【正文】 聲不 應(yīng)該 敏感 ； （ 6） 算法簡(jiǎn)單 且 實(shí) 用。 該算法速度快但不徹底。 脊 線上每一點(diǎn)的 八 鄰域， 脊 線端點(diǎn)的 八 鄰域中只有 一個(gè)目標(biāo)點(diǎn)，脊 線連續(xù)點(diǎn)的 八 鄰域有 兩 個(gè) 目標(biāo)點(diǎn) ，分叉點(diǎn)有 三 個(gè) 目標(biāo)點(diǎn) ，且每點(diǎn) 八 鄰域最多只有 三 個(gè)目標(biāo)點(diǎn)， 符合上述條件 的才為 單像素寬。 （ 3） 循環(huán)尋找 ，直到?jīng)] 可刪除的點(diǎn)為止。 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 。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)橹埂５?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。 細(xì)化結(jié)果圖如圖 218： 24 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)。 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)。 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)。 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)： 26 （ 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)。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。 （ 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)。 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 。在此我們?cè)O(shè)置了三層匹配。 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 ） 。 （ 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 。 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 。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 。 我們也設(shè)定一閾值，在此閾值內(nèi)都可以認(rèn)定為匹配。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。 二、 選擇兩幅圖： 29 圖 32（ a） 輸出的時(shí)間 圖 32（ b） 特征 匹配 通過以上的 f， ff， fff和閾值的比較說明 ，為同一手指的指紋，匹配時(shí)間為 。 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 。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)?；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。var=0。 [m,n,p]=size(I)。 end end M1=M/(m*n)。 end end var1=var/(m*n)。 else I(x,y)=150sqrt(2021*(M1I(x,y))/var1)。title(‘歸一化 ’) %************************************************************************ M =3。 L= n/M。 var1=zeros(H,L)。 for y=1:L。var=0。 for j=1:M。 end end aveg1(x,y)=aveg/(M*M)。 for j=1:M。 end end var1(x,y)=var/(M*M)。Vmean=0。 Vmean=Vmean+var1(x,y)。 %所有塊的平均值 Vmean1=Vmean/(H*L)。gtotle=0。vtemp=0。 gtotle=gtotle+aveg1(x,y)。 vtotle=vtotle+var1(x,y)。V1=vtotle/vtemp。gtotle1=0。vtemp1=0。 gtotle1=gtotle1+aveg1(x,y)。 vtotle1=vtotle1+var1(x,y)。V2=vtotle1/vtemp1。 for x=1:H 35 for y=1:L if aveg1(x,y)G2 amp。 var1(x,y)V2 e(x,y)=1。amp。 end end end for x=2:H1 for y=2:L1 if e(x,y)==1 if e(x1,y) + e(x1,y+1) +e(x,y+1) + e(x+1,y+1) + e(x+1,y) + e(x+1,y1) + e(x,y1) + e(x1,y1) =4 e(x,y)=0。 for x=1:H for y=1:L if e(x,y)==1 for i=1:M for j=1:M I(i+(x1)*M,j+(y1)*M)=G1。 end end end end end figure, imshow(I(:,:,3)./max(max(I(:,:,3))))。分割 39。 %************************************************************************ temp=(1/9)*[1 1 1。1 1 1]。 In=zeros(m,n)。 for b=2:n1。 end end I=In。 for x=5:m5。 sum1=I(x,y4)+I(x,y2)+I(x,y+2)+I(x,y+4)。 sum3=I(x2,y+2)+I(x4,y+4)+I(x+2,y2)+I(x+4,y4)。 sum5=I(x2,y)+I(x4,y)+I(x+2,y)+I(x+4,y)。 sum7=I(x4,y4)+I(x2,y2)+I(x+2,y+2)+I(x+4,y+4)。 sumi=[sum1,sum2,sum3,sum4,sum5,sum6,sum7,sum8]。 summin=min(sumi)。 b=summ/8。 else sumf =summax。 else Im(x,y)=255。 end end for i=1:m for j =1:n if (Icc(i,j)==128) Icc(i,j)=0。 end。title(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 end figure,imshow(u) %title(39。) for a=2:m1 for b=2:n1 if u(a,b)==1 if abs(u(a,b+1)u(a1,b+1))+abs(u(a1,b+1)u(a1,b))+abs(u(a1,b)u(a1,b1))+abs(u(a1,b1)u(a,b1))+abs(u(a,b1)u(a+1,b1))+abs(u(a+1,b1)u(a+1,b))+abs(u(a+1,b)u(a+1,b+1))+abs(u(a+1,b+1)u(a,b+1))~=1 %去空洞 if(u(a,b+1)+u(a1,b+1)+u(a1,b))*(u(a,b1)+u(a+1,b1)+u(a+1,b))+(u(a1,b)+u(a1,b1)+u(a,b1))*(u(a+1,b)+u(a+1,b+1)+u(a,b+1))==0 %去毛刺 u(a,b)=0。去空洞 39。 se=strel(39。,3)。 v=imclose(fo,se)。thin39。 %對(duì)圖像進(jìn)行細(xì)化 figure,imshow(img) title(39。) 附錄 B 特征 點(diǎn) 提取 代碼 function j = P (img, x, y, i) switch (i) case {1, 9} j = img(x+1, y)。 case 3 j = img(x, y 1)。 case 5 j = img(x 1, y)。 case 7 j = img(x, y + 1)。 end %point函數(shù) function txy=point(thin) count = 1。 siz=min(size(thin,1),size(thin,2))。 for i = 1:8 CN = CN + abs (P(thin, y, x, i) P(thin, y, x, i + 1))。 count = count + 1。 count = count + 1。 y(i)= txy(i, 2)。 hold on。.39。 %cut函數(shù) function txy=cut(thin,txy) s(8,8)=0。 n=size(txy,1)。 s(i,j)=sum(sum(mp{i,j}))/(31*31)。 delta(i,j)=sum(sum(mp{i,j}))。amp。amp。amp。amp。 end end end end end txy=txy(find(txy(:,1)),:)。ro39。 附錄 C 圖像特征點(diǎn)代碼 %single_point函數(shù) function [pxy2,error]=single_point(txy,r) error=0。 y=txy(:,2)。 d(1:n,1:n)=0。 else d(i,j)=2*r。 c=find(ar)。 pxy2=pxy2(find(pxy2(:,3)==2),:)。 if t==0 error=1 else plot(x,y,39。)。r.39。 end %walk函數(shù) function [error,a,b]=walk(thin,x0,y0,num) error=0。 t1=0。