在指纹图象处理的流程中，预处理是第一个处理环节．它对原始灰度图像进行平滑、锐化、增强、二值化等处理，从而使细化、特征抽取等操作能够有效进行。

    在常见的图象处理技术中，通常按处理目的把预处理过程分为平滑、增强、二值化等步骤。每一步骤都有一些常用算法，如用于平滑的均值滤波法、中值滤波法、迭代加权法等，用于增强的规格化法、自适应算法、拉普拉斯法、Wdlis滤波、Lee滤波等[5]。

    经过很长时间的深入研究和反复实践，发现这些常用的算法应用在指纹图象处理中有下列的问题：

    (1)这些算法对于指纹图象处理的效果并不理想，尽管从视觉上有一定改善，但对于后续的细化和特征抽取处理效果来看，不能有效地提高特征的准确率。

    (2)不能较好地处理指纹的背景部分，严重影响特征抽取和识别。

    (3)不能根据指纹图象的质量差别进行特殊处理，通常获得的指纹图象，会有部分区域质量较差，无法抽取特征，在这些算法中，无法找到一个判别标准[5]。

    对此，则需要我们对算法原理的进一步了解及改进。

    方向图算法正是基于以上特点在80年代初期，就已经开始有把方向图引入到指纹图的一些成功的尝试。这时候所使用的方向图是从二值图中直接提取，得到的处理效果并不完全令人满意。

    从1987年开始，B M．Mehtre等人成功地得到了在灰度图上直接获取方向图的有效算法，并陆续提出了一系列的预处理方法来处理指纹灰度图[15]。使用这些算法使指纹图象的处理效果达到了一个新的水平，从而使基于方向图的算法成为指纹图象处理方法研究中的一个热点 在以后的研究中，出现了很多改进和发展，如Kallen Karu等1996 年提出的把方向图用于纹型分类。Linghong等1998年提出的基于方向图的纹线增强等都取得了较好的效果[24]。这使得方向图成为指纹图象处理技术的关键技术之一。

    目前的基于方向图的算法中，从灰度图中获取方向图的原理都大体相同，其基本原理是：从图象的灰度矩阵C(I，J)中计算在各个方向上的某个统计量如灰度差或灰度平均等，根据这些统计量在各个方向上的差异，确定在一个小临域内纹线的主方向。针对每象素得到的方向则形成点方向图[23]。为了保持点方向的有效性使用方便，对点方向在一小块内聚类则得到块方向图。

    一个高质量的图像被拾取后，需要许多步骤将它的特征转换到一个复合的模板中，这个过程被称为特征拾取过程，它是手指扫描技术的核心。当一个高质量的图像被拾取后，它必须被转换成一个有用的格式。如果图像是灰度图像，相对较浅的部分会被删除，而相对较深的部分被变成了黑色。脊的像素有5~8个被缩细到一个像素，这样就能精确定位脊断点和分岔了。微小细节的图像便来自于这个经过处理的图像[18]。在这一点上，即便是十分精细的图像也存在着变形细节和错误细节，这些变形和错误细节都要被滤除。 　　

    除细节的定位和夹角方法的应用以外，也可通过细节的类型和质量来划分细节。这种方法的好处在于检索的速度有了较大的提高，一个显著的、特定的细节，它的惟一性更容易使匹配成功。还有一些生产商采用的方法是模式匹配方法，即通过推断一组特定脊的数据来处理指纹图像。 　　

    就应用方法而言，指纹识别技术可分为验证和辨识[20]。 　　

    验证就是通过把一个现场采集到的指纹与一个已经登记的指纹进行一对一的比对来确定身份的过程。指纹以一定的压缩格式存储，并与其姓名或其标识（ID，PIN）联系起来。随后在对比现场，先验证其标识，然后利用系统的指纹与现场采集的指纹比对来证明其标识是合法的。验证其实回答了这样一个问题："他是他自称的这个人吗？"这是应用系统中使用得较多的方法。 　　

    辨识则是把现场采集到的指纹同指纹数据库中的指纹逐一对比，从中找出与现场指纹相匹配的指纹。这也叫"一对多匹配"[16]。辨识其实是回答了这样一个问题："他是谁？" 　　

    指纹是人体独一无二的特征，其复杂度足以提供用于鉴别的特征。随着相关支持技术的逐步成熟，指纹识别技术经过多年的发展已成为目前最方便、可靠、非侵害和价格便宜的生物识别技术解决方案，对于广大市场的应用有着很大的发展潜力。

