一种基于采样直线组的局部纹线周期估计方法
线性组合采样法SPWM新技术
线 性 组 合 采 样 法 Ｓ ＷＭ 新 技 术 Ｐ
王 榕 生
（ 州 大学 电气工程 与 自动化 学 院，福 建 福 州 ３ ０ ０ ） 福 ５ １ ８ 摘 要 ： 对 不对称规 则采 样 法 Ｐ 针 ＷＭ 采样 次数 多、 占用微 处 理 器资 源 大 的 问题 ， 出了一种 线 性组 提
术 在不对 称 规 则 采样 Ｐ ＷＭ 基 础 上 将 调 制 波 变
为基 波 与 三 次 谐 波 的 叠 加 ， 结 果 不 仅 降 低 了 其
Ｔ Ｄ， 使 电压 利 用 率 提 高 ２ ％ ， 保 持 了 调 制 度 Ｈ 还 ０ 并
肘 与输 出 电压基波 之 间 的线 性关 系 ， 该方 法 所 涉 但
称规 则 （ ｓｍ ｅｒ ｅｕａ ａ ｐｅ ＷＭ） 样 法 。 ａｙ ｍ ｔｃｒｇ ｌ ｓｍ ｌ Ｐ ｉ ｒ ｄ 采
ｔ ＝ （ 。 珊 １一Ｍｓ ｔ １ ｉｏ ） ｎｔ
ｔｌ ＝ ｏｌ ２
（） １
≥ —ｓ（ ） 【 Ｍｔ 】 ｉ ¨≥ ｎ ａ
ｔｎ ｏ ｔ ． ＋ ｔ ｎ ｏ１ ｏ２
的谐 波 ， 特别 在载 波 比 Ｊ 取 值 较低 的情 况下 具 有 显 ７ 、 ｒ 著意 义 ， 但该 方法 涉及求 解三 角 函数超 越方程 ， 以 难
用 于 实 时 控 制 ； 优 化 （ ｕ ｏ ｔ ａ ）的 Ｐ 准 ｓｂ ｐｉ １ ｍ ＷＭ 技
２ 不 对 称 规 则 采 样 法 的 基 本 原 理 与 特 点
Ｐ ＷＭ 波形 的 目标 。但 如何 在 不 增 加 开关 损 耗 的前
提 下最 大 限 度 地 消 除 电 压 谐 波 以 降 低 Ｔ Ｄ（ｏａ Ｈ ｔ ｌ ｔ ｈ ｒ ｏ ｉ ｖｌ ｇ ｉ ｏ ｉｎ 成 为研 究 热 点 ， 间提 出 ａｍ ｎｃ ｏ ａｅｄｓ ｒｏ ） ｔ ｔｔ 其 了各 种 优 化 Ｐ ＷＭ 控 制 技 术 ¨ 。 其 中 消 除 谐 波 Ｓ Ｅ ＷＭ 法能 够 消 除对 电动 机 电 流 和 转矩 影 响 大 Ｈ Ｐ
掌纹诊病的精细纹路识别与提取方法
掌纹诊病的精细纹路识别与提取方法根据掌纹中特征的表示以及匹配方法, 可大致将掌纹识别方法分为四个类别, 分别是基于结构的方法、基于统计的方法、基于子空间的方法和基于编码的方法. 此外, 我们还列出了一些不属于这些类别的方法.2.1 基于结构的方法基于结构的方法主要是指利用掌纹中主线和皱褶的方向和位置信息实现掌纹识别的方法. 这一类的方法主要由两部分组成: 1) 提取掌纹中的纹线特征; 2) 纹线特征的有效表示和匹配. 线特征的有效表示主要是指便于匹配, 并且占用尽可能少的存储空间. 对于特征的提取, 较多使用的是各种线检测算子以及边缘检测算子; 对于特征的表示, 主要是采用直线段或特征点代替掌纹纹线; 而特征的匹配大多采用特征点之间的欧氏距离或Hausdor® 距离, 以及用于线段匹配的Hausdor® 距离等.2.2 基于统计的方法基于统计的方法是指利用掌纹图像的重心、均值、方差等统计量作为特征的识别方法, 可进一步分为基于局部统计量和全局统计量的方法. 其中基于局部统计量的方法需要将图像分成若干小块, 之后统计每块的均值和方差等统计信息, 最后连接为表示整个掌纹的特征向量; 而基于全局统计量的方法则直接计算整个图像的矩和重心等统计信息作为掌纹的特征. 