一种基于人工免疫遗传和形态学的指纹图像分割方法

摘要

一种基于人工免疫遗传和形态学的指纹图像分割方法，属于图像处理技术领域。本发明利用人工免疫遗传的方法来计算最佳分割阀值，算法集免疫机制与进化机制为一体，吸收了遗传算法并行搜索的优点，并通过“疫苗接种”和“疫苗选择”，能在快速搜索的基础上有效的防止群体退化的现象产生，将基于灰度和梯度分布的分割方法中的指纹图像灰度值一致性和抗体浓度作为抗体的亲和力函数，进行遗传迭代，产生最优抗体，因此能够有效的分割指纹图像，具有分割效果好、鲁棒性高的特点，并且运算量较小、耗时较短，能达到实时指纹识别的要求。

主权项

1.一种基于人工免疫遗传和形态学的指纹图像分割方法，包含下述步骤：步骤1：对原始采集的指纹图像gray进行灰度值的归一化，以减小指纹脊线和谷线之间的灰度变化范围，具体包括：步骤1-1：计算指纹图像gray的灰度平均值Mean和灰度方差Var：$\mathrm{Mean}=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}\mathrm{gray}(i,j)$$\mathrm{Var}=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{(\mathrm{gray}(i,j)-\mathrm{Mean})}^2$其中，gray(i，j)表示指纹图像gray中像素点(i，j)处的灰度值，1≤i≤M，1≤j≤N，M为指纹图像gray上一维横向上的像素点个数，N为指纹图像gray上一维纵向上的像素点个数，MN为指纹图像gray总的像素点个数；步骤1-2：对指纹图像gray进行灰度值归一化，得到待分割指纹图像gray1；其中gray1(i，j)为待分割指纹图像gray1中像素点(i，j)点的灰度值，Mean为步骤1-1中计算所得的灰度平均值；Var为步骤1-1中计算所得的灰度方差；M₀为事先确定的一个灰度值；VAR₀为事先确定的一个灰度方差；步骤2：用基于人工免疫遗传的方法计算步骤1所得指纹图像gray1的最佳分割阀值，具体步骤如下：步骤2-1：把待分割指纹图像gray1视为抗原进行编码，即把待分割指纹图像gray1所有像素点的像素值按逐行或逐列的方式排列在一起，组成一个一维向量Anti；步骤2-2：随机产生N1个长度为M1的初始抗体，每个初始抗体的元素值为[0，255]之间的整数，并确定人工免疫遗传的最大迭代代次数GM；步骤2-3：计算所有初始抗体对抗原的亲和力即抗体的适应度，抗体的适应度F用所分割区域的一致性度量函数G的加权和来表示：$F=\frac{1}{M_1}\underset{j=1}{\overset{M_1}{\Sigma }}{W}_j\left(p_j\right)*G_j$1≤j≤M1，其中$G=\frac{\underset{j=1}{\overset{M1}{\Sigma }}{(m_i-m_j)}^2}{M1*{\sigma }_i^2}$1≤i，j≤M1，且i≠j1而其中，表示为分割区域r_i的灰度方差值，抗体长度M1同时表示分割区域r_i的个数，m_i和m_j分别表示为分割区域r_i和r_j的平均灰度值，p_j为当前分割区域的面积，W_j(p_j)为为分割区域的面积加权系数，为所有分割区域中最小区域的面积，β为所有分割区域中最大区域的面积；步骤2-4：把N1个抗体适应度函数F按从大到小或从小到大的顺序排列起来，若迭代次数达到最大迭代次数GM，则将抗体适应度函数F最大的抗体作为最佳适应度抗体输出，否则执行下步骤2-5；步骤2-5：计算抗体集合中抗体的选择概率p_s(k)，然后用轮盘赌选择法提取所需要的抗体；$p_s\left(k\right)=\alpha \times c\times |1-\frac{F_k}{F_{\max }}|+\beta \times \frac{F_k}{F_{\max }}$1≤k≤N1$P=\underset{k=1}{\overset{N_1}{\Sigma }}{P}_s\left(k\right)$$S\left(k\right)=\underset{j=1}{\overset{k}{\Sigma }}\frac{P_s\left(k\right)}{P}$其中α和β是根据经验规定的调节因子，c表示抗体的浓度，即相同抗体在总抗体中所占的比例，F_k是单个抗体的适应度函数，F_max是抗体集合中的最大适应度函数，P是总的选择概率，S(k)是第k个抗体的累积选择概率；随机产生N1个[0，1]之间的数，对每一个[0，1]之间的随机数，若该随机数小于或者等于第k个抗体的累积概率并且大于第k-1个抗体的累积概率，则选择第k个抗体，总共选择N1个抗体并转入步骤2-6；步骤2-6：先对步骤2-5中N1个抗体随机配对进行交叉操作：$\left\{\begin{array}{c}{x}_i^{\prime }=x_i+r_1(x_i-y_j)\\ y_j^{\prime }=y_j+(1-r_1)(x_i-y_j)\end{array}\right.$1≤i，j≤N1，且i≠j1再利用交叉所得的N1个中间抗体做变异操作：x″_i＝x′_i+r₂(xmax-x′_i) 1≤i≤N1，其中x_i和y_j表示进行交叉操作的两个父代抗体，r₁代表交叉选择概率，r₂代表遗传选择概率，xmax表示父代中适应度最大的抗体；x′_i和y′_j表示交叉操作所产生的中间抗体；x″_i表示变异操作所产生的子代抗体；步骤2-7：计算所有子代抗体x″_i的适应度，若某个子代抗体的适应度小于父代抗体x_i的适应度，则用其对应的父代抗体取代该子代抗体，得到一个新的抗体集合，迭代次数加一后返回步骤2-4；步骤3：利用步骤2-4最终输出的最佳适应度抗体，即最优分割阀值对原始采集的指纹图像gray进行多阀值分割，得到初步的分割结果gray2：步骤4、用形态学的方法处理分割后得到的区域，以消除细小毛刺和填补细小空洞，并得到最终的指纹分割图像。具体方法是：先对分割结果gray2的所有分割区域进行开操作，以消除细小的毛刺；再对所有分割区域进行闭操作，以填补细小的空洞；通过以上步骤，就能得到最终的指纹分割图像。