指纹预处理

指纹预处理（通用6篇）

指纹预处理 篇1

0 引 言

在指纹采集的过程中, 由于手指本身的因素和采集条件等各种原因的影响, 采集到的原始指纹图像中往往包含有很多噪声, 造成指纹图像质量严重下降, 模糊不清造成脊线的粘连或断开, 会导致产生虚假的指纹细节特征;遗漏或忽略了正确的细节特征点;在有关描述细节特征点提取的有效性和可信性, 影响系统在匹配时的拒认率或误认率[1], 从而最终影响整个系统识别的结果。为了准确地进行细节点的提取和特征点的匹配, 图像就必须先经过预处理, 消除噪声、连接脊线断裂部分, 以得到纹线清晰的指纹图像。可以说, 预处理算法的好坏基本上决定了指纹识别系统的有效性和准确率。因此, 指纹图像增强在自动指纹识别系统中具有重要的地位和作用。

目前的指纹图像增强算法大都是利用指纹的方向特性和频率特性[2]来对图像进行滤波, 以达到图像增强的目的。但是在计算指纹图像的方向图和频率图时该类算法计算复杂。为此, 这里提出了利用Radon 变换来计算指纹图像的方向图, 然后利用方向滤波器来对指纹图像进行滤波的算法。实验结果表明, 该算法运行速度快、效果好, 为下一步的指纹识别奠定了坚实的基础。

1 Radon变换及其实现

设函数f (x, y) ∈L2 (D) 中, 在平面上D区域中它平方可积, 则f (x, y) 的Radon变换g (t, θ) 可表示如下:

$g(t,\theta )={\displaystyle \int {\displaystyle {\int }_{D}f}}(x,y)\delta [t-(x\text{c}\text{o}\text{s}\theta +y\text{s}\text{i}\text{n}\theta )]\text{d}x\text{d}y(1)$

其中:δ是冲击函数, t- (xcos θ+ysin θ) =0表示极坐标下任意一条直线方程。

图像的Radon变换就是将原始图像变换为它在各个方向上的投影表示。图像f (x, y) 在任意角度θ上的投影定义为:

$R{}_{\theta }(x^{\prime })={\displaystyle {\int }_{-\infty }^{\infty }f}(x^{\prime }\text{c}\text{o}\text{s}\theta -y^{\prime }\text{s}\text{i}\text{n}\theta ,x^{\prime }\text{s}\text{i}\text{n}\theta -y^{\prime }\text{c}\text{o}\text{s}\theta )\text{d}{y}^{\prime }(2)$

其中:

$\left[\begin{array}{c}{x}^{\prime }\\ y^{\prime }\end{array}\right]=\left[\begin{array}{cc}\cos \theta & \sin \theta \\ -\sin \theta & \cos \theta \end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right](3)$

由投影切片定理知, Radon 变换与Fourier 变换有明确的对等关系。因此, 离散的Radon变换可以由Fourier变换来实现[3]。

2 算法原理

2.1 扩展像素值动态范围

对图像做局域动态范围扩展, 目的是消除图像因为采集按压力度不均匀而导致的局部灰度差别。在做过局域动态扩展之后, 连续纹线上的灰度变化难免会变大, 有必要做进一步的平滑[4]。

(1) 局域动态范围扩展:

使用一个滑动窗口遍历整个指纹图像, 按照式 (4) 计算并重置窗口内像素的灰度。

N (i, j) =F{[ (O (i, j) -m2) / (m1-m2) ]255} (4)

其中:N (i, j) 是窗口内处理之后的像素灰度值;O (i, j) 是处理之前的像素灰度值;m1和m2分别是窗口内灰度最大和最小的像素值; F 函数是用来取最接近结果的整数的函数。

(2) 平滑处理:

使用一个滑动窗口遍历整个指纹图像, 对纹线上的灰度进行平滑。若该窗口内的灰度变化小于预设阈值M, 则说明该窗口处于脊线或者谷线上, 使用中值滤波对其进行平滑;若灰度变化大于预设阈值M, 则说明该窗口处于脊线和谷线的分界线上, 不做任何操作。

2.2 计算方向场

首先对均衡化后的图像进行分块, 分块大小为8×8或16×16, 对每个图像块进行Radon变换, 并且假设在图像块内的指纹脊线在几何上具有互相平行的关系, 也就是该分块内的脊线具有相同的角度, 实验表明这种假设是合理的。又因为Radon变换就是将原始图像变换为它在各个方向上的投影表示, 所以在Radon域内, 最大值的点所在的列就对应于一定的脊线方向, 其关系如图1所示。图中脊线i表示图像块中的任意脊线, 它与x轴的交角为α, 此时第j条采样直线与脊线i垂直, 即在Radon域内最大值点所在的列为第j列。第j条采样直线与采样起始线的夹角为β, 采样直线从起始点开始沿顺时针方向旋转[5]。

由采样直线和图像平面的关系我们可以得出β的值, 然后根据图1所示的脊线与采样平面之间的关系, 可以计算出脊线的方向α为:

$\alpha =135°-(\text{π}/2n)\times (j-1)$

另外, 指纹图像在受到噪声的影响下会使得对指纹方向场的计算出现偏差, 这就需要进行进一步修正, 以消除噪声的影响。根据纹线具有缓变性的特点, 对求出的方向场进行平滑处理, 采用块操作的方法将相邻图像块的方向场变化控制在一定范围内, 从而低质量的指纹图像也可以获得较正确的方向场。

2.3 设计方向滤波器

指纹图像的重要特点就是纹线的方向性, 所以方向滤波是最有效的滤波方法。本文利用前面获取方向图, 采用OGorman等人设计的方向滤波器模板[6], 供不同的方向像素点选择。设计思想是使指纹纹线在切向平滑、在法向锐化, 以消除指纹图中纹线的断裂和叉连。方向滤波的关键就是滤波器的选择, 下面是涉及滤波器时的一些注意事项:

(1) 在设计滤波器模板的模板时, 模板尺寸的选择要合适。要求大小为一个或者一个半的纹线周期, 并且为奇数, 这样模板就可以通过中心点关于x轴和y轴对称。

(2) 为了提高脊线和谷线的灰度方差, 达到边缘锐化的效果, 在垂直于纹线方向上中央部分系数为正, 两边系数为负, 因此滤波器模板中所有系数的代数和应为零。

(3) 方向滤波器是由平均滤波器和分离滤波器组合而成的。平均滤波器主要是连接脊线中出现的断裂, 分离滤波器主要除去图像中的叉连。平均滤波器的系数满足A>B>C>D>0, 分离滤波器的系数应满足A+2B+2C+2D=0。一个基本的方向滤波器 (如图2所示) 应该同时具备两种功能, 它相当于平均滤波器加上分离滤波器, 所以它的系数是平均滤波器和分离滤波器的系数之和[7]。

(4) 水平方向滤波器的模板示意图 (如图2) 所示。以n=7为例, 其他方向的滤波器模板可以通过旋转得到。滤波器模板大小为n×n, n由指纹图像中脊线和谷线的宽度以及实验条件决定, 边宽一般是3～10个像素。

