手机指纹图像计算方法

‘壹’ 一般鉴定指纹如何进行

1、读取指纹图象：在一开始，通过指纹读取设备读取到人体指纹的图象，取到指纹图象之后，要对原始图象进行初步的处理，使之更清晰。

2、提取特征：接下来，指纹辨识软件建立指纹的数字表示——特征数据，一种单方向的转换，可以从指纹转换成特征数据但不能从特征数据转换成为指纹，而两枚不同的指纹不会产生相同的特征数据。

3、保存数据：有的算法把节点和方向信息组合产生了更多的数据，这些方向信息表明了各个节点之间的关系，也有的算法还处理整幅指纹图像。总之，这些数据，通常称为模板，保存为1K大小的记录。

4、比对数据：通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果。指纹其实是比较复杂的。

(1)手机指纹图像计算方法扩展阅读：

指纹的优点

1、指纹是人体不一样的的特征，并且它们的复杂度足以提供用于鉴别的足够特征；

2、如果要增加可靠性，只需登记更多的指纹、鉴别更多的手指，最多可以多达十个，而每一个指纹都是不一样的；

3、扫描指纹的速度很快，使用非常方便；

4、读取指纹时，用户必需将手指与指纹采集头相互接触，与指纹采集头直接；

5、接触是读取人体生物特征最可靠的方法；

6、指纹采集头可以更加小型化，并且价格会更加的低廉。

‘贰’ 指纹识别技术是基于哪些原理

指纹其实是比较复杂的。与人工处理不同，许多生物识别技术公司并不直接存储指纹的图像。多年来在各个公司及其研究机构产生了许多数字化的算法（美国有关法律认为，指纹图像属于个人隐私，因此不能直接存储指纹图像）。但指纹识别算法最终都归结为在指纹图像上找到并比对指纹的特征。
指纹的特征
我们定义了指纹的两类特征来进行指纹的验证：总体特征和局部特征。总体特征是指那些用人眼直接就可以观察到的特征，包括：
基本纹路图案
环型（loop）,
弓型（arch）,
螺旋型（whorl）。其他的指纹图案都基于这三种基本图案。仅仅依靠图案类型来分辨指纹是远远不够的，这只是一个粗略的分类，但通过分类使得在大数据库中搜寻指纹更为方便。
模式区（Pattern
Area）模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的。有的指纹识别算法只使用模式区的数据。
Aetex
的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。
核心点（Core
Point）核心点位于指纹纹路的渐进中心，它用于读取指纹和比对指纹时的参考点。
三角点（Delta）三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。三角点提供了指纹纹路的计数和跟踪的开始之处。
式样线（Type
Lines）式样线是在指包围模式区的纹路线开始平行的地方所出现的交叉纹路，式样线通常很短就中断了，但它的外侧线开始连续延伸。
纹数（Ridge
Count）指模式区内指纹纹路的数量。在计算指纹的纹数时，一般先在连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。
局部特征
局部特征是指指纹上的节点。两枚指纹经常会具有相同的总体特征，但它们的局部特征--节点，却不可能完全相同
节点（Minutia
Points）指纹纹路并不是连续的，平滑笔直的，而是经常出现中断、分叉或打折。这些断点、分叉点和转折点就称为"节点"。就是这些节点提供了指纹唯一性的确认信息。
指纹上的节点有四种不同特性：
1.
分类
-
节点有以下几种类型，最典型的是终结点和分叉点
A.
终结点（Ending）
--
一条纹路在此终结。
B.
分叉点（Bifurcation）
--
一条纹路在此分开成为两条或更多的纹路。
C.
分歧点（Ridge
Divergence）
--
两条平行的纹路在此分开。
D.
孤立点（Dot
or
Island）
--
一条特别短的纹路，以至于成为一点
E.
环点（Enclosure）
--
一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称为环点
F.
短纹（Short
Ridge）
--
一端较短但不至于成为一点的纹路，
2.
方向（Orientation）
--
节点可以朝着一定的方向。
3.
曲率（Curvature）
--
描述纹路方向改变的速度。
4.
位置（Position）
--
节点的位置通过（x,y）坐标来描述，可以是绝对的，也可以是相对于三角点或特征点的。

