【文章內(nèi)容簡介】 點刪除，依次刪除到剩下三個時判斷該點是否為分叉點，不是再刪除，剩下兩個點時，判斷是否為連續(xù)點，不是時刪除，當(dāng)為一個點時不刪除。（3）循環(huán)尋找，直到?jīng)]可刪除的點為止。 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，保留模板有六個，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） 圖217 保留模板（六個）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所示的總共十五個相鄰像素，其中的八個相鄰的像素(，)與圖215所示的消除模板（八個）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）相比較，若與其中的一個匹配，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處徹底的細(xì)化，同時也會產(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)實驗發(fā)現(xiàn)，該方法處理弓形指紋效果較好，對于環(huán)形或螺旋形指紋的中心區(qū)域時會出現(xiàn)較多的毛刺和斷裂，如下圖219，這是其的缺點之一，為了很好的使其有實際應(yīng)用，有待改進(jìn)。圖 219 細(xì)化圖本章通過對指紋原圖像的分割，二值化，濾波和細(xì)化算法的分析比較，得出了一套比較實用和便捷的算法，并通過matlab仿真實現(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 特征點提?。?）提取指紋的端點和交叉點端點和交叉點均是指紋圖像的兩個細(xì)節(jié)特征，同時在指紋識別的的過程中起著重要的作用，因為識別的首要前提就是找到圖像的所有端點和交叉點。將八鄰域中的每個點依次兩兩相減并取其絕對值，后將所有結(jié)果加起來，因為端點處是兩個點，即和為2時細(xì)化圖像有端點，和為6時圖像特征為交叉點。，能把細(xì)化圖像的的端點和交叉點全部找出。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時為端點，y為6時為交叉點。（2）去除圖像邊緣的端點可以看出，指紋圖像細(xì)化的邊緣，由于采集儀器不同的關(guān)系，因此不可避免的會多出很多的端點，這些端點不僅增加了后續(xù)的工作量，還可能導(dǎo)致識別過程中產(chǎn)生錯誤，所以要把這些邊緣的端點都去除，在matlab中這些操作都可以采用一函數(shù)來實現(xiàn)，本實驗中設(shè)計了一cut函數(shù)來進(jìn)行處理。 找出特征點設(shè)置三個函數(shù)來找出圖像的特征點：（1）single_point函數(shù) 經(jīng)過去除邊緣端點的操作后進(jìn)一步減少了指紋細(xì)化圖像中的端點和交叉點的個數(shù)。下面就需要找出一些在細(xì)化圖像中比較獨特的端點來作為識別的特征點。在一幅細(xì)化的指紋圖像中，如果在一個像素（該像素為端點）的周圍半徑為r（r為像素的個數(shù)）的圓內(nèi)沒有任何的端點或者交叉點，那么隨著r的逐漸增大，這樣的點就會越來越少，因此該點也就越來越獨特。于是我們設(shè)計了一single_point函數(shù)來找出這樣獨特的點。（2）walk函數(shù)為了進(jìn)一步找出特征點，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在num的距離內(nèi)是否還有其他的端點。（3）last1函數(shù)single_point函數(shù)和walk函數(shù)都是找細(xì)化圖像特征點的函數(shù)，因此可以設(shè)計另一個新的last1函數(shù)，通過執(zhí)行[pxy3,error2]=last1(thin,r,txy,num)可以找出一端點以r為半徑的像素內(nèi)的任何端點和交叉點且沿著脊線走向的num內(nèi)沒有任何的其他端點和交叉點。 特征點匹配由上文的函數(shù)可知，已經(jīng)找出了指紋細(xì)化圖像中的特征點，并畫出了一段獨特的脊線，在圖像中用紅色來標(biāo)示。下面就是指紋匹配[12]的問題了。在此我們設(shè)置了三層匹配。（1）脊線長度匹配對于上面的函數(shù)即可找出細(xì)化圖像中的特征點和一段脊線，沿著該段脊線走向，每隔五個像素測量一下，看到到原始端點的距離，此段距離由一distance函數(shù)得到。函數(shù)結(jié)果會得到一數(shù)組（內(nèi)有脊線的長度信息）。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和交叉點及用distance函數(shù)找出的相同的一段脊，則這兩個指紋圖像中的長度數(shù)組對應(yīng)的位置比例會基本相等（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）三角形邊長匹配找到一個指紋細(xì)化圖像的特征點后，可以找出距離這個端點距離最近的兩個端點或者交叉點，與這個指紋圖像細(xì)化的特征點構(gòu)成一個三角形，若兩幅圖像中的邊長比例基本相等（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或交叉點。函數(shù)最后定義了一個數(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）點類型匹配找到一個指紋細(xì)化圖像的特征點后，在該端點周圍找到四十個端點或者交叉點，統(tǒng)計在這四十個特征點中端點的個數(shù)和交叉點的個數(shù)。若有兩幅指紋細(xì)化圖像中的端點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，。即兩幅圖像的f，ff，fff若均小于閾值，則兩幅圖匹配；若三個值中有至少一個值大于閾值，則不匹配。驗證如下：一、選擇兩幅圖：圖 31（a） 輸出的時間圖 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，文中主要對指紋圖像預(yù)處理的各個步驟做了較為詳細(xì)的討論，并用matlab加以仿真和驗證。論文中的算法基本上能夠?qū)崿F(xiàn)指紋識別的預(yù)期目的，但是由于畢業(yè)設(shè)計的時間較短以及我的知識面的限制，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，但通過實驗驗證可發(fā)現(xiàn)比對時間比較長，有待于進(jìn)一步改進(jìn)。在指紋特征點的提取和匹配的過程中，均設(shè)置了一個函數(shù)來實現(xiàn)算法，實現(xiàn)的過程的時間也相對較長，也可以用其他的語言來實現(xiàn)。 致 謝時光如梭，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)計這段時間里，我的指導(dǎo)老師劉文博，對我耐心指導(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間里，我學(xué)到了很多我之前不懂的一些專業(yè)知識和技能，鍛煉了我思考能力和操作能力，對我大學(xué)四年的學(xué)習(xí)有了一個比較全面系統(tǒng)的整理。在畢業(yè)設(shè)計的完成過程中，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，自動指紋識別系統(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．指紋識別門禁系統(tǒng)的matlab仿真實現(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