指纹图像二值化算法的研究_祁亚萍

基于图像处理的指纹识别与验证算法研究摘要：指纹识别技术是一种被广泛应用于个人身份验证的生物特征识别技术。

本文基于图像处理的方法对指纹识别与验证算法进行了研究。

首先，介绍了指纹的基本原理和特征。

然后，探讨了现有的指纹识别算法，并对比了它们的优缺点。

接下来，提出了一种新的基于图像处理的指纹识别与验证算法。

最后，通过实验验证了该算法的有效性和准确性。

1. 引言指纹识别是一种通过研究和分析人类手指表面的细纹来进行身份验证的技术。

这是一种非常可靠和广泛使用的生物特征识别技术，因为每个人的指纹都是唯一的。

指纹识别技术已经在各个领域中得到了广泛的应用，包括银行、政府、企事业单位等。

本文旨在通过图像处理方法来提高指纹识别与验证算法的准确性和效率。

2. 指纹的特征指纹是人类指尖皮肤表面的图案，由皮下脂汗腺分泌的脂质组成。

指纹的特征主要包括弯曲、岔开、分支、节点等。

这些特征是通过显微镜观察指纹图像来提取的。

3. 现有的指纹识别算法目前，常见的指纹识别算法包括传统的阈值法、模板匹配法和特征提取法。

阈值法是最简单的方法，通过设置一个阈值将指纹图像二值化，然后比较两个二值化图像的相似度来进行匹配。

模板匹配法则是将指纹图像转化为一个特定的模板，然后与数据库中的模板进行比较，通过计算两者之间的相似度来进行匹配。

特征提取法则是通过提取指纹图像的局部纹理特征来进行匹配。

每种算法都有其优点和局限性。

4. 基于图像处理的指纹识别与验证算法为了提高指纹识别与验证算法的准确性和效率，本文提出了一种基于图像处理的新算法。

该算法主要包括以下几个步骤：首先，使用图像采集设备获取被验证者的指纹图像。

然后，对指纹图像进行预处理，包括图像增强、滤波和去噪等操作。

接下来，使用图像分割算法将指纹图像分割成不同的区域。

然后，对每个区域提取其纹理特征，并将纹理特征存储到数据库中。

最后，在认证过程中，通过比较被验证者的指纹图像与数据库中的纹理特征来进行匹配。

指纹图像二值化优化算法陈戈珩;李文秀【摘要】Algorithms for image double-value are compared.The algorithms are applied to double-value process normal,black and light fingerprint images.The iterative algorithm is optimized and the simulation results show that it is effective for the double-value processing for light and black fingerprint images.%对几种常用的图像二值化方法进行研究比较，且用各算法分别对正常指纹、黑指纹以及淡指纹图像进行二值化处理。

对迭代法进行了优化，实验证明，优化后的算法对淡指纹及黑指纹等非正常指纹进行二值化可以取得更理想的效果。

【期刊名称】《长春工业大学学报（自然科学版）》【年(卷),期】2016(037)005【总页数】4页(P499-502)【关键词】二值化;指纹图像;算法【作者】陈戈珩;李文秀【作者单位】长春工业大学计算机科学与工程学院，吉林长春 130012;长春工业大学计算机科学与工程学院，吉林长春 130012【正文语种】中文【中图分类】TN911指纹图像二值化的目的就是通过阈值使黑色的脊线区域灰度都达到0，白色的谷线区域都达到255，将灰度图像转化为只有黑白两种颜色的区域。

