专利名称：微观图像特征提取及识别的方法
技术领域：
本发明属于图像处理技术领域，特别涉及微观图像的特征提取及特征识别。
有关图像边缘检测的常见方法有微分算子法；样板匹配法；边界及曲线增强技术，如叠代法边界探测，松弛法边界增强，或利用参数空间，对边缘象素按照边界或曲线参数做聚合；连续小波边缘检测；边缘聚焦；纹理边缘检测；神经网络边缘检测等。
微分算子法是利用不同形式的微分算子，计算各象素灰度的空间导数，给出微分锐化图像。如梯度算子G(i，j)＝Δxf(i，j)2+Δyf(i，j)2(1)Laplacian算子G(i，j)＝Δ2xf(i，j)+Δ2yf(i，j) (2)＝f(i+1，j)+f(i-1，j)+f(i，j+1)-f(i，j-1)其中f(i，j)为点(i，j)处的灰度值。微分算子法主要是针对灰度图像，突出边缘特征，处理后的图像虽然边缘增强了，但是各边缘的灰度级仍不统一，背景的干扰仍然存在，难于自动识别边界。微分算子法难以确定边界的位置，虽然处理后的图像人眼看上去边界比较明显，但是计算机自动识别边界比较困难。
样板匹配法利用理想的微小边缘区域构成边缘样板，探测图像中各个象素与样板的匹配程度，给出边缘图像。如方向样板，可以检测出不同方向上的边缘。但对于具有随机特征的边缘图像，不可能预先制作样板。
边界及曲线增强技术在边缘探测的基础上利用象素的邻域信息对象素做增强，或利用参数空间对边缘象素按照边界或曲线参数做聚合，这样处理后的图像具有同微分算子处理结果相似的特征，边缘位置难于自动识别。连续小波边缘检测和边缘聚焦也具有类似的弱点。
纹理边缘检测法要求对象和背景具有不同的纹理，因此也不适合直接应用于随机图像。至于神经网络边缘检测法，虽然目前已有许多算法都可以转化为神经网络实现，但并未反应出神经网络系统的本质，真正构造模仿生物视觉系统的特征检测方法还有待进一步的研究，这方面至今也没有现成的有效的方法。
本发明提出一种微观图像的特征提取及识别的方法，它包括微观图像特征的提取和特征的识别两部分，其特征在于所说的微观图像的特征提取包括以下步骤；1)对特定的图像进行放大成为微观模拟图像，2)对该微观图像进行数字化处理成为数字化图像，3)将该数字化图像二值化成为二值化图像，4)对该二值化图像进行边缘位置的特征提取，5)以及对该特征进行归一化处理并保存特征样板；；所说的微观图像的识别包括包括以下步骤1)对待识别的图像进行微观放大成为微观模拟图像，2)对该微观图像进行数字化处理成为数字化图像，3)将该数字化图像二值化成为二值化图像，4)对该二值化图像进行边缘位置的特征提取，5)以及将该特征与存储的特征样板进行比较，判断该待识别图像的真伪。
本发明的原理及特点本发明的主要贡献是发现了图像的微观随机特征特性，并以此特性作为本发明的特征提取和特征识别方法的基础，使其方法简单可靠。
本发明涉及的图像是指用复制或非复制手段形成在图像载体(例如纸)上的一切线条、点、文字和图像。经研究发现，图像的边缘或内部特征、尤其是图像微观上的边缘或内部特征呈现一种随机的性质。如
图1所示，图1(a)是两条宽度为0.3mm的相同直线1、2的宏观图，图1(b)为两直线左端部11、21局部的微观放大图，可以看出，两图的端部轮廓形状在微观状态下完全不一样，且两者的边缘相关度很低。还可看出，图像边缘点的分布是随机的，没有规律性可言。另外，这些线条在宏观上是连续的，但是在微观上却不是，线条中有很多的不连续区域，其分布也是随机的。
由于这些边缘点和内部不连续区域的分布都是随机的，任何两幅这样的图像，其边缘重合的可能性很低，内部区域相同的可能也很低。这种图像边缘点随机分布的规律是唯一的，任何两幅图像都不相同。微观图像边缘轮廓的这种随机性和唯一性可用作为图像的特征，本发明正是基于图像的这一特征用作为对图像识别的方法基础。
本发明的图像特征的提取方法主要包括对图像边缘轮廓的检测与特征提取以及特征样板的生成和保存，特征的识别则首先采用与特征提取过程相同的步骤来提取被识别图像的特征，然后将该特征与所保存的特征样板进行比较，给出识别结果。
图2为本发明的图像特征提取流程图。
图3为本发明的图像特征识别流程图。
图4为图1中的微观图像二值化处理的结果。
图5为边缘位置信息的提取方法及结果。
图6为旋转图像说明图。
