【文章內(nèi)容簡(jiǎn)介】 點(diǎn)刪除，依次刪除到剩下三個(gè)時(shí)判斷該點(diǎn)是否為分叉點(diǎn)，不是再刪除，剩下兩個(gè)點(diǎn)時(shí)，判斷是否為連續(xù)點(diǎn)，不是時(shí)刪除，當(dāng)為一個(gè)點(diǎn)時(shí)不刪除。（3）循環(huán)尋找，直到?jīng)]可刪除的點(diǎn)為止。 改進(jìn)的OPTA算法常用的傳統(tǒng)細(xì)化算法還有OPTA算法[10]（基于模板的圖象細(xì)化算法），原理為構(gòu)造兩個(gè)模板：一消除模板和一保留模板，將指紋圖像二值化后與這兩個(gè)模板相比較，來決定是否刪除該像素，本文研究的是改進(jìn)后的OPTA算法，改進(jìn)后的OPTA算法的優(yōu)點(diǎn)是消除了原OPTA算法算法中兩種模板不一致的問題。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。圖 215 OPTA算法的改進(jìn)模板(4*4)圖 216 消除模板（八個(gè)） 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所示的總共十五個(gè)相鄰像素，其中的八個(gè)相鄰的像素(，)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。重復(fù)利用以上的操作，將所有圖像中的像素值進(jìn)行比較直至不變?yōu)橹?。此算法是八連通的算法，基本都能夠保證單像素的寬度。但該算法卻不能使分叉點(diǎn)處徹底的細(xì)化，同時(shí)也會(huì)產(chǎn)生部分毛刺。Matlab程序見附錄A。細(xì)化結(jié)果圖如圖218：圖218 細(xì)化圖根據(jù)實(shí)驗(yàn)發(fā)現(xiàn)，該方法處理弓形指紋效果較好，對(duì)于環(huán)形或螺旋形指紋的中心區(qū)域時(shí)會(huì)出現(xiàn)較多的毛刺和斷裂，如下圖219，這是其的缺點(diǎn)之一，為了很好的使其有實(shí)際應(yīng)用，有待改進(jìn)。圖 219 細(xì)化圖本章通過對(duì)指紋原圖像的分割，二值化，濾波和細(xì)化算法的分析比較，得出了一套比較實(shí)用和便捷的算法，并通過matlab仿真實(shí)現(xiàn)最終的結(jié)果，為后續(xù)的特征提取和匹配打下了基礎(chǔ)。 第3章 圖像特征提取和特征匹配 特征點(diǎn)提?。?）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)。將八鄰域中的每個(gè)點(diǎn)依次兩兩相減并取其絕對(duì)值，后將所有結(jié)果加起來，因?yàn)槎它c(diǎn)處是兩個(gè)點(diǎn)，即和為2時(shí)細(xì)化圖像有端點(diǎn)，和為6時(shí)圖像特征為交叉點(diǎn)。，能把細(xì)化圖像的的端點(diǎn)和交叉點(diǎn)全部找出。在定義函數(shù)的程序中有數(shù)組txy，其中t為橫坐標(biāo)，x為縱坐標(biāo)，y為2時(shí)為端點(diǎn)，y為6時(shí)為交叉點(diǎn)。（2）去除圖像邊緣的端點(diǎn)可以看出，指紋圖像細(xì)化的邊緣，由于采集儀器不同的關(guān)系，因此不可避免的會(huì)多出很多的端點(diǎn)，這些端點(diǎn)不僅增加了后續(xù)的工作量，還可能導(dǎo)致識(shí)別過程中產(chǎn)生錯(cuò)誤，所以要把這些邊緣的端點(diǎn)都去除，在matlab中這些操作都可以采用一函數(shù)來實(shí)現(xiàn)，本實(shí)驗(yàn)中設(shè)計(jì)了一cut函數(shù)來進(jìn)行處理。 找出特征點(diǎn)設(shè)置三個(gè)函數(shù)來找出圖像的特征點(diǎn)：（1）single_point函數(shù) 經(jīng)過去除邊緣端點(diǎn)的操作后進(jìn)一步減少了指紋細(xì)化圖像中的端點(diǎn)和交叉點(diǎn)的個(gè)數(shù)。下面就需要找出一些在細(xì)化圖像中比較獨(dú)特的端點(diǎn)來作為識(shí)別的特征點(diǎn)。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)越來越少，因此該點(diǎn)也就越來越獨(dú)特。