匹配时, 一般采用矢量比较时常用的相关系数、一阶范数或欧氏距离.2.3 基于子空间的方法子空间方法将掌纹图像看作是高维向量或矩阵,通过投影或变换, 将其转化为低维向量或矩阵, 并在此低维空间下对掌纹表示和匹配. 根据投影或变换的性质, 子空间方法可以分为线性子空间方法和非线性子空间方法. 目前应用较为广泛的是线性子空间方法, 主要包括独立成分分析(Independent component analysis, ICA)、主成分分析(Principal component analysis, PCA)、线性判别分析(Lineardiscriminant analysis, LDA) 等. 与前两类方法不同, 基于子空间的方法大都需要对每个类别的掌纹图像构造训练集, 在该训练集上计算最优的投影向量或矩阵, 并将投影后的向量或矩阵作为该类掌纹的特征. 在识别阶段, 首先对待测掌纹图像作相同投影或变换, 之后采用最近邻或最近特征线(Nearestfeature line, NFL) 分类器分类. 基于子空间的方法已成功地应用于人脸识别, 移植到掌纹识别后也取得了很好的效果.2.4 基于编码的方法基于编码的方法是指先用滤波器对掌纹图像滤波, 之后根据某些规则将滤波后的结果进行编码的方法. 通常特征都按照比特码的形式存储, 对得到的特征码多采用二进制的\与" 或者\异或" 计算相似度. 该类方法主要包括三个核心部分: 滤波器的选择(Gabor, 高斯, 高斯的导数), 编码规则(最大值, 序数关系), 以及匹配方式(点对点, 点对区域).总的来说, 基于结构的方法识别精度低, 特征所需的存储空间大, 而且匹配速度慢; 基于编码的方法识别精度高, 特征小, 而且匹配速度快, 是各类方法中最具有优势的一类;而基于统计的方法和基于子空间的方法的识别精度和识别速度介于两者之间.下面介绍几种识别方法：一、《Latent Palmprint Matching》提出的潜掌纹(Latent palmprint) 识别方法针对部分掌纹与全部掌纹间匹配的特点, 提出了以细节点码(Minutia code)作为局部特征, 先进行局部匹配, 再进行全局匹配的方法.二、《基于非采样Contouriet变换与局部二值模式的掌纹特征提取》提出了一种对掌纹图像的平移、旋转和光照鲁棒的掌纹识别算法，即基于非采样的Contourlet与L即结合的掌纹特征提取算法。
N 型Ni 基SiC 欧姆接触比接触电阻的精确求解
2008 年 10 月 第 35 卷 第 5 期
西 安 电 子 科 技 大 学 学 报( 自 然 科 学 版) JOURNAL OF XIDIAN UNIVERSITY
果 ,从而更加精确的计算比接触电阻 ρC .
3 模拟结果和实验结果的比较及讨论
Ni 金属在合金化退火的过程中与 SiC 反应形成 Ni 硅化物 ,其界面为非突变界 面 ,因此界面 的势垒高 度
较难测量 ,且受到工艺条件的影响而结果分散性较大 .如果采用 Ni 硅化物与 SiC 形成欧姆接触 ,可以得到突
传统的比接触电阻公式是采用 WKB 近似计算隧穿几率 ,并将 根据费米-狄 拉克分 布函数得 到通过势 垒 的电流密度 J 的表达式中的被积函数在峰值附近做泰勒展 开得到 的 .笔者通过 求解一 维定态薛 定谔方程 的 方法得到了电子通过三角形势垒的隧穿几率 ,进而得到了比接触电阻 ρC ,并针对 N 型 Ni 基 SiC 欧姆接触的 实验结果进行了计算比较 .