下面以对图1中的两条直线进行比较作为一种实施例对本发明的特征提取和特征识别的各步骤进行详细说明。一、特征提取将直线1通过光学系统放大成微观图像，用图像采集设备对该微观图像进行采集成为灰度数字图像11；将该灰度数字图像输入到计算机中，根据预先确定的一个阈值对其进行二值化处理，将该灰度数字图像变换为黑白二值(0和1)图像。
本发明提出一种阈值选取方法，如式(3)所示，pT＝pmin+α(pmax-pmin) (3)其中pT为选取的阈值；pmin为图像中最小灰度值；pmax为最大灰度值；α为常数，可根据实验结果确定。α选取的原则是二值化后的图像能将有用信息与背景分开，并不损失边缘信息。对某一类图像做实验，改变α的大小，根据二值化的结果选取一个合适的数值，使其达到上述要求。该法确定的阈值具有随光强变化而自动调节阈值大小的特点。
图4是图1(b)利用式(3)二值化处理后的图像，可以看到，二值化后的两直线图像13、23的边缘信息明显，而且两者的边缘相关度很低。
在对图像作过二值化处理后就可对该二值化图像进行边缘位置的随机特征信息提取。具体方法是沿二值化图像的每行从左向右搜索，当遇到灰度值为0的点时停止搜索，并将这个点作为边缘点，记下其位置信息xi(图像左上角为坐标轴原点，x轴向右为正，y轴向下为正)，作为提取的位置信息；这种方法实际上是将每行最左边的黑点当作是边缘点。
对不同的线条，由于其宽度不同，边缘点数也就不同，如果将左边缘的所有点的位置信息都提取保存，保存的数据数目就不相同，这样不便于比较和统一，而且寻找边缘的上下起始点比较困难。所以在本优选实施例中，截取左边缘中间一部分的信息加以保存，即提取纵坐标介于ya和yb之间的边缘信息。如图5(a)所示，直线A和B所在位置的纵坐标分别为ya和yb，从第ya行到第yb行，分别从左向右搜索，得到每行的边缘位置坐标xa，...，xi，...xb。图5(b)是根据坐标值xa，...，xi，...xb画出的边缘轮廓图形。
然后对上述坐标值进行归一化处理，方法是比较这些边缘点位置坐标的大小，找出其中的最小值xn，将每个坐标值xi都减掉这个最小值，得到新的数据xa-xn，...，xi-xn，...xb-xn，保存这些新的数据作为识别时的特征样板。二、特征识别，识别时，首先用与上述特征提取相同的步骤提取待检验图像的随机特征信息，然后与事先保存的特征样板进行比较。
比较识别实际上是比较当前图像和已保存的原始图像的边缘点位置是否一致，如果在误差允许范围内吻合，识别结果就为“真”，否则为“伪”。
在比较识别时，由于前后环境等的影响，所有的数据不可能完全重合，所以要根据具体的要求和实验结果，确定一个最大误差限。只要识别结果满足这个要求，就识别通过，否则识别失败。这个最大误差限应满足两个要求一、不能出现误判，将假的图像识别为真；二、识别率高，即真的图像识别为伪的概率很低甚至为零。
本实施例的识别过程详细说明如下图5中，A和B的y轴坐标值分别为ya和yb，因此采集的边缘点的总数为(yb-ya+1)。
在进行图像识别时，首先按照与图像特征提取相同的步骤提取待识别样本直线2的左边缘特征(yb-ya+1个特征数据)，然后进行归一化坐标处理，这样可以避免样本左右移动带来的位置影响。接着读取已经保存的模板数据，然后按照最大误差限的准则(式(4)和式(5))进行比较识别。
新得到的图像边缘虽然与原边缘形状类似，但由于采集条件等的影响，不可能与原来的边缘完全重合，因此在识别时，规定一个最大偏差值xi，每个边缘点只要满足式(4)，就认为边缘是重合的。
|xs-xm|≤xi(4)其中xs为保存的特征样板数据；xm为当前检测到的数据；xi为允许的最大偏差。xi选取的原则应能防止误判，又要能识别出真正的物体。在优选实施例中，xi的取值为3。根据图像的质量和大量的实验结果，xi可以作微小的波动，关键是在防止误判的前提下，尽量提高识别率。
只要最后的比较结果满足式(5)，就认为其边缘是重合的，识别结果为“真”。
Nc≥Ni×p (5)其中Nc为满足式(4)的边缘点的总数；Ni为总的数据个数(yb-ya+1)；p为需要满足的准确率，在优选实施例中，p的取值为90％。p的取值越大，误判率越低，但会降低识别率；p的取值越小，识别率越高，但有可能出现误判。应根据大量的实验，确定某一类样本的p值，在不出现误判的前提下，提高识别率。
图像特征提取和特征识别时，样本摆放的位置总会有上下左右和角度的偏差，因此要对图像作旋转和平移。
如果直接比较的结果为“真”，结束比较过程；如果直接比较的结果为“伪”，则进行平移比较。
