基于特征提取与匹配的指纹识别毕业论文.doc

《基于特征提取与匹配的指纹识别毕业论文.doc》由会员分享，可在线阅读，更多相关《基于特征提取与匹配的指纹识别毕业论文.doc（37页珍藏版）》请在三一办公上搜索。

1、毕业论文 题 目 基于特征提取与匹配的指纹识别 学生姓名 蒋晨曦 学 号 20111334041 学 院 电子与信息工程学院 专 业 通信工程 指导教师 胡昭华 基于特征提取与匹配的指纹识别蒋晨曦南京信息工程大学电子与信息工程学院，江苏 南京 210044摘要：由于指纹自身具有固有的稳定性与不重复性的生物特性，基于指纹的识别方式是各识别方式中最可靠，最安全的一种。但往往识别指纹的过程又会受到来自于皮肤湿度，皮肤残缺，皮肤弹性，灰尘等等的不良影响。本文提出一种基于特征提取与匹配的指纹识别算法，首先利用中值滤波对原始指纹图像进行去噪，然后通过高通滤波对去噪图像进行增强，接下来对指纹增强图像作二值化

2、处理并依据模板及查找表进行图像细化，最后针对端点与叉点进行特征采集与匹配从而实现指纹的识别，并利用实际实验证实了本文所提出的指纹识别的可行性。关键词：指纹图像；图像处理；特征提取；特征匹配；指纹识别 Fingerprint Identification Based on Feature Collection and Matching Jiang chenxiSchool of Electronic & Information Engineering NUIST，Nanjing 210044，ChinaAbstract：Based on biometrics, fingerprint ident

3、ification is well-known as the most reliable method among various kinds of identity authentication for its immutability and independence. But the identification is usually affected by moisture , fragmentary , elasticity and dust .Thus here we put forward a system in which we firstly use median filte

4、r to denoise, and then enhance the image by high-pass filter, after which we transform it into binaryzation image and thin it, in the end we collect and match the ridge ending and ridge bihrcation features. We would finally realize the fingerprint recognition by means of template matching.Key words：

5、fingerprint identification；image processing; feature collection; feature matching目 录1.绪论11.1研究背景与意义11.2指纹的基本概念11.3 指纹识别系统的简介21.4指纹识别系统的发展历史21.5 研究的主要内容32.指纹图像的预处理工作32.1指纹图像的数值化表示42.2 指纹图像的裁剪42.3指纹图像的平滑处理52.3.1 空间低通滤波法52.3.2 多幅图像平均法62.3.3 中值滤波法72.4 指纹图像的锐化82.5指纹图像的二值化92.6 指纹图像的细化102.6.1 图像细化的含义112.6.

6、2 细化过程133.指纹图像的特征提取143.1 图像的特征143.2指纹图像的特征提取153.3端点与叉点的提取方法164.指纹图像的特征匹配174.1 特征匹配的优势174.2 指纹特征的匹配方法185. MATLAB 指纹识别仿真的实现185.1 实验运行环境195.2 实验内容与分析196.总结31参考文献31致谢321.绪论1.1 研究背景与意义 当前信息时代大环境下，有关于信息安全与个人身份鉴定的问题日益凸显出来。而简单的设置密码或者是磁卡等方法都会时不时的遇到忘记或是更有甚者被盗的情况，其安全性与可靠性着实堪忧。但是指纹凭借着自身固有的独立性与稳定性在身份识别的领域中独树一帜。作

7、为目前身份认证中运用最广泛的方法，我们身边的指纹识别随处可见。我们手中的如苹果，魅族，华为等智能手机的指纹解锁功能就受到了来自广大用户的一致好评；而各个企业中基于指纹识别原理的权限系统与考核记录也都得到了普及；目前驾照等考试也运用到了指纹识别，这就确保了学员身份的准确性，确保了驾照的质量。诸如此类的等等应用实例都表明指纹识别研究是目前不可否认的重要的信息安全问题。本文中将利用数字图像处理的相关知识来对指纹图像进行图像预处理，指纹特征点提取以及特征匹配，并最终通过实验来实现指纹图像的识别功能。1.2 指纹的基本概念手指上高低不平的线的集合叫做指纹1。这些线不会随时间改变而改变，并且每个人的指纹都

