【正文】 end %walk函數(shù) function [error,a,b]=walk(thin,x0,y0,num) error=0。 pxy2=pxy2(find(pxy2(:,3)==2),:)。 y=txy(:,2)。amp。 delta(i,j)=sum(sum(mp{i,j}))。.39。 count = count + 1。 case 7 j = img(x, y + 1)。 %對(duì)圖像進(jìn)行細(xì)化 figure,imshow(img) title(39。 se=strel(39。 [m,n]=size(u) %去空洞和毛刺 for x=2:m1 for y=2:n1 if u(x,y)==0 if u(x,y1)+u(x1,y)+u(x,y+1)+u(x+1,y)=3 u(x,y)=1。 end end for i=1:m for j =1:n if (Icc(i,j)==128) Icc(i,j)=0。 summin=min(sumi)。 sum3=I(x2,y+2)+I(x4,y+4)+I(x+2,y2)+I(x+4,y4)。 for b=2:n1。分割 39。amp。 vtotle1=vtotle1+var1(x,y)。V1=vtotle/vtemp。gtotle=0。 end end var1(x,y)=var/(M*M)。var=0。title(‘歸一化 ’) %************************************************************************ M =3。 [m,n,p]=size(I)。在指紋特征點(diǎn)的提取和匹配的過(guò)程中，均設(shè)置了一個(gè)函數(shù)來(lái)實(shí)現(xiàn)算法，實(shí)現(xiàn)的過(guò)程的時(shí)間也相對(duì)較長(zhǎng)，也可以 用其他的語(yǔ)言 來(lái)實(shí)現(xiàn)。 我們也設(shè)定一閾值，在此閾值內(nèi)都可以認(rèn)定為匹配。 函數(shù)結(jié)果會(huì)得到一數(shù)組（內(nèi)有脊線的 長(zhǎng)度信息 ） 。在一幅細(xì)化的指紋圖 像中 ，如果 在 一個(gè) 像素（該像素為 端點(diǎn) ） 的周圍半徑為 r（ r 為 像素 的個(gè)數(shù)） 的圓內(nèi)沒(méi)有任何 的 端點(diǎn)或 者 交叉點(diǎn)，那么隨著r 的逐漸 增 大，這 樣的點(diǎn) 就 會(huì)越來(lái)越少， 因此該點(diǎn) 也就越來(lái)越獨(dú)特。 25 第 3 章 圖像特征提取 和 特征匹配 特征點(diǎn)提取 （ 1） 提取指紋的端點(diǎn)和交叉點(diǎn) 端點(diǎn)和交叉點(diǎn) 均 是指紋圖像的 兩個(gè) 細(xì)節(jié)特征， 同時(shí)在 指紋識(shí)別的 的過(guò)程中起著重要的作用，因?yàn)樽R(shí)別的首要前提就 是找到圖像的所有端點(diǎn)和交叉點(diǎn) 。 本算法采用統(tǒng)一的 4*4 模板，消除模板有 八 個(gè)，保留模板有 六 個(gè)，模板 的 結(jié)構(gòu)如 下 圖 215，圖 216，圖 217 所示 。 總 體 來(lái)說(shuō)，細(xì)化算法應(yīng)滿足 （ 1） 盡量保持原圖像的基本機(jī)構(gòu)特性 （如脊線的形態(tài)） ；（ 2） 盡量以脊線的中軸線 或者指紋的中心為重 心； （ 3） 從 指紋脊線的兩面 21 對(duì)稱的刪除 ； （ 4） 保證 細(xì)化完后的 指紋 圖像是單 個(gè) 像素的； （ 5） 對(duì)邊緣 上噪聲不 應(yīng)該 敏感 ； （ 6） 算法簡(jiǎn)單 且 實(shí) 用。 