CN1421815A - 基于知识的指纹图像增强方法 - Google Patents

Abstract

一种基于知识的指纹图像增强方法，包括步骤：图像预处理；方向场的估计，计算出指纹图像每个象素的方向；二值化，根据每个象素点的方向来对指纹图像处理为只有黑白二色的图像；细化，根据二值化的图像，把指纹的脊线宽度细化至只有一个象素，生成指纹细化图；细节后处理，去除细化图像中的一些毛刺、斑点和桥，避免伪细节点的生成；反馈增强处理，将知识规则用于细化图像，对指纹图像进行二次反馈增强处理；提取细节点，把细化图像中的脊线终结点和分叉点提取出来。本发明中所述的基于图像滤波和知识的指纹增强方法，能够把指纹中的细节点准确的提取出来。在生物识别技术中有着重要的应用价值。

Description

基于知识的指纹图像增强方法

技术领域

本发明涉及模式识别，特别涉及利用方向场的图像滤波和知识的方法来实现指纹图像的增强处理。

背景技术

二十世纪六十年代，伴随着计算机技术和信息处理与识别技术的不断进步，人们开始利用计算机来处理指纹，并在世界许多国家展开了自动指纹识别系统(即Automated Fingerprint Identification System，简称AFIS)在法律实施方面的研究和应用。到了九十年代，随着计算机和模式识别技术的进一步发展，自动指纹识别的应用不再仅局限于法律、公安领域，它可以作为计算机确认用户的手段，还可作为访问网络资源的信息安全技术。另外，它还可用于银行ATM卡和信用卡使用的确认，各类智能IC卡的双重确认，雇员证明、家用电子门锁等许多方面。

目前，相对于其它身份鉴定技术例如语音识别及视网膜识别，自动指纹识别技术已成为生物特征识别技术中最成熟、应用最广泛的一种。原因如下：

1.每个人的指纹是独一无二，两人之间不存在着相同的手指指纹。

2.每个人的指纹是相当固定的，很难发生变化。例如，指纹不会随着人的年龄的增长、或身体健康程度的变化而变化。人的声音却有着较大的变化。

3.便于获取指纹样本，易于开发识别系统，实用性强。目前已有标准的指纹样本库，方便了识别系统的软件开发；另外，识别系统中完成指纹采样功能的硬件部分也较易实现。而对视网膜则难于采样，也无标准的视网膜样本库供系统软件开发使用，这就导致视网膜识别系统难以开发，可行性较低。

4.一个人的十指指纹皆不相同，这样，可以方便地利用多个指纹构成多重口令，提高系统的安全性。同时，并不增加系统的设计负担。

5.指纹识别中使用的模板并非最初的指纹图，而是由指纹图中提取的关键特征，这样使系统对模板库的存储量较小。另外，对输入的指纹图提取关键特征后，可以大大减少网络传输的负担，便于实现异地确认，支持计算机的网络功能。

指纹识别技术主要涉及指纹图像采集、指纹图像增强、特征提取、保存数据、特征值的比对与匹配等过程。

早期的指纹采集都是通过油墨按压在纸上产生的，比如NIST4，NIST9，NIST14这些标准指纹数据库就是属于这一类。那时候AFIS系统的应用范围也比较窄，主要用于大规模指纹数据库的管理和检索功能，都是属于离线处理类型的。二十世纪八十年代，随着光学扫描技术的发展，开始出现光学的指纹采集仪。到了九十年代中期，随着半导体技术的进步，陆续出现CMOS指纹传感器，热敏传感器，超声波传感器等新型传感器。

不同的采集方法采集的指纹图像的质量存在差异，采集的原始指纹图像通常都伴随着各种各样的噪声。这一方面与指纹采集仪的性能有着密切的关系，比如，采集仪上的污渍，采集仪的参数设置不恰当等。这些因素是固定的系统误差，比较容易恢复。另一方面也是由受采集者平时的工作和环境引起的，比如，手指褪皮、有刀伤、疤、痕，手指被弄脏、干燥、湿润等，和个体手指密切相关，比较难于恢复。

从现代的科学研究的角度来看，指纹的识别属于″模式识别″领域。首先将提取的指纹输入计算机，然后通过一系列复杂的指纹识别算法，现代技术就能在极短的时间内完成任何人的身份识别认证。由于模式识别的两个基本问题是特征提取和特征识别问题，体现在自动指纹识别中，这两个基本问题主要就是图像增强和指纹匹配问题。