8、具有不重复性。指纹本身所具备的这两个固有特性使得它成为身份识别的不二之选。一般而言，指纹结构特征包含两个层次，分别是局部特征以及全局特征2，其中全局特征意思为通过人眼观察就可以发现的特征；反过来相应的将纹线上各种特征点称作局部特征。就这个层次而言，可能会出现两个人的指纹具备完全相同的全局特征的情况，但是任何两个人的指纹都是不可能具有相同的局部特征的，这也就是为什么指纹识别具有极高的可靠性的原因。具体而言，全局特征包含有五种特征，分别是三角点与纹形，核心点与纹数以及模型区。 而全局特征中的纹形又可分为三种基本类型,而相应的分别称这三种基本类型为斗形，弓形以及箕形，具体的图形如下图所示: (a)斗

9、形 (b)弓形 (c)箕形图1.1纹形类型而局部特征的所包含的细节特征数量很多，这里只给出以下几种：1.叉点：单纹路分离变成多条纹路所对应的具体位置；2.端点：纹路结束的位置；3.起点：纹路的起始位置；4.结合点：多条纹路互相结合最终汇成一条单纹路所对应的交汇位置；5.孤立点：短到变成一个点的纹路；1.3 指纹识别系统的简介此处本文给出指纹识别的经典过程3，其中包含了指纹采集与图像预处理，特征提取与特征匹配，以及数据库五个模块，如图1.2所示: 指纹采集特征提取图像处理特征提取数据库 训练模块指纹采集图像处理匹配 鉴别模块鉴别结果图1.2 经典指纹图像识别过程用于采集指纹图像的硬件设施大约分为

10、三种4，分别依靠超声波扫描，传感器以及光学识别来实现获取图像的目的。而图像处理中一般包括图像的增强与图像的裁剪，锐化以及二值化，还有修饰与细化。而在特征选取的过程中，通过不断地实验经验积累，最终选取特征为端点以及分叉点。1.4 指纹识别系统的发展历史20世纪90年代末，图像采集的普及化与廉价化加上编程算法可靠性与简单化的演变趋势极大地促进了指纹识别系统的发展。而到了21世纪，指纹识别渐渐在民用领域普及开来，指纹识别技术自然而然也就成为国内外学术研究界的宠儿。目前最常见的苹果Iphone系列中就广泛应用了指纹解锁的功能。而在国内，目前已有的光学采集与传感器采集技术和嵌入式指纹自动识别技术，特征匹

11、配识别都已经比较完善了。比如今年刚刚推出的魅族智能手机中就自带了IFS指纹识别方案的指纹解锁的功能，而华为的按压式传感器识别技术也在其新推出的产品中得到了相应运用。众多的企业与个人都在指纹识别的道路上努力前行着。1.5 研究的主要内容 在本次毕业设计的过程中，主要研究的内容是在数字图像处理基础上的指纹图像识别，其中包括了利用中值滤波与高通滤波实现的图像的增强，图像的二值化与细化表示以及针对于端点与叉点的指纹图像的特征采集与依照端点与叉点间的特征向量比较的特征匹配。并最终实现指纹识别功能。 在对给定的指纹图像完成定位之后，参照实际使用过程中所需求的识别精度与识别速度，来权衡适当的进行图像的分区方

12、式。在依次完成了指纹图像的预处理工作之后，就开始寻找，提取指纹的局部特征，也就是端点与叉点。并依据端点与叉点的相对位置建立特征向量，将此作为最终特征匹配的依据，比较两个图像是否属于同一个指纹，并反馈给用户，进而就实现了指纹识别的功能。2.指纹图像的预处理工作 作为指纹识别过程中的第一步，预处理工作主要包括有为了方便程序掌控而进行的指纹图像的数值化，为了降低计算量而进行的指纹图像的分割，为了取出噪声干扰而进行的指纹图像的平滑处理，为了突出纹线特征而进行的指纹图像的锐化，为了进一步优化算法与存储而进行的指纹图像的二值化以及指纹图像的细化。这里就本次设计而言，以一个指纹图像的原始图像与每个实验步骤处

