基于纹理分析的指纹图像分割算法

１６２２００８，４４（２１）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用

基于纹理分析的指纹图像分割算法

詹小四，孟祥旭，尹义龙

ＺＨＡＮＸｉａｏ－ｓｉ，ＭＥＮＧＸｉａｎｇ－ｘｕ，ＹＩＮＹｉ－ｌｏｎｇ

山东大学计算机科学与技术学院，济南２５０１０１

ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｊｉ’ｎａｎ２５０１０１，ＣｈｉｎａＥ－ｍａｉｌ：ｘｉａｏｓｚｈａｎ＠２６３．ｎｅｔ

ＺＨＡＮＸｉａｏ－ｓｉ，ＭＥＮＧＸｉａｎｇ－ｘｕ，ＹＩＮＹｉ－ｌｏｎｇ．Ａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｅｘｔｕｒｅｃｈａｒａｃｔｅｒａｎａｌｙｓｉｓｆｏｒｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅｓｅｇ－

（２１）：１６２－１６５．ｍｅｎｔａｔｉｏｎ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００８，４４

Ａｂｓｔｒａｃｔ：Ｉｔｉｓｏｎｅｏｆｔｈｅｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｅｍｐｈａｓｅｓｔｏｐｒｏｃｅｓｓｔｈｅｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅｗｉｔｈｌｏｗ－ｑｕａｌｉｔｙ．Ｓｅｇｍｅｎｔｉｎｇｔｈｅｆｉｎｇｅｒ－

ｐｒｉｎｔｉｍａｇｅｗｉｔｈｌｏｗ－ｑｕａｌｉｔｙｅｘａｃｔｌｙａｎｄｑｕｉｃｋｌｙｉｓａｎｉｍｐｏｒｔａｎｔｓｔｅｐｆｏｒｉｍｐｒｏｖｉｎｇｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅａｕｔｏｍａｔｉｃｆｉｎｇｅｒｐｒｉｎｔｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍ．Ａｆｔｅｒａｎａｌｙｚｉｎｇｔｈｅｌｉｍｉｔａｔｉｏｎｏｆｔｈｅｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｒａｙｖａｒｉａｎｃｅ，ｔｈｅｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｔｅｘｔｕｒｅｃｈａｒａｃｔｅｒａｓｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｉｎｄｅｘ，ａｎａｌｙｚｅｓｔｈｅｄｉｓｔｒｉｂｕｔｉｎｇｒｕｌｅｏｆｔｈｅｐｉｘｅｌｓｉｎｔｈｅｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅａｎｄｐｒｏｐｏｓｅｓｔｈｅｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅｔｅｘｔｕｒｅａｎａｌｙｓｉｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅａｌ－ｇｏｒｉｔｈｍｈａｓｈｉｇｈｅｒｓｅｇｍｅｎｔａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｔｈａｎｔｈｅｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅｇｒａｙｖａｒｉａｎｃｅ．Ａｎｄｉｔｉｓｒｏｂｕｓｔｆｏｒｔｈｅｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅｓｗｈｏｓｅｂａｃｋｇｒｏｕｎｄｉｓｍｏｒｅｃｏｍｐｌｉｃａｔｅｄ．Ｋｅｙｗｏｒｄｓ：ｆｉｎｇｅｒｐｒｉｎｔ；ｆｉｎｇｅｒｐｒｉｎｔｒｅｃｏｇｎｉｔｉｏｎ；ｆｉｎｇｅｒｐｒｉｎｔｓｅｇｍｅｎｔａｔｉｏｎ；ｔｅｘｔｕｒｅ

摘

要：低质量指纹图像处理是近年来自动指纹识别技术的研究重点，对低质量指纹图像的分割是实现后续处理的前提。文中在

分析了方差作为分割指标的局限性基础上，从指纹图像的纹理特征出发，研究了指纹图像的灰度分布规律，提出了基于纹理的指纹图像分割算法。实验结果表明，相比于基于灰度方差的指纹图像分割算法，文中算法的分割效果更好，对噪声的抵抗能力更强。关键词：指纹；指纹识别；指纹分割；纹理

ＤＯＩ：１０．３７７８／ｊ．ｉｓｓｎ．１００２－８３３１．２００８．２１．０４５文章编号：１００２－８３３１（２００８）２１－０１６２－０４文献标识码：Ａ中图分类号：ＴＰ３９１

