学原理等高科技技术手段相结合。常用的生物识别特征包括指纹、虹膜、脸型、语音、掌纹、步态、笔迹等。它们有的已经应用到现实生活中，有的还仅处于实验研究阶段。生物特征由于它的唯一性，实用性，安全性和随时随地可使用等特性，非常适合用于身份的识别。指纹特征相对于其他的生物特征，有更加优秀个体差异性，被更多的应用于信息安全识别领域。因此指纹识别技术是目前最方便、可靠、低成本的生物识别技术解决方案，具有很大的市场潜力和科研价值。1.2 指纹识别技术的发展概况 指纹识别作为一种古老的身份鉴别方法

13、,早在公元前6000一7000年的古叙利亚和中国就已出现，出土的这个时代的陶器上就留有一些制陶艺人的指纹。秦汉时代盛行封泥制,将公私文书写在简犊上,分发时用绳捆绑,在绳端或交叉处封以粘土,盖上印章或指纹,作为信验,以防私拆,这种泥封指纹作为个人标识,既表示真实和信义也可防止伪造。20世纪70年代,随着计算机的广泛应用和模式识别理论的快速发展,人们对指纹的认知也从人工辨识转为理性分析,指纹识别作技术在国外得到了快速的发展。1999年美国联邦调查局建成了第一套综合自动化指纹识别系统,这套设备不仅大大加快了指纹识别的速度,而且提高了指纹比较的自动化水平。 我国对指纹识别技术的研究历史是从20世纪80

14、年代初开始的,中国科学院自动化所、清华大学、国防科技大学、吉林大学等高校和科研机构首先开始了这方面的研究工作。九十年代以后,北大高科、长春鸿达集团、西安青松集团等机构分别以所在地的高校为技术依托,陆续开始进行这方面的研究工作。中国科学院光机所对指纹采集技术进行了较为深入的研究,己经可以批量式生产光电活体指纹采集仪。进入二十一世纪后,我国研究指纹识别技术的科研机构进一步增加,如南京大学、山东大学、上海交通大学等国内知名高校科研机构,这进一步推动了国内自动指纹识别技术的快速发展。1.3 本课题研究目标 指纹图像预处理的方式不同导致了算法的不同，不同的算法所产生的效果也不相同。预处理算法的好坏对整个

15、指纹特征的提取影响很大，很大程度上决定了后续特征提取的成败。在指纹图像的分割中，不好的分割算法不能彻底地将背景从前景中分离，会产生很多额外的特征信息；传统指纹增强算法中，指纹图像的脊和谷不能得到很好的分离；在常用的细化算法中，经常出现细化不彻底和产生毛刺的情况；准确而快速的提取出特征信息是一个非常关键的问题，如果提取不恰当，则会增大系统的拒识率和误识率。因此，指纹图像预处理的算法有必要进行研究。本课题就指纹预处理中的平滑、锐化、二值化、细化处理的算法进行研究，从而确定一套较好的算法方案。本文基于MATLAB软件对指纹原始图像进行处理并得出处理后的图像，再进行分析比对，得出结论。MATLAB既是

16、一种直观、高效的计算机语言,同时又是一个科学计算平台。它为数据分析和数据可视化、算法和应用程序开发提供了核心的数学和高级图形工具。作为图像处理的仿真工具,MATLAB提供了功能强大的图像处理函数,给仿真者提供了很大的便利性,缩短了开发周期;MATLAB能够直观、清楚的显示图像,并可以不用修改程序而实现对图像的缩小、放大等功能,能方便的观察图像。因此本课题选择基于MATLAB实现指纹图像预处理，并选择理想的算法，是较好的一种方式。2 指纹图像预处理概述与实验平台2.1指纹识别技术的研究内容 指纹是手指指尖表面凹凸不平的纹路,其中凸起的纹路称为脊线,凹下的纹路称为谷线。每个人都有独一无二的指纹,这

17、种独一无二性是由脊线所包含的细节特征及这些特征之间的相互关系决定的。指纹识别就是使用指纹图像处理算法对输入的指纹图像进行处理,然后提取出其中的细节特征,并与指纹数据库中的数据进行比较,以识别或断定指纹所有者的身份。完整的指纹识别过程包括指纹图像采集、指纹图像预处理、特征提取、匹配/分类等。 指纹图像采集图像预处理特征提取匹配分类 图2-1 指纹识别系统原理2.2 指纹图像预处理 指纹图像采集到的原始图像并不能完全满足高质量图片的要求，会存在不少噪声。这部分噪声由采集仪器，环境因素，人为操作不当所产生的各类噪声所组成。如采样和量化产生的高频散粒噪声、光照不均引起的低频噪声以及采集头上的污渍所引入