13、理过后所得的图像为例来描述预处理工作的内容。原始指纹图像如下图2.1:图2.1 原始指纹图像2.1 指纹图像的数值化表示在这里将图像数值化之前，需要以图像左上角位置的像素作为坐标系的原点建立起一个直角坐标系并且由原点往右方延伸为列，由原点往下方延伸为行，如此一来，就可以利用一个mn的矩阵来表示数字化这个图像，例如式2.1： (2.1) 式2.1中的任意一个元素与原图中相应位置的像素都是一一对应的。由此，系统就成功将普通的图片转化为了机器可识别可操作的数字图像。这就为接下来的通过计算机来对指纹图像就行识别打下了基础。其中灰度图像定义为以量化的灰度表示对应像素的图像，而二值图像定义为在灰度图像的基

14、础上仅存在两种灰度级的图像。一般来说实践中取“0”值或“1”值，如下图所示： （a）原始图像 (b)二值化图像图2.2 图像的二值化 就本文中毕业设计要研究的指纹识别而言，由于指纹仅仅是纹路与间隔的结合，并不对每个像素的灰度大小进行很细的分类，而只存在这个像素内含有或是不含有纹线的情况。所以为了方便起见，本文在这里选择二值图像作为实验中所需要的目标数字图像，也就是说： (2.2)2.2 指纹图像的裁剪通常来讲，经由各种渠道所获取的图像尺寸是比较大的，这样的话计算机对于整张图片进行直接操作的话运算量就很大，而且计算时间会变长，此外实际上在得到一整张图片时，通常只关注图像中的某一个或者某几个部分，

15、而并不注意其他部分。比如说本次的毕业设计在研究指纹识别的过程中仅对指纹图像中的纹线，端点，分叉点等感兴趣，那么这时系统关注的部分就可以称之为对象。为了提高指纹图像的处理效率并节约资源，就需要将包含以上指纹对象的部分截取出来。这时就需要用到图像的裁剪来实现这个目的了。图像的裁剪的含义是把图像按照均匀性的原则分为若干的独立的部分，其中任意一个单独的部分都满足某一类特性，而将任意两个互为临界的子部分结合起来的操作都会破坏这个特性。通常来讲，包围了一个连通性的区域的曲线称为边缘。在边缘的两侧分布着两种不同的区域，每个区域都具备自己的特性，但是这两个区域所具备的特性并不一致，也就是说在边缘的位置，灰度会

16、发生突变。通常来讲图像裁剪有两种方案，一种是点相关的图像裁剪方案，另一种是区域相关的图像裁剪方案。其中点相关的图像裁剪方案是依据各个像素点灰度不连续性实现的，比较常见的例子就是基于边界的裁剪方法；而区域相关的裁剪方案是凭借同一区域的灰度值相近从而寻求不同区域边界的特性实现的，这种方案比较常见的例子就是基于区域的裁剪方法。本文中，鉴于这里设计的系统所要处理的图像是简单的点与线组成的指纹图像，所以在此选取方差法作为指纹图像裁剪的方法。也就是说，首先要根据指纹的灰度值，将图像区分为背景与目标两类，而如果这两类灰度值的方差数值越大，那么就认为背景与目标的差异越明显。而不论是目标还是背景，如果被错误的分

17、到了另一类当中的话都会直接导致这两类的差异降低，也就是说方差变小。这也就认证了类间方差最大分割方法分割错误率极低的特性。考虑到以后的操作在进行指纹图像细化，特征提取以及特征匹配时所处理的都是二值化图像，方差法自然成为当前设计中进行图像裁剪的不二之选。2.3 指纹图像的平滑处理由于人们在进行图像采集或者是图像传输的过程中不可避免的会遭受到外界的干扰，所以通常情况下得到的原始数字图像都是包含大量噪声干扰的，比如说指纹图像中的皮肤水分，皮肤伤残，皮肤弹性，灰尘等等的影响，都会极大地降低指纹图像的质量，严重时甚至会导致指纹图像中的分叉点或是端点等等图像特征的丢失或者误增加，这就意味着指纹识别过程面临着

