【正文】 以下是兩幅圖像配準的 MATLAB 實現，配準函數 dftregistration 見附錄 1 所示：%配準程序I1=imread(39。f:/39。)。I2=imread(39。f:/39。)。J1=double(I1)。J2=double(I2)。K1=fft2(J1)。K2=fft2(J2)。y=dftregistration(K1,K2,1)。由上述程序可知兩幅圖像的偏移量是 1 個像素，現將兩幅圖像進行配準，所得到的圖像如圖 所示，然后將這兩幅圖像相加，便得到了較為清晰的指紋圖像。安徽工程大學機電學院畢業(yè)設計（論文） 21 圖 配準后的指紋圖像以下是兩幅圖像進行配準后再相加的的 MATLAB 程序:I1=imread(39。f:/39。)。I2=imread(39。f:/39。)。I4=double(I1)。I5=double(I2)。%figure,imshow(uint8(dat1))。[width,height]=size(I5)。NewR2=zeros(width,height)。for i=1:width for j=1:height source_x=i+1。 source_y=j+1。 if(source_xwidth||source_yheight) NewR2(i,j)=0。 else if(source_x/double(uint16(source_x))==amp。source_y/double(uint16(source_y))==)殷明：指紋圖像預處理算法設計與實現 22 NewR2(i,j)=I5(int16(source_x),int16(source_y))。 end end endendI6=NewR2。I3=uint8(I4)。I3(450,:)=255。I7=uint8(I6)。I7(:,313)=255。I7(450,:)=255。figure,imshow(I3)。figure,imshow(I7)。K=imadd(I3,I7,39。uint1639。)。figure,imshow(K,[])。上面兩幅圖像相加后的結果如下圖 所示，得到了較為清晰的指紋灰度圖像，本文將在下一節(jié)中對指紋圖像再進行二值化處理。 圖 相加后的指紋圖像 二值化安徽工程大學機電學院畢業(yè)設計（論文） 23 指紋圖像二值化作為指紋預處理過程的一部分，是進行指紋圖像細化處理的基礎。目前指紋細化方法都是基于二值指紋圖像進行的。對指紋圖像二值化的好處在于使得圖像的幾何性質只于 0 和 1 的位置有關，不再涉及像素的灰度值，使處理變得簡單，這給存儲和處理帶來了很大的方便，同時也提高了系統(tǒng)的經濟實用。 一個好的算法可以得到一個高質量的二值圖像。反之，如果該階段引入噪聲，就會直接降低圖像質量，影響識別精度。對指紋圖像進行二值化，其基本要求就是二值化后的圖像能真實地再現原指紋。具體要求為: 。，二值化算法的速度也應是一個評價指標。一般灰度圖像二值化的變換函數 f(x)可以用下述公式表示:公式中 T 為指定的閥值，x 為灰度值。局部自適應閥值算法首先是利用固定閥值算法的思想，然后根據圖像中每一部分的明暗度來調整閥值。首先把圖像分為若干個 W*W 的方塊，每一塊根據自己的閥值進行二值化。這種算法充分利用了指紋圖中脊線與谷線寬度大致相同的特點，即二值化后黑白像素的個數也應大致相同，首先利用固定閥值算法的特點對指紋圖像中的每塊確定一個大致的閥值，然后再利用自適應的思想對閥值進行準確的調整，即閥值的取值合適時圖像是最光滑的，既沒有“黑洞”閥值過大，也沒有“白點”閥值過小，所以 01 之間的轉換次數最少。下面為塊區(qū)域閥值 T 的選取算法: W*W 的塊，求取該區(qū)域內所有像素的灰度平均值。 221(,)wiiuivjTGij????? Nk 和 Nl 的值，N k=灰度值大于等于 T 的像素點的個數。N l=灰度值小于 T 的像素點的個數； ,則 T 為閥值；kla??(10%)w?? ，則 T=T+1,否則 T=T1,返回第二步。l? Matlab 仿真殷明：指紋圖像預處理算法設計與實現 24 本文并用 matlab 圖像處理工具箱提供的 im2bw 函數實現指紋圖像的二值化。