指纹识别键盘现在的计算机应用中，包括许多非常机密的文件保护，大都使用“用户ID+密码”的方法来进行用户的身份认证和访问控制。但是，如果一旦密码忘记，或被别人窃取，计算机系统以及文件的安全问题就受到了威胁[11]。 　　

随着科技的进步，指纹识别技术已经开始慢慢进入计算机世界中。目前许多公司和研究机构都在指纹识别技术领域取得了很大突破性进展，推出许多指纹识别与传统IT技术完美结合的应用产品，这些产品已经被越来越多的用户所认可。指纹识别技术多用于对安全性要求比较高的商务领域，而在商务移动办公领域颇具建树的富士通、三星及IBM等国际知名品牌都拥有技术与应用较为成熟的指纹识别系统，下面就对指纹识别系统在笔记本电脑中的应用进行简单介绍。 　　

众所周知，在两年前就有部分品牌的笔记本采用指纹识别技术用于用户登录时的身份鉴定第一代光学式指纹读取器，但是，当时推出的指纹系统属于光学识别系统，按照现在的说法，应该属于第一代指纹识别技术。光学指纹识别系统由于光不能穿透皮肤表层（死性皮肤层），所以只能够扫描手指皮肤的表面，或者扫描到死性皮肤层，但不能深入真皮层。 　　

在这种情况下，手指表面的干净程度，直接影响到识别的效果。如果，用户手指上粘了较多的灰尘，可能就会出现识别出错的情况。并且，如果人们按照手指，做一个指纹手模，也可能通过识别系统，对于用户而言，使用起来不是很安全和稳定。 　　

因此出现了第二代电容式传感器，电容传感器技术是采用了交替命令的并排列和传感器电板，交替板的第二代电容式传感器形式是两个电容板，以及指纹的山谷和山脊成为板之间的电介质。两者之间的恒量电介质的传感器检测变化来生成指纹图像。但是由于传感器表面是使用硅材料容易损坏，导致使用寿命降低，还有它是通过指纹的山谷和山脊之间的凹凸来形成指纹图像的，所以对脏手指、湿手指等困难手指识别率低。

发展到今天，出现第三代生物射频指纹识别技术，射频传感器技术是通过传感器本身发射出微量射频信号，穿透手指的表皮层去控测里层的纹路，来获得最佳的指纹图像。因此对干手指，汉手指等困难手指通过可高达99%，防伪指纹能力强，指纹敏感器的识别原理只对人的真皮皮肤有反应，从根本上杜绝了人造指纹的问题，宽温区：适合特别寒冷或特别酷热的地区。因为射频传感器产生高质量的图像，因此射频技术是最可靠，最有力有解决方案。除此之外，高质量图像还允许减小传感器，无需牺牲认证的可靠性，从而降低成本并使得射频传感器思想的应用到可移动和大小不受拘束的任何领域中。

指纹识别技术还可以通过几种方法应用到许多方面。可以想象如果计算机上的所有系统和应用程序都可以使用指纹验证的话，人们使用计算机就会非常方便和安全，用户不再讨厌必要的安全性检查，而IT开发商的售后服务工作也会减轻许多。IBM公司已经开发成功并广泛应用的Global Sign On软件通过定义唯一的口令，或者使用指纹，就可以在公司整个网络上畅行无阻。 把指纹识别技术同IC卡结合起来，是目前最有前景的一个方向之一[12]。该技术把卡的主人的指纹（加密后）存储在IC卡上，并在IC卡的读卡机上加装指纹识别系统，当读卡机阅读卡上的信息时，一并读入持卡者的指纹，通过比对卡上的指纹与持卡者的指纹就可以确认持卡者的是否卡的真正主人，从而进行下一步的交易。在更加严格的场合，还可以进一步同后端主机系统数据库上的指纹作比较。指纹IC卡可以广泛地运用于许多行业中，例如取代现行的ATM卡、制造防伪证件（签证或护照、公费医疗卡、会员卡、借书卡等）。目前ATM提款机加装指纹识别功能在美国已经开始使用。持卡人可以取消密码 (避免老人和孩子记忆密码的困难)或者仍旧保留密码，在操作上按指纹与密码的时间差不多。 　　