(5) 由于指纹是具有方向性和谷脊交替性的特殊图像, 所以要根据像素点方向不同而采用不同的方向滤波模板。

这样在选取滤波模板以后, 就对图像进行滤波, 将整个图像分成w×w的小块, 根据上面计算得到的低频指纹方向图判断每一小块的方向, 采用相对应的滤波模板进行滤波。

3 实验结果

实验基于Intel P4 3.0 GHz的PC机, Window XP操作系统, Matlab 6.5的仿真软件环境下。指纹库采集分辨率为500 dpi, 指纹采集设备为PIS2004光学指纹采集仪, 图像尺寸大小为640×480。该算法是针对指纹库中模糊的低质量指纹提出来的, 为了验证本算法, 从采集到的指纹库选取了每个指纹的1幅低质量指纹图像样本组成一个110幅图像的样本库, 用于验证本文方法的效果。在该实验条件下, 经过反复验证, 图像分块的大小以w=8最为合适, 滤波器的宽度以n=7效果最佳, 系数以A=-5, B=1, C=3, D=3效果最佳。部分实验结果如图3所示。

由图3中的对比可以看出:原始指纹图像的纹理不够清晰, 亮度也不均匀;经过滤波处理之后, 图像脊线和谷线分界清晰, 且亮度均匀, 大致体现了原指纹图像的真实纹线结构。

4 结 语

提出基于Radon变换的指纹图像预处理算法, 从指纹图像的纹理性出发, 利用Radon变换获得图像的方向场, 然后进行方向滤波, 从而实现了连接断开的脊线, 使脊线和谷线得到分离, 从而获得较好的增强效果且算法简单, 运行速度快, 利于硬件实现。处理后的图像可以直接用于特征点匹配, 并且可以推广到一般的纹理图像, 但是该算法在处理更加复杂的纹理图像时增强效果并不理想, 如何扩大该算法的适应性还有待于进一步研究。

参考文献

[1]Sherlock D.Momro D M, Millard K.Fingerprint Enhance-ment by Directional Fourier Filter[J].IEEE Proceedings ofVision Image and Signal Processing, 1994, 141 (2) :87-94.

[2]Li Jun, Wang Han.Const Rained Nonlinear Models ofFinger print Orientations with Prediction[J].PatternRecognition, 2006, 39:102-114.

[3]史延新.一种利用Radon变换的指纹图像预处理算法[J].西安工业大学学报, 2007, 27 (5) :468-470.

[4]Josef Strom Bartunek, Mikael Nilsson, Jorgen Nordberg.Adaptive Fingerprint Binarization by Frequency Domain[J].Analysis, Signals, Systems and Computers, FortiethAsilomar Conference on, 2006:598-602.

[5]Bazen A M, Gerez S H.Systematic Methods for the Compu-tation of the Directional Fields and Singular Points ofFingerprint[J].Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2002, 24 (7) :905-919.

[6]O′Goman L, Nickersion J V.An Approach to FingerprintFilter Design[J].Pattern Recognition, 1989, 22 (1) :29-38.

[7]武妍, 杨磊.一种改进的基于方向滤波的指纹图像增强算法[J].华中科技大学学报, 2007, 35 (2) :22-25.

指纹图象预处理技术研究 篇2

（一）指纹识别系统

自动指纹识别系统(Automatic Fingerprint Identification System，简称AFIS)是通过特殊的光电转换设备和计算机图像处理技术，对活体指纹进行采集、分析和比对，可以自动、迅速、准确地鉴别出个人身份的。如图1所示。

现代指纹识别技术一般直接使用活体指纹。根据录入原理的不同，活体指纹采集设备可分为光学取像设备、晶体传感器和超声波扫描，它们之间的比较如表1所示。

经指纹采集器采集得到的原始指纹图像，通常都伴随着各种各样的噪声，比如采集仪上的污渍，采集仪的参数设置不恰当等;或是由于手指的状态造成的，比如手指的过干、太湿、伤疤、脱皮等等。指纹图像的特征提取的准确性严重依赖指纹图像的质量。在特征提取之前，必须对指纹图像进行预处理。预处理的目的就是利用各种图像处理技术，去除图像中的各种噪声干扰，恢复指纹的脊线纹理特征，为后续指纹特征提取和指纹匹配打好基础。

常用的预处理与特征提取 (Image Preprocessing and Feature Extraction) 方法的主要步骤包括方向图计算、图像滤波、二值化、细化、提取特征和后处理。

输入的指纹原始图象中常常包含我们不需要的背景区域，对于指纹的后续处理过程会产生不利的影响，大大增加了指纹预处理的时间。所以首先要对指纹进行前景/背景分离，将感兴趣的指纹区域分离出来，然后求取指纹的方向图。目前，常用的指纹图像分割算法有基于灰度的方差法和基于方向的指纹图像分割方法，以及基于梯度的指纹分割方法。

1. 方向图

指纹的方向图是指纹的灰度信息映射为指纹纹线走向的一种表示。灰度沿某一方向变化很小，体现了纹路的走向，称之为局部主导方向，它是重要的结构信息，可以利用它提高指纹的识别性能。与纹线走向垂直的方向上灰度变化很大，称之为局部梯度方向。邻域方向模版法一般采用9×9模板，基准点位于模板的中心。

把指纹脊线的走向分为8个方向，如图2和图3所示, 基准点位于方向模板的中心，从水平位置开始，按逆时针方向，每隔π/8确定一个方向，用数字0, 1, 2, …, 7来表示，此方法计算的方向角范围是[0, π) 。

窗口内，分别计算8个方向上的灰度平均值，即对图2中标有i (i=0, 1, 2, …, 7;分别代表8个方向) 的位置的像素灰度求平均值，得到Gmean[i];将这8个平均值按两两垂直的方向分成4组;分别计算每组中两个平均值差的绝对值：

取差值的绝对值Gdiff[j]最大的两个方向iMax和iMax+4为可能的脊线方向，若该像素处的灰度值为Gray，则其所在脊线的方向为：

由于这些方向图的噪声很大, 所以还必须进行平滑处理。

2.图象滤波

图像滤波主要是对指纹图像实现滤波去噪，去除指纹图像中的叉连、断点及模糊不清的部分，比较常见指纹图像滤波算法有很多，如中值滤波、均值滤波、Gabor函数滤波等算法。

低通滤波是一种保留图象低频部分，减少图象高频部分的处理方法，它往往是用邻域象素的平均值作为中心象素的新值。低通滤波可以降低图象中的视觉噪声，但它又会使图象变得模糊。

与低通滤波相反，高通滤波可增强图象中的高频成分而不改变图象的低频成分，它可以起到锐化图象的作用。经过高通滤波的图象，看起来边缘轮廓较清晰，但同时伴随着放大噪声的后果。

中值滤波是抑制噪声的非线性处理方法，其特点是运算简单，便于实现，而且能较好地保护边界，但这种算法会使图象失掉细线和小块的目标区域。

Gabor于1946年提出一维的Gabor滤波器，1985年Daugman提出了二维Gabor小波，Gabor滤波器是一个依靠频率和方向的带通滤波器，它能够有效的增强指纹的脊线和谷线的结构。Gabor滤波器可以有效地结合频率域和空间域的特性，并且具有频率选择和方向选择的特性。

3. 常用二值化算法

二值化就是将灰度图像转化为只有“0”和“255”两种灰度的二值图像。所谓图象的二值化是指通过设定阈值把灰度图象变换成仅用两个值分别表示图象的目标和背景的二值图象。图象二值化可根据下列的阈值处理来进行

二值化的方法根据阈值的选择，可以分为以下几种：

(1）全局阈值法

全局阈值是对整个图象采用一个阈值进行划分，例如固定阈值法二值化、判断分析法二值化等。固定阈值法根据图象的灰度信息确定一个阈值T，对图像中的每一像素点进行处理分析，如果像素点的灰度值G (i, j) 大于阈值T，则该像素点为谷线，置像素灰度为白色;否则该像素点为脊线，置像素灰度为黑色。用固定阈值法进行二值化处理容易指纹图象产生断线，容易产生噪声，对后续处理影响较大。