检测得到y坐标从ya-n到yb+n、共yb-ya+2n+1个边缘点的位置信息xa-n，...，xa，...，xb...，xb+n，其中n为整数，是需要上下移动的量。在比较时，从中依次选取yb-ya+1个数值，与保存的特征样板进行比较。这样，共有2n+1组数据，他们分别是xa-n～xb-n，xa-n+1～xb-n+1，...，xa～xb，...，xa+n-1～xb+n-1和xa+n～xb+n，每一组数据都看作y坐标是从ya到yb，与特征模板数据进行比较。只要其中有一组数据满足式(5)，就认为边缘是重叠的，识别结果为“真”。平移比较实际上包含了直接比较的过程。
如果平移比较的结果为“真”，结束比较过程；否则进行旋转比较。
旋转比较是先将整个图像旋转一个角度，然后再进行平移比较。
如图6所示，A点和B点在同一坐标系中的坐标分别为(x，y)和(x0，y0)，OA相对于OB旋转一个角度θ，则二者的坐标有如下关系式
x＝x0cosθ-y0sinθy＝x0sinθ+y0cosθ(6)在旋转图像时，首先确定一个角度步长α，然后将整个图像根据式(6)旋转角度α或-α，接下来进行平移比较，如果比较结果为“真”，结束比较；如果识别结果为“伪”，再将原图像旋状2α和-2α，进行平移比较。若比较结果为“真”，结束比较；若识别结果为“伪”，再将原图像旋转3α和-3α、......nα和-nα，并分别进行平移比较。如果到旋转角度为nα和-nα时，仍没有识别成功，输出识别结果“伪”，结束识别过程。
权利要求
1.一种微观图像的特征提取及识别的方法，它包括微观图像特征的提取和特征的识别两部分，其特征在于所说的微观图像的特征提取包括以下步骤；1)对特定的图像进行放大成为微观模拟图像，2)对该微观图像进行数字化处理成为数字化图像，3)将该数字化图像二值化成为二值化图像，4)对该二值化图像进行边缘位置的特征提取，5)以及对该特征进行归一化处理并保存特征样板；所说的微观图像的识别包括包括以下步骤6)对待识别的图像进行微观放大成为微观模拟图像，7)对该微观图像进行数字化处理成为数字化图像，8)将该数字化图像二值化成为二值化图像，9)对该二值化图像进行边缘位置的特征提取，10)以及将该特征与存储的特征样板进行比较，判断该待识别图像的真伪。
2.如权利要求1所述的微观图像特征提取及识别的方法，其特征在于所说的边缘位置的特征提取的方法，具体包括沿二值化图像的每行从左向右搜索，当遇到灰度值为0的点时停止搜索，并将这个点作为边缘点，记下其位置的坐标信息xi，作为提取的位置信息；选取设定行数的位置信息作为特征样板其中，图像左上角为坐标轴原点，x轴向右为正，y轴向下为正。
3.如权利要求1所述的微观图像特征提取及识别的方法，其特征在于所说的归一化处理方法为提取设定行数的位置坐标信息xi，比较所有的坐标信息xi的大小，找出其中的最小值xn，将每个坐标值xi都减掉这个最小值，得到新的数据xi-xn保存这些新的数据作为识别时的特征样板。
4.如权利要求1所述的微观图像特征提取及识别的方法，其特征在于所说的将待识别图像的特征与存储的特征样板进行比较的方法，包括以下步骤；1)确定最大误差限准则；2)首先将待识别图像的特征与存储的特征样板进行直接比较，若其满足所说的最大误差限准则，识别结果为“真”则结束；3)若识别结果为“伪”，则使待识别图像的特征相对平移，再进行比较，识别结果为“真”则结束；4)若识别结果为“伪”，则使待识别图像的特征相对旋转，再进行步骤3)的平移比较，得到识别结果。
全文摘要
本发明属于图像处理技术领域,为一种微观图像的特征提取和识别方法,包括对微观图像特征的提取和特征的识别两部分。其中:微观图像的特征提取包括对图像的微观放大、将模拟的微观图像数字化后,用二值化的方法处理,采取归一化坐标来表征数字化图像边缘的位置信息,以及对该信息的再处理及样板保存;微观图像的识别则包括对待识别的图像进行微观放大、该微观图像的数字化、对该数字化图像进行边缘位置的信息提取,以及将该信息与存储的特征样板进行比较。其中:并采用最大误差限的准则来判别图像识别的真伪。具有实现简单、边缘轮廓清晰和识别可靠的特点,尤其适用于对有价证券和文件的真伪性的辨别及防伪。
文档编号G06K9/46GK1384467SQ0212088
公开日2002年12月11日 申请日期2002年6月7日 优先权日2002年6月7日
发明者王伯雄, 朱从锋, 罗秀芝, 陈华成, 刘振江, 陈大年 申请人:清华大学