‘叁’ 指纹识别是什么原理呢

本来想自己写的，但是要说的太多了，干脆找找COPY一个。你还有什么不明白的可以直接问我，我就是做这个行业的。

手指上的指纹表征了一个人的身份特征。1788年Mayer首次提出没有两个人的指纹完全相同，1823年Purkinie首次把指纹纹形分成9类，1889年Henry提出了指纹细节特征识别理论，奠定了现代指纹学的基础。但采用人工比对的方法，效率低、速度慢。20世纪60年代，开始用计算机图像处理和模式识别方法进行指纹分析，这就是自动指纹识别系统（简称AFIS）[1]。20世纪70年代末80年代初，刑事侦察用自动指纹识别系统（police�AFIS，P�AFIS）投入实际运用。20世纪90年代，AFIS进入民用，称为民用自动指纹识别系统（civil�AFIS，C�AFIS）。本文试图从指纹特征分析着手，阐述指纹作为人体身份识别的原理方法、指纹识别的主要技术指标和测试方法，以及实际应用的现实性与可靠性[2-4]。

1 指纹识别的原理和方法

1.1 指纹的特征与分类
指纹识别学是一门古老的学科，它是基于人体指纹特征的相对稳定与唯一这一统计学结果发展起来的。实际应用中，根据需求的不同，可以将人体的指纹特征分为：永久性特征、非永久性特征和生命特征[5]。
永久性特征包括细节特征（中心点、三角点、端点、叉点、桥接点等）和辅助特征（纹型、纹密度、纹曲率等元素），在人的一生中永不会改变，在手指前端的典型区域中最为明显，分布也最均匀[1]。细节特征是实现指纹精确比对的基础，而纹形特征、纹理特征等则是指纹分类及检索的重要依据。人类指纹的纹形特征根据其形态的不同通常可以分为“弓型、箕型、斗型”三大类型，以及“孤形、帐形、正箕形、反箕形、环形、螺形、囊形、双箕形和杂形”等9种形态[1]。纹理特征则是由平均纹密度、纹密度分布、平均纹曲率、纹曲率分布等纹理参数构成。纹理特征多用于计算机指纹识别算法的多维分类及检索。
非永久性特征由孤立点、短线、褶皱、疤痕以及由此造成的断点、叉点等元素构成的指纹特征，这类指纹有可能产生、愈合、发展甚至消失[1]。
指纹的生命特征与被测对象的生命存在与否密切相关。但它与人体生命现象的关系和规律仍有待进一步认识。目前它已经成为现代民用指纹识别应用中越来越受关注的热点之一。

1.2 指纹识别的原理和方法
指纹识别技术主要涉及四个功能：读取指纹图像、提取特征、保存数据和比对。通过指纹读取设备读取到人体指纹的图像，然后要对原始图像进行初步的处理，使之更清晰，再通过指纹辨识软件建立指纹的特征数据。软件从指纹上找到被称为“节点”（minutiae）的数据点，即指纹纹路的分叉、终止或打圈处的坐标位置，这些点同时具有七种以上的唯一性特征。通常手指上平均具有70个节点，所以这种方法会产生大约490个数据。这些数据，通常称为模板。通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果[5-6]。采集设备（即取像设备）分成几类：光学、半导体传感器和其他。