实践证明，在对指纹进行特征点提取及匹配之前进行二值化处理，已成为指纹识别的关键步骤之一[1]。

双峰法是一种被广泛应用的二值化方法。

它认为图像由前景和背景组成,且前景和背景分别拥有自己的峰值，两个峰值之间的谷变是图像二值化的阈值[2]。

这种方法适用于有明显双峰值的图像，而对于无法提供明显双峰值的直方图则效果不佳，甚至会导致有用信息的严重丢失,如图1所示。

一种基于LBPV(局部二值模式方差)的指纹分类算法周红;陈忠泽【摘要】在指纹数据库规模不断增大的情况下,指纹分类对于提高指纹识别的速度和准确率十分重要.本文提出一种利用指纹纹理信息的方法将指纹分为五大类.该方法利用指纹的中心点将指纹模式区分为四个部分并求取每一部分的局部二值模式方差,然后利用K近邻分类器进行分类.实验证明该方法具有良好的分类性能.%In the scale of fingerprint database is increasing,fingerprint classification is crucial for improving the speed and accuracy of fingerprint recognition.This paper presents a method based on the fingerprint texture,and divides the fingerprint image into five categories.According to the core points,a fingerprint image is divided into four regions,each region is modeled with the distribution of the local binary pattern variance (LBPV) values,and then it is classified by KNN classifies.Experiments verify that the method has good classification performance.【期刊名称】《南华大学学报（自然科学版）》【年(卷),期】2017(031)001【总页数】6页(P57-62)【关键词】局部二值模式(LBP);K近邻;指纹分类;中心点【作者】周红;陈忠泽【作者单位】南华大学电气工程学院,湖南衡阳 421001;南华大学电气工程学院,湖南衡阳 421001【正文语种】中文【中图分类】TP391.41指纹分类是指在指纹图像经过预处理后根据指纹特征的不同将指纹划分到预先定义好的类别中的过程，它能有效地缩小指纹数据库查找的范围，加快查询速度，节省查询时间.目前的指纹分类算法大都采用Galton-Henry分类方案[1]将指纹分为拱形、尖拱形、左旋形、右旋形、螺旋形五类.指纹分类主要包括所采用的指纹特征以及基于这些特征所选择的分类器[2]两方面的内容.指纹的特征包含总体特征和局部特征，总体特征是人眼直接就能观察到的信号，局部特征是指指纹的细节.指纹分类是基于指纹的总体特征，而指纹识别则是基于指纹的局部特征.按照分类特征的不同指纹分类可分为1)基于奇异点的分类方法;2)基于脊线结构的分类方法[3];3)基于方向场的分类方法[4];4)基于指纹编码(Fingercode)的分类方法[5];5)基于其他特征的分类方法[6-7].过去四十年所发表的文献中对前四种分类特征做了大量的研究，尝试了不同的特征结合不同的分类器对指纹进行分类，取得了良好的效果.由于这些特征对于指纹质量的依赖性较大，当指纹图像发生旋转时，这些分类特征的性能会有所下降.近年来，越来越多的研究者正在找寻其他更加鲁棒的特征，如文献[7]采用了具有旋转不变性和灰度不变性的局部二值模式(LBP)作为分类特征.实验结果表明，LBP具有较强的分类能力，但由于LBP特征在部分不同类型的指纹之间有相似重叠部分其准确率还无法与目前最优的分类算法相比.本文采用LBP的一种改进方法即局部二值模式方差(LBPV)作为分类特征并结合K 近邻分类器对指纹进行分类，该特征具有LBP的尺度不变性和旋转不变性，很好的保留了指纹的纹理结构，同时方差可以提供丰富的纹理信息，其提取局部细节的能力要较LBP好.本文算法具体过程如图1所示.在指纹图像的采集过程中，可能会出现各种不同的噪声污染，这些噪声的存在不仅给指纹特征的提取增加了难度，而且同一幅指纹可能会因为不同噪声的存在而使提取出的特征存在差异从而使得同一指纹分到不同的类别中去.为了确保分类的准确性，提高算法的鲁棒性，就必须先对指纹图像进行处理.指纹图像预处理包括指纹图像增强、中心点提取、模式区划分.1.1 指纹图像增强通过指纹图像增强能将清晰、真实的指纹信息从质量较差的指纹图像中恢复出来，本文利用短时傅里叶(STFT)分析[8]对指纹图像进行增强，使得增强后的图像的纹线结构更加清晰.具体实现步骤如下：1)将指纹划分为互相重叠的子块并对每一子块进行STFT分析得到子块的频谱分布；2)利用概率近似的方法估计出每一子块的频率和方向并构造相应的滤波器；3)根据上一步构造的滤波器对各个子块进行滤波处理；4)对滤波后的各子块进行逆变换，重构整幅指纹图像以得到增强后的指纹；1.2 中心点求取中心点指的是指纹的脊线曲率最大点，提取中心点的目的是为了确定模式区，即包含指纹大部分纹理特征的区域.提取中心点是指纹图像处理中的关键环节之一，它的准确性直接影响到指纹分类的准确率.本文采用文献[9]提出的一种改进的庞加莱(Poincare)检索法求取指纹的中心点.相对于传统的Poincare检索法其对于中心点的定位更加准确，同时提高了中心点提取的速度.1.3 模式区划分模式区是包含了指纹全局特征的前景区域，一般的分类特征都是从模式区提取出来的.