自动指纹识别系统在实际使用中，总是无法避免要遇到一些指纹图像质量比较差的图像，因此在进行分类和细节匹配之前，一般要对采集到的原始指纹图像做增强处理。设计一个鲁棒的指纹图像增强算法就成为一个极具挑战性的一个课题。一个有效的指纹图像增强算法应该能够去除采集的原始指纹图像上不必要的噪声，处理诸如脊线的断裂，脊线模糊等常见的导致图像质量低下的问题，并且尽可能有效的恢复指纹原来的形状。图像增强的效果直接影响了细节特征提取的准确性。可以说指纹图像增强在指纹图像的识别过程中是最为重要的一环，这部分算法的优劣将对整个系统性能和自动识别的效果的产生至关重要的影响。

发明内容

本发明的目的是提供一种实用的指纹增强方法，能够对各种质量的指纹图像进行处理，能够清楚的分辨出指纹的脊线和谷线。使增强后的指纹图像能够更好的被提取出正确的细节点并且不会引入不必要的伪细节点。

为实现上述目的，基于知识的指纹图像增强方法包括步骤：

图像预处理；

方向场的估计，计算出指纹图像每个象素的方向；

二值化，根据每个象素点的方向来对指纹图像处理为只有黑白二色的图像；

细化，根据二值化的图像，把指纹的脊线宽度细化至只有一个象素，生成指纹细化图；

细节后处理，去除细化图像中的一些毛刺、斑点和桥，避免伪细节点的生成；

反馈增强处理，利用知识规则，细化图像来进行反馈增强；

提取细节点，把细化图像中的脊线终结点和分叉点提取出来。

在指纹识别中，一般做法是先得到二值图像及细化图像，然后用细化图像来抽取细节点及做细节点后处理，而我们的方法中，细化图像不仅仅只是用来提取细节点，还被用来辅助进行图像增强。总的来说，这种算法的本质利用知识规则来进行反馈增强。本发明中所述的基于图像滤波和知识的指纹增强算法，能够把指纹中的细节点准确的提取出来。在生物识别技术中有着重要的应用价值。

附图说明

图1是指纹识别系统的构成；

图2是指纹增强的过程；

图3是基于知识的图像增强过程；

图4是方向场的掩模，当计算方向场的时候，用这种八方向场的方法；

图5是M点的8连通邻域表示图，当我们在细化指纹图像的时候，用它来确定点M是黑点还是白点；

图6是处理桥的示意图；

图7是处理断裂的示意图；

图8是处理十字型脊线的示意图；

图9是处理污点的示意图；

图10是对应处理伤疤的情况1；

图11是对应处理伤疤的情况2；

图12是对应处理错误连接的情况1；

图13是对应处理错误连接的情况2；

图14是沿拟合曲线的移动示例

图15是细节点的对应脊线；

图16是指纹图像增强效果图，其中，试验数据是指纹图像，分辨率为300×300×256。试验结果是：图1)是一原始指纹图像，图2)是图1)的方向场图像，图3)是图1)二值化后的图像，图4)是图1)细化后的图像，图5)是图1)经过细化后处理之后的图像，图6)是图1)提取细节点的图像。

发明的具体实施方式

本发明的核心思想是采取有效的滤波方法和知识的方法并用计算机来模拟人工做指纹图像增强的做法。由于指纹图像有它自身的特点，有可以用于进行图像增强的两个主要的先验知识，一是指纹的脊线在一个较小的局部内可以用低次(一次或二次)曲线拟合，二是指纹图像中脊线和谷线互相交替出现且宽度大致相等。指纹的脊线连接，局部脊线方向和脊线的光滑度等都有相当大的限制，人常常可以依靠这些视觉信息来准确地恢复脊线和谷线的结构。而且象指纹的脊线连接，局部脊线方向和脊线的光滑度这样的结构信息也是有可能在计算机中表示出来的。把人对指纹结构的认识引入指纹图像处理的过程中，用计算机来模拟人工做图像增强的做法是必要的也是可能的。这种图像增强算法正是以规则的形式基于人们对指纹结构的认识(即指纹图像的两个主要的先验知识)利用指纹图像的结构信息来引导图像增强的过程。