2 指纹识别技术的主要指标和测试方法

2.1 算法的精确度

指纹识别系统性能指标在很大程度上取决于所采用算法性能。为了便于采用量化的方法表示其性能，引入了下列两个指标。
拒识率（false rejection rate，FRR）：是指将相同的指纹误认为是不同的，而加以拒绝的出错概率。FRR=（拒识的指纹数目／考察的指纹总数目）×100%。
误识率（false accept rate，FAR）：是指将不同的指纹误认为是相同的指纹，而加以接收的出错概率。FAR=（错判的指纹数目／考察的指纹总数目）×100%。
对于一个已有的系统而言，通过设定不同的系统阈值，就可以看出这两个指标是互为相关的，FRR与FAR成反比关系。这很容易理解，“把关”越严，误识的可能性就越低，但是拒识的可能性就越高。

2.2 误识率和拒识率的测试方法
测试这两个指标，通常采用循环测试方法[7]。即给定一组图像，然后依次两两组合，提交进行比对，统计总的提交比对的次数以及发生错误的次数，并计算出出错的比例，就是FRR和FAR。针对FAR=0.0001%的指标，应采用不少于1 415幅不同的指纹图像作循环测试，总测试次数为1 000 405次，如果测试中发生一次错误比对成功，则FAR=1/1 000 405；针对FRR=0.1%，应采用不少于46幅属于同一指纹的图像组合配对进行测试，则总提交测试的次数为1 035次数，如果发生一次错误拒绝，则FRR=1/1 035。测试所采用的样本数越多，结果越准确。作为测试样本的指纹图像应满足可登记的条件。

2.3 系统参数
拒登率（error registration rate，ERR）：指的是指纹设备出现不能登录及处理的指纹的概率，ERR过高将会严重影响设备的使用范围，通常要求小于1%。
登录时间：指纹设备登录一枚指纹所需的时间，通常单次登录的时间要求不超过2 s。
比对时间：指纹设备对两组指纹特征模版进行比对所耗费的时间，通常要求不超过1 s。
工作温度：指纹设备正常工作时所允许的温度变化范围，一般是0～40 ℃。
工作湿度：指纹设备正常工作时所允许的相对湿度变化范围，一般是30%～95%。

3 指纹识别技术的应用
指纹识别技术已经成熟，其应用日益普遍，除了刑事侦察用之外，在民用方面已非常广泛，如指纹门禁系统、指纹考勤系统、银行指纹储蓄系统、银行指纹保管箱、指纹医疗保险系统、计划生育指纹管理系统、幼儿接送指纹管理系统、指纹献血管理系统、证券交易指纹系统、指纹枪械管理系统、智能建筑指纹门禁管理系统、驾驶员指纹管理系统等。
指纹门禁系统和指纹考勤系统是开发和使用得最早的一种出入管理系统，包括对讲指纹门禁、联机指纹门禁、脱机指纹门禁等等。在入口将个人的手指按在指纹采集器上，系统将已登录在指纹库中的指纹（称为已经注册）进行对比，如果两者相符（即匹配），则显示比对成功，门就自动打开。如不匹配，则显示“不成功”或“没有这个指纹”，门就不开。在指纹门禁系统中，可以是一对一的比对（one�to�one matching），也可以是一对几个比对（one�to�few matching）。前者可以是一个公司、部门，后者可以是一个家庭的成员、银行的营业厅、金库、财务部门、仓库等机要场所。在这些应用中，指纹识别系统将取代或者补充许多大量使用照片和ID系统。
把指纹识别技术同IC卡结合起来，是目前最有前景的一个应用之一。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，通过比对就可以确认持卡者是否是卡的真正主人，从而进行下一步的交易。指纹IC卡可取代现行的ATM卡、制造防伪证件等。ATM卡持卡人可不用密码，避免老人和孩子记忆密码的困难。

近年来，互联网带给人们方便与利益已，也存在着安全问题。指纹特征数据可以通过电子邮件或其它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的信息，可以极大地提高网上信息的安全性。网上银行、网上贸易、电子商务等一系列网络商业行为就有了安全性保障。
指纹社会保险系统的应用为养老金的准确发放起了非常有效的作用。避免了他人用图章或身份证复印件代领，而发放人员无法确定该人是故世的问题，要凭本人的活体指纹，才可准确发放养老金。

