CN103413116A - 一种有效的指纹方向场计算方法 - Google Patents

Abstract

本发明针对存在较大面积噪声区域的指纹图像，公开了一种针对指纹噪声区域的方向场估计实现方法。本发明提供的有效的指纹方向场计算方法，首先采用基于梯度的方法计算非噪声区域的指纹方向场，同时依据有效点梯度向量比率、方向一致性等参数标记噪声区域；然后，基于已计算出的非噪声区域的方向场，采用8方向区间预测模型估计噪声区域的方向场，该模型由于考虑了8个不同方向区间对当前点的影响，因而使估计的方向场结果更加合理。另外，在对噪声区域的方向场进行估计时，采用了由外到内、逐渐收缩的方案，进一步提高了预测的准确性。

Description

一种有效的指纹方向场计算方法

技术领域

本发明属于数字图像处理技术领域，尤其是涉及自动指纹识别技术领域，更为具体地说，是涉及一种指纹方向场计算方法。 

背景技术

生物特征识别技术是根据每个人独有的可以采样和测量的生物学特征和行为学特征进行身份识别的技术。由于生物特征不像各种证件类持有物那样容易窃取，也不像密码、口令那么容易遗忘或破解，所以在身份识别上体现了独特的优势，近年来在国际上被广泛研究。自动指纹识别系统(AFIS)由于其体积小、成本低、易操作、可靠性高等优点越来越受到人们的青睐，成为最重要的生物识别技术之一。 

方向场描述了指纹脊线、谷线的方向模式信息，作为指纹全局、可靠的特征，在指纹图象增强、指纹分类/检索、指纹匹配等方面发挥了非常重要的作用。 

很多方法被用来计算指纹方向场，主要可分为：基于梯度的方法，基于滤波的方法，基于模型的方法。基于滤波的方法具有较好的抗噪性能，但只有有限个数的滤波器，计算出的方向场不够精确，且此类方法在估计每个点方向时需要计算每个滤波器的输出并进行比较，计算量很大，效率较低。基于模型的方法试图从全局的角度总结出指纹方向场的规律和局限，并以此作为指导来估计指纹的方向场，因此该类方法具有很强的抗噪声能力，但是几乎所有的基于模型的方法都依赖于准确地提取指纹奇异点，对于质量较差的指纹图像，这是一件很难的工作；同时，对于指纹图像中方向变化较大的区域(如奇异点周围)，估计出的方向场往往也不够准确。相对于以上两类方法，基于梯度的方法能够更加准确、细致地刻画出指纹的方向信息，也因此被大多数的指纹识别系统所采用，成为最重要的指纹方向场估计方法之一。 

现有的基于梯度的指纹方向场计算方法的抗噪声能力较弱，尽管可以在该算法上加入一些后续处理以增强抗噪声能力，取得了一定的效果，但是对于质量较差的指纹图像，尤其是存在较大面积噪声的图像，仍然得不到较为理想的结果。 

发明内容

为解决上述问题，本发明针对存在较大面积噪声区域的指纹图像，公开了一种针对指纹噪声区域的方向场估计实现方法。 

为了达到上述目的，本发明提供如下技术方案： 

一种有效的指纹方向场计算方法，包括以下步骤： 

1）根据式(1)规定化整幅指纹图像， 

$N(x,y)=\left\{\begin{array}{cc}{M}_0+\sqrt{\frac{{V_0\×(I(x,y)-M_1)}^2}{V_1}}& \mathrm{if\; I}(x,y)>M_1\\ M_0-\sqrt{\frac{{V_0\×\left(I(x,y)M_1\right)}^2}{V_1}}& \mathrm{otherwise}\end{array}\right.$      (1) 

其中，I(x,y),N(x,y)分别表示原图及规定化后图像的灰度值；M₁,V₁表示原图的均值和方差，M₀,V₀分别表示期望的均值和方差。 

2）对规定化之后的指纹图像，依据式(2)计算每点的梯度向量，对每一个点梯度向量，如果它的模小于θ_thre，则将该梯度向量置为[0,0]^T。 

${[G_x(x,y),G_y(x,y)]}^T={[\frac{\∂I(x,y)}{\∂x},\frac{\∂I(x,y)}{\∂y}]}^T$      (2) 

其中 $\left[\begin{array}{c}\frac{\∂I(x,y)}{\∂x}\\ \frac{\∂I(x,y)}{\∂y}\end{array}\right]=\left[\begin{array}{c}\frac{I(x+1,y)-I(x-1,y)}{2}\\ \frac{I(x,y+1)-I(x,y-1)}{2}\end{array}\right]$