下面详细描述指纹基于图像滤波的指纹增强算法。作为具体的增强算法，主要步骤分别是：图像预处理，方向场的估计，二值化，细化，细化后处理，提取细节点。下面对其逐一介绍。

图像预处理

图像的预处理指的是在指纹进行图像增强前使用一些简单的图像处理手段对图像进行初加工的过程。很多指纹算法主要针对自己采取的指纹，而没有考虑到不同的采集议采集的指纹质量不同而忽略了指纹的预处理。预处理虽然简单，但是在我们的指纹算法中非常有用。具体的预处理操作有：1.灰度的均衡化，这可以消除不同图像之间对比度的差异。2.使用简单的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。这样可以减少下一步的计算工作量，提高系统的速度。

方向场的估计

方向场图像是这样的一幅图像，图像上每一个点的数值是指纹图像上对应点的局部脊线的方向的数值。方向场表达了指纹图像的最基本的信息，从视觉效果上，方向场图像描述了指纹的大致形状。同时，方向场的好坏也是衡量指纹图像好坏的一个重要的因素。一般的指纹图像都有比较清晰的方向场，方向场估计的准确性直接决定了图像增强算法的效果。

其他计算方向场常用公式法，我们计算方向场不用公式法，而是把指纹脊线的走向分为8个方向，如图4，按如下步骤来计算：步骤1：

对图像的每一个象素，为确定在该象素处脊线的方向，在以该象素为中心的9^*9窗口内，分别计算8个方向上的灰度平均值，即将图1中标了i(i＝0，1，…7分别代表8个方向)的位置的象素灰度值取平均得到Gmean[i]，

    Gmean[0]＝(I(i，j-2)+I(i，j-4)+I(i，j+2)+I(i，j+4))/4

    Gmean[1]＝(I(i-2，j-4)+I(i-1，j-2)+I(i+1，j+2)+I(i+2，j+4))/4

    Gmean[2]＝(I(i-2，j-2)+I(i-4，j-4)+I(i+2，j+2)+I(i+4，j+4))/4

    Gmean[3]＝(I(i-4，j-2)+I(i-2，j-1)+I(i+2，j+1)+I(i+4，j+2))/4

    Gmean[4]＝(I(i-4，j)+I(i-2，j)+I(i+2，j)+I(i+4，j))/4

    Gmean[5]＝(I(i-4，j+2)+I(i-2，j+1)+I(i+2，j-1)+I(i+4，j-2))/4

    Gmean[6]＝(I(i-4，j+4)+I(i-2，j+2)+I(i+2，j-2)+I(i+4，j-4))/4

    Gmean[7]＝(I(i-2，j+4)+I(i-1，j-2)+I(i+1，j-2)+I(i+2，j-4))/4步骤2：

将这8个平均值按两两垂直的方向分成4组，0和4一组，1和5一组，2和6一组，3和7一组，计算每组中两个平均值的差值

     Gdiff[j]＝(Gmean[i]-Gmean[i+4])(j＝0，1，2，3为脊线方向)

取差值的绝对值最大的两个方向为可能的脊线方向，若 $\mathrm{iMax}=\arg \left(\underset{j}{\mathrm{Max}}\right(\mathrm{Gdiff}\[j\])$

则方向iMax和iMax+4为该象素处可能的脊线方向，若该象素处的灰度值为Gray，则脊线方向为

即取iMax和iMax+4方向中灰度平均值与该象素的灰度值比较接近的方向作为该象素处的脊线方向。

步骤3：

为减少噪声的影响，保证方向场估计的准确性，我们采用通用的做法，将图像分成16×16的小块，以小块内所有象素的方向的平均值作为该小块的脊线方向，该小块内每个象素的方向都取为该小块的脊线方向，具体做法为，先计算该小块内方向估计为i(i＝0，1，…7分别代表8个方向)的象素个数Num[i]，然后将该小块图像的脊线方向取为 $\mathrm{Dir}=\arg \left(M\underset{i}{a}x(\mathrm{Num}\[i\]\right)$