A* T kB
∞ 0
D( Ex ) ln
1 + exp - qΦn - Ex kB T
1 + exp - qΦn + Ex + qV
dEx
,
(1 0)
kB T
其中 A* ,kB ,T 分别表示有效理查森常数 ,玻尔兹曼常数和绝对温度 .当积分限取 0 到 q(VD -V) 时积分结果
844
西 安电 子 科 技 大 学 学 报 (自 然 科 学 版 )
遥感图像的非线性配准方法
遥感图像的非线性配准方法引言：遥感技术的快速发展使得获取大量高分辨率的遥感图像数据成为可能，但这也给图像处理和分析带来了一定的挑战。
其中一个重要的问题是如何进行图像配准，即将不同时间或不同位置拍摄的图像进行准确对齐。
线性配准方法在某些情况下效果不佳，而非线性配准方法则可以更好地应对这些挑战。
本文将介绍一些常见的非线性配准方法及其原理。
一、弹性体变换方法弹性体变换方法是一种常见的非线性配准方法，其基本原理是利用弹性体理论对图像进行变形。
该方法通常将图像变形表示为一组局部形变场，并通过迭代计算来最小化目标函数以达到最佳配准效果。
这些目标函数可以基于图像之间的像素灰度差异或基于特征点的相似性度量。
弹性体变换方法在医学影像、地质勘探和农业监测等领域得到广泛应用。
二、局部特征匹配方法局部特征匹配方法是一种基于特征点的非线性配准方法，其主要思想是在图像中提取出一些具有唯一性和稳定性的特征点，然后通过寻找这些特征点之间的相应关系来实现图像的配准。
这些特征点可以是角点、边缘点或纹理点等。
常见的局部特征匹配算法有SIFT（尺度不变特征变换）、SURF（加速稳健特征）、ORB（旋转不变的二值特征）等。
这些算法能够在图像发生旋转、缩放和投影变换等情况下保持特征点的稳定性，从而实现准确的非线性配准。
三、基于变形网格的方法基于变形网格的方法是一种常见的非线性配准方法，其基本思想是在图像上定义一组具有拓扑和几何关系的网格，然后通过调整网格节点的位置来实现图像的配准。
该方法适用于图像存在大量非线性变形的情况，例如遥感图像在不同季节或观测角度下的变化较大。
变形网格方法可以在保持网格拓扑不变的情况下改变网格节点及其周围像素的位置，从而实现对整个图像的非线性变形。
在实际应用中，通常使用贝叶斯推断或最小二乘法来优化变形网格。
四、多尺度配准方法多尺度配准方法是一种有效的非线性配准方法，其主要思想是利用图像的多个尺度表示来实现更精确和鲁棒的配准效果。
一种基于局部信息的脸部特征定位方法.
一种基于局部信息的脸部特征定位方法脸部特征定位，即在图像或图像序列的给定区域内搜索部分或所有人脸特征(如眼、鼻、嘴、耳等)的位置、关键点或轮廓线。
其中包括眼睛、鼻子、嘴巴、下颌、耳朵以及人脸外轮廓等所有需要提取特征点的位置。
脸部特征定位可以为人脸识别、姿态表情分析、人脸跟踪等研究工作提供重要的几何信息，特征定位的准确与否直接关系到后续应用的可靠性因而具有举足轻重的地位。
ASM(Active Shape Models)是基于几何形状信息的方法之一，由脸部特征定位，即在图像或图像序列的给定区域内搜索部分或所有人脸特征(如眼、鼻、嘴、耳等)的位置、关键点或轮廓线。
其中包括眼睛、鼻子、嘴巴、下颌、耳朵以及人脸外轮廓等所有需要提取特征点的位置。
脸部特征定位可以为人脸识别、姿态表情分析、人脸跟踪等研究工作提供重要的几何信息，特征定位的准确与否直接关系到后续应用的可靠性因而具有举足轻重的地位。
ASM(Active Shape Models)是基于几何形状信息的方法之一，由Cootes等于1992年提出。
它采用点分布模型(Point Distribution Model，PDM)描述形状变化，另一方面计算各特征点法线方向上灰度值的一阶偏导，并建立局部纹理模型。
在搜索时通过纹理模型得到当前点的最佳匹配位置，然后调节形状模型，最终达到对特征的精确定位。
由于匹配准则的问题ASM容易陷入局部极小点，对于初始位置要求比较高。
Wiskott等将Gabor小波用于人脸识别领域，提出了弹性图的概念并用于脸部特征的定位。
该方法可以适用于一定程度的姿态及表情变化，实践证明是有效的。
由于该方法在搜索时需要在整幅图上寻找特征点的最佳匹配位置，这一过程十分费时，计算量也很大。