１引言

由于人的生理特征具有便于携带、不丢失、不易仿制、复杂

来，使得后继的过程只针对有效指纹区域进行处理，则对于缩短图像预处理时间、提高特征提取的准确率都具有重要的意义。现有的指纹图像与背景区域的分割方法主要是根据指纹图均值）设计算法的［３－５］。一般而言，灰像灰度的统计特征（如方差、度均值和灰度方差作为指纹图像的主要统计特征，应该表现出指纹图像所特有的纹理特征。但在对目前的灰度均值和方差求取算法进行深入研究后发现，现有的算法中都不考虑噪声（尤其是强噪声）对均值和方差计算结果的影响，从而在实际算法中所提取得到结果是包含大量噪声信息在内的统计结果，这也导致了所求取的均值和方差并没有很好地表达指纹图像的本质特征，无法实现对指纹图像的准确分割处理。称这一类算法为无方向判别准则的指纹统计特征分割算法。在指纹图像质量良好的前提下，由于噪声干扰的强度不大，图像的统计特征信息能够准确表达原始指纹图像的基本特征，这类算法可以很好地实现指纹图像分割处理，基本能够满足后继图像处理的需要。但是，在强噪声干扰下，由于噪声信息已经严重破坏了原始

度高等特点，生物特征识别已成为信息社会身份认证的主要手段之一，对以指纹为代表的生物特征识别技术研究也成为一个研究热点［１，２］。多年的研究成果使得自动指纹识别系统已经步入实用化阶段，但非理想采集条件下指纹特征的可靠提取与识别仍然是阻碍自动指纹识别系统大面积推广使用的一个主要原可靠的特征信因。目前，如何从低质量指纹图像中提取出准确、息，从而有效地提高自动指纹识别系统的性能和自动指纹识别系统对指纹图像质量的适应性是当前自动指纹识别领域的一个研究重点。

一般的指纹图像中，大都包含背景区域和指纹区域。如果对包含背景区域在内的整幅图像进行处理，不仅大大增加了图像预处理与特征提取的时间，还会从背景区域提取到大量虚假的特征信息，严重影响识别效果。如果能够在背景区有强噪声可靠地将指纹图像从背景区域中分割出干扰的情况下，准确、

基金项目：山东省优秀中青年科学家科研奖励基金（Ｎｏ．２００６ＢＳ０１００８）；山东省高新技术自主创新工程项目（Ｎｏ．２００７ＺＣＢ０１０３０）；山东省科技公关

计划（ｔｈｅＫｅｙＴｅｃｈｎｏｌｏｇｉｅｓＲ＆ＤＰｒｏｇｒａｍｏｆＳｈａｎｇｄｏｎｇＰｒｏｖｉｎｃｅ，ＣｈｉｎａｕｎｄｅｒＧｒａｎｔＮｏ．２００５ＧＧ３２０１０８９）；山东省博士后基金（Ｎｏ．（Ｎｏ．２００５ＫＪ０８９）。２００６０２０１４）；安徽省教育厅自然科学基金

副教授，山东大学计算机科学与技术博士后流动站在站博士后，主要研究方向为信号处理，图像处理与模式作者简介：詹小四（１９７５－），男，博士、

识别，生物特征识别等。

收稿日期：２００８－０４－３０

修回日期：２００８－０６－１０

詹小四，孟祥旭，尹义龙：

基于纹理分析的指纹图像分割算法

指纹图像的统计特征，使得所求取的统计特征无法真实体现图像本身应该具有的特征信息。因此，无方向判别方法无法很好地实现对低质量指纹图像的分割处理。为此，尹义龙等人又运用基于二次曲面的指纹分割［６］，将指纹图像的灰度方差、均值、方向一致性作为指标，在一个二次曲面上实现指纹区与背景区的分割。耿茵茵等人采用分级分割策略实现对指纹图像的分割处理［７］，冯星奎等人采用合成方法对指纹图像进行分割［８］，黄贤武等人基于方向场实现对指纹图像的分割处理［９，１０］。这些方法虽然考虑到指纹的纹理特征，利用了方向信息，但仅仅是考虑到局部指纹区域的方向一致性，将其作为一个判别指标实现对指纹图像的分割处理。综合分析可知，现有算法并不能很好地体现指纹的纹理特性，不能充分利用指纹图像具有的纹理方向信息，不能非常有效地分割处理各种质量的指纹图像。

仔细分析发现，有效指纹图像区域具有良好的纹理特征，背景区域作为相对平滑区域则不具有良好的纹理特征。相对于背景区域而言，有效指纹图像区域具有更好的方向选择性，表现出良好的各向异性，而背景区域则在相关性质上表现出各向同性。文中充分考虑有效指纹区域在其切线方向和法线方向上表现出的不同性质，根据有效指纹区域良好的方向选择性，分别求取四个不同的分割指标组成像素的特征响向量，然后采用感知器算法实现对有效指纹图像区域的分割处理。实验结果表明，该方法相对于无方向判别方法具有更高的分割精度，分割结果抗噪声干扰的能力更强。