二值化

在得到图像每个象素处的方向场基础之上，再依据方向场来对图像进行二值化。

若该象素处的脊线方向为i，先用估计方向场时用到的方法计算该象素处在方向i和垂直方向iVar＝(i+4)mod 8的灰度平均值Gmean[i]和Gmean[iVar]，然后将该象素二值化为：

其中iVal表示二值图像中该象素处的值，255为二值图像中图像背景和谷线的灰度值，0为二值图像中图像脊线的灰度值。

细化

细化算法快速鲁棒，简述如下：

图像上任一点M的8连通邻域表示如图5：

算法根据下面的布尔函数来判定所检验的点是否为安全点：

对左边缘点(左邻N4为白的点)，如果 $S_4=N_O(N_1+N_2+N_6+N_7)(N_2+{\stackrel{\‾}{N}}_3)(N_6+{\stackrel{\‾}{N}}_5)$

为0，则该点为安全点。

在布尔表达式中相应象素为黑且未被标记的点的布尔值为1，否则为0。

同理，对右，上，下边缘点的表达式分别为： $S_0=N_4(N_5+N_6+N_2+N_3)(N_6+{\stackrel{\‾}{N}}_7)(N_2+{\stackrel{\‾}{N}}_1)$ $S_2=N_6(N_7+N_0+N_4+N_5)(N_0+{\stackrel{\‾}{N}}_1)(N_4+{\stackrel{\‾}{N}}_3)$ $S_6=N_2(N_3+N_4+N_0+N_1)(N_4+{\stackrel{\‾}{N}}_5)(N_0+{\stackrel{\‾}{N}}_7)$

算法一般需要经过数轮相同的检查过程，每一轮都由两次扫描组成，每次扫描检查图像的每个象素。扫描过程可以是逐行的，也可以是逐列的。第一次扫描检查所有的左、右边缘点，如果是非安全点则被标记；第二次扫描检查所有的上、下边缘点，如果是非安全点则被标记。当结束一轮扫描后，删除所有被标记的点，进入下一轮扫描。若没有任何一点被标记，则算法结束。细化的图像如图16

细化后处理

利用算法细化之后的指纹图像中还会出现一些明显的断线，脊线间明显的桥、脊线上的毛刺、过短的脊线和单个斑点等不良脊线结构。它们同样会严重影响细节提取的质量。和二值化后处理类似，我们对这些不良结构的清除工作称之为细化后处理，分简单初步处理和进一步处理两步完成。按照我们这种基于知识的处理，能够把许多伪细节点删去，而其他的指纹算法都没有采取这种基于知识的指纹处理算法。

简单初步处理

步骤(1)：处理桥

在细化图像中，有图6所示的情况，A和B是分叉点，并且被一条线连起来，并且连线AB小于一定的域值，则称AB为桥。对于桥AB，先把桥删去，然后连接CD成为一条脊线，最后使得A，B，C，D都不是细节点。

步骤(2)：处理断裂

在细化图像中，有图7所示的情况，A，B是同类型的点，并且相对，当连接AB时，连线比较短并且不和其他的脊线相交。对于这种断裂，我们连接AB，删除分叉点C和相应的点。注意C和D不满足桥的定义。

步骤(3)：处理十字型脊线

在细化图像中，还会遇到如图8所示的复杂情况，两条脊线在A点交叉。对于这种十字型的交叉脊线情况，在二值图像中，我们连接B，C点，删除A点，和B，C点。

步骤(4)：处理污点

在细化图像中，还会有图9所示的情况，两个分叉点A，B被一条脊线连接起来，并且这条脊线的长度小于一定的域值。在二值图像中，我们连接C，D点形成一条脊线，在分叉点集合和终结点集合中删去A，B，C，D点。

步骤(5)：处理伤疤

指纹表皮的脱落会在指纹图像中引起伤疤。伤疤的一种情况是许多脊线在一个局部区域断裂，这种情况可以用步骤2的方法去处理。其他的两种情况做如下处理：

情况1，如图10

点A的角度＜CAA₁和＜A₁AB的角度较大并且有两条线连接B和C点。B，C点是分叉点，这两条连线小于某一定的域值。另外，这里还有点D，E，F和点A，B，C相对。对这种情况，我们在二值图像中连接A，D点，B，E点以及C，F点。并且断裂AB线和CA线。把A，B，C，D，E，F在相应的细节点集中删去。