Jiao等使用Gabor小波提取局部纹理特征，Gabor特征的幅值与相位包含了丰富的人脸局部纹理信息，在搜索时可以提供指导。
由进一步的研究分析可知，不仅特征点的Gabor系数特征包含局部纹理的有用信息，特征点周围邻域中各点的Gabor系数特征也是很有用的。
基于局部纹理保留的图像降噪方法
基于局部纹理保留的图像降噪方法王文宁【摘要】Based on the analysis of time domain and frequency domain of the image, the image edge is found in high frequency characteristics of perpendicular to the gradient direction, and in parallel to the gradient direction of low-frequency characteristics. Therefore, this paper designs a method of preserving local texture based on frequency domain, which preserves the edge information, and can remove Guass noise very well.%通过对图像时域和频域的分析发现，图像的边缘在垂直于梯度的方向呈现高频特性，而在平行于梯度的方向呈现低频特性，因此，设计一种基于频域的局部纹理保留方法，很好地保留了边缘信息，同时能够很好地滤除高斯噪声。
【期刊名称】《微型机与应用》【年(卷),期】2014(000)009【总页数】4页(P36-38,41)【关键词】频域变换;图像降噪;高斯噪声;局部纹理【作者】王文宁【作者单位】山东农业大学信息科学与工程学院，山东泰安 271018【正文语种】中文【中图分类】TN911.73图像降噪[1-3]是通过减少噪声所带来的图像质量下降而增强图像质量的方法，可以使图像更适合进一步的图像处理。
图像降噪的主要难点是噪声与边缘点难于区分，因为噪声和边缘无论从空域还是频域上都难以找到适合分割的特征。
传统的降噪方法总是试图在图像降噪和图像细节信息保留之间采取有效的折衷方法。
晶圆量测采样预测算法
晶圆量测采样预测算法晶圆量测采样预测算法是指根据已有的部分晶圆量测数据，通过分析和预测，得出没有进行量测的晶圆属性的一种算法。
该算法在半导体制造过程中非常重要，可以帮助生产商在减少测试时间和成本的同时，确保产品的质量和一致性。
晶圆量测是指对晶圆上的电气和物理属性进行测试和测量，以确定其质量和性能。
晶圆量测数据包含了各种关键参数的数值，如电阻、电流、电容等。
这些数据用于判断晶圆是否符合规范和要求，并为后续加工提供依据。
1.数据采集和预处理：首先，需要采集一定数量的晶圆量测数据，并进行预处理。
预处理的目的是去除异常值、噪声和无效数据，以保证数据的有效性和准确性。
2.特征提取和选择：在预处理后，需要对数据进行特征提取和选择。
特征是指用于描述晶圆属性的重要信息，可以通过统计、频域分析、小波变换等方式提取。
特征选择是从提取的特征中选取最具代表性和区分性的特征，避免冗余信息。
3.模型建立和训练：在特征提取和选择后，需要建立预测模型。
常用的模型包括回归模型、神经网络、决策树等。
模型的选择要根据具体情况和数据特点，保证预测的准确性和可靠性。
建立模型后，需要使用已有的晶圆数据进行训练，调整模型参数，提高预测的准确度。
4.模型评估和优化：训练完模型后，需要对模型进行评估和优化。
评估的方法包括交叉验证、均方误差、相关系数等。
通过评估，可以衡量模型的性能和准确度。
如果模型的预测效果不理想，可以通过调整模型参数、增加特征数量等方式进行优化。
5.预测和应用：模型评估合格后，可以用于预测未量测晶圆的属性。
预测结果可以帮助生产商根据预测值对生产工艺进行调整，减少测试时间和成本，提高生产效率和产品质量。
晶圆量测采样预测算法的优势在于能够减少实际量测的时间和成本，同时确保产品的质量和一致性。
通过分析已有的晶圆数据，预测未量测晶圆的属性，可以减少对晶圆的实际测试，并提前发现可能存在的问题和风险。
这对于半导体制造过程中的故障分析、质量控制和周期管理都具有重要意义。
扫描点云的一种自动配准方法