根据求得的中心点位置确定模式区，如果没有中心点或提取出的中心点无效则以图像的中心为基准点确定模式区.为了减小部分指纹中心点定位不准确带来的影响，本文以中心点所在的子块为基准将模式区划分为四个子模式区，图2为不同质量类型的指纹图像依据中心点所划分的模式区.2.1 局部二值模式(LBP)概述LBP是一种灰度范围内的纹理度量，最开始定义于像素的8邻域中，以中心点像素的灰度值为阈值，将中心点周围的8个像素点的灰度值与其比较，如果周围像素的灰度值小于中心像素的灰度值，该像素点位置就标记为0，否则标记为1.将阈值化后的值分别与对应位置像素的权值相乘，8个乘积的和即为该像素点的LBP 值.为了能在不同尺度上处理纹理特征，Ojala等人提出了在灰度图像中，定义一个半径为R的圆形邻域，P(P>0)个邻域像素均匀分布在圆周，将LBP算子的二进制编码看成首尾相连的环形结构，根据二进制数选取的初始位和方向，会产生2p种LBP模式.显然，随着P的增加，二值模式的种类也会急剧增加，这对于纹理的提取和分类都是不利的.为了解决这一问题，Ojala对LBP进行了扩展提出了均匀模式，当一个LBP算子最多只出现两次位的变化时，该LBP算子被称为均匀模式. 从LBP的定义可以看出，LBP算子是灰度不变的，但如果对图像进行旋转会得到不同的LBP值.为了达到对图像的旋转不变性，Ojala等又提出了旋转不变的二值模式，即不断旋转圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的LBP值[10].将均匀模式与旋转不变模式结合起来得到旋转不变的均匀模式.将所有非旋转不变均匀模式归为一类，8邻域的模式种类将由原来的256类减少为10类.2.2 提取特征向量为了确保分类算法的鲁棒性，需要稳定可靠的提取出指纹图像的特征.LBPV是LBP 旋转不变均匀模式的一种改进方法，它是由Guo等人提出的一种融合了LBP和局部区域方差分布的纹理特征[10].LBPV具有与LBP相同的尺度不变性与旋转不变性，同时提取局部细节的能力相较于LBP有进一步的提升.将每个点的方差作为编码值的权重，进行直方图累加即可得到LBPV直方图，其数学表达式为:其中P表示邻域像素的个数，gp表示中心像素的灰度值，M，N表示区域的大小，k表示LBPV模式.LBPV直方图特征提取过程如图3所示.2.3 指纹类型的确定K近邻分类算法是一种简单的机器学习算法，该算法是根据样本在特征空间中的k 个最近似的训练样本中的大多数所属的类别来判断该样本的类别.本文在此基础上对KNN分类算法进行修改使得通过KNN分类器后得到的是样本属于各个类别的数量.给定一样本指纹S，根据前文所述将其分为A、B、C、D四部分并求取每一部分的LBPV直方图SA、SB、SC、SD，则该样本可由{SA，SB，SC，SD}表示，由K 近邻算法可得到每一部分中k个最相似的训练样本中属于各个类型的指纹数量，因此，A、B、C、D四部分属于各个类别的概率分别为：A，T，L，R，W表示指纹类型，对应为拱形、尖拱形、左旋形、右旋形、螺旋形，n(Fi)表示k个最近似的训练指纹中属于类型Fi 的数量.根据加权积分融合策略将四部分进行聚合，最后的分类结果由概率最大值对应的类别确定，如式(6)所示：ωA,ωB,ωC,ωD分别代表A、B、C、D四部分的权重.3.1 实验数据库的选择在指纹识别领域比较权威的指纹库有NIST系列指纹库以及FVC系列指纹库.其中NIST系列中的NIST-4指纹数据库长期被分类算法的研究者广泛采用，它也是指纹分类文献中用的最多的一个数据库.它包含4 000幅指纹图像(2 000枚指纹按捺两次)，每一幅图像大小相同且都标记出了对应的类别标签，每一类指纹基本是均匀分布的.这样避免了研究者在判断部分由于指纹纹理本身的模糊性的影响难以做出判定时出现的错判及各指纹类别的数量差异过大对指纹分类带来的影响，同时考虑到绝大部分文献采用NIST-4进行分类实验，为了方便今后在同一数据库中比较各个不同分类算法的性能本文同样采用NIST-4指纹库来检验算法的准确率.3.2 实验结果及其分析本文使用了NIST-4指纹库中的指纹将其分为五类，指纹库中有350枚指纹(约占17.5%)可判定为两种类型，实验中对于这部分指纹只要判定为两种类型中的任意一种即算正确.本文通过训练及测试不同数量的指纹做了多次实验，实验结果如表1和图4所示.表1为利用f0001至f2000训练，s0001至s2000测试的实验结果，随着训练指纹数量的变化，指纹分类准确率也会发生变化，其变化曲线如图4所示，当训练指纹数量为2 906幅图像时，分类准确率最高达到 94.06%.通过实验发现，被误判的指纹大部分都存在手指污迹较严重而导致中心点定位不准确的问题，在处理这类指纹时本文算法还有待改进.实验证明该分类方法具有较好的分类能力，从表2中的正确率指标来说本文算法比文献[4-7,11]有明显的优势.文献[5,11]使用的Fingercode(指纹码)特征对指纹的旋转比较敏感，数据库中很多指纹都存在不同角度的偏移，这两种算法都没有对发生偏移的指纹进行校正，从而影响了指纹分类的准确率.文献[6-7]所利用的LBP分类特征在指纹类与类之间存在相似重叠部分导致指纹容易被误判，尽管这两篇文献所使用的数据库与本文的不同，但NIST-4数据库采集时由于当时的技术手段落后，所采集到的指纹图像通常比较模糊，不易辨识，在分辨率、清晰度等方面都与FVC2006数据库所使用的先进的指纹采集设备所采集到的指纹图像有很大的差距，因此，本文算法的性能仍然比使用类似特征进行分类的文献[6-7]要好.文献[4]和文献[12]使用指纹的奇异点和方向场作为分类特征，这两种特征都容易受噪声影响，对于质量差的指纹不能准确的提取其特征从而导致对这部分指纹难以正确分类.