情况2，如图11

点A的角度＜CAA₁和＜A₁AB的角度较大并且有两条线连接B和C点。B，C点是分叉点，这两条连线小于某一定的域值。另外，D是一分叉点和A有同样的条件。对于这种情况，我们在二值图像中连接A和D，B和E，C和F。断开AC连接，AB连接，DE连接和DF连接。并把A，B，C，D，E，F从相应的细节点中删去。

步骤(6)，处理错误连接

情况1，如图12

分叉点A和终结点B相对，AB的距离小于某一域值。连线AB的距离小于某一域值，并且连接AB的线不会穿过任何连接A的脊线。我们在二值图像上连接BC，断开AC的连接，这里C是连接A的脊线上的一点。B和C在线AD的同一侧。把A和B从相应的细节点中删去。

情况2，如图13

分叉点A和B相对，它们的距离小于某一域值。连接A和B的线不会穿过任何连接A的脊线。在二值图像中我们连接C和D，断开AC和BD，C是连接点A的脊线上的一点。D是连接B的脊线上的一点。C和D在线AA₁和线BB₁的同一侧。把A，B从分叉点集中删去。

反馈增强处理

一般方向场的估计和细节点的抽取的准确性都严重依赖于输入指纹图像的质量。在实践中，由于采集条件、皮肤表面的性质、采集设备的不同等各种因素的影响，采集的图像会不同程度地受到各种噪声的干扰，使得指纹的脊线结构被扰乱，连接的脊线可能被断开，并行的脊线可能被桥连接起来，局部区域内的脊线连接情况可能因噪声而很不清楚。所有这些将大大改变输入指纹的脊线结构。按照基于知识的反馈增强处理，能够沿着指纹脊线的方向准确将断裂的指纹段连接，从被噪声污染的图像中尽可能地恢复脊线的结构，达到增强图像的目的。而其它的指纹算法都没有采取这种基于知识的指纹处理算法。

但指纹图像有它自身的特点，具有可以利用来进行图像增强的两个主要的先验知识，一是指纹的脊线在一个较小的局部内可以用低次(一次或二次)曲线拟合，二是指纹图像中脊线和谷线互相交替出现且宽度大致相等。指纹的脊线连接、局部脊线方向和脊线的光滑度等都有相当大的限制，人常常可以依靠这些视觉信息来准确定恢复脊线和谷线的结构。而且像指纹的脊线连接、局部脊线方向和脊线的光滑度这样的结构信息也是有可能在计算机中表现出来。把人对指纹结构的认识引入指纹图像处理的过程中，用计算机来模拟人工图像增强的做法是必要的也是可能的。本发明的图像增强算法正是以规则的形式基于人们对指纹结构的认识(即指纹图像的两个主要的先验知识)利用指纹图像的结构信息来引导图像增强的过程，其核心思想使用计算机来模拟人工做图像增强的做法。

基于这种观察，我们采用了以局部脊线的延伸为基础的进一步处理策略，处理分为两步，第一步是在脊线的端点用一次或二次曲线来拟合局部脊线，第二步是沿该端点的方向延伸得到的拟合曲线，并根据端点附近的脊线信息，利用脊线和谷线互相交替出现且宽度大致相等的先验知识建立不同的处理规则来处理不同的情况。

步骤(1)局部脊线的拟合

在细化后图像中的端点(x0，y0)，用一次曲线拟合局部脊线的公式如下：

用二次曲线拟合局部脊线的公式如下：

其中a，b，a1，b1是用最小二乘法得到的拟合系数，t是曲线参数

在实践中我们发现，一般使用一次曲线来拟合局部脊线就可以得到较高的准确度，只很少的情况下如在奇异点附近才需要用二次曲线拟合。

步骤(2)拟合曲线的延伸

得到拟合曲线后，我们在二值图像中从点(x0，y0)(记为点A)开始，在该点的方向上沿拟合曲线移动，直到穿过与该点不同类型的一段脊线到达与该点同类型的脊线上的点B，然后在细化后图像中从B点开始，查找与B点同脊线类型，且距B点距离最近的脊线点C。点C可能是端点也可能是脊线中间的点，我们先查找脊线端点，在找不到端点时再去找其他的脊线点。这一过程如图14所示。