(2）局部阈值法

局部阈值是将图象分成一些子块，对于每一子块选定一个阈值，例如动态阈值法。阈值选择不仅取决于该象素阈值以及其周围各象素的灰度值，而且还和该象素坐标位置有关时，称为动态阈值法，它可以处理低质量指纹图象。动态阈值法是将图象分为n×n的方块，对任一方计算平均灰度值，将方块中每个象素点的灰度值与平均灰度值进行比较，若大于平均灰度值，则将象素点灰度值置为255;反之则置为0。

通过大量实验和资料表明，动态阈值能根据图象的局部灰度自动选择合适的阈值，只要选择合适的分块大小就能取得最佳的二值化效果。而采用固定阈值的方法二值化时，当指纹图象灰度不均匀时，指纹纹线易于产生断线。

4. 细化

为了进一步压缩数据，提高识别的标准性，需要对指纹图象进行细化处理。一种好的细化算法应该满足下列条件：收敛性、连通性、拓扑性、保持性、细化性、中轴性和快速性。到目前为止，关于细化方法的研究工作已有很多成果，所采用的方法从使用的观点来看，比较多的是采用模板匹配的方法。细化后，通常还要进行平滑处理。

5. 特征提取和后处理

指纹特征提取是从细化后的指纹图像中得到的细节特征点，指纹细节，主要有以下几类：纹线端点、短线、分支、眼、权权等。在特征提取之后对指纹图象中存在的伪特征点进行去除。Qinghall xiao等人提出了一种统计和结构相结合地后处理方法，Maio等提出的直接从原始灰度图像上提取细节点的方法。图象经过后处理后满足：处理过程中必须保留真细节而消除虚假细节;前面的处理不能减少用于后面处理步骤的信息。根据以上原则，分析细化图象可知，毛刺在图象中表现为一种短的纹线分支，统计计算和结构相结合的方法进行指纹图象的后处理。

（三）结语

随着指纹取像设备的发展，匹配算法可靠性的不断提高，指纹识别技术的发展前景将会更加广阔，指纹技术必将运用到越来越多的领域。

摘要：预处理是指纹自动识别过程的第一步, 它的好坏直接影响着指纹自动识别的效果。文章对目前指纹图象预处理技术进行了详细介绍, 并重点介绍了相关算法。

关键词：纹识别,指纹预处理,指纹算法

参考文献

[1]田捷, 陈新建, 杨鑫.指纹识别算法仍有优化空间[J].计算机世界, 2006.

[2]上海同济斯玛特识别技术有限公司.指纹识别技术概述[J].计算机安全, 2003 (7) :8-11.

[3]赵金辉, 硕良勋, 曲文斌, 指纹图像预处理算法研究[M].计算机工程与设计, 2006, 27 (15) :2777-2778, 2811.

[4]MAIO D, MALTONI D.Davide Matloni.Direct gray-scale minutiae detection in fingerprints[J].IEEE PAMI, 1997, 19 (1) :27-39.

指纹预处理 篇3

在自动指纹识别系统的核心算法中,图像预处理是指纹处理的第一步,它的好坏将直接影响后续环节乃至整个系统的精确性。常见的预处理算法有:基于方向的方向图滤波法[1,2]、基于数学形态学的滤波法[3]、基于频率域的自适应图像增强法[4]及Gabor滤波器滤波[5]等方法。基于数学形态学的图像滤波方法,在滤出噪声的同时也很容易将图像的细节特征除去,所以它不太适用于指纹图像预处理;Gabor滤波虽然能实现对图像在空间域和频域的调整,同时较好地保留图像的细节特征,但因算法复杂、运算量大并且对系统的硬件条件要求高,不宜于在线处理指纹图像;基于频率域的自适应图像增强法,在去除噪声的同时也常使部分图像细节特征消失,它同样也存在算法复杂、运算量大并且对系统硬件要求高的缺陷,因此也不便用于图像的实时处理;基于方向的图像滤波方法是一种在空间域内对图像进行处理的方法,它能较好地保留指纹细节特征,而且算法比较简单,运算量较小并对系统硬件条件要求较低,它适宜于实时指纹处理。正因为如此,近年来方向图滤波法一直是国内外从事指纹识别学者研究的热点之一。从目前公开发表的、有关指纹识别的文章数量上看,方向图滤波法使用较多,但文献报道中往往仅给出方向滤波器的权值模板,而并没有介绍其模板参数及窗口大小是如何整定的,这些对于方向滤波器来说很重要,因其取值不同,将直接导致处理效果的好坏,同时对指纹识别系统的误识率和识别率都有很大的影响。基于上述因素,我们从指纹本身的纹理特征出发,建立了指纹纹线的数学模型,并在此基础上对方向图滤波算法进行了分析和研究,给出了方向滤波器窗口大小的确定以及模板参数的设计方法,最后通过VC6.0的编程在计算机上实现了该方法对指纹图像的处理。

2 方向滤波法

指纹脊线被破坏的因素有多种,但有两种情况会经常出现,即断裂和叉连,然而在现有的众多滤波器中,方向滤波器能有效抑制这两种噪声。其基本思想是依据指纹本身纹理性和方向性都很强的特点,首先把图像视为是有确定纹理的流状模型,利用图像的灰度矩阵F(i,j),计算每一个像素点在各个方向上的某种统计量(如灰度差或灰度平均等),然后依据统计量在各个方向上的差异,来确定某一邻域内纹线的方向,即确定指纹方向图,最后以方向图为基础,用方向滤波器对其进行处理,以消除噪声进而提高脊与谷之间的对比度。

脊线的方向,可以在0°～360°或0°～180°之间预先划分为N个基本方向,理论上N越大对脊线方向的描述越好,但实验证明:若N太大,耗费计算时间多,而且对脊线方向质量的改善也并不大,因此处理中最好选取一个恰当的值,既能满足脊线方向要求也能减少算法的空间及时间复杂度。我们通过实验比较,N取8时就满足实际要求。取8个方向按理论要求就应该需要8个不同的滤波器,在8个方向上对图像进行滤波。为了简化问题和提高速度,把8个方向按与坐标原点对称分为4组即(1,5)、(2,6)、(3,7)、(4,8),这样处理的好处是:只需设计4个滤波器(即方向1、2、3、4),其余4个滤波器可以通过与坐标原点对称而得到,该方法被称为相位分组法。

我们采取的具体策略是:先设计水平方向滤波器即方向1,然后通过对水平滤波器进行旋转及对称运算得到其它方向的滤波器。旋转后的滤波器,其(x′,y′)点的权值可通过旋转θ°角,返回到水平方向上(x,y)点,并通过f(x,y)的值求取。

$\left[\begin{array}{c}{x}^{\prime }\\ y^{\prime }\end{array}\right]=\left[\begin{array}{cc}\cos \theta & \sin \theta \\ -\sin \theta & \cos \theta \end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right](1)$

通过旋转处理后,得到的滤波器,其(x′,y′)的系数与水平方向的滤波器(x,y)位置的系数是相等的,即fθ(x′,y′)=f(x,y)。根据式(1)计算出对应于(x′,y′)点的值即(x,y)值。但在一般情况下,这些系数不会全为整数,因此无法在水平滤波器中找到相对应的系数值。