3）依据式(3)计算整幅图像的所有非零梯度向量的模均值， 

$M_{\mathrm{mod}}=\frac{1}{N}\mathrm{\Σ}\sqrt{(G_x{(x,y)}^2+G_y{(x,y)}^2)}$      (3) 

其中N表示整幅图中所有非零梯度向量的个数。 

4）对每一个非零梯度向量，如果其模大于3×M_mod，将其置为[0,0]^T。 

5）将整幅指纹图像划分为互不重叠的W_in×W_in内层块，对每个内层块，统计其对应的外层窗口W_out×W_out中所包含的有效点梯度向量个数K，如果

则依据式(4)计算其相应的一致性，否则直接将该内层块的一致性直接置为0； 

${\mathrm{Cohin}}_B=\frac{\left|\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\Σ}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\Σ}}}(G_{\mathrm{sx}}(x,y),G_{\mathrm{sy}}(x,y))\right|}{\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\Σ}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\Σ}}}\left|(G_{\mathrm{sx}}(x,y),G_{\mathrm{sy}}(x,y))\right|}$      (4) 

其中， $\left[\begin{array}{c}{G}_{\mathrm{sx}}(x,y)\\ G_{\mathrm{sy}}(x,y)\end{array}\right]=\left[\begin{array}{c}{G}_x^2(x,y)-G_y^2(x,y)\\ {2G}_x(x,y)G_y(x,y)\end{array}\right],$ W_in＝3,W_out＝31。 

6）对每个内层块，如果其相应的一致性大于预设阀值，则依据式(5)采用复合窗口计算其块梯度向量[Gin_Bx,Gin_By]^T，否则直接将该块梯度向量置为零梯度向量。 

${[{\mathrm{Gin}}_{\mathrm{Bx}},{\mathrm{Gin}}_{\mathrm{By}}]}^T={[\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\Σ}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\Σ}}}{G}_{\mathrm{sx}}(x,y),\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\Σ}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\Σ}}}{G}_{\mathrm{sy}}(x,y)]}^T$      (5) 

7）依据式(6)将每个非零内层块梯度向量转换为块方向θ，其中0≤θ＜π。 

$\mathrm{\&theta;}=\frac{1}{2}\mathrm{\&pi;}+\frac{1}{2}\left\{\begin{array}{cc}{\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)& G_{\mathrm{Bx}}\&GreaterEqual;0\\ {\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)+\mathrm{\&pi;}& G_{\mathrm{Bx}}<0\&cap;G_{\mathrm{By}}\&GreaterEqual;0\\ {\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)-\mathrm{\&pi;}& G_{\mathrm{Bx}}<0\&cap;G_{\mathrm{By}}<0\end{array}\right.$      (6) 

至此，所有零梯度向量所构成的区域即为标记出的噪声区域，其它区域为非噪声区域，其由基于梯度方法计算出的方向场即为非噪声区域指纹方向场。 

8）将噪声区域的待估计块的状态置为0，其它块的估计状态置为1，统计全图所有状态为0块的个数count，同时设置变量tag。 

9）若count=0，转至步骤13，若count>0，置tag=0，遍历整张图中的所有块，对每个块，若其估计状态为0，在以待估计块的为圆心，半径为R的区域里，从其周围八个区间寻找离待估计块最近的有效块，若满足①和②区间、③和④区间、⑤和⑥区间、⑦和⑧区间至少存在一个有效块，依据式(7)计算出u，v，且将其估计状态置为1，tag=tag+1。 

$u=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\cos \left({2\mathrm{\&alpha;}}_k\right)w_k$ $---\left(7\right)$

$v=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\sin \left({2\mathrm{\&alpha;}}_k\right)w_k$

W_k为满足条件的块到待估计块距离的倒数，α_k为满足条件块的方向角。 

10）若上步骤中tag>0，则重复步骤9），否则转至步骤11）。 

11）若count=0，转至步骤13，若count>0，置tag=0，继续遍历所有的块，对每个块，若其估计状态为0，在以待估计块的为圆心半径为R的区域里，从其周围八个方向寻找离待估计块最近的有效块，若至少满足①和②区间、③和④区间、⑤和⑥区间、⑦和⑧区间任意三个区间里至少存在一个有效块，依据式(7)计算出u，v，且将其估计状态置为1，tag=tag+1。 