以下是二值化算法的 MATLAB 實現：%二值化算法 matlab 程序I=imread(‘f:\39。)。level=graythresh(I)。J=im2bw(I,level)。imshow(J)。通過 Matlab 進行算法仿真的結果如圖 所示。 圖 指紋圖像的二值化結果通過本節(jié)對指紋灰度圖像的二值化處理，得到了清晰的二值圖像，本文將在下一節(jié)中對指紋圖像進行細化處理，目的是得到單個像素的指紋紋路，為后續(xù)的特征識別做前期準備。 細化安徽工程大學機電學院畢業(yè)設計（論文） 25 細化又稱骨骼化，是指在不影響圖像的拓撲關系的情況下，將圖像中寬度大于一個像素的線條轉變?yōu)橹挥幸粋€像素寬度的圖像的處理過程。由于在指紋識別的圖像處理過程中，指紋的特征，包括方向特征和位置特征，只跟指紋圖像的拓撲結構有關系，而跟脊線和脊谷的寬度無關，同時通過細化可以極大地便于后續(xù)的提取特征點操作，因此在指紋圖像的處理過程中需要對指紋圖像進行細化操作。細化的效果好壞直接關系到指紋特征點是否能夠高效的提取。若細化處理效果不好的話，后續(xù)的特征點提取將有可能出現大量的偽特征點，導致最后的匹配無法進行，因此細化操作非常重要。由于指紋識別與一般其他的圖像識別有很大的不同，指紋識別的匹配直接與細化后的指紋的端點(含分叉點、端點)相關，因此細化操作不能對指紋圖像的端點位置、方向等產生影響，否則就改變了指紋圖像的特征信息。 細化算法的 Matlab 仿真本文并用 matlab 圖像處理工具箱提供的 bwmorph 函數實現指紋圖像的細化。以下是細化算法的 MATLAB 實現：I=imread(‘f:/39。)。J=I(:,:,1)K=bwmorph(~J,39。thin39。,39。inf39。)。imshow(~K)。通過 Matlab 進行算法仿真的結果如圖 所示。圖 指紋圖像細化的結果殷明：指紋圖像預處理算法設計與實現 26 第 3 章 指紋特征的提取 特征點提取一般分為兩個階段:提取特征點和偽特征點的剔除。許多學者都在這方面做出了深入的研究。最早提出特征點提取算法的是美國聯(lián)邦調查局(FBI)的自動指紋識別技術研究人員。他們采用了一種二級算法，用自適應“編輯”方法將指紋圖像二值化，再從二值化后的指紋圖像中提取特征點。該算法的提出在指紋識別領域具有開拓性的意義，并且該算法在相當一段時間內被廣泛地用作細節(jié)特征點的標準算法，獲得了廣泛的應用。 最常用的特征點提取算法有兩類:一是從灰度圖像直接提取特征點。二是對預處理細化后的圖像進行提取特征點。下面將對這兩種特征點提取算法進行介紹比較。由于對于一幅灰度指紋圖像，其根據方向圖的定義可知沿著脊線方向的，在這個方向的垂直方向上，即法線方向上，其端點處就是脊線末端與背景圖像交界的地方，端點就是在這一交界處灰度最大的一點。灰度圖像直接提取法就是利用這一特性來構建算法的。具體算法如下： (1)計算指紋圖像的方向圖，一般以塊方向作為指紋的方向。 (2)從初始點出發(fā)，根據指紋圖像的方向信息，在該處的法線方向上，半個指紋周期內，求取灰度分布的最大值和最小值，并以該最大值處的像素點作為新的出發(fā)點。 (3)從新的出發(fā)點出發(fā)，沿指紋圖像的方向圖的方向前進一定步長(算法最開始是按固定步長進行跟蹤的，后來發(fā)展到自適應步長跟蹤)，繼續(xù)在發(fā)現方向求取灰度分布的最大值和最小值，仍然以最大值處的像素點作為新的出發(fā)點。 (4)不斷重復步驟3，實現脊線跟蹤，直到求取的灰度分布的最大值出現明顯的變小，與最小值差不多，甚至相等時，停止跟蹤，說明己經到脊線的末端，此處即為特征點端點處。若跟蹤到的脊線與先前己經跟蹤過的脊線相交，停止跟蹤，求取兩條脊線交點位置，此處即特征點分叉點?；诩毣瘓D像的鄰域法，是先將指紋圖像經過圖像增強、二值化和細化等一系列的預處理得到細化的指紋圖像，再通過構建像素的3*3鄰域()提取指紋圖像的特征點。圖中P為待測像素點，P1, P2……P9為P 的鄰域，Cn(P) 為這8個鄰域像素的相鄰像素的灰度值(此時已二值化，所以灰度值只可能為0或1)從0變?yōu)?