脊線中 叉連點(diǎn)的兩端灰度值比中間 的要 稍微 大 一些 ， 經(jīng) 過(guò)分離濾波器的處理，叉連點(diǎn)處的灰度值就會(huì)降下來(lái)， 脊線中的 叉連點(diǎn)就 會(huì) 被去除了。指紋圖像的增強(qiáng) 濾波有很多的算法 ，本文就 一種 圖像 濾波器 算 法進(jìn)行闡述 。則有公式如下： ( ) ( 0 2 5 5 )kkknp f fn? ? ? （ 25） 通常以 ()kpf 為縱坐標(biāo)， kf 為橫坐標(biāo)的圖像為指紋灰度圖的直方 圖，該算法的直方圖有兩個(gè)峰值，對(duì)應(yīng)目標(biāo)和背景， 閾值 取雙峰的波谷的值，且雙峰越陡，二值化效果越好。 方向圖 描述了指紋圖像 中的 像素點(diǎn) 、 小塊指紋 所在 處的 脊線或谷線的切線方向 ， 因?yàn)?指紋圖像 在 一塊不大的區(qū)域內(nèi)的指紋方向幾近 相 同 ， 因此 在計(jì) 14 算中 ， 一般 以該點(diǎn)所在 的小塊 方向 來(lái)代替該像素點(diǎn) 的方向 。基于這一基本特性，可利用圖像的局部方差對(duì)指紋圖像進(jìn)行分割 。 背 景 區(qū)不 可 恢 復(fù) 區(qū)清 晰 目 標(biāo) 區(qū)可 恢 復(fù) 區(qū) 圖 22 指紋圖像的四種區(qū)域 圖像歸一化 對(duì)指紋圖像進(jìn)行分割處理，消除剩下的背景區(qū)域 前 ， 首先要進(jìn)行圖像歸一化 。 本文 預(yù)處理的主要流程如圖21 所示。 一切需要身份確認(rèn)的場(chǎng)所 ,都有它 的蹤影 ,如 金融證券 類 的 ATM指紋終端、指紋保險(xiǎn)箱 等 、 IT類 的 計(jì)算機(jī) 的 系統(tǒng)密碼 驗(yàn)證 、網(wǎng)絡(luò)安全 等 、安防 類 的 門禁系統(tǒng)等 、醫(yī)療 類 的 個(gè)人醫(yī)療檔案 驗(yàn)證 等 、福利 類 的 醫(yī)療確認(rèn)、 福利 確認(rèn)等 ，因此指紋識(shí)別在許多 行業(yè)的應(yīng)用系統(tǒng)中都具有廣闊的應(yīng)用前景 。 根 據(jù)研究，兩個(gè)指紋 的 總體特征 有時(shí)候會(huì)很 相似，但 是 局部特征是 不會(huì)相同 的 ，即沒(méi)有兩個(gè)指紋 的紋路 是相同的。 (a)弓形 (b) 環(huán)形 (c)螺旋形 圖 12 指紋類型 （ 4） 留痕 性 ：指紋接觸物體后 會(huì)留下痕跡 。 指紋識(shí)別的原理 和方法 指紋的基本知識(shí) 指紋 是 我們各個(gè) 手指 的 第一個(gè)指 節(jié) 的 指頭表面突 起的 脊線 ； 而脊線是手指突起的花脊線條；谷線是兩個(gè)脊線之間低凹下去 的部分； 指印是 指紋在物體 表面 留下的 痕跡 ； 指紋的 細(xì)節(jié)特征是 指紋固有的 自身 特點(diǎn) 。 研究背景及 意義 因?yàn)?人的一些特殊的生物特征 ，人們把 身份認(rèn)證技術(shù)的 目光轉(zhuǎn)向了生物特征的識(shí)別技術(shù) 。 本 文給出了 指紋圖像預(yù)處理、特征提取、特征匹配的 matlab 程序 及處理結(jié)果。該結(jié)果 證明，用 matlab 實(shí)現(xiàn)的 這些 算法 的 處理結(jié)果比較理想，滿足識(shí)別的 可行性和 應(yīng)用性。 