18、的噪声；手指按捺力度不均以及手指过干或过湿可能导致图像亮暗灰度不均,手指表面的疤痕、磨损、褶皱、蜕皮等可能导致纹线出现断裂和粘连。 这些噪声严重影响了指纹图像的特性,致使指纹图像包含的部分细节特征不清晰甚至出现丢失,同时引入许多虚假的特征信息,如果直接对原始指纹图像进行特征提取,势必会影响指纹识别结果的准确性。所以,在提取特征之前需要对采集到的指纹图像进行预处理,以去除噪声信号,使其变成一幅纹线结构清晰特征信息明显的二值点线图。细化二值化锐化处理平滑处理 图2-2指纹图像预处理过程2.3 MATLAB实验平台的简介 MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国M

19、athWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB 的应用范围非常广，包括信号和图像处理、通讯、控制系统设计、测试和测量、财务建模和分析以及计算生物学等众多应用领域。3 实验方案与实现3.1 指纹图像预处理算法的实验框图线性滤波法原始指纹图像 中值滤波法平滑处理维纳自适应滤波法Sobel算子法锐化处理拉普拉斯算子法全局阈值法二值化处理局部阈值法OPTA细化算法模块法细化处理 图3-1 指纹预处理算法比较框图 实验按以上流程对指纹图像进行预处理，对相应的算法进行研究和对

20、比，通过对处理图像的研究效果，确定适合指纹图像的算法。3.2指纹图像平滑处理3.2.1常见的噪声在数字图像处理中常见的噪声有一下几种：（1）加性噪声加性噪声和图像信号g(x,y)是相互独立的，如图像信号在传输过程中引进的信道噪声，此时含有噪声n(x,y)的图像可以表示为： f(x,y)=g(x,y)+n(x,y) (3-1)（2）乘性噪声乘性噪声是一种与图像信号相关的噪声。在图像中，乘性噪声分为两类：一类是某像素处的噪声只与该像素的信号有关，另一类是某像素处的噪声与该像素及其领域的像素信号有关。一幅含有和信号强度成比例的含噪图像可表示为: f(x,y)=g(x,y)+n(x,y)g(x,y)

21、(3-2)（3） 椒盐噪声 椒盐噪声是图像中经常见到的一种噪声，它是一种随机的白点或者黑点，通常是由图像传感器、传输信道和解码处理等产生的。3.2.2 图像平滑技术 数学图像在其获取和传输过程中，会受到各种噪声的干扰使图像恶化，质量下降，图像变模糊、特征被淹没，这对图像分析极为不利。为了抑制噪声改善图像质量所进行的处理成为图像平滑或去噪。 图像的平滑技术主要用于消除图像中的噪声，其基本的方法是求像素的灰度的平均值或中值。但实际中，图像噪声和图像信号往往是交织在一起的，如果平滑不当，则会使图像的细节如边缘、轮廓等变模糊，影响到图像的质量。一般来说，图像平滑总要牺牲一定的细节信息（细节模糊）为代价

22、的。目前的图像平滑技术只要分3种:平滑线性滤波法、中值滤波法和维纳自适应滤波法。对应处理的的算法也不同。3.2.3 平滑线性滤波法 平滑线性滤波是一种直接在图像空间域上进行平滑处理的技术。数字图像由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而早上则统计独立的。因此，可用像素领域内各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑。平滑线性滤波器又称均值滤波器。显然，这种处理减少了图像灰度的尖锐变化，因此用平滑的方法可以减弱噪声。因此，图像平滑方法不可避免存在使边缘等细节变得迷糊的负面效应。但是可以经过后续的锐化等处理得到一定程度的克服。均值滤波法通常使用的模板有33、55、