当(x,y)不为整数时,分别取其附近的四个整数点,如图1所示。这四点的系数在水平滤波器中可以得到,然后通过线性插值法求得其值。具体计算步骤如下:

首先通过A,B点求得E的系数:

其次通过C,D点求得F的系数;

最后通过E,F点求得f(x,y)的系数。

通过式(2)～(4)及等式fθ(x′,y′)=f(x,y),可求得fθ(x′,y′)的值。

经滤波器处理后的图像,其每一像素点的灰度由其邻近像素点的灰度值共同确定,即(i,j)点的灰度值Gray(i,j)的处理如下:

$\begin{array}{l}Gray(i‚j)=\underset{m=-2}{\overset{2}{{\displaystyle \text{Σ}}}}{\rm Z}\times Gray(i-2‚j+m)\\ +\underset{m=-2}{\overset{2}{{\displaystyle \text{Σ}}}}Y\times Gray(i-1‚j+m)\\ +\underset{m=-2}{\overset{2}{{\displaystyle \text{Σ}}}}X\times Gray(i‚j+m)\\ +\underset{m=-2}{\overset{2}{{\displaystyle \text{Σ}}}}Y\times Gray(i+1‚j+1)\\ +\underset{m=-2}{\overset{2}{{\displaystyle \text{Σ}}}}{\rm Z}\times Gray(i+2‚j+m)(5)\end{array}$

3 方向滤波器设计

3.1 指纹图像分带模型建立

从局部放大的指纹(图2)中可以看出它所具有的特点:①在局部范围内,脊、谷线具有一致的方向性,并且脊、谷相间;②在局部范围内,脊线、谷线宽度基本相同并且脊、谷线之和大致为常数;③在局部范围内,纹理由脊线过渡谷线,其灰度值是连续渐变的并不是突变的;④在局部范围内,脊线或谷线都具有良好的对称性。

基于上述特点,我们可以建立它的数学模型,即指纹的分带示意图,如图3所示。

在图3中,指纹的空间周期T由三部分构成:中间带(脊线)、过渡带、边缘带(谷线)。值得注意:它们的宽度虽然彼此不相等,但在某一邻域内,其和基本为常数。另外,为了方便问题的解决,我们把T近似看成为由两部分组成即中间带、边缘带。以指纹分带图为基础,可以用下列参数来描述它,即脊宽度的最大值、最小值(记为Wmax,Wmin)和谷宽度的最大值、最小值(记为$\overline{W}{}_{\max }‚\overline{W}{}_{\min })$。它们是设计滤波器权值模板的基础条件和前提,它们与T的数量关系为:

${\rm T}=W{}_{\min }+\overline{W}{}_{\max }=W{}_{\max }+\overline{W}{}_{\min }(6)$

3.2 方向滤波器权值模板设计

一个基本滤波器由两部分组成:平均滤波器和分离滤波器。平均滤波器的作用是连接脊线中出现的断点,而分离滤波器的作用是消除图像中的叉连现象。设滤波器的窗口为N×N(N为奇数是其对称性的要求,它的大小由脊、谷周期T所决定),其中N取值的大小会直接影响滤波器的性能。实验证明:滤波器尺寸过小则处理效果不理想;滤波器尺寸过大不仅处理效果不佳而且计算时间也会提高,所以要寻求一个相对合理的平衡值。方向滤波器应该具备上述两项功能,其作用相当于平均滤波器加分离滤波器,所以它的权值应为平均滤波器与分离滤波器的权值相加后的归一化值。其中平均滤波器的权值之间的关系为:U>X>Y>Z≥0;分离滤波器的权值之间关系为: U+2×X+2×Y-2×Z=0。

通过指纹的脊、谷参数,可以设计出方向滤波器中模板的权值。设滤波器的每一行中,用i定位权值。i=0表示行的中点,i<0表示中间点的左边,i>0表示中间点的右边。同理,用j来定位每一列中的权值,j=0表示列的中点,j<0表示在中间点的上面,j>0表示在中间点的下面。把i与j结合起来,就可以确定N×N滤波器中任意一点,并且滤波器的行和列要相等,其长度N等于指纹的空间周期T。为了保证滤波器的对称性,若T是偶数时,此时的N值等于T+1。滤波器的中间带包含对脊线起增强作用的权值,而边缘带则包含反向增强谷的权值。

从图3可知,方向滤波器包含有:

中间带 -hm≤j≤hm

过渡带 -ht<j<-hm;hm<j<ht

边缘带 -hf≤j≤-ht;ht≤j≤hf

其中j表示列数,hm,ht和hf分别表示中间带、过渡带和边缘带宽度的一半。根据对指纹脊和谷的描述,可得:

$\begin{array}{l}h{}_{\text{m}}=\{\begin{array}{l}\frac{W{}_{\min }}{2}-1(W{}_{\min }\text{为}\text{偶}\text{数})\\ \frac{W{}_{\min }-1}{2}(W{}_{\min }\text{为}\text{奇}\text{数})\end{array}(7)\\ h{}_{\text{t}}=\{\begin{array}{l}\frac{W{}_{\min }}{2}+1(W{}_{\min }\text{为}\text{偶}\text{数})\\ \frac{W{}_{\min }+1}{2}(W{}_{\min }\text{为}\text{奇}\text{数})\end{array}(8)\\ h{}_{\text{f}}=\{\begin{array}{l}h{}_{\text{t}}-1+\frac{W{}_{\min }}{2}(W{}_{\min }\text{为}\text{偶}\text{数})\\ h{}_{\text{t}}-1+\frac{W{}_{\min }+1}{2}(W{}_{\min }\text{为}\text{奇}\text{数})\end{array}(9)\end{array}$

对N×N的滤波器而言,N=2hf+1,而hf又与描述指纹的四个参数有关,所以:

${\rm N}=\{\begin{array}{l}W{}_{\max }+\overline{W}{}_{\min }+1(\overline{W}{}_{\min }\text{为}\text{偶}\text{数}‚W{}_{\max }\text{为}\text{偶}\text{数})\\ W{}_{\max }+\overline{W}{}_{\min }+1(\overline{W}{}_{\min }\text{为}\text{奇}\text{数}‚W{}_{\max }\text{为}\text{奇}\text{数})\\ W{}_{\max }+\overline{W}{}_{\min }(\overline{W}{}_{\min }\text{为}\text{偶}\text{数}‚W{}_{\max }\text{为}\text{奇}\text{数})\end{array}(10)$

滤波器f(i,j)的权值计算,其具体步骤如下:首先,计算滤波器中间列上的各点权值。设中心点的权值为a0,由于理想的二值化后指纹,其脊、谷线可以近似看成二维余弦函数,为了去除脊线上由噪声产生的“洞”等干扰信息,在j=±hm处,使权值降到a0的半功率点处即$a{}_0/\sqrt{2}$。另外,把指纹的边缘带f(0,hf)的峰值设为b0,同样在j=±ht处,使权值按余弦函数从b0下降到b0的半功率点处即$b{}_0/\sqrt{2}$。权值f(0,j)按下式计算:

$f(0‚j)=f(0‚-j)=\{\begin{array}{l}a{}_0\cos \frac{\text{j}\text{π}}{4h{}_{\text{m}}}(0＜j\le h{}_{\text{m}})\\ a{}_0(h{}_{\text{m}}＜j＜h{}_{\text{f}})\\ b{}_0\cos \frac{\text{π}(h{}_{\text{f}}-j)}{4(h{}_{\text{f}}-h{}_{\text{t}})}(h{}_{\text{t}}\le j\le h{}_{\text{f}})\end{array}(11)$