２００８，４４（２１）１６３

图中，区域Ａ对应于有效指纹图像区域，区域Ｂ对应于背景区域，! 为对应区域的灰度平均值，" 为对应区域的灰度均方差。图１的结果表明，图１（ａ）中的Ｂ区域的灰度均方差远大于Ａ区域的均方差，图１（ｂ）中的Ｂ区域的灰度均方差和灰度均值都近似等于Ａ区域的均方差和灰度均值，这直接导致了该分割指标的失效，此时仅考虑对应区域的灰度均值和灰度均方差将无法有效地对指纹图象进行分割处理。因此，需要进一步深入考察对应区域的其它性质，以便获得更为理想的分割指标。

从灰度级差角度分析，纹理图像具有一定的规则性，由此表现出很强的方向选择性，即相关性质在纹理的切线方向和法线方向上表现出完全不同的性质。根据这种方向选择性质，可以有效地实现对指纹图像的分割处理。

图２是有效指纹图像区域和背景区域在三维空间中的模高，Ｚ轴表示对应像素的灰度型（Ｘ，Ｙ轴分别表示图像的宽、

从图中可以非常清晰的发现，有效指纹区域的图像纹理特阶）。

征非常突出，表现出良好的二维正弦曲面，而背景区域则非常为此，分别定义指纹图像纹理不规则，不具有较好的纹理特征。

的切线方向和法线方向分别如下图２（ａ）所示，其中Ｔ为指纹图像的切线方向，Ｎ为指纹图像的法线方向。

２指纹图像的纹理分析

现有的指纹图像分割方法主要是依据无方向判别准则，利

用灰度平均值、灰度方差等无方向判别指标实现对指纹图像的分割处理。这忽视了有效指纹区域的纹理特征和背景区域的非纹理特征之间的区别，也直接导致了有效指纹图像区域和强噪声背景区域无法区分。比如，对于下面的两个图像子块而言，虽然它们应该被分割为两个不同的区域，但由于依据无方向判别准则所求取的灰度均值和方差这两个主要的统计特征表现出近似一致性，直接导致了该分割算法的失败，如图１所示。

深入分析图２（ａ）可知，有效指纹图像区域所对应的二维正弦曲面由所在图像区域的方向角、频率和幅度决定，一般可定义为：

（・（２π（・（#）＋ｙ・（#）））｝Ｉｘ，ｙ）＝Ａ｛ｓｉｎｆｘｃｏｓｓｉｎ

（１）

其中，ｆ为对应指纹图像区域的纹线频率信息，一般定义为对应区域的纹线距离的倒数；#为所在有效指纹区域的方向信息；Ａ为该区域的整体灰度幅值；Ｉ（ｘ，ｙ）为像素（ｘ，ｙ）的灰度阶，对应于图２（ａ）的Ｚ轴。

公式（１）所确定的一个严格的纹理图像，其频率和方向角度分别由ｆ和#的值精确定义。对于一般指纹图像而言，各像素点的频率和方向应该是存在微小的变化，直接导致了所对应的图像纹理会存在不同程度的差异，同时由于噪声等原因，纹理又会发生一定的畸变，导致对应的纹理并不能够精确的用公式（１）表示。如图３所示。

１６４２００８，４４（２１）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用

对照图３（ｂ）、（ｄ）后可以看出，按照公式（１）所构造出的人造指纹在对应截面上严格符合正弦波形、规则性好，而原始指纹图像中较为规则的区域在其对应的截面上是对正弦波形的一种近似拟合。由此，可以通过研究规则纹理的基本特征来获得原始指纹图像区域的基本特征，将其应用于指纹图像处理中。

对指纹图像深入分析后发现，在纹理规则的有效指纹图像区域，沿切线方向上的相邻像素灰度值几乎不变，而沿法线方向上的相邻像素灰度值则是呈现递变的一般规律。在梯度上表现为：沿切线方向上的梯度值最小，如果是严格的正弦曲面，其理论值为０；沿法线方向上的梯度值最大。为此，首先沿指纹纹线的切线方向和法线方向分别截取三维指纹图中的一个剖面，理论而言，切线方向上的剖面是一条相对平缓的类直线，而法线方向的剖面则是一个近似规则的正弦波形，如图４所示。

由图４可以看出，不同方向上的剖面图基本符合理论分析结果。从图４（ａ）、（ｂ）可以知道，指纹像素灰度值在沿指纹纹线方向上变化缓慢，图４（ｃ）则表明沿指纹纹线的法线方向上的像素灰度变化基本符合正弦曲线的变化趋势。为此，文中将法线方向上所获得的曲线近似拟合为正弦曲线，则有其一般公式如下：

"