23、77大小的尺寸，以33模板为例。均值滤波器的算法输出可以如下表示： （3-3）均值滤波算法简单，但它的主要缺点是在降低噪声的同时使图像产生迷糊，特别是在边缘和细节处。而且领域越大，在去噪能力增强的同时模糊程度越严重，画面变得越模糊。为了克服局部平均法的弊端，可以采用阈值法，又称超限像素平滑法。它是f(x,y)和领域平均g（x,y）差的绝对值与选定的阈值进行比较，根据比较结果决定坐标g(x,y）,算法表达式如下： （3-4）式中，T为事先设定的非负阈值。使用这个方法时，选择合适的T非常重要，T选的太大，会减弱去噪的效果，T选的太小，则会较弱消除模糊效应的效果。同均值滤波法相比，超限像素平滑法去椒

24、盐噪声效果更好。3.2.4 中值滤波法 中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某领域窗口内的所有像素点灰度值的中值。 其基本思想用图像像素点的领域灰度值的中值来代替该像素点的灰度值。二维中值滤波可以用下式表示： （3-5）式中为二维数据序列。其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘，从而获得较满意的复原效果，而且，在实际运算过程中不需要图像的统计特性，这也带来不少方便，但对一些细节多，特别是点、线、尖顶细节较多的图像不宜采

25、用中值滤波的方法。如果希望强调中间点或距中间点最近的几个点的作用，则可采用加权中值滤波。其基本原理是改变窗口中变量的个数，可以使一个以上的变量等于同一点的值，然后对扩张后的数字集求中值。这种方法比简单中值滤波性能更好地从受噪声污染的图像中恢复出阶跃边缘以及其他细节。另有一种可以处理具有更大概率的冲激噪声的是自适应中值滤波器，在进行滤波处理时，能依赖一定条件而改变领域的大小。其优点是在平滑非冲激噪声时可以保存细节，所以既能除去“椒盐”噪声，平滑其他非冲激噪声，还能减少诸如物体边界细化或粗化等失真。3.2.5 维纳自适应滤波法 维纳滤波法假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过

26、程且知它们的二阶统计特性，维纳根据最小均方误差准则（滤波器的输出信号与需要信号之差的均方值最小），求的最佳线性滤波器的参数。该算法是首先估计像素的局部均值和方差： （3-6） （3-7）式中，是图像中每个像素的MN的领域。然后，对每个像素利用滤波器估计其灰度值 （3-8）式中，是图像中噪声的方差。3.2.6 三种算法的MATLAB实现和比较 本文选择比对的三种平滑滤波器为33模板平滑线性滤波器，33的中值平滑滤波器和维纳只适应平滑滤波器。超限像素平滑对线面图像的去噪效果不大好，因此这里就不做实验比对。三种滤波器代表三种不同的平滑算法，基于MATLAB的实验代码在附录A中。 代码实现的结果如下：

27、 图3-2-1 平滑算法的结果如上图所示，平滑后的图片滤去了一些边缘有重叠的地方，更加利于后面的处理，便于提取出识别特征点。三种算法之间的比较，均值滤波的图像更平滑，对比度和边缘都比较相对平衡。中值滤波的结果，对比度更强，在指纹线较粗的地方滤掉更多的噪声，而在指纹学较细的地方相对于均值处理的不够好。维纳自适应的平滑处理，可以看出性能更好。修掉了部分较窄的边缘，图像看起来也较平滑。因此在平滑处理阶段我们选择维纳平滑滤波的算法处理。 3.3 指纹图像锐化处理3.3.1 图像锐化的概念 在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。一般来说，

28、图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。 为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算(如微分运算)就可以使图像变得清晰。从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。但要注意能够进行锐化处理的图像必须有较高的性噪比，否则锐化后图像性噪比反而更低，

29、从而使得噪声增加的比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理 图像的迷糊实质上是平均或积分运算的结果，因此对其进行逆运算如微分运算，就可以使模糊的图像变得清晰，这是因为微分运算是求信号的变化率，有加强高频分量的作用，从而使图像轮廓清晰。对图像进行图像锐化时，噪声也会被增强，因此一般情况下需要先进行平滑去除噪声，再进行图像锐化。由上一章可知，对指纹图像选择维纳自适应滤波器过滤结果较好，因此在此基础上进行锐化处理算法的分析。 3.3.2 梯度法 对于图像函数f(x,y)处的梯度是一个矢量，定义为： （3-9）梯度有两个重要的性质：1） 梯度的方向在函数f(x,y)最大变化率的方向上，

