以完善脊的三个阶段。图像取向，增强，核心检测的过程和寻找相关区域的过程如下。图图像定位和核心检测过程流图图像定位输入的图像被从图形文件中读取出来。采用双线性插值来调整图像大小到个标准或假设的大小。假设，表示组二维灰度像素，图说明了在图像旋转过程中的步骤。输入图像图像定位核心检测相关区域选择性能评估的特征提取图像增强图指纹旋转过程归化和分割这过程确定了输入图像的脊区。给定的图像被分割成块儿大小，并且每个区域中的标准偏差被估计出来。如果标准差高于阈值，则被标记为指纹的部分。图像被标准化归零，单位标准差之前执行此过程以便于指定的阈值接近于单位标准差。掩膜图像是利用方程，和得到的。其中，是所需的平均，是所需的方差。形态滤波形态滤波主要是基于些数学形态学变换。在这里，归化和分割形态滤波器指纹定位评估方向角识别垂直定位我们对归化的分割灰度图像进行形态封闭以得到封闭图像。结构元素必须是个单的结构元素对象，而不是数组对象。形态学闭操作是种扩大，其次是侵蚀，两者都是使用相同结构元素的操作。这将填满图像的区域和缺陷。通过个结构元素，扩张的掩膜图像，被，表示出来。通过个结构元素，侵蚀的，被，表示出来。指纹方向估计以掩膜图像作为输入，轴与椭圆长轴之间的方向和夹角被计算出来，这个椭圆包围了以相同时刻作为第二区域的图像。像素的归化二阶中心距被计算出来，该像素具有该区域单位长度的十二分之。方向角的识别如果方程中得到的定位小于零，方向角为负，如果大于零，方向角则为正。这样做是为了保证旋转时是否顺时针为负，逆时针为正。垂直方向计算旋转角度是用来旋转整个图像的。最邻近的插值被用来在旋转图像中设置像素值。通过稍微收缩具有以三为半径的结构元素磁盘的形态的磨损的掩码，来获得旋转后图像的掩码。最后，通过转变在掩膜区域值的最大值来获得最终的旋转图像。图旋转后的结果输入图像滤波前的掩码图像形态滤波后的掩膜旋转后的图像增强基于滤波器的方法被用来增强图像。增强流程包括归化，脊区域分割，小对象移除和指纹脊区域的本地定位估计。进行疏果是为了得到二值图像。图画质增强后的结果旋转后的图像灰度增强图像二值增强图像细化后的图像核心检测已提出的核心检测算法如下。已获得的经过过滤后的细化的图像被转化为补体的灰度图像。个指纹的脊线的局部方向被估计出来，同时区域掩码被应用。图核心检测后的结果带有标记为红色候选核心像素的细化图像桥接和减少邻近点后的结果实施条件和后的结果最终核心检测图像得到每个的窗口之间的角度的不同后，接下来的便发生转变。设是窗口中第个元素的差角。通过考虑所有像素的位置将候选核心像素选择出来，这些位置所在窗口的所有差异值总和在左右，这些窗口的可接受误差为现在所有的候选图像彼此接近的桥接在起，只考虑区域的质心。考虑到每个候选核心点周围的细化图像，选取个的窗口，窗口每侧的像素被设为,。最后步，如果被标记的像素不止个，最接近指纹掩码中心的候选像素就被视为被确定的核心点。相关区域我们完成核心点检测，相关区域就被从图像中裁剪下来。对已裁剪下来的相关区域，核心点周围的个像素被挑选出来。图核心检测后的结果输入到算法我们的方法得到的输出特征提取基于线性提取算法是用来在相关图像的确定区域中发现特征的。基于线性特征的提取简要介绍如下。通过使用连接成分分析和脊线跟踪的方法，所有的相对于所有像素的连接线段都被确定下来。特征提取过程是通过阻滞处理实现的。为了验证细节，对特征点提取的图像进行后加工处理。两特征体如图所示，红色表示分支，黄色表示终止。图特征提取过程输入图像特征提取图像红色代表分叉黄色代表终止数据设置数据库中的指纹图像和内部数据库被用来评估所提出的预处理算法。内部数据库的指纹图像通过使用韩国康联讯科技股份的生物识别解决方案制造的扫描仪收集起来。图像的尺寸是带有尺寸为的位灰度级别，内部数据库的是带有尺寸为的位灰度级别和的分辨率级别。