ｚ＝Ｋｓｉｎ

（! ）＋Ｌｙ＝ａｘ＋ｂ

（２）

其中，Ｋ为该正弦波的幅度，Ｌ为该正弦波的整体提升幅度，ｙ＝ａｘ＋ｂ为沿法线方向的直线方程，ａ为由法线方向角度所确定的直线斜率，则对该公式进行整理后得出：

ｚ＝Ｋｓｉｎ（! ｘ）＋Ｌ（３）根据公式（２）可以知道，随着法线角度值的变化，所形成的正弦曲面构成了不同区域的指纹纹理变化。如果局部指纹图像区域严格符合正弦曲面，则根据公式（２）分析可知，该正弦曲面在其切线方向和法线方向上表现出完全不同的性质，切线方向上ｚ值几乎不产生变化，近似一致，而在其法线方向上ｚ值则表现为二维正弦波的递增、递减变化。据此，可以弱化分割指标，实现对指纹图像的分割处理。

３指纹图像分割算法

理论分析可知，有效指纹区域的纹理变化近似符合正弦变

化趋势，而在背景区域或强干扰区域，其纹理变化则不符合这种变化趋势。根据正弦曲面在切线和法线方向上所表现出的不同性质可以定义以下四个分割指标：

ＧＬ１：切线方向相邻像素之间的灰度级差；

ＧＬ２：切线方向上的像素与中心像素之间的灰度差；

ＧＬ３：法线方向上相邻像素之间的灰度级差；

ＧＬ４：法线方向上的像素与中心像素之间的灰度差。

为了判定像素（ｉ，ｊ）是否属于有效指纹区域，首先分别沿指纹纹线的切线方向和法线方向分别选取该像素点的紧邻像素点为其邻域像素集合，这里分别设为ＴＲ（ＴａｎｇｅｎｔＲｅｇｉｏｎ）和ＮＲ

（ＮｏｒｍａｌＲｅｇｉｏｎ）。理想的集合大小为该区域的纹线距离，但由于纹线距离参数的求取并不容易，这里为了简化运算，考虑到实际指纹的纹线距离一般都在［６，１０］区间内，同时考虑到像素的离散特性，本文选取该集合的尺寸为９个像素。

则分别有：ＴＲ＝｛ｔｐ－４，ｔｐ－３，ｔｐ－２，ｔｐ－１，ｔｐ０，ｔｐ１，ｔｐ２，ｔｐ３，ｔｐ４｝

ＮＲ＝｛ｎｐ－４，ｎｐ－３，ｎｐ－２，ｎｐ－１，ｎｐ０，ｎｐ１，ｎｐ２，ｎｐ３，ｎｐ４｝其中，ｔｐ０，ｎｐ０即为所要处理的像素（ｉ，ｊ）的灰度值，ＴＲ，ＮＲ分别

为切线方向和法线方向的邻域像素集合。则分别计算４个分割指标如下：

３

ＧＬ１＝

#

（ｔｐｉ＋１－ｔｐｉ）

（４）ｉ＝－４４

ＧＬ２＝$ｔｐｉ－ｔｐ０）

（５）ｉ＝－４

３

ＧＬ３＝

$

（ｎｐｉ＋１－ｎｐｉ）

（６）ｉ＝－４４

ＧＬ４＝$ｎｐｉ－ｎｐ０）

（７）

ｉ＝－４

由正弦曲面的基本性质可以知道，在其一个周期内，其法线方向上的相邻像素灰度变化之和应为０，法线方向上一个周期内的像素与中心像素的灰度差值的绝对值之和则为一个较大值，而其切线方向上的像素灰度值几乎相等。对于有效指纹区域而言，则有ＧＬ１，ＧＬ２，ＧＬ３的值都较小，ＧＬ４的值相对较大。对背景区域而言，如果是平滑背景区域，则四个分割指标都相对较小，而对于强噪声背景区域而言，由于噪声的无规则性，这四个分割指标则呈现不规则的分布。为此，根据上述的４个分割指标实现有效指纹区域的提取，本文的指纹图像分割算法主要步骤描述如下：

（１）将指纹图像划分为Ｎ×Ｎ大小不重叠的指纹图像块，并计算每块指纹图像区域的方向，这里为了保证后续算法处理的精度要求，分块尺寸一般选取为８，指纹方向信息的求取算法要求精度较高，为此文中选取Ｌ．Ｈｏｎｇ等提出的Ｒａｏ方法，并进一步进行方向信息平滑处理。

（２）分别提取待处理的像素（ｉ，ｊ）在法线方向和切线方向上的邻域像素集ＮＲ和ＴＲ，为了保证后续算法对像素集大小的要求，综合考虑一般指纹图像的实际纹线距离尺寸，这里选择两个像素集合的大小为９。