生物識(shí)別技術(shù)是利用人體生物特征進(jìn)行身份認(rèn)證的一種技術(shù) ， 它 主要有指紋、 手形 、 臉形 、聲音 、 虹膜、視網(wǎng)膜、簽名 、 掌紋、和臉部熱譜圖等 ， 在生物識(shí)別技術(shù) 中 指紋識(shí)別 技術(shù)是目前相對(duì)成熟的一種 。根據(jù) 指紋 中的細(xì)節(jié)特征 我們 常將 指紋特點(diǎn)分為 端點(diǎn)和分叉點(diǎn)， 如圖 11 所示 。指紋的這個(gè)特點(diǎn)，是與手掌表面附著面的污垢的性能緊密相關(guān)的 。 英國(guó)學(xué)者 認(rèn)為 , 只要 有 13 個(gè)特征點(diǎn) 能 重合 , 就可以確認(rèn) 這兩枚指紋 是 同 一指紋 [3]。 Matlab 在指紋識(shí)別中的應(yīng)用 Matlab 是一種 高級(jí) 的計(jì)算機(jī)語(yǔ)言 , 具有 獨(dú)特的 數(shù)學(xué)運(yùn)算能力是 matlab語(yǔ)言最 突出 的 優(yōu)點(diǎn)。 指紋分割細(xì)化濾波增強(qiáng)二值化 圖 21 預(yù)處理流程 圖像 的 分割 圖像分割是從一幅圖像中按一定規(guī)則將一些物體或區(qū)域加以分離 ， 劃分出我們感興趣的部分或區(qū)域。 對(duì) 采集好的指紋圖像 進(jìn)行歸一化處理， 是對(duì)指紋灰度圖的灰度均值和方差做一次調(diào)整，使得不論用 什么設(shè)備采集的指紋圖像都可以有預(yù)期的方差和均值，從而屏蔽不必要的 噪聲 。該方法的優(yōu)點(diǎn)：算法簡(jiǎn)單，計(jì)算速度快，如果采集到的指紋質(zhì)量好，則分割效果不錯(cuò)；缺點(diǎn)：對(duì)質(zhì)量較差的指紋 ，該 方法分割效果不是很理想 ，如 當(dāng)指紋背景區(qū)域有污漬時(shí) , 這些區(qū)域的 方差也 比較 大 ， 用 方差法 分割時(shí)就不能被有效地分割出 去 。 為方便認(rèn)知，以指紋圖像為模板，畫一環(huán)形區(qū)域來(lái)表示指紋，其中，扇形區(qū)域中的小塊表示指紋被分塊后的小塊。 該算法速度快，簡(jiǎn)單 且 易于理解，但效果較差。 上下文濾波器： 該 算法 也是基于 脊線紋路和紋理的 方向圖的， 但 是這種算法比較 簡(jiǎn)單且效果良好，使用時(shí) 用的 濾波器要 根據(jù) 具體的某一塊指紋脊線的 方向從一系列的 濾波器中選擇一個(gè) 合理的 濾波 器來(lái)對(duì) 要進(jìn)行濾波的指紋 進(jìn)行濾波，其它 塊的指紋圖像 濾波則可以通過(guò) 已用過(guò)的濾波器旋轉(zhuǎn) 得到。脊線的斷裂和叉連 點(diǎn) 如圖 210所示： 斷 裂 脊 線原 脊 線叉 連 脊 線 原 脊 線 19 圖 210 斷裂與叉連 因此選擇 增強(qiáng) 濾波器的時(shí)候必須要具有類似平均濾波器和分離濾波器作用的 增強(qiáng) 濾 波器，分離濾波器 的權(quán)值 可以用下 圖 29來(lái)表示 ，并且可以得到一般濾波器的權(quán)值如圖 211。 快速細(xì)化算法 快速細(xì)化算法的原理 為 先判斷出指紋 的 邊緣，并 沿著脊線的邊緣對(duì)稱的逐步刪除像素， 直至刪除的剩下單個(gè)像素。 