指纹图像分割概述
指纹图像分割作为自动指纹识别系统中第一步（除图像采集外），主要目的是分离出指纹前景区域（指纹区域）和背景区域（非指纹区域）。指纹图像分割将无效区域去除，不仅能提高指纹特征提取的准确度，还能大大降低后续步骤的处理时间。本章首先介绍指纹分割方面相关工作，再提出一种基于复合窗口光谱图像验证与认证（SpectralImageValidationandVerification，SIVV）特征的指纹图像分割算法，具有抗噪能力强、鲁棒性好、能够兼顾分割精度和运算时间的特点。
指纹分割问题可看成一个二分类问题，分类效果很大程度依赖于选取的特征和分类算法的设计。目前大多数的指纹分割算法是通过对指纹提取一种或多种特征，再设计合适的分割算法，实现对指纹图像分割。常用的特征有灰度值统计特征、方向场特征、频率特征、纹线特征等。Chen等采用块聚类度、灰度均值、灰度方差特征，唐良瑞等利用灰度均值、灰度方差和方向一致性特征来分割图像。梅园等提出有效点聚集度特征，并提出一种综合有效点聚集度及块聚集度[22]的指纹图像分割算法。Fernando等提出一种基于8个方向Gabor响应的分割方法。樊冬进等[26]发现在分块尺度小于脊线宽度时，利用方差梯度与方差组合进行分割能取得更好的效果。
指纹图像有明显的纹理特征，空域不能很好地提取出指纹图像纹理特征。同时指纹图像由于采集设备和指纹表面清洁度，以及设备自身性能等原因，会产生大量噪声，导致指纹背景区域的灰度方差值变大、一致性降低，不利于用方差、一致性等方法进行分割。SIVV[20]特征由于能够很好地反应指纹的纹理特征，并对噪声具有很强的鲁棒性，最初被用来区分指纹图像和非指纹图像。Guan等用SIVV特征曲线如图来评估潜指纹图像质量。
本文将这一特征引入指纹图像分割中，提出一种基于SIVV特征的指纹图像分割算法。
