微观图像特征提取及识别的方法技术

本发明专利技术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。（*该技术在2022年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术属于图像处理
，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。本专利技术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。本专利技术的原理及特点本专利技术的主要贡献是发现了图像的微观随机特征特性，并以此特性作为本专利技术的特征提取和特征识别方法的基础，使其方法简单可靠。本专利技术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。如附图说明图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，本专利技术正是基于图像的这一特征用作为对图像识别的方法基础。本专利技术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为本专利技术的图像特征提取流程图。图3为本专利技术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专利技术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。本专利技术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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】

【专利技术属性】
技术研发人员：王伯雄，朱从锋，罗秀芝，陈华成，刘振江，陈大年，
申请(专利权)人：清华大学，
类型：发明
国别省市：11[中国|北京]