4 指纹识别的可靠性
指纹识别技术是成熟的生物识别技术。因为每个人包括指纹在内的皮肤纹路在图案、断点和交叉点上各不相同，是唯一的，并且终生不变。通过他的指纹和预先保存的指纹进行比较，就可以验证他的真实身份。自动指纹识别是利用计算机来进行指纹识别的一种方法。它得益于现代电子集成制造技术和快速而可靠的算法理论研究。尽管指纹只是人体皮肤的一小部分，但用于识别的数据量相当大，对这些数据进行比对是需要进行大量运算的模糊匹配算法。利用现代电子集成制造技术生产的小型指纹图像读取设备和速度更快的计算机，提供了在微机上进行指纹比对运算的可能。另外，匹配算法可靠性也不断提高。因此，指纹识别技术己经非常简单实用。由于计算机处理指纹时，只是涉及了一些有限的信息，而且比对算法并不是十分精确匹配，其结果也不能保证100%准确。

指纹识别系统的特定应用的重要衡量标志是识别率。主要包括拒识率和误识率，两者成反比关系。根据不同的用途来调整这两个值。尽管指纹识别系统存在着可靠性问题，但其安全性也比相同可靠性级别的“用户ID+密码”方案的安全性要高得多。拒识率实际上也是系统易用性的重要指标。在应用系统的设计中，要权衡易用性和安全性。通常用比对两个或更多的指纹来达到不损失易用性的同时，极大提高系统的安全性。

‘肆’ 指纹识别是怎么进行的

导语：指纹识别技术通常使用指纹的总体特征如纹形、三角点等来进行分类，再用局部特征如位置和方向等来进行用户身份识别。尽管指纹只是人体皮肤的小部分，但是，它蕴涵着大量的信息。那么，接下来就让我们一起来具体的了解以下关于指纹识别是怎么进行的内容吧。文章仅供大家的参考!

指纹识别是怎么进行的

1.指纹图像的获取

指纹图像的采集是自动指纹识别系统的重要组成部分。早期的指纹采集都是通过油墨按压在纸张上产生的。20世纪80年代，随着光学技术和计算机技术的发展，现代化的采集设备开始出现。

传感器是一种能把物理量或化学量变成便于利用的电信号的器件。在测量系统中它是一种前置部件，它是被测量信号输入后的第一道关口，是生物认证系统中的采集设备。

这些传感器根据探测对象的不同，可分为光学传感器、热敏传感器和超声传感器;根据器件的不同，可分为CMOS器件传感器和CCD器件传感器。它们的工作原理都是：将生物特征经过检测后转化为系统可以识别的图像信息。在生物认证系统中，可靠和廉价的'图像采集设备是系统运行正常、可靠的关键。

2.指纹图像的增强

常见的预处理方法如下：

(1)采用灰度的均衡化，可以消除不同图像之间对比度的差异。

(2)使用简单的低通滤波消除斑点噪声、高斯噪声。

(3)计算出图像的边界，进行图像的裁剪，这样可以减少多余的计算量，提高系统的速度。

常用图像增强算法具体包括以下几种：

(1)基于傅里叶滤波的低质量指纹增强算法;

(2)基于Gabor滤波的增强方法;

(3)多尺度滤波方法;

(4)改进的方向图增强算法;

(5)基于知识的指纹图像增强算法;

(6)非线性扩散模型及其滤波方法;

(7)改进的非线性扩散滤波方法。

目前最新的分割算法有以下几种：

(1)基于正态模型进行的指纹图像分割算法;

(2)基于马尔科夫随机场的指纹图像分割算法;

(3)基于数学形态学闭运算的灰度方差法;