近年来，自动发送信息的互联网络，带给人们的方便与利益，正在快速增长之中，但也因此产生了很多的问题，尤其在信息安全方面。无论是团体或者个人的信息，都害怕在四通八达的网络上传送而发生有损权益的事情。由于指纹特征数据可以通过电子邮件或其他传输方法在计算机网络上进行传输和验证，通过指纹识别技术，限定只有指定的人才能访问相关信息，可以极大地提高网上信息的安全性，这样，包括网上银行、网上贸易、电子商务的一系列网络商业行为，就有了安全性保障。在SFNB(Security First Network Bank安全第一网络银行)[22]，就是通过互联网络来进行资金划算的，他们目前正在实施以指纹识别技术为基础的保障安全性的项目，以增强交易的安全性。 　　

在医院里，指纹识别技术可以验证病人身份，例如输血管理。指纹识别技术也有助于证实寻求公共救援、医疗及其他政府福利或者保险金的人的身份确认。在这些应用中，指纹识别系统将会取代或者补充许多大量使用照片和ID的系统。 　　总之，随着许多指纹识别产品已经开发和生产，指纹识别技术的应用已经开始进入民用市场，并且发展迅猛，相信这一技术的普及应用已经指日可待。

    如果在开始将D的值进行改变，将其变小为5时，可以得到更多的特征值，因为D的改变，将导致特征值点的取值改变，其得到的图像如下图3.10所示：

图3.10与图3.8相比，图3.10中绿色的交叉点跟红色的起始点与终结点都多了一些，而这些多是伪特征点，如3.11所示：

MATLAB实验主程序：

clear all,close all,clc

%% Load image

% The general shape of the fingerprint is generally used to pre-process the

% images, and reduce the search in large databases. This uses the general

% directions of the lines of the fingerprint, and the presence of the core

% and the delta. Several categories have been defined in the Henry system:

% whorl, right loop, left loop, arch, and tented arch. Ö¸ÎÆ·ÖÀàÓÐÖúÓÚ¼õÉÙËÑË÷ËÙ¶È

%

% Most algorithms are using minutiae, the specific points like ridges

% ending, bifurcation... Only the position£¨Î»Öã© and direction£¨·½Ïò£© of these features

% are stored in the signature for further comparison.

I=imread('Empreinte.bmp');

imshow(I)

set(gcf,'position',[1 1 600 600]);

%% EnhancementÖ¸ÎÆÔöÇ¿

% A critical step in automatic fingerprint matching is to automatically and

% reliably extract minutiae £¨Ï¸½ÚÌáÈ¡£©from the input fingerprint images. However, the

% performance£¨ÐÔÄÜ£© of a minutiae extraction algorithm relies heavily on the

% quality £¨ÓëÖ¸ÎÆÖÊÁ¿Óйأ©of the input fingerprint images. In order to ensure that the

% performance of an automatic fingerprint identification/verification system

% would be robust with respect to the quality of the fingerprint images, it

% should be essential to incorporate a fingerprint enhancement algorithm in the

% minutiae extraction module£¨ÐèÒªÔÚÖ¸ÎÆϸ½ÚÌáÈ¡Ä£¿é¼ÓÈëÒ»¸öÔöÇ¿Ëã·¨£©.

%

% In our case, the quality of the image is really good, and we wwon't need

% to enhance our image£¨´Ë´¦Ö¸ÎÆͼÏñ½ÏºÃ£¬¹ÊûÓÐÌí¼ÓÔöÇ¿Ëã·¨£©.

%% Binarize(¶þÖµ»¯)

% We binarize the image. After the operation, ridges in the fingerprint are

% highlighted with black color while furrow are white.¶þÖµ»¯ºó¼¹ÎªºÚÉ«,ÖåñÞΪ°×É«

J=I(:,:,1)>160;

imshow(J)

set(gcf,'position',[1 1 600 600]);

%% Thining(ϸ»¯)

% Ridge thining is to eliminate the redundant pixels of ridges till the

% ridges are just one pixel wide. 

K=bwmorph(~J,'thin','inf');

imshow(~K)

set(gcf,'position',[1 1 600 600]);

%% Minutiae(ϸ½ÚÌáÈ¡Ä£°æ)

% We filter the thinned ridge map by the filter "minutie". "minutie"

% compute the number of one-value of each 3x3 window:

% * if the central is 1 and has only 1 one-value neighbor, then the central

% pixel is a termination(Åж϶˵ãµÄ·½·¨). 