18、很大的误差风险。为了避免这种问题，就要对原始指纹图像实施除噪的处理，而降低噪声，提高数字图像质量的过程就叫做图像的平滑处理。平滑处理能够在保持图像原有线性特征的前提下对数字图像完成净化处理。图像平滑处理可以采用多种途径实现，例如说中值滤波法,空间低通滤波法，多幅图像平均法等等。就对于该设计中要研究的指纹原始图像而言，以上三类方法都可以被用来实现指纹图像的平滑处理。这里论文中针对指纹图像识别的要求仅对上述几种方法进行简单描述，有关的其他方法请参见5。2.3.1 空间低通滤波法通常来讲通过对模版进行卷积从而对数字图像中的像素进行逐个处理的方法称作空间低通滤波法。在这种方法中是将模版本身当做滤波器来

19、使用的。首先从模板的中心依照由左至右。由上至下的顺序进行移动，使像素与模板中心逐个对应起来，然后把模板与相对应的像素数值逐一求积，然后将所得到的数值累加起来，这样就会得到一个新的数值，这时只需要将这个数值赋给模板中心相应于图像中的像素就可以了。在下面的图2.2中，展示了利用模板进行操作的过程示意图。图（a）是在图像中截取的某一个小的部分，其中包含九个像素，用mi来表示各个像素的灰度值。图（b）则是一个33的模板，类似的，也用ni分别表示这各个像素的值。如果将模板中的n0与待处理图片中的m0像素对应，那么相应的就得到经过滤波后的中心灰度值大小P为: (2.3)m4m3m2m5m0m1m6m7m8

20、 (a)n4n3n2n5n0n1n6n7n8 (b) p (c) 图2.3滤波示意图在对图片中的像素逐个按照上式进行处理之后，系统就可以求得增强图像的各个像素的灰度值了。一般的，假设模板的响应是,那么通过处理以后的数字图像表达式就变为： (2.4)其中x,y的值为0,1,2，.，n-1; 而m,n的值是依照领域而定的。为了实现空间低通滤波的功能，就需要使用低通滤波器，虽然常用的低通滤波器有很多种，不过如果是用于指纹识别的考虑的话，那么经过实验经验6识别过程中采用如下的低通滤波器作为实验的模板: (2.5)2.3.2 多幅图像平均法一般而言图像经过空间低通滤波处理之后其噪声干扰会小很多，但是为了

21、进一步净化图像从而使得图像质量更高方便以后的特征提取与特征匹配，还需要对处理过的图像完成取平均值的操作。一般而言将对同一物体的多个数字图像进行相加之后求平均值的做法叫做多幅图像平均法。如果假设理想数字图像表达式形式是,而混杂在图像中的噪声表达式是,那么就可以推算出平时所获得掺杂有噪声的图像表达式为： (2.6)如果图片所受到的噪声是彼此独立的加性噪声，而且它们的平均值是0，那么就可以用下面的表达式来表示理想图像： (2.7)其中是的数学期望，N张含有噪声干扰的图像取均值实验之后有： (2.8)在这种条件下的误差是： (2.9)也就是说，对N张指纹图像进行均值操作后，就可以将噪声的方差降低为原来

22、的1/N，N越大，所得到的处理过的指纹图像就越接近于理想指纹图像。2.3.3 中值滤波法 从理论上来讲根据中值滤波法进行的平滑去除噪声的这个过程是非线性的。中值滤波的具体做法是针对每一个像素的灰度值，相应的都取出该像素的邻近像素的灰度值，然后将这些数值按照单调递增或者单调递减的顺序排列起来形成一个序列，并取出该序列的中值，并把这个数值赋给当前的点。中值滤波法对于降噪处理尤其是对椒盐噪声的处理尤为明显，除此之外中值滤波的处理过程对于信号的边缘不会造成明显的影响，这是各种线性处理方案所不能实现的。而且由于这种算法计算量很小算法也比较简单，所以非常方便于实际中在各种硬件上实现这一功能。进一步的理论依