（３）按照公式（３）￣（６）分别求取待处理像素的４个分割指标ＧＬ１，ＧＬ２，ＧＬ３和ＧＬ４，将其作为像素分类的特征向量Ｘ，则有

Ｘ＝［ＧＬ１，ＧＬ２，ＧＬ３，ＧＬ４］Ｔ

。

詹小四，孟祥旭，尹义龙：

基于纹理分析的指纹图像分割算法

２００８，４４（２１）１６５

（４）采用感知器分类算法实现对向量Ｘ的分类，将所有像素点分为两类：有效指纹图像区域像素和背景图像区域像素。选择以下决策超平面实现对所有指纹图像像素的分类：Ｇ

（Ｘ）＝ＷＴＸ＋ｗ０＝０（８）其中Ｗ＝［ｗ１，ｗ２，ｗ３，ｗ４］Ｔ是权向量，Ｘ＝［ｘ１，ｘ２，ｘ３，ｘ４］Ｔ＝［ＧＬ１，ＧＬ２，ＧＬ３，ＧＬ４］Ｔ是像素分割特征向量，ｗ０是阈值。为了能够准确求取线性分类器所需要的权向量，需要选择一定的训练样本集对该线性分类器进行训练。

（５）将指纹图像分成大小为Ｎ×Ｎ的不重叠块区域，统计每块指纹图像区域内属于有效指纹区域的像素数目Ｓｕｍ，则有

Ｓｕｍ

Ｎ×Ｎ

＞Ｔｈｒｅｓｈｏｌｄ，该块图像区域属于有效指纹图像区域，将其定义为前景区域；否则，该块图像区域被定义为背景区域。本文中分块尺寸Ｋ选择为８，判断阈值Ｔｈｒｅｓｈｏｌｄ选择为０．６，所求值大于该阈值时，则认为噪声强度已超过有效信号强度，被定义为背景区域。

（６）采用低通滤波算法对分割后结果进行滤波，以去除孤立的前景指纹图像区域和背景图像区域。

４实验结果和结论

为了验证所提出的指纹图像分割算法的实际性能，选取公

开数据库－ＢＶＣ２００４公认较难分割的Ｂ库和南京大学ＮＪＵ－

２０００指纹库，分别采用本文算法和经典的基于灰度方差的指纹图像分割算法分别进行分割处理，图５为两种算法对相关指

纹图像进行分割处理的实际分割结果。由分割处理结果可以发现，本文算法对噪声区域的分割结果更加准确，抵抗噪声干扰的能力相对于基于灰度方差的分割结果更为准确。分析可知，局部噪声会引起相应指纹区域的方差累积，从而在局部区域形成较大的方差值，在方差上表现出与有效指纹区域相一致的性质，导致了基于方差的指纹图像分割算法的失败，不能准确地将背景区域从有效指纹图像区域中分割开来。但是，局部噪声并不能形成有效的指纹纹理，并不表现出与有效指纹区域相一致的纹理特性。本文算法正是利用有效指纹区域和背景区域在纹理表现上的不同对其进行分割处理。

为进一步分析本文算法的实际分割效果，文中首先对两幅典型指纹图像进行了人工标注，给出最理想的分割界面，然后采用算法对指纹图形进行实际分割处理，并统计与人工标注结果之间的偏差。图６是对两幅典型指纹图像的手工标注，曲线内是理想分割状态下的有效指纹图像区域。其中图６（ａ）是由一幅带有很强背景噪声的干燥指纹图像，是由电感式活体指纹采集仪所获得的，图６（ｂ）是由光学指纹采集仪所采集到的带有很多汗渍的指纹图像，由于汗渍的影响，背景非常不均匀，容易被错误分割。

通过第２章的分析可知，由于噪声区所形成的区域灰度均值和灰度方差和前景区域近似一致，因此采用基于方差的指纹图像分割算法无法很好地对他们进行分割处理，分割所形成的残留背景很多。同时，基于方向一致性的指纹分割算法［７，９，１０］则由于前景中存在部分粘连、背景中存在残留指纹纹线结构，直接导致了前景区域中方向一致性不强而背景区域中方向一致性相对又很高，从而算法无法有效地对指纹图像进行分割处理。基于纹理的指纹分割算法则深入考察对应区域的纹理特征，综合考虑指纹切线方向和法线方向上的四类分割指标实现对指纹图像的分割处理。为此，本文分别采用基于灰度方差的指纹图像分割算法（算法１）、基于方向图的指纹分割算法（算法２）和提出的基于纹理特征的指纹分割算法（算法３）分别对上述图像进行分割处理，并对照标注图像进行比较分析。为有效说明三种算法的实际分割结果，文中定义了三类性能指标：１）错误背景率

（ＦＢＲ），是指将有效指纹区域错误地分割为背景区域的比率；（２）错误前景率（ＦＦＲ），是指将背景区域错误地分割为有效指纹区的比率；（３）正确分割率（ＳＲＲ），是指对应标注图像完全正确分割区域的比率。对照图６中的标注指纹图像，实际性能指标如表１所示。

表１

三种算法对两幅典型指纹图像的实际分割性能

图像６（ａ）

图像６（ｂ）

ＦＦＲ／％

ＦＢＲ／％ＳＲＲ／％ＦＦＲ／％ＦＢＲ／％ＳＲＲ／％算法１６．７５０．８０９２．４５７．５８０．２９２．２２算法２８．４５１．５２９０．０３３．２５０．０９６．７５算法３