于是我們?cè)O(shè)計(jì)了一single_point函數(shù)來找出這樣獨(dú)特的點(diǎn)。（2）walk函數(shù)為了進(jìn)一步找出特征點(diǎn)，我們還需定義一walk函數(shù)，它的主要作用就是判斷某一端點(diǎn)在num的距離內(nèi)是否還有其他的端點(diǎn)。（3）last1函數(shù)single_point函數(shù)和walk函數(shù)都是找細(xì)化圖像特征點(diǎn)的函數(shù)，因此可以設(shè)計(jì)另一個(gè)新的last1函數(shù)，通過執(zhí)行[pxy3,error2]=last1(thin,r,txy,num)可以找出一端點(diǎn)以r為半徑的像素內(nèi)的任何端點(diǎn)和交叉點(diǎn)且沿著脊線走向的num內(nèi)沒有任何的其他端點(diǎn)和交叉點(diǎn)。 特征點(diǎn)匹配由上文的函數(shù)可知，已經(jīng)找出了指紋細(xì)化圖像中的特征點(diǎn)，并畫出了一段獨(dú)特的脊線，在圖像中用紅色來標(biāo)示。下面就是指紋匹配[12]的問題了。在此我們?cè)O(shè)置了三層匹配。（1）脊線長(zhǎng)度匹配對(duì)于上面的函數(shù)即可找出細(xì)化圖像中的特征點(diǎn)和一段脊線，沿著該段脊線走向，每隔五個(gè)像素測(cè)量一下，看到到原始端點(diǎn)的距離，此段距離由一distance函數(shù)得到。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）。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。（2）三角形邊長(zhǎng)匹配找到一個(gè)指紋細(xì)化圖像的特征點(diǎn)后，可以找出距離這個(gè)端點(diǎn)距離最近的兩個(gè)端點(diǎn)或者交叉點(diǎn)，與這個(gè)指紋圖像細(xì)化的特征點(diǎn)構(gòu)成一個(gè)三角形，若兩幅圖像中的邊長(zhǎng)比例基本相等（原理同上，也選1），則說明這兩幅圖像匹配，越接近于1說明這兩幅指紋圖像越匹配。其中設(shè)置一find_point函數(shù)來找出距離最近的端點(diǎn)或交叉點(diǎn)。函數(shù)最后定義了一個(gè)數(shù)ff=(sum(abs((dd1./dd2)1)))，因此ff值越接近于0，這兩幅指紋圖像的匹配度越高，在一定范圍的閾值內(nèi)我們可以認(rèn)定為匹配。（3）點(diǎn)類型匹配找到一個(gè)指紋細(xì)化圖像的特征點(diǎn)后，在該端點(diǎn)周圍找到四十個(gè)端點(diǎn)或者交叉點(diǎn)，統(tǒng)計(jì)在這四十個(gè)特征點(diǎn)中端點(diǎn)的個(gè)數(shù)和交叉點(diǎn)的個(gè)數(shù)。若有兩幅指紋細(xì)化圖像中的端點(diǎn)所占的比例近似相同，則兩幅圖像相匹配，越近似，則越相同。函數(shù)最終定義了一個(gè)數(shù)fff=abs(f11f21)/(f11+f12)，所以fff值越接近于0，這兩幅指紋圖像的匹配度就會(huì)越高。我們也設(shè)定一閾值，在此閾值內(nèi)都可以認(rèn)定為匹配。本文中取r=8，num=60，經(jīng)過試驗(yàn)，。即兩幅圖像的f，ff，fff若均小于閾值，則兩幅圖匹配；若三個(gè)值中有至少一個(gè)值大于閾值，則不匹配。驗(yàn)證如下：一、選擇兩幅圖：圖 31（a） 輸出的時(shí)間圖 31（b） 特征匹配通過以上的f，ff，為同一手指的指紋。二、選擇兩幅圖：圖 32（a） 輸出的時(shí)間圖 32（b） 特征匹配通過以上的f，ff，為同一手指的指紋?？偨Y(jié)與展望該論文是在前人研究的基礎(chǔ)上，參閱了部分資料，并在劉文博老師的指導(dǎo)下認(rèn)真完成的，文中主要對(duì)指紋圖像預(yù)處理的各個(gè)步驟做了較為詳細(xì)的討論，并用matlab加以仿真和驗(yàn)證。論文中的算法基本上能夠?qū)崿F(xiàn)指紋識(shí)別的預(yù)期目的，但是由于畢業(yè)設(shè)計(jì)的時(shí)間較短以及我的知識(shí)面的限制，有許多問題的考慮還不全面，有待于進(jìn)一步完善。