为了保证所得滤波器具有良好的对称性,应让同一列中所有权值的和为零。根据这个要求可得到式(12):

$a{}_0+2a{}_0\underset{j=1}{\overset{h{}_{\text{m}}}{{\displaystyle \text{Σ}}}}f(0‚j)+2b{}_0\underset{j=h{}_{\text{t}}}{\overset{h{}_{\text{f}}}{{\displaystyle \text{Σ}}}}f(0‚j)=0(12)$

从式(12)求出b0:

$b{}_0=\frac{-a{}_0\left(1+2\underset{j=1}{\overset{h{}_{\text{m}}}{{\displaystyle \text{Σ}}}}\cos \frac{\text{j}\text{π}}{4h{}_{\text{m}}}\right)}{2\underset{j=h{}_{\text{t}}}{\overset{h{}_{\text{f}}}{{\displaystyle \text{Σ}}}}\cos \left[\frac{\text{π}(h{}_{\text{f}}-j)}{4(h{}_{\text{f}}-h{}_{\text{t}})}\right]}(13)$

最后由式(11)、(13)可求出中间列的所有权值。其次,利用中间列的权值求得其它权值。具体操作是:在每一行中,设最边缘上列的权值是中间列的权值的1/3,次边缘上列的权值是中间列的权值的2/3,除此之外,其它各点的权值可由式(11)、(12)、(14)计算而得。

$\begin{array}{l}f(i‚j)=f(-i‚j)=f(i‚-j)=f(-i‚-j)\\ =f(0‚j)\cos \frac{i\text{π}}{2.383h{}_{\text{f}}}(14)\end{array}$

通过以上步骤及其公式就可完全确定方向滤波器中各个点的权值。

3.3 方向滤波器实例设计

依据3.2的设计思想及方法,可以得出水平方向滤波器的权值模板,如图4所示。通过用Matlab观察指纹图像及利用3.2的相关公式,可以确定描述指纹脊和谷的四个参数,它们是:$W{}_{\min }=3‚W{}_{\max }=5‚\overline{W}{}_{\max }=3‚\overline{W}{}_{\min }=1$,由这四个参数可确定水平方向滤波器的窗口,其大小为7×7。由式(7)～(9)可以求出hm=1,ht=3,hf=3,令a0=24,将这些值再代入式(11)～(14)中即可求出b0和所有其他权值,图5是水平方向滤波器各点的权值表。

由式(1)～(4),通过计算编程可求得其它方向的滤波器。这里仅给出方向2滤波器参数计算结果:

$\left[\begin{array}{ccccccc}\hfill -1& \hfill 2& \hfill 3& \hfill 1& \hfill -20& \hfill -49& \hfill -74\\ \hfill 2& \hfill 9& \hfill 9& \hfill 8& \hfill 1& \hfill -23& \hfill -49\\ \hfill 3& \hfill 9& \hfill 20& \hfill 15& \hfill 9& \hfill 1& \hfill -20\\ \hfill 1& \hfill 8& \hfill 15& \hfill 24& \hfill 15& \hfill 8& \hfill 1\\ \hfill -20& \hfill 1& \hfill 19& \hfill 15& \hfill 20& \hfill 9& \hfill 3\\ \hfill -10& \hfill -23& \hfill 1& \hfill 8& \hfill 9& \hfill 9& \hfill 7\\ \hfill 14& \hfill -10& \hfill -20& \hfill 1& \hfill 3& \hfill 7& \hfill 17\end{array}\right]$

由8个不同方向的方向滤波器构成一个滤波器集合,在进行图像滤波处理时,根据每一个像素的方向值,从这个滤波器集合中选取相应的滤波器模板,运用式(15)对图像进行滤波处理。

$f(x‚y)=\underset{i=-3}{\overset{3}{{\displaystyle \text{Σ}}}}\underset{j=-3}{\overset{3}{{\displaystyle \text{Σ}}}}f(x+i‚y+i)g{}_{\theta }(i‚j)(15)$

其中,gθ(i,j)为滤波器模板的系数。在用方向滤波器对图像进行增强及二值化处理时,其阈值设为滤波器中所有负系数之和的两倍,就水平滤波器而言,其阈值:Rth=2[2f(3,3)+2f(2,3)+2f(1,3)+f(0,3)]。在指纹图像中,用该滤波器对每个像素点进行运算,当其结果R小于阈值Rth时,该像素点记为0(指纹脊线),否则记为1(背景)。

4 滤波器实现及实验结果

基于上述思路,借助计算机程序可以方便地完成方向滤波器的设计,我们可以用它来增强指纹脊线和图像的二值化,这里给出所得方向滤波器对指纹脊线增强及二值化的程序流程框图,如图6所示。

根据流程框图,用VC6.0编制程序,可以得到其处理结果,如图7所示,这里仅仅给出一次滤波处理后的部分滤波结果。

5 结 论

由于方向滤波器考虑了指纹的方向,其综合效果与其它滤波器相比要好一些,它能有效地把指纹脊线从灰度图中提取出来,这一点已被图7所证实。从滤波后的效果,我们可以清楚地观察到指纹脊线中的分岔、终点等基本特征。这说明依据本文的指纹数学模型及其滤波器设计方法给出的方向滤波器,对于增强指纹脊与谷之间的对比度,使指纹脊线中间比脊线两边更加突出,而谷的中间比其两边更加淡化,起到了较好的作用,基本满足实际需求。另外,这种思路对于用方向滤波器处理其它纹理图像也有一定的借鉴意义。

摘要：首先在对现有指纹图像预处理算法进行分析比较的基础上,系统介绍了方向滤波法对图像的处理过程,同时给出了指纹的数学模型。在此基础上,详细分析了方向滤波器的组成、模板的选取及其参数计算。最后利用计算机实现了方向滤波器对指纹图像的处理,取得了较好的效果。

关键词：图像处理,方向滤波,滤波器,指纹识别

参考文献

[1]杨小青,杨浩,何为.基于方向滤波器的指纹图像预处理算法研究[J].西南大学学报:自然科学版,2007,29(11):148-152.

[2]PARK C H,LEE J J,SMITH M J T,et al.Directional FilterBank-bsed Fingerprint Feature Extraction and Matching[J].IEEE Transctions on Crcuits and Cstems for Cdeo Technology,2004,14(1):74-85.

[3]刘志敏,杨杰.基于数学形态学的图像形态滤波[J].红外与激光工程,1999,28(4):10-15.

[4]LEE C J,WANG Sheng-se,WU Kao-ping.Fingerprint Recogni-tion Using Principal Gabor Basis Function[C]//Proceedings of2001 International Symposium on Interlligent Multimedia,Videoand Speech Processing.Hong Kong,2001:393-396.