数据库包含多张分类为到的图像，在每个类别中包含有相同的手指的个样本。图像编号为到。内部数据库的指纹采集的是不分性别和年龄的各国人民的。当这些指纹没有任何限制被拍摄下来，扫描仪的压力和方向便施加在上面。每个人的十个手指都被扫描。为了检测该算法，每个人被扫描三个图像，其中个是垂直方向，另外两个则是不同的方向。总之，内部数据库包含个人的个指纹样本，和个食指样本。数据库中的指纹图像质量也在发生变化。已开发出的算法已经经过台具有因特尔赛扬内存的上仿真调试以及测试，并采用图像处理工具。对于该算法的验证过程，数据库使用个指纹样本指标和些随机选取的样本。实验结果如果图像被垂直定位在逆时针方向，那么旋转角度是正的，相反则是负的。下图描绘了数据库和内部数据库的样本。此外，旋转图像也随其核心点显示出来。图的输入图像，旋转图像和核心点。旋转角度是度的输入图像，旋转图像和核心点。旋转角度是度内部的输入图像，旋转图像和核心点。旋转角度是度内部的输入图像，旋转图像和核心点。旋转角度是度。核心检测经过种类型的指纹分类测试。通过人工对比发现了该核心检测算法提供了令人满意的效果。通过选择核心点周围的个像素，核心点和高曲率模式的相关区域被裁剪下来。在此算法中，被设定为。通过进行旋转处理和使用基于行的算法，旋转图像的分岔和终止的数量变化被落实。该算法测试如下。和内部数据库各随机选取五个样本。对输入图像进行特征提取，表示分岔数量，表示终端数量。对旋转后的图像进行特征提取后，细节都被标注出来。通过比较输入图像和旋转图像之间的特征，算法的精确度被计算出来。结果表中给出。表特征提取结果第列中列出了和内部数据库的示例名称。第二列中给出了提取特征的细节，第三列中则是旋转后图像的特征提取的细节。从输入图像和处理后图像之间得到的细节特征提取间的百分比差异计算公式如下。设裁剪下来的输入图像特征数目为，旋转图像的为。细节特征提取的百分比差异计算公式如下。此值表示旋转后的图像细节比输入图像少。表二中表示为负值。此值表示旋转后的图像细节比输入图像多。表二中表示为正值。表中百分比差异及表线图如下。表裁剪后输入图像和旋转图像的百分比差异图线表裁剪后的输入图像，旋转图像和裁剪图像间的分岔的平均百分比差异是。同样，裁剪后的输入图像，旋转图像和裁剪图像间的终止的平均百分比差异是。表三列出了算法的各种过程消耗的平均时间。我们发现完成过程平均时间少于秒，以下条形图能更好的说明这点。表我们方法中各种工序所需的时间图表中所提到工序消耗时间的条形图已提出的算法经过数据库中个样本以及内部数据库中个样本的测试。结果表明旋转的精度水平为，核心检测为。此外，在指纹身份验证和分析方面，该算法提供了更多准确性，时间优势和成本效益的解决方案。此外，由于质量差，三角点被确定为核心点。当图像被部分扫描或者带有污渍时，我们认为此图像为低质量图像。同时，随着压力变化而变化的图像也被认为是质量差的图像。下图显示了些低质量图像。图数据库中随机选择的低质量图像总结为了改进匹配算法和指纹分析的性能，提出了个有效的算法。垂直方向的操作过程步步实施出来，并且提供了必要的说明。对于性能的评价，基于线性的算法是使用连接成分分析的算法。对输入图像进行细节提取，然后比较处理后的图像。用数据库中的个样本和内部数据库中的个样本来测试该算法。性能评价结果显示，处理后图像的细节提取与原始图像匹配度达。整个指纹实现了核心检测，并且准确率达到。质量，分类，各种压力和指纹在扫描以上放置的位置都影响到了核心点的精度。该算法在垂直方向过程中存在定限制，由于处理后的脊线不如原图像光滑，图像的质量受到影响。这需要进步加强。此外，该算法将三角形标识为几张循环型图片的核心点。消除该算法限制的研究也正在进行，来减少计算时间，成本和提供良好的精度。参考文献,