% * if the central is 1 and has 3 one-value neighbor, then the central

% pixel is a bifurcation(ÅжϷֲæµã·½·¨).

% * if the central is 1 and has 2 one-value neighbor, then the central

% pixel is a usual pixel.

fun=@minutie;

L = nlfilter(K,[3 3],fun);

%% Termination

LTerm=(L==1);%ÖÐÐĵãÅÔ±ßÓÐÒ»¸öµã

imshow(LTerm)

LTermLab=bwlabel(LTerm);

propTerm=regionprops(LTermLab,'Centroid');

CentroidTerm=round(cat(1,propTerm(:).Centroid));

imshow(~K)

set(gcf,'position',[1 1 600 600]);

hold on

plot(CentroidTerm(:,1),CentroidTerm(:,2),'ro')

%% Bifurcation

LBif=(L==3);

LBifLab=bwlabel(LBif);

propBif=regionprops(LBifLab,'Centroid','Image');%Measure properties of image regions

CentroidBif=round(cat(1,propBif(:).Centroid));%Round to nearest integer

plot(CentroidBif(:,1),CentroidBif(:,2),'go')

%% Remarks

% We have a lot of spurious minutae.

% We are going to process them.

% process 1: if the distance between a termination and a biffurcation is

% smaller than D, we remove this minutiae

% process 2: if the distance between two biffurcations is

% smaller than D, we remove this minutia

% process 3: if the distance between two terminations is

% smaller than D, we remove this minutia

D=6;

%% Process 1

Distance=DistEuclidian(CentroidBif,CentroidTerm);

SpuriousMinutae=Distance<D;

[i,j]=find(SpuriousMinutae);

CentroidBif(i,:)=[];

CentroidTerm(j,:)=[];

%% Process 2

Distance=DistEuclidian(CentroidBif);

SpuriousMinutae=Distance<D;

[i,j]=find(SpuriousMinutae);

CentroidBif(i,:)=[];

%% Process 3

Distance=DistEuclidian(CentroidTerm);

SpuriousMinutae=Distance<D;

[i,j]=find(SpuriousMinutae);

CentroidTerm(i,:)=[];

%%

hold off

imshow(~K)

hold on

plot(CentroidTerm(:,1),CentroidTerm(:,2),'ro')

plot(CentroidBif(:,1),CentroidBif(:,2),'go')

hold off

%% ROI

% We have to determine a ROI. For that, we consider the binary image, and

% we aply an closing on this image and an erosion.

% With the GUI, I allow the use of ROI tools of MATLAB, to define manually

% the ROI.

Kopen=imclose(K,strel('square',7));

KopenClean= imfill(Kopen,'holes');

KopenClean=bwareaopen(KopenClean,5);

imshow(KopenClean)

KopenClean([1 end],:)=0;

KopenClean(:,[1 end])=0;

ROI=imerode(KopenClean,strel('disk',10));

imshow(ROI)

%%

imshow(I)

hold on

imshow(ROI)

alpha(0.5)

hold on

plot(CentroidTerm(:,1),CentroidTerm(:,2),'ro')

plot(CentroidBif(:,1),CentroidBif(:,2),'go')

hold off

%% Suppress extrema minutiae

% Once we defined the ROI, we can suppress minutiae external to this ROI.

[m,n]=size(I(:,:,1));

indTerm=sub2ind([m,n],CentroidTerm(:,1),CentroidTerm(:,2));

Z=zeros(m,n);

Z(indTerm)=1;

ZTerm=Z.*ROI';

[CentroidTermX,CentroidTermY]=find(ZTerm);

indBif=sub2ind([m,n],CentroidBif(:,1),CentroidBif(:,2));

Z=zeros(m,n);

Z(indBif)=1;

ZBif=Z.*ROI';

[CentroidBifX,CentroidBifY]=find(ZBif);

imshow(I)

hold on

plot(CentroidTermX,CentroidTermY,'ro','linewidth',2)

plot(CentroidBifX,CentroidBifY,'go','linewidth',2)

%% Orientation

% Once we determined the differents minutiae, we have to find the

% orientation of each one

Table=[3*pi/4 2*pi/3 pi/2 pi/3 pi/4

       5*pi/6 0 0 0 pi/6

       pi 0 0 0 0

      -5*pi/6 0 0 0 -pi/6

      -3*pi/4 -2*pi/3 -pi/2 -pi/3 -pi/4];

%% Termination Orientation

% We have to find the orientation of the termination.

