基于小波多尺度和熵在图像字符特征提取方法的改进.docxVIP

基于小波多尺度和嫡在图像字符特征提取方法的改进 摘要：提出了一种基于小波和爛提取图像字符特征的方法。 该方法利用小波变换对图像字符进行多尺度分解，用marr 零交叉边缘检测算子提取边缘；用基于判别嫡最小化提取每 一尺度图像的边界特征，小波的“数字显微镜”的优点与炳能 确切地表达各类的交叠状况且能直接表达错误率的特征相 结合。与其它方法相比，该方法提取的特征向量稳定、识别 率高、算法快，非常有利于分类，且特征提取的方法有人类 视觉的特点。 关键词：多尺度分析Marr边缘检测算子判别炳特征提 在线签名验证是通过计算机采集和验证个人签名，从而实 现无纸化办公的一种技术[1]。其中，从采集到的视频图像中 提取有效的字符特片是在线签名验证系统的核心步骤。 随着计算机和模式识别技术的迅速发展，出现了很多提取 字符特征的方案，最具代表性的有边缘描述法和矩描述法 [2]o描述边缘形状的方法可用曲线拟合和傅立叶描述子方 法。傅立叶描述子虽较好地描述了一封闭的图像轮廓，但其 特征很多，噪声和量化误差对具有较低幅值的系数影响较 大。当用FFT计算傅立叶系数，必须将其边界点的长度修成 2的整数次幕，且其描述不具有三个（方向、位置、大小） 不变性，不能直接用于目标识别，必须进行复杂的变换。这 些都影响了它的使用。矩描述法就是利用图像灰度分布的各 阶矩描述图像灰度分布的特征。矩特征是定义在整个图像空 间上的一个二重积分，它同样不具有三个不变性，使用时必 须进行归一化处理。不变矩只是一种旋转归一化方法，必须 结合大小，位置归一化处理才有三个不变性。 虽然用这些特征进行图像识别取得了较为满意的效果，但 是，这些特征的定义都是相当复杂的，运算量很大，并且与 人类认知的机理也是完全不同的，不能直观地理解。本文提 出了一种将统计特征与结构特征相结合的新思路，对字符图 像进行小波多尺度分解，有效地抑制了图像中的噪声，充分 反映了图像结构的精细特征；用基于判别爛最小化进行特征 提取能确切地表达各类的交叠状况，且能直接表达错误率， 从而有效地提高识别率。 1小波多尺度分解 为了寻找空间的L2的基，先从L2的某个子空间出发，在 这个子空间中先建立基底，然后利用简单变换，把这个基底 扩充到空间L2上，以形成一组基。这就是多尺度分析方法 ⑶⑷。 对于二维的情况，设{V2J}jez是一个可分离的MRA： V2J=VjVj,其中{V2j}jez 是 L2 (R2)的一个 MRA,其尺度函 数为0是一维MRA{V2j}jez的实值尺度函数，小波母函数采 用Dabuechies⑹小波；相应于二维尺度函数V2j=VjVj,定义 三个函数： 构成子空间W2j的正交标准基，而它们的伸缩平移系(简 写)为： 是L2 (R2)的一个标准正交基。 在本系统中，通过与计算机相连的手写板及电子笔将签名 采集到计算机并显示在屏幕上。采集并输入到计算机中的图 像是二维，本文中设要分解的图像为f (x，y)EL2(R2)。为方便, 设L2 (R2) -V2N,即令fN是f在V2N的正交投影。这样 关于f的有限小波分解就是对fN的分解。由于: 假定{V2j}jez上的尺度函数①j,①j(x,y)=2j①(2jx，2jy)为二维 MAR{V2j}jez的尺度函数，小波函数屮(a)j, a= 1,2,3已分别由 式⑴和式⑵给出，并由阵列{CNkl,k2},(kl,klEZ2),使得: 其中，Cn，kl，k2二lt;fN,N，kl，k2gt; 同样，有: 式中(6), j=N-l?A,N-Mo ?是fN在f2j上的低通滤波信号, 而goj, a=l,2,3是小［在W2j上的三个高通滤波细节。再设有 限长序列｛Pkl｝、｛Pk2｝分别是平面(x,y)± x方向与y方向的 高通滤波系数，｛gkl｝与｛gk2｝分别是x方向与y方向的低通 滤波系数，则由式(6)得到： 上式中箭头右部分是左部分的矩阵表示，其中CN是原始 信号f(x,y)的分布阵列，Pr、Pc是分别对CN的行与列作低 通滤波的算子，而Qi\ Qc是分别对CN的行与列作高通滤 波的算子。而进一步地第j次分解应为： 式⑺中，j=N2 A,N-M。式(7)便是二维信号fN或CN的有 限正交小波分解的Mallat塔式算法［5］。通过实验，选用 Daubechies 8小波能达到较好的分解效果。对采集进入计算 机的真实签名与伪造签名进行小波分解，限于遍幅，本文只 给出了真实签名的一次分解图，如图书1所示。 通常在实验中，借助Matlab6.5将真假签名的字符图像通过 两个互补滤波器即低通滤波器和高通滤波器分别得到图像 的相似和细节部分。相似子图主要是原始图像的全局、低频 成分，而细节子图通常是原始图像的局部、高频成分。细节 子图又包括水平子图、斜向子图和垂直子图