与R.Wang等人提出的利用方向场进行分类的算法相比，本文算法的准确率表面上要低0.25%，但该文献设置了接受待识别指纹的门槛，即拒绝对损伤造成的脊线模糊的指纹和因按压两次重叠在一起的指纹进行分类，如果接受这部分指纹的分类，该算法的准确率仅为91.3%，低于本文算法.表3为几种分类算法的复杂度比较，其中n表示训练指纹的数量.由于文献[4,12]是直接通过指纹的奇异点和方向场的规律来判别指纹类型，不需要对指纹先进行训练，本文在此不予比较.由上表可知，本文算法无论在准确度还是复杂度上都要比文献[5-6][11,13]好，但文献[7]的时间复杂度要比本文算法低，在进一步提高分类率的同时保证算法的实时性是本文方法还有待改进的.总体来说，本文算法的分类效率比上表中的方法是具有优势的.提出了一种基于LBPV的指纹分类算法，首先提取增强后的指纹图像的中心点，以中心点所在的子块为基准将指纹分为四个子模式区，再提取每个子模式区的LBPV 特征，根据每个模式区的重要程度设定权值，通过KNN分类算法得到每个子模式区属于各个类别的概率，将四个区域属于各个类别的概率进行加权积分融合得到的概率最大值所对应的类别即为该指纹的类别.该方法选用的分类器结构简单，速度较快，但仍存在着自身的缺陷.指纹的LBPV特征也会随中心点所在块的大小以及模式区大小的不同而发生变化，因此，准确的找出中心点，选取合适大小的模式区以及中心点块，根据分类特征选取合适的分类器以及如何比较各分类算法的性能还需进一步的研究.【相关文献】[1] GALAR M,DERRAC J,PERALTA D,et al.A survey of fingerprint classification PartII:Experimental analysis and ensemble proposal[J].Knowledge-basedsystems,2015,81(1):98-116.[2] GALAR M,DERRAC J,PERALTA D,et al.A survey of fingerprint classification PartI:Taxonomies on feature extraction methods and learning models[J].Knowledge-Based Systems,2015,81(1):76-97.[3] CHANG J H,FAN K C.A new model for fingerprint classification by ridge distributionsequences[J].Pattern Recognition,2002,35(6):1209-1223.[4] LIU L M,HUANG C Y,HUNG D C.A directional approach to fingerprintclassification[J].International Journal of Pattern Recognition and Artificial Intelligence,2008,22(2):347-365.[5] MIN J K,HONG J H,CHO S B.Fingerprint classification based on subclass analysis using multiple templates of support vector machines[J].Intelligent Data Analysis,2010,14(3):369-384.[6] 欧阳邵聪.基于KNN-SVM的指纹分类方法研究[D].广东:广东工业大学,2010.[7] 谭台哲,皮凯俊,章红燕.一种基于融合隶属度的指纹分类方法[J].Computer Engineering and Applications,2012,48(2):191-193.[8] CHIKKERUR S,CARTWRIGHT A N,GOVINDARAJU V.Fingerprint enhancement using STFT analysis[J].Pattern Recognition,2007,40(1):198-211.[9] 刘锐.基于大容量指纹库的多级指纹分类研究[D].宁夏:宁夏大学,2014.[10] 宋克臣,颜云辉,陈文辉,等.局部二值模式方法研究与展望[J].自动化学报,2013,39(6):730-744.[11] HONG J H,MIN J K,CHO U K,et al.Fingerprint classification using one-vs-all support vector machines dynamically ordere with na¨ve Bayes classifiers[J].Pattern Recognition,2008,41(2):662-671.[12] GUO J M,LIU Y F,CHANG J Y,et al.Fingerprintclassification based on decision tree from singular points and orientation field[J].Expert Systems with Applications An International Journal,2014,41(2):752-764.[13] WANG R X,HAN C Y,WU Y P,et al.Fingerprint classification based on depth neural network[J].Computer Science,2014,137(25):640-641.。