(4)基于方向场的指纹图像分割算法。

3.指纹特征的提取

近年来，新的指纹特征提取算法主要包括以下几种：

(1)基于Gabor滤波方法对指纹局部特征的提取算法。

(2)基于CNN通用编程方法对指纹特征的提取算法。

(3)基于IFS编码的图像数字化技术，即建立IFS模型，计算源图像与再生图像之间的相似性，快速提取指纹图像的特征。

(4)基于脊线跟踪的指纹图像特征点提取算法。该算法可以直接从灰度指纹图像中有效提取细节点和脊线骨架信息。

(5)基于小波变换和ART(自适应共振理论)神经网络的指纹特征提取算法。

4.指纹图像的分类与压缩

常用的指纹分类技术有以下几种：

(1)基于规则的方法，即根据指纹奇异点的数目和位置分类。

(2)基于句法的方法。这种方法的语法复杂，推导语法的方法复杂、不固定。这种方法已经逐渐被淘汰了。

(3)结构化的方法，即寻找低层次的特征到高层次的结构之间相关联的组织。

(4)统计的方法。

(5)结合遗传算法和BP神经元网络的方法。

(6)多分类器方法。

常用的压缩算法有以下两种：

(1)图像压缩编码方法：包括无损压缩(熵编码)和有损压缩(量化)。

(2)基于小波变换的指纹压缩算法：包括WSQ算法、DjVu算法、改进的EZW算法等。

5.指纹图像的匹配

传统的指纹匹配算法有很多种：

(1)基于点模式的匹配方法：如基于Hough变换的匹配算法、基于串距离的匹配算法、基于N邻近的匹配算法等。

(2)图匹配及其他方法：如基于遗传算法的匹配、基于关键点的初匹配等。

(3)基于纹理模式的匹配：如PPM匹配算法等。

(4)混合匹配方法等。

近几年，又出现了如下新的匹配算法：

(1)基于指纹分类的矢量匹配。该法首先利用指纹分类的信息进行粗匹配，然后利用中心点和三角点的信息进一步匹配，最后以待识别图像和模板指纹图像的中心点为基准点，将中心点与邻近的36个细节点形成矢量，于是指纹的匹配就转变为矢量组数的匹配。

(2)基于PKI(Public Key Infrastructure，公钥基础设施)的开放网络环境下的指纹认证系统。

(3)实时指纹特征点匹配算法。该算法的原理是：通过由指纹分割算法得到圆形匹配限制框和简化计算步骤来达到快速匹配的目的。

(4)一种基于FBI(Federal Bureauof Investigation)细节点的二次指纹匹配算法。

(5)基于中心点的指纹匹配算法。该算法利用奇异点或指纹有效区域的中心点寻找匹配的基准特征点对和相应的变换参数，并将待识别指纹相对于模板指纹作姿势纠正，最后采用坐标匹配的方式实现两个指纹的比对。

‘伍’ 请教指纹图像识别中方向场（或方向图）计算的问题

随机过程，图像分割，很多书上的理论都是有自己的缺点有待改进的，以及图像变换）等知识应该是模式识别的基础，这个我你看冈萨雷斯的图像处理这本书，对于模式识别：
我觉得做图像的，最基本你对图像处理应该有一定的认识，图像处理（包括图像平滑去噪：高等数学，我觉得模式识别领域还是有很多东西可以挖掘的，最优化方法等等，毕竟他不像经典物理学那样有着固定完善的理论套路，你先学好书本上介绍的基本理论（如贝叶斯决策论，学这些应该不困难，参数和非参数估计等等）学好了这些再去研究这些理论存在的问题。还有就是数学基础了，于模式识别相关的数学基础应该有，线性代数。你有数学基础，概率论。
希望对你有用，图像锐化，迪达写的《模式分类》这本书比较权威

