纸币图像特征提取技术是纸币清分机系统的一个重要研究课题,具有极强的技术挑战性和行业需求性,是金融机构设备研究的重点。纸币清分机的推广和应用,可以大大提高银行现金处理业务自动化水平,加快现金的周转速度,减少库存资金占压,盘活资金存量,经济效益明显。本文分析了纸币图像特征提取技术的国内外发展现状和纸币图像的重要纹理特征,研究了纸币图像的预处理方法。针对数据库中的纸币图像,采用了直方图规定化,高斯平滑和图像几何校正这三种方法对其进行预处理。首先,在分析了Haar小波变换、模糊逻辑及模糊空间逻辑的基础上,研究了基于Haar小波和模糊逻辑的纸币图像特征提取方法。对预处理后的纸币图像进行Haar小波分解操作,提取出图像的低频和高频系数,在此基础上引入模糊逻辑方法,把提取的系数分别作为语言变量,并构造出相应的隶属度函数,在模糊特征空间中求出每个模糊区域对应的激活强度值,将这些激活强度值进行归一化处理后得出纸币特征向量,采用BP神经网络分类器对提取的纸币特征向量进行训练识别。实验结果表明,该方法具有较高的识别率。其次,在分析了Contourlet变换的基础上,研究了基于Contourlet变换和模糊逻辑的纸币图像特征提取方法。对预处理后的纸币图像进行Contourlet变换,提取纸币图像在不同尺度不同方向上的变换系数,把提取的系数作为语言变量,计算出模糊特征空间中每个模糊区域的激活强度值,并将其进行归一化处理后得到纸币的特征向量,采用BP神经网络作为识别分类器。实验结果表明,该方法与Haar小波和模糊逻辑相结合的算法相比,提高了识别率,降低了拒识率。最后,在分析了小波-Contourlet变换(WBCT)的基础上,提出了基于WBCT和模糊逻辑的纸币图像特征提取方法。对预处理后的纸币图像进行WBCT变换,得到的变换系数作为模糊系统的输入,计算出每个模糊区域经过归一化的激活强度值,得到纸币图像的特征向量,最后采用BP神经网络分类器对提取的纸币特征向量进行训练识别。实验结果表明,该方法与比前两种方法相比,提高了识别率,较低了拒识率和误识率。综上所述,本文提出的基于WBCT与模糊逻辑的纸币图像特征提取方法是可行的,小波-Contourlet变换在图像特征提取方面优于小波变换和Contourlet变换。