12）转至步骤9）。 

13)依据式(8)计算出噪声区域块的方向场。 

$O(m,n)=\frac{1}{2}\arctan \left(\frac{v}{u}\right)$      (8)。 

作为本发明的一种优选方案，所述步骤2）中θ_thre取值为12。 

作为本发明的一种优选方案，所述步骤6）中预设阀值为0.2。 

本发明提供的有效的指纹方向场计算方法，首先采用基于梯度的方法计算非噪声区域的指纹方向场，同时依据有效点梯度向量比率、方向一致性等参数标记噪声区域；然后，基于已计算出的非噪声区域的方向场，采用8方向区间预测模型估计噪声区域的方向场，该模型由于考虑了8个不同方向区间对当前点的影响，因而使估计的方向场结果更加合理。另外，在对噪声区域的方向场进行估计时，采用了由外到内、逐渐收缩的方案，进一步提高了预测的准确性。 

附图说明

图1为实施例中用于计算的指纹图； 

图2为8方向区间预测模型示意图； 

图3为基于梯度方法计算出的非噪声区域指纹方向场； 

图4对噪声区域采用8方向区间预测模型估计的指纹方向场； 

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。 

本发明提供的有效的指纹方向场计算方法，包括如下步骤： 

步骤1读入一张如图1所示的指纹图，依据式(1)规定化整幅指纹图像， 

$N(x,y)=\left\{\begin{array}{cc}{M}_0+\sqrt{\frac{{V_0\&times;(I(x,y)-M_1)}^2}{V_1}}& \mathrm{if\; I}(x,y)>M_1\\ M_0-\sqrt{\frac{{V_0\&times;\left(I(x,y)M_1\right)}^2}{V_1}}& \mathrm{otherwise}\end{array}\right.$      (1) 

其中，I(x,y),N(x,y)分别表示原图及规定化后图像的灰度值；M₁,V₁表示原图的均值和方差，M₀,V₀分别表示期望的均值和方差。 

步骤2对规定化之后的指纹图像，依据式(2)计算每点的梯度向量，对每一个点梯度向量，如果它的模小于θ_thre，θ_thre可根据需要设定，一般取值为12，则将该梯度向量置为[0,0]^T。 

${[G_x(x,y),G_y(x,y)]}^T={[\frac{\&PartialD;I(x,y)}{\&PartialD;x},\frac{\&PartialD;I(x,y)}{\&PartialD;y}]}^T$

(2) 

其中， $\left[\begin{array}{c}\frac{\&PartialD;I(x,y)}{\&PartialD;x}\\ \frac{\&PartialD;I(x,y)}{\&PartialD;y}\end{array}\right]=\left[\begin{array}{c}\frac{I(x+1,y)-I(x-1,y)}{2}\\ \frac{I(x,y+1)-I(x,y-1)}{2}\end{array}\right]$

步骤3依据式(3)计算整幅图像的所有非零梯度向量的模均值， 

$M_{\mathrm{mod}}=\frac{1}{N}\mathrm{\&Sigma;}\sqrt{(G_x{(x,y)}^2+G_y{(x,y)}^2)}$      (3) 

其中N表示整幅图中所有非零梯度向量的个数。 

步骤4对每一个非零梯度向量，如果其模大于3×M_mod，将其置为[0,0]^T。 

步骤5将整幅指纹图像划分为互不重叠的W_in×W_in内层块，对每个内层块，统计其对应的外层窗口W_out×W_out中所包含的有效点梯度向量个数K，如果

则依据式(4)计算其相应的一致性，否则直接将该内层块的一致性直接置为0； 

${\mathrm{Cohin}}_B=\frac{\left|\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}(G_{\mathrm{sx}}(x,y),G_{\mathrm{sy}}(x,y))\right|}{\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\left|(G_{\mathrm{sx}}(x,y),G_{\mathrm{sy}}(x,y))\right|}$      (4) 

其中， $\left[\begin{array}{c}{G}_{\mathrm{sx}}(x,y)\\ G_{\mathrm{sy}}(x,y)\end{array}\right]=\left[\begin{array}{c}{G}_x^2(x,y)-G_y^2(x,y)\\ {2G}_x(x,y)G_y(x,y)\end{array}\right],$ W_in＝3,W_out＝31。 

步骤6对每个内层块，如果其相应的一致性大于预设阀值（该阈值可根据需要设定，一般取0.2），则依据式(5)采用复合窗口计算其块梯度向量[Gin_Bx,Gin_By]^T，否则直接将该块梯度向量置为零梯度向量。 

${[{\mathrm{Gin}}_{\mathrm{Bx}},{\mathrm{Gin}}_{\mathrm{By}}]}^T={[\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}{G}_{\mathrm{sx}}(x,y),\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}{G}_{\mathrm{sy}}(x,y)]}^T$      (5) 