１．２５

０．２０

９８．５５

０．８５

０．２

９８．９５

实验结果表明，相比较传统的基于灰度方差的指纹分割方法，提出的分割方法能够更为准确地实现指纹的分割。对于背景条件比较复杂的指纹图像，具有较好的鲁棒性。在实际的处理过程中，发现该算法仍然有很大的提高空间。首先，如何更为准确地描述指纹纹理特征，并对指纹纹理进行数学建模是算法应该考虑的主要问题。只有在对指纹图像进行更为精确的数学描述的基础上才能更为准确地对指纹图像的相关特征进行分

（下转１７０页）

（

１７０２００８，４４（２１）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用

［９］李效东，顾毓清．基于ＤＯＭ的Ｗｅｂ信息提取［Ｊ］．计算机学报，２００２，

（５）：５２６－５３３．２５

［２］ＡｒｏｃｅｎａＧＯ，ＭｅｎｄｅｌｚｏｎＡＯ．ＷｅｂＯＱＬ：ｒｅｓｔｒｕｃｔｕｒｉｎｇｄｏｃｕｍｅｎｔｓ，

ｄａｔａｂａｓｅｓ，ａｎｄＷｅｂｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１４ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＤａｔａＥｎｇｉｎｅｅｒｉｎｇＯｒｌａｎｄｏ，Ｆｌｏｒｉｄａ，１９９８：２４－３３．［３］ＳａｈｕｇｕｅｔＡ，ＡｚａｖａｎｔＦ．Ｂｕｉｌｄｉｎｇｉｎｔｅｌｌｉｇｅｎｔｗｅｂａｐｐｌｉｃａｔｉｏｎｕｓｉｎｇ

ｌｉｇｈｔｗｅｉｇｈｔｗｒａｐｐｅｒｓ［Ｊ］．ＤａｔａａｎｄＫｎｏｗｌｅｄｇｅＥｎｇｉｎｅｅｒｉｎｇ，２００１，３６（３）：２８３－３１６．

［１０］ＬｉｕＬ，ＰｕＣ，ＨａｎＷ．ＸＷＲＡＰ：ａｎＸＭＬ－ｅｎａｂｌｅｗｒａｐｐｅｒｃｏｎｓｔｒｕｃ－

ｔｉｏｎｓｙｓｔｅｍｆｏｒＷｅｂｉｎｆｏｒｍａｔｉｏｎｓｏｕｒｃｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１６ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＤａｔａＥｎｇｉｎｅｅｒｉｎｇ，ＳａｎＤｉｅｇｏ，Ｃａｌｉｆｏｒｎｉａ，２０００：６１１－６２１．

［１１］ＢａｕｍｇａｒｔｎｅｒＲ，ＦｌｅｓｃａＳ，ＧｏｔｔｌｏｂＧ．ＶｉｓｕａｌＷｅｂ

ｉｎｆｏｒｍａｔｉｏｎｅｘ－

ｔｒａｃｔｉｏｎｗｉｔｈＬｉｘｔｏ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２６ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ－ｆｅｒｅｎｃｅｏｎＶｅｒｙＬａｒｇｅＤａｔａｂａｓｅＳｙｓｔｅｍｓ，Ｒｏｍｅ，Ｉｔａｌｙ，２００１：１１９－１２８．（６）：７８－８１．［１２］李晶，陈恩红．Ｗｅｂ信息抽取［Ｊ］．计算机科学，２００３，３０

［４］ＣｒｅｓｃｅｎｚｉＶ，ＭｅｃｃａＧ，ＭｅｒｉａｌｄｏＰ．ＲｏａｄＲｕｎｎｅｒ：ｔｏｗａｒｄｓａｕｔｏｍａｔｉｃ

ｄａｔａｅｘｔｒａｃｔｉｏｎｆｒｏｍｌａｒｇｅＷｅｂｓｉｔｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２６ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＶｅｒｙＬａｒｇｅＤａｔａｂａｓｅＳｙｓｔｅｍｓ，Ｒｏｍｅ，Ｉｔａｌｙ，２００１：１０９－１１８．

［５］ＳｏｄｅｒｌａｎＳ．Ｌｅａｒｎｉｎｇｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｒｕｌｅｓｆｏｒｓｅｍｉ－ｓｔｒｕｃ－

（１－３）：２３３－２７２．ｔｕｒｅｄａｎｄｆｒｅｅｔｅｘｔ［Ｊ］．ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，１９９９，３４

［１３］ＭｕｓｌｅａＩ．Ｅｘｔｒａｃｔｉｏｎｐａｔｔｅｒｎｓｆｏｒｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｔａｓｋｓ：ａ