专利名称：指纹数字图像处理中的相位移动模糊差分二值化方法
专利类型：发明专利
发明人：郭雷,陈大海
申请号：CN200710017367.4
申请日：20070206
公开号：CN101241545A
公开日：
20080813
专利内容由知识产权出版社提供
摘要：本发明涉及一种指纹数字图像处理中的相位移动模糊差分二值化方法，技术特征在于：对整个图像分别采取左上和右上方向的不同相位移动方法，对原始图像采用平滑处理，用这个平滑图像和具有相位偏移的两幅图像分别进行差分计算，差分计算的结果为两幅具有相位偏差的图像；分别对两幅差分图像取阈值1进行分割，得到两幅二值图像；对其中一幅二值图像向另一幅图像进行相位移动，使两幅二值图像的相位一致，用这个移动相位的二值图像和另一幅二值图像乘积，即可得到增强处理的二值图像。

有益效果：用最简单的图像相位移动、平滑、差分、阈值和乘积算法，在最快的时间内，以最大的特征点保持度完成指纹的二值化全过程。

对于低质量的指纹图像，一样具有良好的处理效果，对指纹图像中的浅色的低像素区域有明显的增强效果。

申请人：西北工业大学
地址：710072 陕西省西安市友谊西路127号
国籍：CN
代理机构：西北工业大学专利中心
代理人：王鲜凯
更多信息请下载全文后查看。

指纹图像自动识别系统预处理算法的研究兰州中科院近代物理所洪华军乔为民朱立新摘要：系统地阐述了指纹图像自动识别系统预处理的政府、算法，并对指纹图像预处理中的各种技术进行了分析及实验。

在比较了各种预处理方法之后，提出了一种比较好的指纹图像预处理算法，并在实验中得到了验证。

关键词：指纹识别预处理图像增强二值化细化由于指纹具有终身的稳定笥和惊人的特殊性，很早以来在身份鉴别方面就得到了应用，且被尊为“物证之首”。

但人工对比指纹，效率低、速率慢，已愈来愈不能满足现代社会的需要。

70年代在美国已开始用图像处理和模式识别方法进行计算机指纹分析以代替人工对比，并在70年代末80年代初研制成有关设备，投入运行。

我国在近10年来已陆续开展这方面的工作，现已进入实用阶段。

本学科的技术用于指纹分析，有两方面的工作：（1）指纹特征提取与识别。

这是比较成熟的工作，因为每个人都有固定的指纹类型，而指经纹纹线总的类型有限。

因此，有可能把指纹经过预处理以后，提取特征，再用类聚分析方法进行判决分类。

（2）指纹存储与归档。

这是大容量存储的问题，试想每人有10个指纹，而全国十几亿人要存储上百亿个指纹，这需要多么巨大的存储容量。

除了用激光存储等高密度的记录和存储手段外，还争切需要开展指纹的无失真、可恢复的压缩工作。

近几年来，国外发展了用计算机进行指纹对比的自动识别系统。

指纹图像信息量大，处理及时，这些系统是基于中、小型计算机，甚至是专用高速并行处理机。

为了迅速展开指纹自动识别的研究，我们在微型机上进行了微型机指纹自动识别系统的尝试。

该系统的输入部分把实际捺印指纹或现场指纹转换成数字化图像，经总线存入图像存储器，微机对输入的图像进行各种必要的处理和分类，其处理效果可由彩色显示器立即评价，或由打印机输出判别结果。