‘陆’ 指纹传感器的工作过程

线性指纹无线传感器获得指纹图像的方法包括：1、通过指纹无线传感器顺序地捕获指纹图像条带；2、指纹无线传感器把扫描的指纹图像条带分成预定的段；3、通过把每一图像条带和它的段与下一图像条带进行比较，检测最佳重叠区域；4、计算通过重叠区域的平均图像过渡的平均值；5、把应用平均图像过渡值的整个图像混合到每一图像条带。这种传感器获取指纹的方法通过估算和补偿指纹传感器扫描的图像大大改善了正确识别率，并精确地把图像复原到原来的图像。这就是指纹考勤机的工作过程。
指纹传感器可以解决问题：，并自动加载他们的个人资料 。

‘柒’ iphone6s指纹识别怎么用

iphone 6s指纹识别操作方法如下：

1、打开手机主界面，选择“设置”

‘捌’ 指纹识别使用什么原理

指纹识别系统的重要衡量标志是识别率。其主要由两部分组成，拒判率（FRR）和误判率（FAR）。正因为如此，权威机构认为，在应用中1%的误判率就可以接受。FRR实际上也是系统易用性的重要指标。由于FRR和FAR是相互矛盾的，这就使得在应用系统的设计中，要权衡易用性和安全性。下面是我收集整理的指纹识别使用什么原理，希望对你有帮助。

第一步：指纹是手指末端正面皮肤上凸凹不平产生的纹路。

尽管指纹只是人体皮肤的小部分，但是，它蕴涵着大量的信息。指纹特征可分为两类：总体特征和局部特征。总体特征指那些用人眼直接就可以观察到的特征，包括基本纹路图案、模式区、核心点、三角点、式样线和纹线等。基本纹路图案有环形、弓形、螺旋形。局部特征即指纹上节点的`特征，这些具有某种特征的节点称为特征点。两枚指纹经常会具有相同的总体特征，但它们的局部特征——特征点，却不可能完全相同。指纹上的特征点，即指纹纹路上的终结点、分叉点和转折点。

第二步：指纹识别技术通常使用指纹的总体特征如纹形、三角点等来进行分类，再用局部特征如位置和方向等来进行用户身份识别。

通常，首先从获取的指纹图像上找到“特征点”（minutiae），然后根据特征点的特性建立用户活体指纹的数字表示——指纹特征数据（一种单向的转换，可以从指纹图像转换成特征数据但不能从特征数据转换成为指纹图像）。由于两枚不同的指纹不会产生相同的特征数据，所以通过对所采集到的指纹图像的特征数据和存放在数据库中的指纹特征数据进行模式匹配，计算出它们的相似程度，最终得到两个指纹的匹配结果，根据匹配结果来鉴别用户身份。由于每个人的指纹不同，就是同一人的十指之间，指纹也有明显区别，因此指纹可用于身份鉴定。

第三步：指纹识别技术主要涉及四个功能： 读取指纹图像、提取特征、保存数据和比对：

首先，通过指纹读取设备读取人体指纹的图像，取到指纹图像之后，要对原始图像进行预处理。

其次，用指纹辨识软件建立指纹的数字表示特征数据，是一种单方向的转换，可以从指纹转换成特征数据但不能从特征数据转换成为指纹，而两枚不同的指纹不会产生相同的特征数据。软件从指纹上找到被称为“节点”的数据点，也就是那些指纹纹路的分叉、终止或打圈处的坐标位置，这些点同时具有七种以上的唯一性特征。

第三，通常手指上平均具有70个节点，所以这种方法会产生大约500个数据。有的算法将节点和方向信息组合产生了更多的数据，这些方向信息表明了各个节点之间的关系，也有的算法还处理整幅指纹图像。总之，这些数据，通常称为模板，保存为1KB大小的记录。

最后，通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果。

‘玖’ 光学指纹跟超声指纹对屏幕要求

光学指纹跟超声指纹对屏幕要求一共分三种屏幕指纹，超声波指纹，光学指纹，电阻指纹。电阻是我们平常见的后置指纹和前置指纹。

光学指纹如果手指有油污，泥污等，那么光学指纹机就无法准确识别。超声波指纹机是看的是和手指指纹那一层，如果有油污，泥污等是可以直接穿透看到指纹的真实情况。超声波指纹的缺点是穿透性有限制。