，或者從1變?yōu)?的次數。Sn(P) 為8鄰域像素中為1的像素的個數，具體按式(31)、(32)計算。 (其中P 9=P1) （381()niiiCP????1） （381()niiS?安徽工程大學機電學院畢業(yè)設計（論文） 27 2）通過分析可知，細化后的指紋圖像的鄰域狀態(tài)如圖32所示。 領域示意圖 細化后的指紋圖像對于脊線上的像素，可根據其鄰域的Cn(P)和Sn(P)數值判定此時P 像素點的狀態(tài)。通過分析可以發(fā)現Cn(P)和Sn(P)數值僅存在以下三種情況: (1)若P點為脊線上的點，且Cn(P)=2, Sn(P)=1，則可判定像素點P為端點，如圖32中E點。 (2)若P點為脊線上的點，且Cn(P)=4, Sn(P)=3或者4，則可判定像素點P為脊線上的連續(xù)點，即不是特征點，如圖32中的C1點、C2點、C3點、C4點。 (3)若P點為脊線上的點，且Cn(P)=6, Sn(P)=3，則可判定像素點P 為分叉點，如圖32中點B 點。 對指紋圖像中的所有像素進行處理，分別記錄下所有檢測到的端點和分叉點，即完成了特征提取的第一步——特征的提取。 以上即是常用的兩種特征點提取算法，通過比較不難發(fā)現:基于灰度直接提取算法原理比較簡單，簡化了圖像增強、二值化步驟，直接求取脊線并得到特征點。并且由于步驟的簡化一定程度上降低了偽特征點出現的概率。這兩點是該算法的最大優(yōu)點。但是該算法對圖像的質量要求比較高，僅適合圖像質量非常好，脊線清晰的指紋圖像，對于較模糊的指紋圖像則無能為力。另外，該算法脊線跟蹤的步長不好確定，即使采用自適應步長也只是稍微降低丟失特征點的情況，沒有從根本上改觀。加上是利用灰殷明：指紋圖像預處理算法設計與實現 28 度分布直方圖來確定特征點的，因此特征點的位置信息并不十分精確，有可能與實際的位置出現偏差，尤其是在圖像模糊的情況下，更是相差甚遠。基于細化圖像的鄰域法，算法稍微復雜一下，跟前一算法相比，多了圖像增強和二值化。但是由于鄰域法采用的是遍歷原則，即對所有像素都進行特征點判定，所以不會出現第一種算法那樣的特征點丟失的問題。另外由于在預處理階段增加了圖像增強和二值化，所以在算法的魯棒性方面比第一種算法更好。所以考慮到指紋識別系統(tǒng)的魯棒性，以及特征點提取算法的可靠性本文采用第二種算法。 偽細節(jié)特征點的剔除 在特征提取算法提取的特征點集中存在了一定數量的偽特征點，這是不可避免的，必須想辦法剔去偽特征點，才能確保特征匹配能夠準確的進行。 從上文細化后的指紋圖像上不難發(fā)現，由于細化后的指紋圖像出現了毛刺、粘連、斷點等現象。出現這樣的情況的原因有多種，一方面原始圖像本來就存在模糊區(qū)域和粘連區(qū)域，另一方面在指紋圖像的預處理過程中，雖然多次進行了濾波處理，但是噪音依然存在，并且有相當一部分帶入到細化后的指紋圖像中。通過特征點的提取轉化為偽特征點。大量偽特征點的存在將導致匹配效率降低，成功匹配率降低，嚴重影響指紋識別系統(tǒng)的指標，因此在匹配前須對偽特征點進行剔除。下面分析一下毛刺、短線、斷線、假橋以及環(huán)這幾種主要的噪聲的特點，以及因它們而產生的偽特征點的特性(如圖33所示)，方便針對它們各自的特點設計剔除算法。（1）毛刺 （2）短線 （3）斷線 （4）假橋 （5）小孔 偽特征點修復前后對比圖(1)毛刺現象，毛刺的出現有多方面的原因，比如受隨機噪聲的影響而形成的，還有部分是受圖像增強和細化處理產生的。一個毛刺經過提取特征點后會產生一個偽端點和一個偽分叉點。這類偽特征點的特點是它們往往成對出現，而且偽端點和偽分叉點的距離非常近，一般小于細化前的脊線寬度的一半。安徽工程大學機電學院畢業(yè)設計（論文） 29 (2)短線現象，一般在指紋采集時手指比較臟或者采集頭上有灰塵等容易出現比較多的短線。短線的特點就是會產生兩個偽端點，該兩個端點相距很近，位于同一脊線上。(3)斷點現象，指紋采集時如果手指比較干燥，那么采集到的指紋圖像有可能出現不少斷點。另外手指褶皺、傷疤也容易產生斷點現象。斷點會產生兩個偽端點，而且這兩個偽端點也相距非常近