% For finding that, we analyze the position of the pixel on the boundary of

% a 5 x 5 bounding box of the termination. We compare this position to the

% Table variable. The Table variable gives the angle in radian.

for ind=1:length(CentroidTermX)

    Klocal=K(CentroidTermY(ind)-2:CentroidTermY(ind)+2,CentroidTermX(ind)-2:CentroidTermX(ind)+2);

    Klocal(2:end-1,2:end-1)=0;

    [i,j]=find(Klocal);

    OrientationTerm(ind,1)=Table(i,j);

end

dxTerm=sin(OrientationTerm)*5;

dyTerm=cos(OrientationTerm)*5;

figure

imshow(K)

set(gcf,'position',[1 1 600 600]);

hold on

plot(CentroidTermX,CentroidTermY,'ro','linewidth',2)

plot([CentroidTermX CentroidTermX+dyTerm]',...

    [CentroidTermY CentroidTermY-dxTerm]','r','linewidth',2)

%% Bifurcation Orientation

%  For each bifurcation, we have three lines. So we operate the same

%  process than in termination case three times.

for ind=1:length(CentroidBifX)

    Klocal=K(CentroidBifY(ind)-2:CentroidBifY(ind)+2,CentroidBifX(ind)-2:CentroidBifX(ind)+2);

    Klocal(2:end-1,2:end-1)=0;

    [i,j]=find(Klocal);

    if length(i)~=3

        CentroidBifY(ind)=NaN;

        CentroidBifX(ind)=NaN;

        OrientationBif(ind)=NaN;

    else

        for k=1:3

            OrientationBif(ind,k)=Table(i(k),j(k));

            dxBif(ind,k)=sin(OrientationBif(ind,k))*5;

            dyBif(ind,k)=cos(OrientationBif(ind,k))*5;

        end

    end

end

plot(CentroidBifX,CentroidBifY,'go','linewidth',2)

OrientationLinesX=[CentroidBifX CentroidBifX+dyBif(:,1);CentroidBifX CentroidBifX+dyBif(:,2);CentroidBifX CentroidBifX+dyBif(:,3)]';

OrientationLinesY=[CentroidBifY CentroidBifY-dxBif(:,1);CentroidBifY CentroidBifY-dxBif(:,2);CentroidBifY CentroidBifY-dxBif(:,3)]';

plot(OrientationLinesX,OrientationLinesY,'g','linewidth',2)

附录2

变量D的定义程序：

function D=DistEuclidian(dataset1,dataset2)

h = waitbar(0,'Distance Computation');

switch nargin

    case 1

        [m1,n1]=size(dataset1);

        m2=m1;

        D=zeros(m1,m2);

        for i=1:m1

            waitbar(i/m1)

            for j=1:m2

                if i==j

                    D(i,j)=NaN;

                else

                    D(i,j)=sqrt((dataset1(i,1)-dataset1(j,1))^2+(dataset1(i,2)-dataset1(j,2))^2);

                end

            end

        end

    case 2

        [m1,n1]=size(dataset1);

        [m2,n2]=size(dataset2);

        D=zeros(m1,m2);

        for i=1:m1

            waitbar(i/m1)

            for j=1:m2

                D(i,j)=sqrt((dataset1(i,1)-dataset2(j,1))^2+(dataset1(i,2)-dataset2(j,2))^2);

            end

        end

    otherwise

        error('only one or two input arguments')

end

close(h)

附录3

    指纹图像二值化，细化程序：

I=imread('Empreinte.bmp');

subplot(421);

imshow(I);

set(gcf,'position',[1 1 600 600]);

J=I(:,:,1)>160;

subplot(322);imshow(J)

set(gcf,'position',[1 1 600 600])

K=bwmorph(~J,'thin','inf');

subplot(323);imshow(~K)

set(gcf,'position',[1 1 600 600]);

fun=@minutie;

L = nlfilter(K,[3 3],fun);

%LTerm=(L==1);

%subplot(324);

%imshow(LTerm);

LTermLab=bwlabel(J);

subplot(324);

imshow(LTermLab)