Ｓｕｒｖｅｙ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＡＡＡＩ－９９ＷｏｒｋｓｈｏｐｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇｆｏｒＩｎｆｏｒｍａｔｉｏｎＥｘｔｒａｃｔｉｏｎ，Ｏｒｌａｎｄｏ，Ｆｌｏｒｉｄａ，１９９９：１－６．［１４］Ｆｒｅｉｔａｇ

Ｄ．ＩｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｆｒｏｍＨＴＭＬ：ａｐｐｌｉｃａｔｉｏｎｏｆａ

ｇｅｎｅｒａｌｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｐｐｒｏａｃｈ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１５＇ｔｈ（ＡＡＡＩ－９８），Ｍａｄｉ－ＮａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ

［６］ＣａｌｉｆｆＭＥ，ＭｏｏｎｅｙＲＪ．Ｒｅｌａｔｉｏｎａｌｌｅａｒｎｉｎｇｏｆｐａｔｔｅｒｎ－ｍａｔｃｈｒｕｌｅｓ

ｆｏｒｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｏｆｔｈｅ１６ｔｈＮａｔｉｏｎａｌＣｏｎ－ｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅａｎｄ１１ｔｈＣｏｎｆｅｒｅｎｃｅｏｎＩｎｎｏｖａ－ｔｉｖｅＡｐｐｌｉｃａｔｉｏｎｓｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，Ｏｒｌａｎｄｏ，Ｆｌｏｒｉｄａ，１９９９：３２８－３３４．

［７］ＫｕｓｈｍｅｒｉｃｋＮ，ＷｅｌｄＤＳ，ＤｏｏｒｅｎｂｏｓＲ．Ｗｒａｐｐｅｒｉｎｄｕｃｔｉｏｎｆｏｒｉｎ－

ｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ［Ｃ］／／１５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＡｒ－（ＩＪＣＡＩ－９７），Ｎａｇｏｙａ，Ａｕｇｕｓｔ１９９７．ｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ

ｓｏｎ，Ｗｉｓｃｏｎｓｉｎ，Ｊｕｌｙ１９９８．

［１５］林亚平，刘云中，周顺先，等．基于最大熵的隐马尔可夫模型文本信

息抽取［Ｊ］．电子学报，２００５．

［１６］ＰａｔｗａｒｄｈａｎＳ，ＲｉｌｏｆｆＥ．Ｌｅａｒｎｉｎｇｄｏｍａｉｎ－ｓｐｅｃｉｆｉｃｉｎｆｏｒｍａｔｉｏｎｅｘ－

ｔｒａｃｔｉｏｎｐａｔｔｅｒｎｓｆｒｏｍｔｈｅＷｅｂ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｏｆｔｈｅＷｏｒｋｓｈｏｐｏｎＩｎｆｏｒｍａｔｉｏｎＥｘｔｒａｃｔｉｏｎＢｅｙｏｎｄＴｈｅＤｏｃｕｍｅｎｔ，Ｓｙｄｎｅｙ，Ｊｕｌｙ２００６：６６－７３．

［８］ＨｓｕＣ－Ｎ，ＤｕｎｇＭ－Ｔ．Ｇｅｎｅｒａｔｉｎｇｆｉｎｉｔｅ－ｓｔａｔｅｔｒａｎｓｄｕｃｅｒｓｆｏｒｓｅｍｉ－

ｓｔｒｕｃｔｕｒｅｄｄａｔａｅｘｔｒａｃｔｉｏｎｆｒｏｍｔｈｅＷｅｂ［Ｊ］．ＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｓ，１９９８，（８）：５２１－５３８．２３

（上接１３２页）

［１３］ＬｏｎｇＦ，ＤｉｎｇＣ．Ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｂａｓｅｄｏｎｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ：

ｃｒｉｔｅｒｉａｏｆｍａｘ－ｄｅｐｅｎｄｅｎｃｙ，ｍａｘ－ｒｅｌｅｖａｎｃｅ，ａｎｄｍｉｎ－ｒｅｄｕｎｄａｎｃｙ［Ｊ］．ＩＥＥＥＴｒａｎｓＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄ（８）：１２２６－１２３８．

ｔｅｃｈｎｉｑｕｅｓｆｏｒｉｍｐｒｏｖｉｎｇｃｌａｓｓｉｆｉｃａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ（５）：８２３－８７０．ＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００７，２８

［１６］ＣｈａｎｇＣｈｉｈ－Ｃｈｕｎｇ，ＬｉｎＣｈｉｈ－Ｊｅｎ．ＬＩＢＳＶＭ：ａｌｉｂｒａｒｙｆｏｒｓｕｐｐｏｒｔ

（２００７）．ｈｔｔｐ：／／ｗｗｗ．ｃｓｉｅ．ｎｔｕ．ｅｄｕ．ｔｗ／￣ｃｊｌｉｎ／ｖｅｃｔｏｒｍａｃｈｉｎｅｓ［ＥＢ／ＯＬ］．

ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００５，２７

ｌｉｂｓｖｍ．

［１７］ＢｕｒｇｅｓＣＪＣ．ＡｔｕｔｏｒｉａｌｏｎＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓｆｏｒｐａｔｔｅｒｎ