步骤7依据式(6)将每个非零内层块梯度向量转换为块方向θ(0≤θ＜π)。 

$\mathrm{\&theta;}=\frac{1}{2}\mathrm{\&pi;}+\frac{1}{2}\left\{\begin{array}{cc}{\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)& G_{\mathrm{Bx}}\&GreaterEqual;0\\ {\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)+\mathrm{\&pi;}& G_{\mathrm{Bx}}<0\&cap;G_{\mathrm{By}}\&GreaterEqual;0\\ {\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)-\mathrm{\&pi;}& G_{\mathrm{Bx}}<0\&cap;G_{\mathrm{By}}<0\end{array}\right.$      (6) 

至此，所有零梯度向量所构成的区域即为标记出的噪声区域，其它区域为非噪声区域，其由基于梯度方法计算出的方向场即为非噪声区域指纹方向场，非噪声区域指纹方向场如图3，空缺部分为噪声区域。 

步骤8将噪声区域的待估计块的状态置为0，其它块的估计状态置为1(以下称状态为1的块为有效块)，统计全图所有状态为0块的个数count，同时设置变量tag(注：在以下步骤中tag用来记录估计估计状态由0变为1的次数)。 

步骤9若count=0，转至步骤13，若count>0，置tag=0，遍历整张图中的所有块，对每个块，若其估计状态为0，在以待估计块的为圆心，半径为R的区域里，从其周围八个区间寻找离待估计块最近的有效块(如图2所示)，若满足①和②区间、③和④区间、⑤和⑥区间、⑦和⑧区间至少存在一个有效块，依据式(7)计算出u，v，且将其估计状态置为1，tag=tag+1。 

$u=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\cos \left({2\mathrm{\&alpha;}}_k\right)w_k$ $---\left(7\right)$

$v=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\sin \left({2\mathrm{\&alpha;}}_k\right)w_k$

其中，W_k为满足条件的块到待估计块距离的倒数，α_k为满足条件块的方向角。 

步骤10若上步骤中tag>0，则重复步骤9），否则转至步骤11）。 

步骤11若count=0，转至步骤13，若count>0，置tag=0，继续遍历所有的块，对每个块，若其估计状态为0，在以待估计块的为圆心半径为R的区域里，从其周围八个方向寻找离待估计块最近的有效块，若至少满足①和②区间、③和④区间、⑤和⑥区间、⑦和⑧区间任意三个区间里至少存在一个有效块，依据式(7)计算出u，v，且将其估计状态置为1，tag=tag+1。 

步骤12转至步骤9。 

步骤13依据式(8)计算出噪声区域块的方向场，最终所得方向场如图4。 

$O(m,n)=\frac{1}{2}\arctan \left(\frac{v}{u}\right)$      (8) 

由图4可见，采用本发明提供的指纹方向场计算方法能够针对基于梯度方法计算出的方向场中缺失的噪声区域加以预测，运算结果合理、准确。 

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。 

Claims (3)

1.一种有效的指纹方向场计算方法，其特征在于，包括以下步骤：

1）根据式(1)规定化整幅指纹图像，

$N(x,y)=\left\{\begin{array}{cc}{M}_0+\sqrt{\frac{{V_0\&times;(I(x,y)-M_1)}^2}{V_1}}& \mathrm{if\; I}(x,y)>M_1\\ M_0-\sqrt{\frac{{V_0\&times;\left(I(x,y)M_1\right)}^2}{V_1}}& \mathrm{otherwise}\end{array}\right.$      (1)

其中，I(x,y),N(x,y)分别表示原图及规定化后图像的灰度值；M₁,V₁表示原图的均值和方差，M₀,V₀分别表示期望的均值和方差；

2）对规定化之后的指纹图像，依据式(2)计算每点的梯度向量，对每一个点梯度向量，如果它的模小于θ_thre，则将该梯度向量置为[0,0]^T；

${[G_x(x,y),G_y(x,y)]}^T={[\frac{\&PartialD;I(x,y)}{\&PartialD;x},\frac{\&PartialD;I(x,y)}{\&PartialD;y}]}^T$      (2)

其中 $\left[\begin{array}{c}\frac{\&PartialD;I(x,y)}{\&PartialD;x}\\ \frac{\&PartialD;I(x,y)}{\&PartialD;y}\end{array}\right]=\left[\begin{array}{c}\frac{I(x+1,y)-I(x-1,y)}{2}\\ \frac{I(x,y+1)-I(x,y-1)}{2}\end{array}\right]$

