[发明专利]一种去除指纹图像混合噪声的改进小波阈值去噪方法

说明书

本发明提供了一种去除指纹图像混合噪声的改进小波阈值去噪方法，该方法涉及到了图像处理领域。本发明主要是提供了一种改进的自适应阈值和改进的阈值函数。首先，选用合适的指纹图像作为测试图像作为原始图像的输入，在模拟现实生活中指纹图像采集和传输过程中可能受到的噪声污染过程对测试图像添加混合噪声，接着对含有混和噪声的测试图像进行中值滤波去噪，在对中值滤波去噪后的图像进行小波分解，小波系数阈值量化，信号重构过程，最后输出去噪后的图像。本发明考虑到了噪声信号随着分解层数增加逐渐减小的特征和传统阈值不连续和存在固定偏差等问题，定义了自适应阈值和CLAE阈值函数，较好的解决了上述出现的问题。得到的噪声去除后指纹图像纹路更加清晰，使得指纹识别系统能更快速和准确的识别指纹细节特征，具有一定的社会价值。

技术领域

本发明涉及图像处理领域，具体是一种去除指纹图像混合噪声的改进小波阈值去噪方法。

背景知识

随着科技的发展，指纹识别技术已经广泛的应用于人们的日常生活中。例如，手机的指纹解锁和居家生活中的指纹智能门锁。能否快速并且准确的提取指纹的细节特征点是判断指纹自动识别系统好坏的标准。但是由于指纹采集器和传输信道的缘故使得采集到的指纹图像会含有椒盐和高斯等混合噪声，进而会影响指纹识别的速度和准确性，给指纹识别工作带来困难。所以指纹图像中混合噪声的去除工作十分重要。小波阈值算法凭借自身独特的时频特性使其被广泛的应用于图像噪声去除领域。但是由于传统软、硬阈值去噪方法选取的全局阈值λ的数值的固定的，但是实际情况是对含噪图像进行小波分解时，随着分解层数的增大，噪声信号的模值就会越小，因此阈值固定不变就会就会噪声小波系数对噪声信号的误判，从而把真实信号当作噪声信号进行去除。传统软、硬阈值函数还会存在恒定偏差和在阈值λ不连续等问题，去噪后使得指纹图像中的噪声去除并不完全。

发明内容

本发明的目在于：提供一种自适应阈值和连续型低误差(continuous and lowerror,CALE)阈值函数，自适应阈值可以随着分解层数的增大而自适应的选取小的阈值，可以更好的解决小波系数对噪声信号的误判问题。改进的CALE阈值函数在克服了传统阈值函数不连续和低误差的问题，使得函数在阈值处是连续的，并且在阈值接近极限时，估计系数于真实系数的误差接近为0。使得含有混合噪声的指纹图像噪声去除更彻底。

本发明的具体内容如下：

一种去除指纹图像混合噪声的改进小波阈值去噪方法，所述的方法是先对测试的指纹图像添加混合噪声，再对含混合噪声的图像进行一次中值滤波去噪，再对中值滤波去噪后的测试图像进行3层小波分解、用自适应阈值T_i和CALE阈值函数进行小波系数量化、小波系数重构，最后在输出去噪后的指纹图像。

本发明的具体步骤如下：

步骤一：输入原始指纹测试图像f(i,j)；

步骤二：对选取的测试指纹图像f(i,j)添加混合噪声；

步骤三：对含混合噪声的指纹测试图像进行一遍中值滤波去除后得到图像

步骤四：对图像进行小波分解得到各层的小波系数

步骤五：通过自适应阈值T_i和CALE阈值函数对小波系数进行阈值量化；

步骤六：对量化后的估计小波系数进行信号重构；

步骤七：输出去噪后的图像g(i,j)；

具体的，步骤一中的指纹测试图像f(i,j)选取的FCV2004数据库中的指纹图像，然后通过matlab的算法程序读入图像。

具体的，步骤二中的对指纹测试图像f(i,j)进行添加方差为0.01的高斯噪声和密度为0.01的椒盐噪声的混合噪声是在matlab中进行混合噪声添加工作的。