在找到点C后，根据A，C两点及其周围的脊线连接情况和脊向信息，我们可以建立一套规则并依据规则做出相应的处理。我们在此也不列出所有的处理规则，而仅给出一个较为简单的例子。

经过上面的步骤，细化后处理的指纹图像如图16。

提取细节点

经过上述图像增强步骤之后，再对二值图像进行细化，检测细节点及进行细节点后处理，在此不详叙。检测细节点我们用如下算法：

如图5设点M表示细化图像上的灰度值，M＝0表示这点为黑点，M＝255表示为白点。若M＝0，并且 $\underset{i=0}{\overset{7}{\mathrm{\Σ}}}|N_{(i+1)/8}-N_i|=2\×255,$ 则M为终结点；若M＝0，并且 $\underset{i=0}{\overset{7}{\mathrm{\Σ}}}|N_{(i+1)/8}-N_i|=6\×255,$ 则M为分叉点。

由于细节点的记录信息是根据具体的匹配算法来确定的。我们根据我们自己的匹配算法来记录如下信息，和其他算法记录的指纹信息不一样。

1)细节点的x，y坐标

2)细节点的方向，这个方向定义为该细节点所在的局部脊线的方向。

3)细节点的类型，即脊线末梢或脊线分支。

4)细节点对应的脊线(d_i，α_i)。

这样就将一副指纹图像转化成了一个有细节点组成的平面点集。

细节点对应的脊线用在与该脊线上的采样点来表示，采样的距离约为脊线间的平均距离。脊线分支点对应的脊线是与该细节点的方向最近的那条。脊线末梢对应的脊线则就是该细节点所在的脊线。采样点用该点与对应细节点的距离di和连接该点与对应细节点的直线与对应细节点方向的夹角α_i来表示，α_i的取值范围是-180到180度。图5给出了细节点对应的脊线及脊线上的采样点的例子。在细节匹配中，对应脊线将被用来对用来匹配的两个平面点集进行校准，而且，校准的参数，也就是两个点集中任意一对脊线间的旋转角度，将被用来作为判断它们所对应的细节点能否看作匹配的细节点的条件。

保存脊线信息会加大存储量，自动指纹识别系统的应用中，司法领域的应用一般是针对大规模数据库的，对存储空间的要求比较高，此时在细节点中加入脊线信息会加大系统的存储量，似乎显得不太合适，但硬件的发展正在不断降低对存储空间的要求。在一般的应用如网络安全，指纹门控系统，指纹考勤系统等中，数据库没有大到对存储空间提出严格要求的程度，而脊线信息的加入可以有效的处理指纹图像的校准并会带来后面将会讨论到的其它好处，我们认为是值得的。

经过试验表明，基于图像滤波的指纹增强算法能够对不清楚的指纹图像进行增强，并且效果非常好。在指纹识别的过程中能够很好的应用。

实施例

我们将此方法应用到我们自行设计实现的指纹图像处理系统中。我们研制开发的指纹图像处理系统是基于Window98/95，采用面向对象的设计方法和软件工程规范，用C++语言实现的、面向指纹识别领域的图像处理与分析系统。本系统具有丰富的图形图像处理与分析功能，不仅具有完善的二维图像处理分析功能，而且可以动态加载各种指纹识别算法。系统提供了图像输入，图像存储，图像处理，算法加载，文件转换，FVC测试工具等一系列功能。

下面对基于图像滤波的指纹增强算法的具体实施过程。试验数据是FVC2000的数据库，分辨率是300×300×256。

1)通过打开文件或打开按钮读入指纹图像。

2)点击加载模块菜单加载指纹增强算法。

3)点击增强菜单中的方向场，得到指纹图像的方向场。

4)点击二值化，对指纹进行二值化处理后得到指纹二值图。

5)点击细化，对二值化图像进行细化。

6)点击细化后处理，得到光滑的指纹细化图。

7)点击提取细节点，得到指纹图像的细节点包括终结点和分叉点，最终的细节点指纹图如图6。

上述结果与发明人对图像滤波的指纹增强算法的理论分析结论一致。具有高可靠性，可应用性和可采纳性。

Claims (13)