指纹预处理 篇4

1 EXCEL 基础

Excel是微软公司的办公组件之一,主要用于进行各种数据处理、统计分析和辅助决策 ,包含了很多的公式函数用于计算,同时还提供了类似数据库技术的数据处理功能,功能十分强大。

1.1 函数基础

函数是Excel中具有一个独立功能的算法或算法的组合,其实就是一种已经定义好的计算方法“模块”[1]。Excel的函数有很多个,功能也各异,对指纹考勤数据进行统计主要用到下列几个函数模块。

1) And函数

语法结构:And(Logical1,Logical2),用来检查是否所以参数均为true,如果所有参数均为真,则返回真。

2) Countif函数

语法结构:Countif(range,criteria),用来计算某个区域中满足给定条件的单元格数目。第一个参数range代表要计算其中非空单元格数目的区域,其中range指定的范围只能是一个连续的区域［2］。第二个参数criteria可以是以数字、表达式或文本形式定义的条件。

3) If函数

语法结构:If(Logical_test,Value_if_true, Value_if_false),用来判断一个条件是否满足,如果满足返回第一个值,不满足则返回另外一个值。第一个参数Logical_test,可以是任何一个可判断为TRUE或FALSE的数值或表达式,第二个参数value_if_true,是当Logical_test为TRUE时的返回值。如果忽略,则返回TRUE,其中EXCEL 2003最多可以嵌套7层,EXCEL 2007之后,IF最多可以嵌套64层［3］。

1.2 Excel的数据处理

Excel中的数据处理包括数据排序、数据筛选、数据分类汇总以及数据透视表等功能。数据的排序可以升序、降序、自定义排序;数据筛选则可以自动筛选、自定义筛选、高级筛选,其中自动筛选一般适合单一条件,自定义筛选适合符合条件(与、或),高级筛选功能最强,可以多字段,并可以采用复合条件;数据分类汇总,可以根据关键字进行分类和汇总;数据透视表,可以对多个字段,从不同角度和不同视角进行汇总,且汇总后的表格可以进行编辑和套用格式等[4]。

2 考勤数据分析

某部为加强办公秩序方便员工打卡,在办公楼前东西两侧安装两部指纹机,规定上午08:30之前打卡,为正常签到,晚于08:30打卡算迟到,上午考勤即为无效考勤,下午16:00之后打卡为正常下班,早于16:00打卡即为早退,亦下午考勤无效。机关每月集中进行一次数据采集,并统计和备份员工当月有效的考勤数据,用于当月和当年的考评。

数据采集后的考勤表实际是一张EXCEL数据清单[5],如图1所示。

对数据清单进行数据处理时需要把清单看做是一个数据库,数据清单中的行相当于数据库中的记录,行标题相当于记录名;列相当于数据库中的字段,列标题相当于数据库中的字段名,字段的数据类型则是对应的单元格格式类型。EXCEL中单元格的格式有很多种,但最终可以把数据类型归纳为数值、文本、日期时间以及逻辑型数据四类[6]。考勤清单中,标题栏的“部门名称”、“姓名”、“职工编号”、“指纹登记号”、“刷卡日期”、“刷卡时间”为字段,数据类型分别是文本型、文本型、数值型、数值型和日期时间型。每个人每天的打卡数据则为记录。

对两部卡机的数据清单合并(字段、记录格式相同,只需简单的全选、复制粘贴即可合并)后进行数据分析,发现个人用户存在有时候上午和下午分别在不同卡机上打卡,且由于卡机原因,有时会有重复记录的情况,如下图所示。

考勤数据的统计其实就是对F列中当天有价值数据的统计,需要对数据进行清洗。对于表中重复的记录,数据处理时必须删除相同记录;同一天的不同卡机上产生的不同数据记录则需要保留;F列字段中的数据则需要进行有价值数据提取,即数据抽取;整个考勤数据的具体处理流程如图3所示。

3 指纹数据处理统计

3.1 记录的数据清洗

数据清洗是在数据仓库、数据库中去除冗余、清除噪音、消除错误和不一致数据的过程,包括对数据的删除、添加、分解、重组等[7],是将多余重复的数据筛选清除,将缺失的数据补充完整,并将错误的数据纠正或删除。EXCEL中对重复项的删除方法可以有菜单操作、排序删除以及筛选删除三种方法,但对重复记录的删除则需要排序、公式、筛选相结合,具体操作步骤如下。

STEP 1:对记录通过姓名和刷卡时间排序,如图4所示。通过排序,可以快速排列相同记录以及个人同一天内的不同卡机考勤记录,便于判断哪些记录重复要筛除,哪些记录保留,图2所示。

STEP 2:添加G列,设置字段名为“筛重”,用于判断筛选出每条不重复的记录。对于考勤记录表中重复的记录去重可以利用内置的IF函数进行判断,返回值为文本型数据“重复”或“不重复”。

在G2单元格中添加公式=IF(AND(E2=E1,C2=C1,F2=F1),"重复","不重复"),经过排序之后,个人同一天的相同记录以及不同卡机产生的记录都有序的排在一起,只需判断下一条记录的职工编号、刷卡时间、刷卡记录这三个字段是否一样即可判断记录是否与上一条记录重复,如果重复返回值为重复,否则返回不重复。

STEP 3:利用公式的复制,向下拖动填充柄,判断每条记录是否与上一条记录重复。

STEP 4:利用数据筛选功能,对记录进行“无重复”数据筛选,筛选出真正的需要统计的有效记录表。

3.2 记录的回收

筛选出不重复的记录之后,并不能直接进行数据处理。因为筛选实际只是把重复的记录隐藏,如图7所示。要数据处理则需要将真正的记录提取出来,回收到一张新的数据表中。具体步骤如下:

STEP 1:选中要复制的区域;

STEP 2:点击菜单:编辑—定位—定位条件—可见单元格—确定,图8所示;

STEP 3:复制粘贴至Sheet2,.此时Sheet2中就是我们真正需要进行处理的有效记录。

3.3 字段的数据抽取

最终的数据统计是统计F列字段中的有效数据。筛选后的有效记录并不是真正的“数据”,对于指纹数据有价值的数据是个人每天每次符合规则的数据,即上午“08:30”之前的一次有效数据,与下午“16:00”以后的一次有效数据,需要把价值数据抽取出来。数据抽取,是指保留原数据表中某些字段的部分信息,组合为一个新字段。可以是截取某一字段的部分信息(字段分列);也可以是将某几个字段合并为一个新字段(字段合并);还可以是将原数据表没有但其他数据表中有的字段有效地匹配过来(字段匹配)。对F列中的指纹“价值数据”进行抽取是截取字段中的部分信息,即字段分列。

STEP 1:选中F列,对考勤数据时间以“;”进行分列,返回至H到L列,完成对有效数据的抽取,如图9所示。

3.4 数据统计

Step 1:由于在筛选后的无重复记录表中考勤统计只要统计出每个人每天上午08:30之前有效的一次考勤与当天下午04:30之后的一次考勤,则需要判断并计算出08:30之前的重复打卡次数,04:00之后得重复打卡次数以及中间时段的无效打卡次数。添加字段M列为无效考勤次数,N列上午重复次数,O列为下午重复次数字段,P列为全天有效考勤次数字段,由于打卡次数的统计返回值是一个数值型,所以把相应返回列的单元格格式设置为数值型。

无效的打卡数据计算公式为=COUNTIF(H2:L2,">08:30")-COUNTIF(H2:L2,">=16:00"),即可计算出08:30至16:00之间打了多少次无效卡,而上午重复的打卡次数公式为=IF(COUNTIF(H2:L2,"<=08:30")>1,COUNTIF(H2:L2,"<=08:30")-1,0),即判断只要在08:30(包含)之前打卡次数大于1就有重复,此时返回在08:30(包含)之前的打卡次数减1(上午有效的重复打卡计数),否则返回0,也就是上午并没有重复打卡。下午16:00之后的重复打卡亦是同理,具体公式为IF(COUNTIF(H2:L2,">=16:00")>1,COUNTIF(H2:L2,">=16:00")-1,0)。

Step 2:计算出P列当天有效的打卡次数,具体公式为=COUNTIF(H2:L2,"<=08:30")+COUNTIF(H2:L2,">=16:00")-N2-O2,即统计出全天合乎条件的打卡次数,减去上午和下午的重复次数。