23、据可以参照排序统计理论。为了实现针对于指纹图像的中值滤波法，通常的情况下会选取一个33的模板，然后取出这个模板内部每个像素的灰度值并以升序或者是降序进行大小的排列，这样就得到了一个一共有9个元素的有序数列，那么然后将这个有序数列的中值赋给模板的中间点。接下来将这个模板移动到其他位置继续上面的操作。直到整个指纹图像都已经经过滤波为止，这也就完成了基本的去噪。本次毕业设计的过程中讨论的为指纹数字图像的识别，为了减小计算量，也为了简化算法结构并提高整个识别过程的运行速度，在本次设计的过程中利用中值滤波法作为指纹图像的平滑处理的方案。通过实际实验操作，图2.1经过平滑处理实验之后所生成的结果图如图2.

24、4(b)所示: (a)原始指纹图像 (b)平滑后图2.4 实验处理生成的指纹图像2.4 指纹图像的锐化经过裁剪与平滑处理的图片虽然在大小与噪声方面已经比较完善，但是图像中的线条仍可能并不是很清晰，这就会使得程序不能清晰地提取到脊线，端点或是分叉点等等的特征条件，这样的话就不利于后续进行特征比对，同时特征匹配的效果也会埋下隐患。为了避免这个问题，该处就需要对当前数字图像进行增强，以突出图像信息，为二值化打下基础。这时候就需要利用锐化使图片中边界细节增强。而具体来讲这里要做的操作就是通过卷积来增强图像中的灰度反差。就此处的研究而言的图像增强处理是凭借高通滤波器完成的。一般来说高通滤波的效果是突出原

25、图中的线条与形状，增强图像的对比度从而提升特征的可提取性。实现起来就是通过设定一个较高的数值，通过卷积去除掉频率较低的部分从而达到锐化（增强）图像的目的、这里本文根据前人总结经验而在这次实验过程中使用的高通滤波模板为： (2.10)通过实际实验操作，图2.4(b)经过与模版卷积锐化之后得到的实验结果如图2.5(b)所示: (a)锐化前 (b)锐化后图2.5锐化实验所产生的指纹图像前后对比2.5指纹图像的二值化通过图像增强之后，噪声受到了有效的抑制，而边缘信息也变得十分明显，其对应的细节特征也变得容易提取起来。尽管如此，如果此时直接对图像进行操作的话，由于灰度图像各个像素的灰度值从0到255分布

26、，就无疑会产生大量的计算压力，也会降低程序运行的效率，也不方便进行特征的提取与比对。为了将图像变为计算机中容易识别和操作的对象，并减轻计算的压力，同时加速程序的运行速度，系统就要对锐化后的指纹图像做进一步处理，而本次设计研究的范畴仅指某个像素有或者无纹线的情况，对于图像的色彩等等问题并没有说没关系。对于这种情况，这里就可以依赖二值化操作来处理经过上一个步骤处理过的图像。一般的，对图像进行处理，使得图像中每个像素的灰度值不是“0”就是“1”的操作叫做图像的二值化。本文中将变换函数表示如下： (2.11)其中T 为指定的阈值，x为灰度数值。承接以上图像平滑锐化的结果，二值化操作在指纹在整个指纹识别

27、中扮演着举足轻重的角色，因为它是图像细化的前提。就目前而言，所有的指纹识别系统中的细化步骤都是建立在指纹图像已经完成二值化操作的基础上执行的。指纹图像在完成了二值化操作之后，不但极大地减少了多余的信息，同时也方便了增强后的特征提取操作。由于二值化图像的性质只和两个数值“0”与“1”的分布情况相关，而不再受制于0-255的灰度值区间的困扰，这就为信息的存储与处理提供了便利，提高了整个过程的性能。但是，一旦二值化过程中出现了差错，就会对整个识别程序带来很严重的问题。所以经过实践总结，前人对于二值处理后的结果提出了以下若干硬性要求：1.纹线上不会出现空白。2.得到结果图像中纹线之间的距离应基本一致。