圖 215 OPTA 算法的改進(jìn) 模板 (4*4) 圖 216 消除模板 （ 八 個(gè) ） 23 圖 217 保留模板 （ 六 個(gè) ） 改進(jìn) 后的 OPTA 算法 的細(xì)化 原理 ：從圖像 （類似于 4*4 的模板中） 左上角 開始進(jìn)行， 圖中的各個(gè) 像素 （如圖所 示的元素，用 P 表示） 抽取 如 圖215 所示的 1 15~PP總共 十五 個(gè)相鄰 像素， 其中 的 八 個(gè) 相鄰 的 像素 ( 14~PP，69~PP)與圖 215 所示 的 消除模板 （ 八 個(gè)） 相 比較， 若 都不匹配，則 P 保留，否則將抽取 出來(lái) 的元 素 和圖 216 的保留模板 （ 六 個(gè)） 相 比較， 若 與其中 的一個(gè)匹配，則保留 P， 否則 應(yīng)該 將 P 刪除。 先 通過(guò) 一 函數(shù) 對(duì) 八 個(gè) 鄰域 的坐標(biāo)位置 進(jìn)行 定義 ， 然后定義 另一 函數(shù) 來(lái) 找出細(xì)化后 指紋 圖像的 所有 端點(diǎn) 及交叉點(diǎn) 。于是我們?cè)O(shè)計(jì)了一 single_point 函數(shù) 來(lái) 找出這樣 獨(dú)特的 點(diǎn)。 如果兩幅指紋細(xì)化圖像中的紋路是相同 的，則它們 就包含相同的端點(diǎn)和交叉 點(diǎn)及用 distance 函數(shù)找出的相同的一段脊， 則這兩個(gè) 指紋圖像中的 長(zhǎng)度數(shù)組對(duì)應(yīng) 的位置 比例 會(huì) 基本相等（ 我們選擇的指紋圖像大小基本相等，因此該比例選 1）， 因此 函數(shù)最終定義了一個(gè)數(shù) f=(sum(abs((d1./d2)1)))， 其中 若 f 的 值越接近于 0，這兩幅圖像的匹配度 就 越高，在一定范圍的閾值內(nèi)我們可以認(rèn)定為匹配。 本文中取 r=8， num=60，經(jīng)過(guò)試驗(yàn)，得到 f的閾值為 ， ff的閾值為 ，fff的閾值為 。 31 致 謝 時(shí)光如梭，隨著畢業(yè)論文的完成，我的大學(xué)生涯也就要結(jié)束。 for x=1:m for y=1:n M=M+I(x,y)。 %3*3 H = m/M。 for i=1:M。 end end Gmean=0。vtotle=0。 gtemp1=0。 end end end G2=gtotle1/gtemp1。 var1(x,y) V2 e(x,y)=1。)。 In(a,b)=Im(a1,b1)*temp(1,1)+Im(a1,b)*temp(1,2)+Im(a1,b+1)*temp(1,3)+Im(a,b1)*temp(2,1)+Im(a,b)*temp(2,2)+Im(a,b+1)*temp(2,3)+Im(a+1,b1)*temp(3,1)+Im(a+1,b)*temp(3,2)+Im(a+1,b+1)*temp(3,3)。 sum4=I(x2,y+1)+I(x4,y+2)+I(x+2,y1)+I(x+4,y2)。 summ=sum(sumi)。 else Icc(i,j)=1。 end else u(x,y)=u(x,y)。square39。細(xì)化圖 39。 case 8 j = img(x + 1, y + 1)。 end if (CN == 6) txy(count, :) = [x, y,6]。)。 if delta(i,j)=70 for k=1:n if (txy(k,1)=1+31*(i1)amp。txy(k,3)==2) txy(k,:)=[0,0,0]。 n=length(x)。 t=size(pxy2,1)。 thin(y0,x0)=0。)。 pxy2=txy(c,:)。 x=txy(:,1)。txy(k,2)=31+31*(j1)amp。 mp{i,j}=(mp{i,j}s(i,j)).^2。 plot(x,y,39。 end if (CN == 2)