Step 3:利用公式的复制,向下拖动填充柄,判断每条记录中当天有效的考勤次数。

Step 4:最后根据个人唯一的ID号,用数据透视表(将“姓名”拖至行字段,“全天有效打卡”拖至列字段)统计出当月个人的有效打卡次数。

4 小结

指纹预处理 篇5

目前,采用溶剂型的涂料涂覆金属表面存在环境污染问题,水性涂料因其良好的环保性能和经济效果得到了迅速发展。但是,由于不锈钢、铝等表面很容易钝化,水性涂料在其上很难均匀成膜。为此,研究者们不断努力寻找一种能增强水性涂料与基底结合力并提高涂装性能的手段,如在钝化的镁合金表面通过设置中间植酸层,使镁合金基体与有机涂层的结合力及耐蚀性能得以提高[1]。植酸(肌醇六磷酸酯)为天然无毒有机磷酸化合物,有6个不共面的磷酸酯键,能和大多数金属离子配位,是一种很好的稳定剂和桥接剂[2,3];植酸还具有水溶性、成膜性和缓蚀作用,使其在水性防腐蚀涂料涂装中得到了一定应用。目前,不锈钢耐指纹处理中还鲜见应用水性涂料的报道,也未见以植酸作桥连剂的报道。为此,本工作利用植酸与金属表面化学反应能力强及与有机涂料相容性好的特点,将植酸作为中间桥连剂,探讨了植酸桥接430不锈钢基板与有机硅改性丙烯酸型水性耐指纹涂料的工艺及其结合性能。

1 试 验

1.1 基材前处理

430型不锈钢的化学成分见表1,试样尺寸为50 mm×100 mm×0.5 mm。将试样机械抛光→碱洗除油(40 g/L NaOH,30 g/L Na3PHO4 ,1 mL/L OP-10,70~80 ℃,10 min左右)→去离子水清洗→自然晾干后备用。

1.2 植酸转化液及水性涂料的配制

配制浓度为0.01 mol/L的植酸水溶液作为自组装液(pH值为0.96)。

涂料的配制:在装有搅拌器、滴液漏斗、冷凝管的250 mL四口烧瓶中加入25 mL环氧树脂和1 ∶1的乙二醇甲醚与1-甲氧基-2-丙醇的混合溶剂,加热升温至110 ℃,当投入的环氧树脂充分溶解后开动搅拌,2.5 h内匀速滴加24 mL丙烯酸、24 mL丙烯酸丁酯、24 mL苯乙烯、1.0 g引发剂过氧化苯甲酰、1-甲氧基-2-丙醇和乙二醇甲醚的混合溶液,升温至118 ℃,继续保温反应2.5 h,然后降温至50 ℃,加入N-N-二甲基乙醇胺和去离子水的混合溶液中和,搅拌下继续反应30 min,然后加入一定量的硅烷偶联剂KH-550于50 ℃恒温反应60 min。加水高速分散制成乳液。将有机硅改性丙烯酸乳液与顔料氧化铁红按15 ∶1的比例分散混合,加入6%植酸溶液作为钝化剂,溶剂为去离子水,充分搅拌,即得到黏度适中的耐指纹涂料。

1.3 植酸转化及涂层涂覆

将前处理的试样在植酸自组装液中浸泡处理30 min后涂覆耐指纹涂料。涂覆涂层时,使用小型涂辊,将经转化处理、表面干燥的不锈钢试片平放于台面上,用滴管在其上部均匀滴下一排耐指纹涂料,将清洗干净、表面干燥的涂辊放置于耐指纹涂料上,两手执涂辊两端,用中等力量沿不锈钢表面匀速拉下,即完成涂覆。待涂层自然晾干后用电热鼓风干燥箱烘干,温度160 ℃,时间30 min,最后将试样自然冷却后备测。

1.4 测试表征

采用VERTEX 70型傅里叶变换红外光谱仪分析430不锈钢植酸转化前后的表面化学成分,波数为550~4 500 cm-1,分辨率为2 cm-1。

采用DSA 100型表面接触角测试仪测试超纯水在处理后的不锈钢试样表面的接触角。

采用划格法,依据ASTM D3359-90标准(该标准在工程中应用较多)测试涂层与基体的结合力。

采用CS-350型电化学工作站进行动电位扫描和阻抗谱测试。以430不锈钢为工作电极,甘汞电极为参比电极,铂电极为辅助电极;动电位扫描范围为-500~500 mV,扫描速度为1 mV/s;电化学阻抗谱在开路电位下测量,交流振幅为10 mV,频率扫描范围为1.0×(10-2~105) Hz。测试介质为3.5%NaCl溶液,温度为室温。

2 结果与讨论

2.1 红外光谱

图1为430不锈钢植酸转化前后的红外光谱。由图1可知:430不锈钢表面植酸转化膜中3 293 cm-1处存在O-H,2 924 cm-1处存在C-H,1 019 cm-1处存在(OH)3P=O等官能团,说明不锈钢基材与植酸发生了桥接作用;O-H的存在说明植酸分子还有大量未电离和未参与反应的自由羟基存在。

植酸是一种多元中强酸,在溶液中可进行不同程度的电离,形成带不同数量负电荷的植酸根离子,同时释放出大量的水合氢离子。由于溶液中的植酸根带负电荷,并且具有6个磷酸基,每个磷酸基中的氧原子都可以作为配位原子和金属离子进行螯合,因而其极易与金属表面呈正电性的金属离子结合,在金属表面形成植酸盐,而氢离子则得到电子生成氢气[1]。

2.2 接触角

水滴在植酸转化处理前后的不锈钢试样表面的接触角分别为75.5°,45.2°,可知经过植酸处理后的接触角更小,表面具有很好的亲水性,这是由于植酸自组装膜表面富含大量羟基官能团所致。

2.3 漆膜结合力

430不锈钢未经植酸处理直接涂覆涂层时的结合力为3级,而植酸处理后与涂层的结合力为0级,可见经过植酸桥接处理后与涂层的结合力大大提高。这是因为植酸处理后,金属表面形成的单分子有机膜层和有机涂层具有相近的化学性质,膜层中含有的羟基和磷酸基等活性基团与有机涂层易发生化学作用,金属表面与有机涂层有着很强的粘接能力,从而提高了金属的耐蚀性能。

2.4 电化学行为

2.4.1 动电位

图2是不锈钢电极的极化曲线,对极化曲线数据进行线性拟合得出的结果见表2。其中Rp为极化电阻,J0为自腐蚀电流密度,E0为自腐蚀电位。由此可知,经过植酸处理后不锈钢的试样Rp值明显大于空白试样和未植酸处理直接涂覆试样的;植酸处理后涂覆与直接涂覆相比,试样的电流密度降低,但自腐蚀电位增大,说明植酸处理后涂覆有机涂层的不锈钢耐蚀性更佳。

2.4.2 交流阻抗谱

图3是3种不锈钢试样在3.5%NaCl溶液中的Nyquist谱。其中,植酸处理后涂覆涂层的试样Rp最大,说明其耐蚀防护性能最好,这与动电位扫描结果一致。

3 结 论

经植酸转化处理后,不锈钢基体与植酸发生了桥接,与水的接触角更小,具有很好的亲水性,与水性涂料结合良好,从而提高了不锈钢的耐蚀性能。植酸对环境友好,在金属防护领域中具有广阔的应用前景。

参考文献

[1]崔秀芳.AZ91D镁合金植酸转化膜研究[D].哈尔滨:哈尔滨工程大学,2008:21～22.