28、3.产生的二值图像的指纹特征与原图基本一致。4.生成的二值图像中的纹线之间的间隔适量，并且各个纹线不会相连。在将经过噪声抑制与线条增强之后的指纹图像实施二值化的过程中，要注意到由于图像采集或者传输等等的原因，一张指纹图像中的各个位置的颜色深浅是各异的，如果此时贸然直接当前的对指纹图像使用同一个阈值来实现二值化操作，那么势必会产生大量的错误，从而导致指纹识别的失败。为此本文在这里介绍一种基于自适应阈值方法的二值化方案。作为一种改进的阈值技术，自适应阈值方法中的阈值是以变量的状态存在的。指纹图像各个位置的阈值的大小与该部分的小的区域内的颜色深浅有关。也就是说基本上对于每个像素点，其阈值都不相同。这

29、就保证了各个区域内的二值化处理的准确性，从而生成实验中所需的二值化图像。为了实现二值化操作，就要把指纹图像分割成尺寸为mm的小区域，接下来针对每一个独立的小区域求其阈值，并依据所求的阈值来对相应的小区域实施二值化操作。考虑到人类指纹的脊线与谷线的宽度是基本一致的固有特性，不难推断出通过实验得到的二值化图像中“1”与“0”的数量应该也是基本一致的。在这次毕业设计中，使用最大类间方差法来为指纹图像找到相应的合适的阈值。这样一来的话就将指纹图像明确的分为目标以及背景这两类了，也就为系统之后的指纹图像的细化以及特征提取的工作打下了坚实的基础。 通过实际实验操作，图2.5(b)经过二值化处理实验之后所生

30、成的结果图如图2.6(b)所示: (a)二值化前 (b)二值化后图2.6 二值化实验生成的指纹图像2.6 指纹图像的细化 在系统完成了以上的指纹图像二值化处理之后，就已经得到了噪声比较小，而且相比较而言易于在硬件上完成保存与管理的指纹图像。不过由于指纹纹线粗细不一，这就会多占用一定内存空间，也不利于接下来进行进一步的处理，且各个位置的特征并不十分明显。尤其是针对于叉点而言，这种情况下直接进行特征提取的话必然会产生许多错误的伪叉点，这就会对设计的整个指纹识别过程产生严重的影响。为了避免以上的问题，这里就需要利用细化来处理当前得到的经过平滑，锐化，二值化处理的指纹图像。2.6.1 图像细化的含义

31、通常情况下，依靠将一个曲线形状的图形变化为宽度只有一个像素大小的同时图形化的显示原图形的拓扑性质的过程叫做细化过程。图像细化的处理进一步的削减了指纹图像所占用的内存空间，也有效的使程序计算负担变得更小了，同时优化了算法结构。经过细化处理过后的指纹图像纹线位置是分布在原图像的中轴附近位置的，这也就是细化之后的图像可以维持原图像几何性质的原因所在。一般来说，通过不同的细化处理方案所得到的细化图像是不一样的，但是不论是说采用什么方法，处理之后所得到的细化图像都必须满足不破坏原始指纹图像的几何性质与区域连接性。本次毕业设计中认为合格的图像细化方法最后得到的细化图像必须满足以下的性质：保持性：所谓保持性

32、就是指细化处理并不会对当前图像的细节造成破坏；收敛性：所谓的收敛性是指在进行细化的操作期间，实验使用的迭代在数学意义上是收敛的，而不是发散的；拓扑性：所谓拓扑性是说在实施细化期间实验并对原始拓扑性质造成损坏；连通性：所谓连通性是指实验的细化结果的连通特性与原图的特性是基本一致的；中轴性：所谓中轴性是表示在实施变换的期间实验所用到的骨架的相应坐标应该要尽量贴靠在纹线中轴；快速性：快速性在这里是指实验中实施的算法要简明易懂，运行起来速度快，计算起来压力小；细化性：所谓细化性是指试验中的骨架都是以一个像素大小为宽度值的，也就是说宽度都是单像素的；常见的细化算法包括OPTA算法，迭代法等等，以上两种算