30、由以下公式确定： （3-10）2） 梯度的幅度可由式3-3计算。 （3-11） 由式（3-3）可知，梯度的数值就是在f(x,y)在其最大变化率方向上的单位距离所增加的量。对于离散图像处理而言，常用到梯度的大小，因此把梯度的大小习惯称为梯度，并且用差分来近似一阶微分，从而梯度的幅度可以表示为： （3-12） 在实际使用中，为了提高计算速度，简化计算方法，通常采用式（3-5）进行计算： （3-13） 由梯度的计算可知，梯度值的大小与相邻像素的灰度值的差成比例。在图像轮廓上，像素的灰度值变化较大，从而梯度值也较大，在图像平坦的区域，灰度值变化较小，从而梯度值较少。本文以Sobel算子法作为梯度法的代

31、表。3.3.3 Sobel算子法 Sobel算子是典型的基于一阶导数的边缘检测算子。由于该算子中引入了类似局部平均的运算。因此对噪声具有平滑作用，能很好的消除噪声的影响。Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积。即可分别得出横向及纵向的亮度差分近似值。-1 0 1-2 0 2-1 0 1 1 2 1 0 0 0 -1-2-1 图3-3-1 Sobel 算子模板单独使用Sobel算子做边缘检测，边缘定位精度不高，有时还可能对非边缘像素的响应大于某些边缘处的响应或者响应差别不是很大，造成漏检或误检但是它对噪声具有较好的鲁棒性。Sobel算子在检测边缘点的同时具

32、有抑制噪声的能力，检测出的边缘宽度至少为二像素。由于它们都是先平均后差分，平均时会丢失一些细节信息，使边缘有一定的模糊。但由于Sobel算子的加权作用。由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数， 简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。 在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算

33、法已在数学上证明当像素点满足正态分布时所求解是最优的。3.3.4 拉普拉斯算子锐化处理法 拉普拉斯算子处理是常用的边缘增强处理算子，他是各项同性的二阶倒数，比较适用于因为光线的漫反射造成的图像的模糊。它是一个刻画图像灰度的二阶商算子，是点、线、边界提取算子，亦称为边界提取算子。通常图像和对他实施拉式算子后的结果组合后产生一个锐化图像。拉式算子用来改善因扩散效应的模糊特别有效，因为它符合降制模型。扩散效应是成像过程中经常发生的现象。 拉普拉斯算子也是最简单的各向同性微分算子，具有旋转不变性。一个二维图像函数的拉普拉斯变换是各向同性的二阶导数定义如下： （3-14） 对离散的数字图像，二阶偏导可用

34、二阶差分近似，可推导出拉普拉斯算子表达式为： （3-15）利用拉普拉斯算子增强图像的计算方法如下： （3-16）拉普拉斯算子和拉普拉斯图像增强算子可用模板分别表示，如图3-3-2所示。11-411-1-15-1-1 图3-3-2 拉普拉斯算子及图像增强算子模板由于拉普拉斯是一种微分算子，它的应用强调图像中灰度的突变即降低灰度缓慢变化的区域，这将产生一幅把图像中的浅灰色边线和突变点叠加到暗背景中的图像。将原始图像和拉普拉斯图像叠加在一起的方法可以保护拉普拉斯锐化处理的效果，同时又能复原背景信息，因此，拉普拉斯定义很重要。如果所使用的定义具有负的中心系数，那么就必须将原始图像减去经拉普拉斯变换后的

35、图像，从而得到锐化的结果，反之，如果拉普拉斯定义的中心系数为正，则原始图像要加上经拉普拉斯变换后的图像。故使用拉普拉斯算子对图像增强的基本方法可以表示为图3-3-2的右边算子模块。3.3.5 两种算法锐化处理的比较利用MATLAB软件对已经过平滑处理的指纹图像进行锐化处理，再进行对比，选择最好的锐化处理结果。实验代码在附录B中。实验结果如下图3-3所示： 图3-3-3 Sobel算子和拉普拉斯算子锐化图像结果 如上图所示，两种算子锐化的效果各有各的有点，Sobel算子的纵向的锐化效果比拉普拉斯算子的效果好。拉普拉斯算子的横向效果更好。从特征点的提取效果考虑，Sobel算子的锐化图像更加适合指纹

36、图像的锐化处理。锐化图像的边缘的比原始图像更清晰，处理后的图像像素点对比度更明显了，图像的边缘和轮廓都变的清晰了，每个像素点都被体现了出来。3.4 指纹图像二值化处理3.4.1 图像二值化原理及意义在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素的值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。二值图像在图像分析中应用非常广泛，二值图像就是指只有两个灰度级的图像