3）依据式(3)计算整幅图像的所有非零梯度向量的模均值，

$M_{\mathrm{mod}}=\frac{1}{N}\mathrm{\&Sigma;}\sqrt{(G_x{(x,y)}^2+G_y{(x,y)}^2)}$      (3)

其中N表示整幅图中所有非零梯度向量的个数；

4）对每一个非零梯度向量，如果其模大于3×M_mod，将其置为[0,0]^T；

5）将整幅指纹图像划分为互不重叠的W_in×W_in内层块，对每个内层块，统计其对应的外层窗口W_out×W_out中所包含的有效点梯度向量个数K，如果

则依据式(4)计算其相应的一致性，否则直接将该内层块的一致性直接置为0；

${\mathrm{Cohin}}_B=\frac{\left|\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}(G_{\mathrm{sx}}(x,y),G_{\mathrm{sy}}(x,y))\right|}{\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\left|(G_{\mathrm{sx}}(x,y),G_{\mathrm{sy}}(x,y))\right|}$      (4)

其中， $\left[\begin{array}{c}{G}_{\mathrm{sx}}(x,y)\\ G_{\mathrm{sy}}(x,y)\end{array}\right]=\left[\begin{array}{c}{G}_x^2(x,y)-G_y^2(x,y)\\ {2G}_x(x,y)G_y(x,y)\end{array}\right],$ W_in＝3,W_out＝31；

6）对每个内层块，如果其相应的一致性大于预设阀值，则依据式(5)采用复合窗口计算其块梯度向量[Gin_Bx,Gin_By]^T，否则直接将该块梯度向量置为零梯度向量；

${[{\mathrm{Gin}}_{\mathrm{Bx}},{\mathrm{Gin}}_{\mathrm{By}}]}^T={[\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}{G}_{\mathrm{sx}}(x,y),\underset{x=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{W_{\mathrm{out}}}{\mathrm{\&Sigma;}}}{G}_{\mathrm{sy}}(x,y)]}^T$      (5)

7）依据式(6)将每个非零内层块梯度向量转换为块方向θ，其中0≤θ＜π；

$\mathrm{\&theta;}=\frac{1}{2}\mathrm{\&pi;}+\frac{1}{2}\left\{\begin{array}{cc}{\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)& G_{\mathrm{Bx}}\&GreaterEqual;0\\ {\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)+\mathrm{\&pi;}& G_{\mathrm{Bx}}<0\&cap;G_{\mathrm{By}}\&GreaterEqual;0\\ {\tan }^{-1}\left(\frac{G_{\mathrm{By}}}{G_{\mathrm{Bx}}}\right)-\mathrm{\&pi;}& G_{\mathrm{Bx}}<0\&cap;G_{\mathrm{By}}<0\end{array}\right.$      (6)

8）将噪声区域的待估计块的状态置为0，其它块的估计状态置为1，统计全图所有状态为0块的个数count，同时设置变量tag；

9）若count=0，转至步骤13，若count>0，置tag=0，遍历整张图中的所有块，对每个块，若其估计状态为0，在以待估计块的为圆心，半径为R的区域里，从其周围八个区间寻找离待估计块最近的有效块，若满足①和②区间、③和④区间、⑤和⑥区间、⑦和⑧区间至少存在一个有效块，依据式(7)计算出u，v，且将其估计状态置为1，tag=tag+1；

$u=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\cos \left({2\mathrm{\&alpha;}}_k\right)w_k$ $---\left(7\right)$

$v=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\sin \left({2\mathrm{\&alpha;}}_k\right)w_k$

W_k为满足条件的块到待估计块距离的倒数，α_k为满足条件块的方向角；

10）若上步骤中tag>0，则重复步骤9），否则转至步骤11）；

11）若count=0，转至步骤13，若count>0，置tag=0，继续遍历所有的块，对每个块，若其估计状态为0，在以待估计块的为圆心半径为R的区域里，从其周围八个方向寻找离待估计块最近的有效块，若至少满足①和②区间、③和④区间、⑤和⑥区间、⑦和⑧区间任意三个区间里至少存在一个有效块，依据式(7)计算出u，v，且将其估计状态置为1，tag=tag+1；

12）转至步骤9）；

13)依据式(8)计算出噪声区域块的方向场：

$O(m,n)=\frac{1}{2}\arctan \left(\frac{v}{u}\right)$      (8)。

2.根据权利要求1所述的有效的指纹方向场计算方法，其特征在于：所述步骤2）中θ_thre取值为12。

3.根据权利要求1或2所述的有效的指纹方向场计算方法，其特征在于：所述步骤6）中预设阀值为0.2。

Images