1.一种基于知识的指纹图像增强方法，包括步骤：

图像预处理；

方向场的估计，计算出指纹图像每个象素的方向；

二值化，根据每个象素点的方向来对指纹图像处理为只有黑白二色的图像；

细化，根据二值化的图像，把指纹的脊线宽度细化至只有一个象素，生成指纹细化图；

细节后处理，去除细化图像中的一些毛刺、斑点和桥，避免伪细节点的生成；

反馈增强处理，利用知识规则，细化图像来进行反馈增强；

提取细节点，把细化图像中的脊线终结点和分叉点提取出来。

2.按权利要求1所述的方法，其特征在于所述图像预处理包括步骤：

灰度均衡化；

使用滤波器消除斑点噪声和高斯噪声；

计算图像的边界，进行图像的剪裁。

3.按权利要求1所述的方法，其特征在于所述方向场的估计包括步骤：

对图像的每个像素，分别计算8个方向的灰度平均值；

将8个平均值按两量垂直的方向分成4组，计算每组中两个平均值的差值；

将图像分成16×16的小块，所述小块内所有像素方向的平均值作为该小块的脊线方向。

4.按权利要求1所述的方法，其特征在于所述的细节后处理包括步骤：

在细化图像中，删去桥AB，再把CD连成一条脊线。

5.按权利要求1所述的方法，其特征在于所述的细节后处理还包括步骤：

在细化图像中，连线比较短并且不和其它的脊线相交，对于这种断裂，连接AB并删除分叉点C和相应的点。

6.按权利要求1所述的方法，其特征在于所述的细节后处理还包括步骤：

在细化图像中，两条脊线在A点交叉，则连接B、C点，删除A点和B、C点。

7.按权利要求1所述的方法，其特征在于所述的细节后处理还包括步骤：

在细化图像中，当两个分叉点A、B被一条脊线连接起来，且这条脊线小于一定的阈值，则连接C、D点形成一条脊线，在分叉点集合和终结点集合中删去A、B、C、D点。

8.按权利要求1或5所述的方法，其特征在于所述的细节后处理还包括步骤：

在细化图像中，点A的角度＜CAA₁和＜A₁AB的角度较大并且有两条线连接B和C点。B，C点是分叉点，这两条连线小于某一定的阈值，还有点D，E，F和点A，B，C相对，对这种情况，在二值图像中连接A，D点，B，E点以及C，F点，并且断裂AB线和CA线。把A，B，C，D，E，F在相应的细节点集中删去。

9.按权利要求1或5所述的方法，其特征在于所述的细节后处理还包括步骤：

点A的角度＜CAA₁和＜A₁AB的角度较大并且有两条线连接B和C点。B，C点是分叉点，这两条连线小于某一定的域值，D是一分叉点和A有同样的条件，对于这种情况，在二值图像中连接A和D，B和E，C和F，断开AC连接，AB连接，DE连接和DF连接，并把A，B，C，D，E，F从相应的细节点中删去。

10.按权利要求1所述的方法，其特征在于所述的细节后处理还包括步骤：

分叉点A和终结点B相对，AB的距离小于某一域值，连线AB的距离小于某一域值，并且连接AB的线不会穿过任何连接A的脊线，在二值图像上连接BC，断开AC的连接，这里C是连接A的脊线上的一点，B和C在线AD的同一侧，把A和B从相应的细节点中删去。

11.按权利要求1所述的方法，其特征在于所述的细节后处理还包括步骤：

分叉点A和B相对，它们的距离小于某一域值，连接A和B的线不会穿过任何连接A的脊线，在二值图像中我们连接C和D，断开AC和BD，C是连接点A的脊线上的一点，D是连接B的脊线上的一点，C和D在线AA₁和线BB₁的同一侧，把A，B从分叉点集中删去。

12.按权利要求1所述的方法，其特征在于所述的反馈增强处理包括步骤：

在脊线的端点用一次或二次曲线拟合局部脊线；

沿该端点的方向延伸得到拟合曲线，根据端点附近的脊线信息，利用脊线和谷线互相交替出现且宽度大致相等的先验知识建立处理规则。

13.按权利要求1所述的方法，其特征在于所述的提取细节点包括纪录步骤：

细节点的x，y坐标；

细节点的方向，这个方向定义为该细节点所在的局部脊线的方向；

细节点的类型，即脊线末梢或脊线分支；

细节点对应的脊线(d_i，α_i)。

Images