33、法都是基于模板匹配的原理实现的。通常来讲选取的模板大小一般是33或者是55的，然后在模板内的每一个像素按照该像素邻域的分布情况进行分类处理。其中OPTA虽然可以取得比较好的细化的效果，但是其四邻域与八邻域的细化骨架在面对三叉点情况下的细化能力表现的却差强人意。这是因为这种算法破坏了细化性与中轴性的特性要求。实际上本次设计在进行细化操作的时候，需要考虑到当前像素周围八个领点的属性，依据其具体情况判断该点的像素到底是应该保留还是应该去掉，这个操作与腐蚀的过程比较相似。而图2.7就具体描述了在各种八邻域属性情况的中间待处理像素的去留问题:(a)不可剔除(b)不可剔除(c)可剔除(d)不可剔除(e)可

34、剔除(f)不可剔除(g)不可剔除图2.7 黑点附近邻域像素分布情况分类图根据上面的图2.7，结合刚刚提到的细化图像必须满足的几个性质问题，其实不难得出如下的结论：图2.7.（a）的中间点不能被剔除，如果剔除了这个点，就破坏了骨架，违背了细化的拓扑性性质；图2.7.（b）的中间点也不能被剔除，因为剔除这个点的操作违背细化的连通性这个基本性质；图2.7.（c）的中间点是可以进行剔除的，因为剔除这个点并不会对图像的连通性或拓扑性造成什么影响；图2.7.（d）的中间点是不可以被剔除的，因为剔除这一个点就会破坏图像的拓扑性；图2.7.（e）的中间点是可以被剔除的，因为这个点并不会作为骨架；图2.7.（f

35、）的中间点是不可以被剔除的，如果将作为直线的端点的点都剔除掉了，那么最终指纹图像中所有的纹线也就被剔除掉了，这显然是不对的；图2.7.（g）的中间点也是不可以被剔除的，这个点是一个孤立点，以自身作为骨架。根据图2.7的分析，最终发现当一个点作为直线的端点，或者是某连通区域的内部点，或者是作为模板中孤立点的形式出现时，按照细化特性是不可以剔除这个点的。而在一个点作为边界点出现的情况下，倘若剔除这一个点的操作不会对原图像的连通分量造成影响，那么就可以将这个点剔除掉。2.6.2 细化过程参照图2.5与其相对应的分析，不难发现其实在实施细化处理时的情况是比较复杂的，为了避免由于细化操作而在算法中进行大

36、量的分类讨论，在次的毕业设计过程中将引入细化查找表的概念。不过在定义细化表之前，这里先要定义一个33的细化模板，该模板左上角的第一个元素开始，按照顺时针的顺序每个元素的数值是以2的N的方定义的，具体的数值见图2.8：图2.8 细化模板查找表256=0，0，1，1，0，0，1，1，1，1，0，1，1，1，0，1，1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，1，0，0，1，1，0，0，1，1，1，1，0，1，1，1，0，1，1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，1，1，1，0，0，1，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，

37、0，0，0，0，0，0，0，0，1，1，0，0，1，1，0，0，1，1，0，1，1，1，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，1，0，0，1，1，1，1，0，1，1，1，0，1，1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，1，0，0，1，1，0，0，1，1，1，1，0，1，1，1，0，1，1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，0，1，1，0，0，1，1，0，0，0，0，0，0，0，0，0，0，1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，0，1，1，0，0，1，1，0，0，1，1，0，1，1，1，