光学指纹线性指纹无线传感器获得指纹图像的方法包括：

1、光学指纹通过指纹无线传感器顺序地捕获指纹图像条带。

2、光学指纹指纹无线传感器把扫描的指纹图像条带分成预定的段。

3、光学指纹通过把每一图像条带和它的段与下一图像条带进行比较，检测最佳重叠区域。

4、光学指纹计算通过重叠区域的平均图像过渡的平均值。

5、光学指纹把应用平均图像过渡值的整个图像混合到每一图像条带。

‘拾’ 从数字图像处理技术角度谈谈对指纹识别的认识

这是我自己以前收集的资料 但愿能有帮助哈
理论分析与设计

4.1 指纹图像表示

从指纹传感器输出的是指纹原始图像，其数据量比较大。这对整个指纹识别系统的处理和存储都是个不小的负担。在远程采集系统中，对通信带宽会造成较大负荷。因此需要对指纹图像进行压缩存储。指纹图像压缩一般经过图像变换、量化和编码等过程。解压需经过解码、量化解码和反变换等过程。

压缩后的指纹图像需确保指纹特征信息的不丢失不损坏。理论上来讲采用无损压缩算法是最理想的。但经过实践证明，对于分辨率不是很高的指纹图像来说，采用无损压缩的压缩比很低。通常情况下采用JEPG、WSQ和EZW三种压缩算法。

4.2 指纹图像处理

4.2.1 指纹图像增强

刚获得的图象有很多噪音。这主要由于平时的工作和环境引起的。指纹还有一些其他的细微的有用信息，我们要尽可能的使用。指纹图像增强的目的主要是为了减少噪音，增强嵴峪对比度，使得图像更加清晰真实，便于后续指纹特征值提取的准确性.

指纹图像增强常用的是平滑和锐化处理。

（1）平滑处理

平滑处理是为了让整个图像取得均匀一致的明暗效果。平滑处理的过程是选取整个图像的象素与其周围灰阶差的均方值作为阈值来处理的。这种做法实现的是一种简单的低通滤波器。

实验表明：一般的自然图像相邻像素的灰度相关性约为0.9。因此在图像受到白噪声干扰时，以像素的邻域平均值代替中心像素，是一个去除噪声的好办法。算法是： 。其中f(x,y)表示被噪声污染的原始图像，大小为N*N，g(n,m)是平滑后的图像，S是处理点(x,y)邻域中点的坐标（不包括（x,y）点）的集合，而M是集合S内坐标点的总数。例如，以(x,y)点为中心，取单位距离构成的邻域，其中点的坐标集合为：s={(x,y+1),(x,y-1),(x+1,y),(x-1,y)}。

经验表明，邻域越大，去噪声的能力就越强，不过，从中也可以看出，邻域越大，图像就越模糊。因此，需要寻找既可以去噪声，又可以保持图像清晰度的办法，这就是阀值方法，算法是： ，其中T值是一个规定的非负阀值。只有当变化较大时（大于T），图像才进行邻域滤波；而当变化不明显时，仍然保留原先的值，这样可以减少图像的模糊。

当被处理点为边界点时，邻域平均后该点的灰度迅速下降，这样就导致边界模糊。修改方案是根据参与平均的像素的特点赋予不同的权值，即采用加权平均法： ，其中w(n,m)是加权系数。