一般指纹图像自动识别系统的原理如图1所示。

指纹图像预处理的目的在于使指纹图像画面清晰，边缘明显，以便提取特征进行识别。

预处理技术的主要目的是对一个给定的指纹，突出指纹图像中的某些信息，消弱或除去某些不需要的信息，使它的结果对后面的识别来说比原始指经纬度图像更合适。

一种指纹图像预处理方法的研究【摘要】实现一套指纹图像预处理算法，主要包括指纹图像灰度归一化和均衡化、指纹图像分割、指纹图像的二值化、指纹图像增强、指纹图像细化。

采用基于梯度的指纹图像分割方法，去除指纹图像中的无用信息，并使用连通域检测方法对分割后的指纹图像进行优化。

引入基于动态阈值法的二值化算法，实现指纹图像的方向二值化。

采用基于骨架提取技术的细化算法，完成指纹图像的细化处理。

最后使用MATLAB8.2平台对该算法进行验证，在相同特征提取算法和匹配条件下，该算法的识别精度高于传统算法。

【关键词】指纹识别；图像预处理；指纹细化；二值化1.引言由于指纹特征的终生不变特性，使得指纹识别技术受到了人们的普遍关注，其主要由三部分构成：指纹图像预处理、特征提取、指纹匹配。

在实际应用中，受限于采集条件和采集设备，使得采集到的指纹图像往往含有许多噪声，影响到指纹识别的效率和精度。

因此，指纹图像的预处理在指纹识别技术中越来越成为一项关键工作。

指纹图像的预处理不仅可以去除图像中的噪声，使得指纹特征的提取更加准确，而且在有用信息不丢失的情况下降低了指纹图像的数据量。

目前，主流的预处理方法是将原始指纹图像处理为骨架图像。

本文针对该方法进行了大量的预处理工作，主要包括指纹图像的灰度归一化和均衡化、图像分割、图像二值化、图像增强和细化，并结合实际体会，对传统预处理方式提出了新的方法。

2.指纹图像预处理算法2.1 指纹图像的灰度归一化和均衡化2.1.1灰度归一化灰度归一化的目的，在于消除指纹采集过程中由于传感器自身的噪声以及因手指压力不同而造成的灰度差异，将指纹图像的对比度和灰度调整到一个固定的级别上，为后续处理提供一个较为统一的图像规格。

归一化的算法如下：（1）先计算图像的平均值和方差。

这部分工作主要通过统计图像中各点像素值得到该图像的直方图，再利用直方图来计算指纹图像的相关指标。

（2）指定期望经过处理后的图像均值和方差，计算归一化后的图像G。

指纹图像二值化算法的分析和比较指纹图像二值化算法的分析和比较1引言指纹作为人体的重要特征，因其具有唯一性和终生不变性，已经成为生物识别领域的重要手段。

它不仅应用于公安司法系统的犯罪识别，而且还广泛应用于如一些保密系统的身份验证，成为生物识别领域的新热点。

在指纹自动识别系统中，图像采集设备所得到的图像是一幅含有较多噪声的灰度图，必须经过预处理，除去大量的噪声信号，得到一幅纹线清晰的点线图，才能进行指纹特征的提取和匹配。

指纹图像的预处理是正确地进行特征提取、比对等操作的基础,而二值化是图像预处理中非常重要的一步，也是指纹细化并提取特征前的重要步骤。

不同的二值化经常会对后续的步骤产生极大的影响，常用的二值化方法由于仅仅利用了图像的灰度信息,没有考虑指纹图像自身的方向结构特点，对指纹图像的二值化效果不理想.本文首先对常用的二值化算法进行了讨论，并主要通过实验比较了两种特别针对指纹图像的二值化算法。

