基于SoPC的低质量指纹图像预处理算法研究与实现

摘  要： 针对指纹质量的差异性，提出一种带有多指标质量判别的增强预处理方法,融合空域和小波域上的指标对指纹进行干、湿和质量好坏的分类，对可恢复的低质量指纹进行基于小波变换的增强预处理。算法通过Matlab进行验证。
   关键词： 质量评估；多指标融合；低质量指纹；小波变换；SoPC
       对于干、湿、老化和磨损严重的手指，现有的采集器往往难以得到清晰的指纹图像，提取出的特征点准确率很低，直接影响后继算法可靠性和识别准确性，故对指纹进行质量判别十分必要。
     目前大多数指纹图像质量围绕脊、谷清晰度以及特征的可提取性来评价，Shen等[1]用各个方向Gabor特征的标准差评估指纹质量，Lim等[2]用梯度矩阵的特征值评估局部纹线方向的确定程度，T.Chen[3]提出计算脊、谷清晰度的方法，以上工作皆是对局部图像块的分析，缺乏全局性。Bongku Lee等[4]提出基于全局分析的傅里叶谱方法判断指纹图像质量，但缺乏局部分析。对于判断出的低质量指纹，由于噪声过大，不适宜直接进行Gabor滤波处理，因此Wen等[5]提出小波域的Gabor滤波增强方法。
     针对指纹质量的差异性问题，本文提出带有多指标质量判别的增强预处理流程，利用Matlab进行算法验证，并搭建基于SoPC技术的嵌入式平台实现。首先对指纹进行空域和小波域上的评价，然后对判断的低质量指纹进行基于小波变换的增强预处理，在小波域利用低频系数估计指纹方向，抑制指纹局部过干或过湿的影响，有效修复低质量指纹。
1 指纹质量评测及增强算法
1.1 质量判断
1.1.1 灰度分布
     利用方差法判断背景区域并将其去除，计算剩余指纹区域的均值mean(I)和方差Var(I)。为便于量化，对这两个指标分别赋予分值Q1和Q2。
  
   图2(b)中分数分布可见该评测方法能对指纹进行有效区分，图2(a)对区分出的劣质指纹进行干、湿指纹划分，效果明显。
   

   
   1.2 低质量指纹增强处理
     对判断出的低质量指纹进行增强，小波多尺度分析能将指纹图像分解成低频子图和高频子图。低频子图的小波系数分布能很好地反映原始图像的纹理分布。
     Gabor函数具有方向选择性和频率选择性，采用Gabor函数能将指纹的脊线和谷线结构不失真地保留。利用低频子图的方向和频率，对分解后的低频子图进行Gabor滤波。对保留指纹图像水平和垂直方向信息的高频子图，利用一维Gabor滤波器进行滤波；而对角高频子图，只需要进行阈值去噪即可。图3所示为对几种滤波算法进行比较的效果图。
     目前图像增强算法很多，但不同算法对不同纹理滤波效果不一样,大部分都是针对质量较好的指纹图像。由图3可见，本文方法可使疤痕得到很好的修复。
2 基于SoPC的系统实现
2.1 系统构架
     本文采用SoPC系统来实现指纹的质量判别和低质量指纹的增强预处理，系统框图如图4所示。
   
   2.2 系统实现
     输入指纹通过不同指标判断的结果在Nios的控制台上进行显示，质量分数Q和最后的综合结果在LCD上显示，如图5所示。设置阈值判断该指纹是否为可恢复的低质量指纹，若是则进行基于小波变换的Gabor滤波处理并启动VGA进行显示，如图6所示。