可以根据图像的相关性，按照以下的方法确定权值：

a：给当前处理的中心像素较大的权值，其他像素的权值较小。

b：按两像素间的距离确定权值，距离处理像素近的权值较大，距离处理像素较远的权值小。

c：按和被处理像素的灰度接近程度确定权值，约接近的权值越大。

下面是几个按照以上思路设计的典型的加权平均算子。为了不使整个图像的亮度变亮，设计此类算子的时候需要将权值归一化。

A：中心加权算子。

B：中心和四邻点加权算子。

C：按灰度近似程度加权算子。

其中：

综合以上讨论可以看出：

A：平滑滤波器就是一种低通滤波器，模板的所有系数都是正数。

B：在设计滤波器时通常还要求行列数为奇数，保障中心定位性能。

C：空域低通滤波的去噪能力与它的模板大小有关，模板越大，去噪能力越强。

D：空域低通滤波具有平滑的效果，在去除噪声的同时模糊了图像边缘和细节。

（2）锐化处理

锐化和平滑恰恰相反，它是通过增强高频分量来减少图象中的模糊，因此又称为高通滤波。锐化处理在增强图象边缘的同时增加了图象的噪声。锐化技术可分为空域和时域两种手段，空域的基本方法是微分处理，频域技术是运用高通滤波。

图像处理中最常用的微分方法是计算梯度。给定义一个函数f(x,y)，在坐标f(x,y)在f的梯度定义为一个矢量G[f(x,y)]:

梯度G[f(x,y)]是函数f(x,y)最大增加率的方向，梯度矢量的幅度（梯度的模）为： ，其中 表示在矢量方向上每单位距离f(x,y)的最大值，通常用来表示f的梯度。

最常用的是Laplacian算子，即对图象进行二阶微分的计算：

。可以看出，它是个标量，具有各向同性的性质。

典型的Laplacian模板及其变形模板如下图所示。这三个模板在形式上有些区别，增强能力也不同，但都体现了二阶微分的特征。

4.2.2指纹图像二值化

在原始灰阶图像中，各象素的灰度是不同的，并按一定的梯度分布。在实际处理中只需要知道象素是不是嵴线上的点，而无需知道它的灰度。所以每一个象素对判定嵴线来讲，只是一个“是与不是”的二问题。所以，指纹图像二值化是对每一个象素点按事先定义的阈值进行比较，大于阈值的，使其值等于1（假定），小于阈值的，使其值等于0。图像二值化后，不仅可以大大减少数据量，而且使后面的处理过程少受干扰，大大简化其后的处理。

4.2.3指纹图像细化

图像细化就是将嵴的宽度降为单个像素的宽度，得到嵴线的骨架图像的过程。这个过程进一步减少了图像数据量，清晰化了嵴线形态，为之后的特征值提取作好准备。由于我们所关心的不是嵴线的粗细，而是嵴线的有无。因此，在不破坏图像连通性的情况下必须去掉多余的信息。因而应先将指纹嵴线的宽度采用逐渐剥离的方法，使得嵴线成为只有一个象素宽的细线，这将非常有利于下一步分析。

4.3 指纹特征值提取

A：指纹特征值

指纹特征值是指纹算法的基础数据，是指纹算法最重要的数据结构。不论是特征点匹配算法，还是线对或点集匹配算法，都是指纹算法程序中最核心的数据结构。指纹特征值模板一定程度影响着指纹算法的效率和精度，体现了算法的优劣。一个好的特征值模板能用最小的数据量表示最多的指纹特征信息，能用最少的特征点信息，区分出两个指纹的不同。

B：提取

指纹特征值提取是对指纹的特征信息（总体和局部的）进行选择、编码，形成二进制数据的过程。指纹特征点的提取方法是指纹算法的核心。一般采用8邻域法对二值化、细化后的指纹图像抽取特征点，这种方法将嵴上的点用"1"表示，峪（背景）用"0"表示，将待测点（i,j）的八邻域点进行循环比较，若"0"，"1"变化有六次，则此待测点为分叉点，若变化两次，则为端点。通过这个过程可以记录下来指纹的所有特征点。

通常一个指纹的特征点在100~150之间，在形成指纹特征值模板（也就是特征值的有序集合）时，尽量多的提取特征点对于提高准确性是有很大帮助的。