通常认为一个好的针对指纹图像的二值化算法应满足以下几点要求[f。

1]：●保持纹线的原始走向；●相关领域内指纹的纹线走向基本一致；●避免造成指纹纹线的中断和粘连；●避免生成虚假指纹纹线；●纹线间的间距变化平稳；2图像的二值化算法在很多情况下，图象是由具有不同灰度的两类区域组成的。

如在指纹图象中，指纹脊线和谷线就由不同的灰度构成，通常脊线要比谷线暗。

所谓灰度图象的二值化就是通过设定阀值，把它变为仅用两个灰度值分别表示图象的前景和背景颜色的二值图象。

图象的二值化可以根据下面的阀值来处理: 假设一幅灰度图的像素值为ｆ(ｉ，ｊ)∈(ｒ1，ｒ2 ，…，ｒm)，设有一阀值为Ｔ=ｒi ，1≤ｉ≤ｍ，则:二值化的方法很多，关键在于阀值Ｔ的选取。

而Ｔ的取值方法又取决于二值化的技术。

Ｔ的选择有基于由点的像灰度值单独决定的、有由像素的局部特征决定的、也有基于全局像素决定的。

阀值可以分为两类:全局阀值和局部阀值。

1)全局阈值全局阈值是在整个图像中将灰度阈值的值设置为常数。

目录1 引言 (1)1.1指纹识别发展概况 (1)1.2指纹识别技术概述 (3)1.2.1预处理 (4)1.2.2特征提取 (4)1.2.3指纹匹配 (5)1.2本文主要研究内容及结构安排 (5)2 特征提取算法介绍 (7)2.1指纹的特征数据 (7)2.1.1总体特征 (7)2.1.2局部特征 (7)2.2提取算法 (8)3 图段的提取 (10)3.1基本定义 (10)3.1.1行程 (10)3.1.2行程码 (10)3.1.3行程相关 (11)3.1.4图段 (11)3.2图段提取算法 (12)3.2.1提取行程 (12)3.2.2提取图段 (12)3.3代码展示 (13)3.3.3提取图段 (13)4 特征提取 (14)4.1图段结构 (14)4.2.1图段属性 (14)4.2.1图段结构类型 (14)4.2提取端点 (15)4.2.1算法简介 (15)4.2.2判定规则 (15)4.3消除周边点 (16)5 实验与结果 (17)5.1实验环境 (17)5.2实验结果 (17)5.2.1图段提取的结果 (18)5.2.2特征提取的结果 (19)5.2.3结果分析 (20)6 总结 (21)1 引言人类一直在研究有效的身份鉴别方法。

用于身份鉴别的传统方法有两种：第一种基于标志的身份鉴别，通常是通过判断是否具有某种特定标志来对身份进行鉴别，如身份证，护照、钥匙，通行证等。

第二种基于知识的身份鉴别，通常是根据被鉴别者所具有的某种知识来对其进行鉴别，如银行存折的密码，个人认证数字或固定问题答案等。

这些传统的身份鉴别方法具有简便，易于实现且经济成本很少的优点。

但是，随着科学技术和人类社会的发展，现代社会对于人类自身身份识别的准确性、安全性与实用性提出了更高要求。

传统的身份识别方法己经远远不能满足这种要求，于是人类找到了生物识别这种更为安全可靠、使用方便的新的身份识别技术。

生物识别技术是利用人体生物特征进行身份认证的一种技术。

一种改进的基于方向场的指纹图像增强算法
祁亚萍
【期刊名称】《科技信息（学术版）》
【年(卷),期】2011(000)021
【摘要】本文分析了指纹图像方向场估计的方法,针对Gabor滤波器在指纹图像增强的应用中对于图像方向变化剧烈的中心区域和三角区域纹线结构保持性差的缺点,提出利用方向信息进行改进的增强算法,并在Matlab7.0环境下进行算法测试,结果表明本文算法相对于原算法能够获得良好的纹线结构保持性。

【总页数】2页(PI0022-I0022,I0039)
【作者】祁亚萍
【作者单位】山东科技大学信息学院,山东青岛266510
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种改进的基于方向场的指纹图像增强算法
2.一种基于指纹线方向的指纹图像增强算法
3.基于方向场和频率场的指纹图像增强改进算法
4.基于方向场和频率场的自适应指纹图像增强算法
5.一种改进的基于方向滤波的指纹图像增强算法
因版权原因，仅展示原文概要，查看原文内容请购买。