37、，二值图像具有存储空间小，处理速度快，可以方便地对图像进行布尔逻辑运算等特点。更重要的是，在二值图像的基础上，还可以进一步对图像处理，获得该图像的一些几何特征或者其他更多特征。图像的二值化处理就是将图像上的点的灰度置为0或255，也就是使整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。图像包括目标、背景还有噪声,怎样从多值的数字图像中仅提取出目标,常用的方法就是设定某一阈值T,用T将图像的数据分成2大部分:大于T的像素群和小于T的像素群.这种方法称为图像的二值化.二值化处理就是把图像分成目标和背景2个区域.二值化是

38、数字图像处理中一项最基本的变换方法,通过非零取一固定阈值、双固定阈值等不同的阈值化变换方法,使一幅灰度图像变成了黑白二值图像,将我们所需的目标从复杂的图像背景中提取出来.阈值5-6处理的操作过程是指定一个阈值,如果图像中某像素的灰度值小于该阈值,则将该像素的灰度值设置为0或255,否则灰度值设置为255或0图像二值化是图像处理中的一项基本技术，也是很多图像处理技术的预处理过程。在颗粒分析、模式识别技术、光学字符识别(OCR)、医学数据可视化中的切片配准等应用中，图像二值化是它们进行数据预处理的重要技术。由于图像二值化过程将会损失原图像的许多有用信息，因此在进行二值化预处理过程中，能否保留原图的

39、主要特征非常关键。在不同的应用中，图像二值化时阈值的选择是不同的。因此，自适应图像阈值的选取方法非常值得研究。灰度图像的二值化处理有很多种方法，主要分为全局阈值法和局部阈值法。3.4.2 全局阈值法全局阈值法是指在二值化过程中只使用一个全局阈值的方法。它将图像的每个像素的灰度值与进行比较，若大于，则取为前景色（白色）；否则，取为背景色。根据文本图像的直方图或灰度空间分布确定一个阈值，以此实现灰度文本图像到二值图像的转化。其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。阈值分割法的结果很大程度上依赖于对阈值的选择，因此该方法的关键是如何选择合适的阈值。典型的全局阈值方法包括Otsu方法、

40、最大熵方法等。全局阈值法算法简单，对于目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对于由于光照不均匀、噪声干扰较大等原因使直方图分布不呈双峰的图像，二值化效果明显变差。本文一Otsu方法作为全局阈值法的算法对指纹图像进行二值化的图像。Otsu是经典的非参数、无监督自适应阈值方法，是一种直方图技术。理想情况下，在直方图上代表物体和背景的两个峰之间有一个明显的谷，谷底就是最优阈值。但在一些实际图像中谷很平，很宽，并且受噪声干扰严重，或是两个峰的高度相差较大。这时寻找最佳阈值很困难。Otsu法就是针对这种情况提出的，并且它不需要其它的先验知识，因而应用范围很广，至今仍是最常用的二值化方法之

41、一。Otsu 在1979 年提出的最大类间方差法(有时也称之为大津法)，该方法的基本思想是：设阈值将图像分割成两组，一组灰度对应目标，另一组灰度对应背景，则这两组灰度值的类内方差最小，两组的类间方差最大。对图像Image，记为目标与背景的分割阈值，目标像素数占图像比例为，平均灰度为；背景像素数占图像比例为，平均灰度为。图像的总平均灰度为：。从最小灰度值到最大灰度值遍历，当使得值 最大时即为分割的最佳阈值。对大津法可作如下理解：该式实际上就是类间方差值，阈值分割出的目标和背景两部分构成了整幅图像，而目标取值，概率为 ，背景取值，概率为，总均值为，根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量，方差值越大说明构成图像的两部分差别越大，当部分目标点错分为背景或部分背景点错分为目标点都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小。记为图像点处的灰度值，灰度级为，不妨假设取值。记为灰度值为k的频率，则有： (3-17)假设用灰度值t为阈值分割出的目标与背景分别为：和，于是目标部分比例：， (3-18)目标部分点数： (3-19)背景部分比例： (3-20)背景部分点数： (3-21)目标均值： (3-22)背景均值： (3-23)总均值： (3-24)大津法指出求图像最佳阈值g的公式为