[2]郭小玉,王娜,杨海峰.基于植酸胶束制备纳米金及其SERS特性研究[J].上海师范大学学报,2011,40(5):495～498.

指纹预处理 篇6

关键词：指纹特征,手指乳突线花纹类型,终生不变

在指纹检验和指纹鉴定中, 经常发现现场指纹与捺印指纹存有差异的现象。差异常出现的情景是现场指纹或捺印指纹出现疤痕、皱纹、乳突线断线、乳突线缺损、纹线粗糙、汗孔位置偏移、汗孔边沿缺损、乳突线变细、犁沟变宽……。

2005年10月25日在一起盗窃案的指纹鉴定中, 发现现场指纹与犯罪嫌疑人XXX的指纹同一, 但存有差异。差异是犯罪嫌疑人XXX的捺印指纹乳突线发生了变化。指纹乳突线出现脱皮、皱纹、乳突线缺损、断线反应。但指纹的特征总和与指纹的特定性没有发生变化, 可认定同一。

依据指纹人各不同、各指不同、终身不变的特性。指纹终生不变是针对指纹特征总和而言的, 即指具体指纹的特定性而言。是指手指乳突线花纹类型、具体形态、各个细节特征的形状、数量、位置、和相互关系所构成的特征综合始终不变。事物的特定性和稳定性是自然界和人类社会的普遍规律。指纹终生不变, 是这个普遍规律的一个具体表现。指纹终身不变的一个重要原因在于表皮和真皮组织的生理功能的特点。真皮组织的真皮乳突层, 在正常的内分泌控制下, 表现出极为稳定的状态, 成纤维细胞无增殖功能, 因而乳突层不改变其形态, 乳突层的乳突线花纹结构亦不会改变。由于真皮乳突线花纹的稳定性, 因而覆盖、嵌入真皮乳突上的表皮指纹, 也就不改变其结构, 显示出纹型、形态和纹线细节特征的稳定性。真皮结缔组织无增殖功能, 只起支撑作用, 使其真皮乳突具有稳定性。这是指纹终身不变的极其重要的原因。当然真皮乳突层不是绝对不变的。当内分泌发生变化, 或者某些疾病, 会引起真皮乳突层的纤维细胞出现增殖。局部的乳头增殖, 对于指纹无影响, 仅会对乳突层的局部、小范围、个别特征, 引起一些新的细小变化。在这里有必要指出指纹“不变”的相对性。正如终身不变定义所述的, 指纹终生不变是针对指纹特征总和而言的, 即指具体指纹的特定性而言。唯物辩证法认为, 物质的运动是永恒的, 绝对的, 运动是物质存在的形式。物质的运动反映为量变到质变, 质变到量变。量变过程中, 事物的性质处于相对静止状态。因其处于相对静止状态, 所以能为人们所认识。所说指纹终身不变就是指的指纹的相对静止性。从指纹形成胚胎期到人的出生, 再经人生的各阶段、直至死亡之后高度腐败, 指纹完全消失为止的全过程中, 指纹终身不变就具有相对性。可见指纹是在变化中长成的。出生后, 纹线逐渐长大, 到老年又逐渐萎缩变细。死后又腐烂消失。这说明指纹经历着量变——质变的过程。指纹的质变阶段, 对指纹宏观特征和微观特征都发生决定性作用。这俩种质变对于鉴定是无意义的。对指纹鉴定有重要意义的时, 是人出生至死后尸体腐烂前这一阶段的变化;指纹局部小范围内、个别特征、引起一些新的细小的变化;特殊情况下指纹全局范围内特征的变化。

指纹特征变化有生理变化、病理变化、严重外伤三种情况。

事实证明当人处在青壮年时期, 手指由于肌肉丰满, 皮肤弹性大, 乳突线间的距离小。但到了一定的年龄阶段, 因为生理机能开始衰退, 手指皮肤皱缩, 纹线变细, 犁沟增大。从指纹形成之日起纹线的粗细和光滑程度, 处于不断的变化之中。可是, 从指纹的宏观特征来讲, 纹线密度、光滑程度的变化。这好比一个人的外貌照片由一寸放大到五寸, 同样是一个人那样, 只是大小的变化。光滑程度的变化, 虽然对指纹宏观特征无影响, 但对指纹的微观特征——汗孔特征的影响是很大的。纹线光滑程度的改变, 直接因素之一是汗孔位置的偏移。汗孔由乳突线的中央移至乳突线的边沿部分, 形成乳突线的缺损, 其纹线印痕反映为不光滑, 变得粗糙。汗孔位置偏移的结果, 还改变了部分汗孔的原有形态, 形成汗孔边沿缺损。汗孔位置和形态的改变, 是真皮乳突层和表皮生理改变引起的。到了一定年龄的阶段因为生理机能开始衰退, 手指皮肤皱缩, 纹线变细, 犁沟增大, 因此真皮层比较细小的的乳头形态即显露出来。由此可见, 指纹终生不变, 是说的指纹特征总和关系不变, 至于汗孔特征, 则不是终生不变的, 有些汗孔的位置和形态会发生一些变化。这种纹线形态的局部变化, 并不改变指纹的原有结构, 不改变指纹特征的总和关系。

指纹的病理变化, 溃疡为表皮以至真皮组织的溃烂所致的组织缺损, 愈后留下大片瘢痕, 原有的乳突线花纹结构遭受不同程度的破坏。萎缩为发育正常的皮肤各层或各层组织的细胞缩小或减少。表皮萎缩多由上皮细胞减少造成。表皮仅留下很少的一层细胞, 乳突线消失, 皮肤扁平、变薄。真皮萎缩是整个真皮组织厚度减小。坏死是皮肤部分组织或细胞死亡。造成指纹结构彻底破坏, 呈现一片颗粒状区域。增值是由于同化作用增强而引起结缔组织的增加。乳头向上增值, 使皮肤高低不平。皮肤病变会使皮肤溃疡、组织坏死、表皮或真皮萎缩, 使指纹局部或全部消失, 不得复生。外伤引起的指纹特征改变, 有局部的或全部性的。如伤及真皮乳突层, 结缔组织受到破坏, 汗腺也将受到破坏, 从而破坏了指纹结构。指纹大面积的病变、损伤, 其瘢痕表面光滑, 没有或缺少乳突线。所属汗腺也减少或者消失。这种大面积的指纹病变和外伤, 而且是本质的全局性的根本改变。可是对于全部手指手掌的乳突线花纹结构来说, 仍然是局部范围的改变, 是手指手掌的乳突线花纹量变中的一种质变。所以说这种改变现象同指纹终身不变的特性是没有冲突的。

至于小面积的或者线状的表皮浅层的炎症和外伤, 愈后表皮指纹仍可因生长层细胞分裂而得到复原。伤及真皮, 部分乳突头破坏, 当缔结组织重新弥合后, 将导致表皮指纹受伤处的乳突线向着伤口中心聚集, 改变伤口附近乳突线流向和伤口处原有的乳突线细节特征, 从而形成疤痕。这种小范围的损伤, 不但不会造成指纹全局性的特征变化, 反而以其疤痕的位置、形态、大小的特征, 补充道原有的特征关系中去。疤痕一经形成, 也具有终生不变的性质。综上所述, 指纹具有各人各指不同和终生不变的基本属性。这两大属性构成了指纹学的生理学基础。它为指纹特征的应用, 提供了科学依据。

参考文献

[1]弗朗西斯.高尔顿.指纹学.