（２）：ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＤａｔａＭｉｎｉｎｇａｎｄＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙ，１９９８，２

! ｏＨ，ＣａｅｔａｎｏＭ，Ｐ．Ｇｏｎｃａｌｖｅｓ．Ｍｅｒｉｓｂａｓｅｄｌａｎｄｃｏｖｅｒｃｈａｒ－［１４］Ｃａｒｒａ

・

ａｃｔｅｒｉｚａｔｉｏｎ：ａｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＡＳＰＲＳｉｎｔｅｒ－（ＮＶ，ＵＳ），Ｍａｙ２００６．ｎａｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅ，Ｒｅｎｏ

１２１－１６７．

［１８］王亚东，郭茂祖，钱国良．一种基于信息增益与费用评价函数的特

征选择准则［Ｊ］．计算机研究与发展，１９９９，３６（７）：７８８－７９３．

［１５］ＬｕＤ，ＷｅｎｇＱ．Ａｓｕｒｖｅｙｏｆｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓａｎｄ

（上接１６５页）

析、提取。其次，文中算法对各类噪声的抗干扰能力需要进行深入测试，在此基础上可以针对不同图像噪声对算法进行适当的最后，需调整，以更好地适应指纹分割算法对噪声的适应能力。要更为有效、合理地评价算法性能，针对指纹图像处理算法对细节特征的保持能力和抗噪能力等性能指标综合评价算法的整体性能。

［４］ＭｅｈｔｒｅＢＭ，ＭｕｒｔｈｙＮＮ，ＫａｐｏｏｒＳ，ｅｔａｌ．Ｓｅｇｍｅｎｔａｔｉｏｎｏｆｆｉｎｇｅｒ－

ｐｒｉｎｔｉｍａｇｅｓｕｓｉｎｇｔｈｅｄｉｒｅｃｔｉｏｎａｌｉｍａｇｅｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，（４）：４２９－４３５．１９８７，２０

［５］ＭｅｈｔｒｅＢＭ，ＣｈａｔｔｅｒｊｅｅＢ．Ｓｅｇｍｅｎｔａｔｉｏｎｏｆｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅｓ－ａ

ｃｏｍｐｏｓｉｔｅｍｅｔｈｏｄ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，１９９５，２８：１６５７－１６７２．［６］ＹｉｎＹＬ，ＹａｎｇＸＫ，ＣｈｅｎＸ，ｅｔａｌ．Ｍｅｔｈｏｄｂａｓｅｄｏｎｑｕａｄｒｉｃｓｕｒ－

ｆａｃｅＭｏｄｅｌｆｏｒｆｉｎｇｅｒｐｒｉｎｔｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，ｄｅｆｅｎｓｅａｎｄｓｅｃｕｒｉ－ｔｙ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆＳＰＩＥ，２００４，５４０３：４１７－３２４．

［７］耿茵茵，唐良瑞．指纹图像分级分割算法［Ｊ］．北方工业大学学报，

（３）．２０００，１２

参考文献：

［１］ＪａｉｎＡＫ，ＵｌｕｄａｇＵ，ＨｓｕＲＬ．Ｈｉｄｉｎｇａｆａｃｅｉｎａｆｉｎｇｅｒｐｒｉｎｔｉｍ－

ａｇｅ［Ｃ］／／ＰｒｏｃＩＣＰＲ，ＱｕｅｂｅｃＣｉｔｙ，２００２：７５６－７５９．

［２］詹小四．验证模式下的自动指纹识别系统中若干关键问题的研究［Ｄ］．

南京大学，２００３．

［８］冯星奎，颜祖泉，兴明，等．指纹图象合成分割法［Ｊ］．计算机应用研

究，２０００，１（１）：７６－７７．

［９］黄贤武，苏鹏程，柏培权．基于方向滤波分割的指纹自动识别系统算

法［Ｊ］．中国图象图形学报，２００２，７Ａ（８）．

［３］ＪａｉｎＡＫ，ＨｏｎｇＬ，ＢｏｌｌｅＲ．Ｏｎ－ｌｉｎｅｆｉｎｇｅｒｐｒｉｎｔｖｅｒｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥ

Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｎ

Ｐａｔｔｅｒｎ

Ａｎａｌｙｓｉｓ

ａｎｄ

Ｍａｃｈｉｎｅ

Ｉｎｔｅｌｌｉｇｅｎｃｅ，

（４）：３０２－３１４．１９９７，１９

［１０］贾则，戴荣涛，张芬，等．基于连续分布方向图的指纹图像分割算法

研究［Ｊ］．微电子学与计算机，２００７，２４（１２）：１４１－１４３．