38、0，0，1，1，0，0，1，1，1，0，1，1，0，0，1，0，0，0有了细化模板之后，此处就可以给出查找表的定义了，首先，查找表包含有256个元素，每个元素的位置与像素的索引值都是对应起来的。并且所有的元素数值只有“1”与“0”两种情况，其中本设计中认为“1”表示该点为白色，而“0”表示该点为黑色。也就是说当实验通过卷积计算之后得到结果后按照结果到这个查找表中查找相对应位置的元素数值时，如果说查出来的数值是“0”，那么结果就认为这个点作为黑点，是不可以进行剔除操作的；而假如查出来的数值时“1”，那么就说明这个点是白点，即进行细化时是可以剔除这个点的。下面本文就给出经过试验验证过的查找表：通常

39、情况下细化操作包含有两个主要步骤。首先先对二值化图像做简单的腐蚀操作，腐蚀是指依靠一个33的模板通过“与”的运算之后让二值图像直观看起来“瘦了一圈”的操作。然后针对于在腐蚀过程中被标记的点，这里要结合上面提到的细化模板与查找表来判断剔除这些点是否会违背细化的特性要求，如果剔除的操作会对原图像的拓扑性或者是连通性等造成不良影响，那么这个点就必须保留下来，反之这里就可以把这个点去掉。在进行了如上的操作之后，实验就成功的将完成了细化操作了。详细的算法流程如下： （1）首先系统要按照图2.6构造一个大小为33的表示八邻域的细化模板； （2）接下来的话依据这个模板给出相应的查找表，其中元素“0”表示黑点

40、，“1”表示白点； （3）这里将当前的图像遵循自上而下自左而右的顺序完成扫描。如果当前像素为白点，则跳过并继续，如果当前的像素位置是黑点，那么相应的就查看该点左边与右边两个点的情况，如果这两个点都是黑点的话，那么依照细化的连通性，这个点是不可以剔除的。反之，如果这两个点不全是黑点，那么此处就利用之前定义的细化模版与以当前点为中心的33区域做卷积求和操作，这样一来最终就得到了一个数值，按照这个数值在查找表中找到相应位置的元素，如果值为“1”，则将这个点消掉，否则就跳过当前点继续处理下一个点； （4）接下来依照自左而右自上而下的顺序再一次扫描二值图像，具体处理方法与（3）一样； （5）如果循环的时

41、候执行了剔除的操作，那么此处重新从（3）继续开始，一直到执行循环程序的时候不再有黑点被剔除时停止继续扫描，这时实验操作就完成了上一步骤得到图像的细化工作。通过实际实验操作，图2.6(b)经过细化处理实验之后所生成的结果图如图2.9(b)所示: (a)细化前 (b)细化后图2.9 细化实验生成的指纹图像前后对比3.指纹图像的特征提取3.1 图像的特征 图像本身自带的固有属性称为图像的特征7。而人眼可以直接观察到的称为自然特征，比如说是色彩，亮度，轮廓等等。而相应的又定义人为特征为对图像实施一系列操作后才可以得到的特征，比较常见的有频谱等等。可以说图像特征是区分图像的最重要的属性之一，为了实现指纹

42、识别的目的，由于图像特征定义很多，这里本文只简单了解数字图像的一些基本特征。 1.灰度边沿特征 数字图像在某一方向上表现为不连续的灰度，纹理时，那么相应的就将其一系列的点称为边缘，通常用这个特性来描述物体的尺寸大小或者围成的面积。 2.线条与角点的特征 一般而言数字图像中幅度与其相邻区域明显不同的叫做图像的角点，而将沿截面的幅度分布凹凸的叫做线。这两个特征表示了物体的形状。 3.局部特征 在一定小的邻域中的特有的性质被称为数组图像的局部特征，用局部特征可以进行图像的辨别工作。 4.纹理特征 某种结构单元反复排列在比自身更大的区域中时，那么就称这种结构单元为纹理基元。 在本文的设计主要研究的是指纹识别的问题，那么也就是说这里讨论的自始至终都是指纹图像，而十分显然的是这些图像就只是线与点的集合，尤其是在完成了上文中所描述的各种工作之后更是如此，所以在本文中主要研究指纹图像的纹线与点的特征，并以此作为最终特征匹配的依据。3.2 指纹图像的特征提取 在整个指纹图像识别过程当中，可以说上文中所涉及的所有工作都是为了方便进行指