本文中主要對(duì)圖像預(yù)處理進(jìn)行了分析比較，最后得到了一套比較合適的算法，但通過實(shí)驗(yàn)驗(yàn)證可發(fā)現(xiàn)比對(duì)時(shí)間比較長(zhǎng)，有待于進(jìn)一步改進(jìn)。在指紋特征點(diǎn)的提取和匹配的過程中，均設(shè)置了一個(gè)函數(shù)來實(shí)現(xiàn)算法，實(shí)現(xiàn)的過程的時(shí)間也相對(duì)較長(zhǎng)，也可以用其他的語言來實(shí)現(xiàn)。 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?；叵胛易霎厴I(yè)設(shè)計(jì)這段時(shí)間里，我的指導(dǎo)老師劉文博，對(duì)我耐心指導(dǎo)，嚴(yán)格要求，精益求精，在此致以最深的謝意。在撰寫論文的這段時(shí)間里，我學(xué)到了很多我之前不懂的一些專業(yè)知識(shí)和技能，鍛煉了我思考能力和操作能力，對(duì)我大學(xué)四年的學(xué)習(xí)有了一個(gè)比較全面系統(tǒng)的整理。在畢業(yè)設(shè)計(jì)的完成過程中，室友和班上的所有同學(xué)，他們給我提供了有益的幫助、良好的學(xué)習(xí)和生活環(huán)境，非常感謝他們。參考文獻(xiàn)[1] 李俊山，：清華大學(xué)出版社，[2] ：電子工業(yè)出版社，[3] 祝恩，：國(guó)防科技大學(xué)出版社，[4] 查振元、朱華炳．，(2)：13—14[5] 胡士斌,楊衛(wèi)平. 指紋圖像復(fù)合分割算法研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2006,40(12): 71273.[6] 李建華，馬小妹，郭成安，42(5)：626628[7] 家鋒，唐降龍，2002,34(1)：132136[8] 劉文星，王肇圻，母國(guó)光．脊線跟蹤及其在細(xì)化指紋后處理中的應(yīng)用[J]．光電子,激光，2002，13(2)：184~187．[9] 王瑋著，自動(dòng)指紋識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究，重慶，重慶大學(xué)光電工程學(xué)院，2007，8082[10] 羅希平，20025，13(5)： 946956[11] 姜騰云．指紋識(shí)別門禁系統(tǒng)的matlab仿真實(shí)現(xiàn)．江門：五邑大學(xué)，2011．[12] ：北京工業(yè)大學(xué)碩士學(xué)位論文，20045. 附錄A 預(yù)處理代碼function img = tuxiangyuchuli(path)M=0。var=0。I=double(imread(path))。[m,n,p]=size(I)。for x=1:m for y=1:n M=M+I(x,y)。 endendM1=M/(m*n)。for x=1:m for y=1:n var=var+(I(x,y)M1).^2。 endendvar1=var/(m*n)。for x=1:m for y=1:n if I(x,y)=M1 I(x,y)=150+sqrt(2000*(I(x,y)M1)/var1)。 else I(x,y)=150sqrt(2000*(M1I(x,y))/var1)。 end endendfigure, imshow(I(:,:,3)./max(max(I(:,:,3))))。title(‘歸一化’)%************************************************************************M =3。 %3*3H = m/M。 L= n/M。aveg1=zeros(H,L)。var1=zeros(H,L)。 %計(jì)算每一塊的平均值for x=1:H。 for y=1:L。 aveg=0。var=0。 for i=1:M。 for j=1:M。 aveg=I(i+(x1)*M,j+(y1)*M)+aveg。 end end aveg1(x,y)=aveg/(M*M)。 %計(jì)算每一塊的方差 for i=1:M。 for j=1:M。 var=(I(i+(x1)*M,j+(y1)*M)aveg1(x,y)).^2+var。 end end var1(x,y)=var/(M*M)。 endendGmean=0。Vmean=0。for x=1:H for y=1:L Gmean=Gmean+aveg1(x,y)。 Vme