扫描点云的一种自动配准方法一、引言- 点云配准在计算机视觉和三维成像领域中具有重要意义- 配准点云是指将不同角度、不同位置、采样密度不同的点云数据进行对齐- 自动点云配准算法的发展对实时性和准确性的需求不断提高二、相关工作- 常见的点云配准算法：ICP、局部特征描述符方法、全局特征描述符方法、基于几何约束的方式等- 自动点云配准算法的研究现状和发展趋势三、自动配准方法- 基于深度学习的自动点云配准算法- 利用卷积神经网络实现点云特征提取和配准- 结合生成对抗网络实现点云的形变和变换- 基于迭代最近点（Iterative Closest Point，ICP）的自动点云配准算法- 利用ICP算法进行初步的配准- 通过迭代自适应降采样和ICP算法不断优化配准结果四、实验结果与分析- 对多组点云数据进行自动配准操作，分别采用基于深度学习和ICP的方法进行比较- 评价配准的准确性和效率- 分析实验结果和不同算法的优劣五、结论和展望- 基于深度学习和ICP的自动点云配准算法在不同场景下具有优势- 发展自适应的点云配准算法，提高点云配准的准确性和鲁棒性- 将自动点云配准算法应用于实际场景，解决实际问题一、引言随着计算机视觉和三维成像技术的不断发展，点云数据的应用越来越广泛。
然而，点云数据的不同来源、不同采样条件和不同采样密度等问题，使得点云数据之间存在着不同的姿态和位置。
因此，在很多应用场合中，需要将这些点云数据进行对齐，以便进一步处理和分析。
点云配准是指将不同角度、不同位置、采样密度不同的点云数据进行对齐。
点云配准的目标是发现并利用由多组点云特征多样化而导致的信息差异，以确定它们的姿态、位置和其它变换关系，使它们能够互相重叠。
点云配准在很多领域中都具有重要的应用价值，如机器人导航、三维重建、虚拟现实、医学影像等等。
然而，传统的点云配准方法需要手动或半自动地选择和提取特征，不仅耗费大量的时间和劳动力，而且还受到操作者专业知识和经验的限制。
SAR图像处理
SAR图像处理班级：学号：姓名：一：SAR图像概述：SAR是一种可成像的雷达，它所用的雷达波段大约是300MHz到30GHz。
比如一般用的波段是1~10GHz的合成孔径雷达，大气对这种波段的影响不大。
也就是说如果天上有一个合成孔径雷达卫星，白天黑夜、大气的云雾雨雪等天气变化对雷达看到的结果影响甚微，可忽略不计。
所以合成孔径雷达是一种全天时、全天候的雷达，它所成的图像就是SAR图像了。
SAR图像的场景和照相机拍出来的场景类似，只不过波段不同看到的事物也不一样。
SAR都是斜视的，而光学的可以垂直照射。
二 SAR图像成像原理雷达是通过发射微波，接收地面目标反射的回波来获得信息的一种主动微波遥感，而且主要采用侧视雷达。
侧视雷达的工作原理是把天线安装在飞行器的侧面，在垂直于航线的一侧或两侧发射雷达波束，这个波束在航向上很窄，在距离向上很宽，覆盖了地面上一个很窄的条带，随着飞行器向前移动，不断地发射这样的波束，并接收相应的地面窄带上各种地物的回波信号。
这样，雷达波束在目标区域上扫过，获得该地区的连续带状。
平行于飞行航线的方向称为方位向，垂直于航线的方向称为距离向。
图像的灰度与后向散射波强相关，反映地表的粗糙性、介电常数等性质。
侧视雷达又可以分为真实孔径侧视雷达和合成孔径侧视雷达。
真实孔径雷达是一种以天线的真实孔径工作的侧视雷达，这种雷达的方位向分辨率比较低，要提高方位向分辨率，只有加大天线的孔径，尽量缩短观测距离和采用较短波长的电磁波，但是在实际应用中，这些办法受到很多因素的限制，因此要想进一步提高方位向分辨率，往往采用合成孔径技术。
合成孔径雷达（SAR）作为一种高分辨成像雷达，其基本思想是：将同时处于天线主波束内的真实孔径雷达不能区分的多个目标的多普勒频率和相位同时加以记录和处理，然后再根据多普勒频率和相位的不同来识别相邻的目标。
也就是说，利用飞行器的移动，将真实孔径雷达的小天线依次携带到相应于线性天线阵列的各个阵元应该放置的位置上，而在每个位置上发射一个雷达信号并接收其回波加以存储，当发射单元移动一个波束宽度的距离后，存储的信号与一个实际线性天线阵诸阵元所接收到的天线信号非常相似。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ＶＯ ． ９ Ｎｏ １ Ｉ２ ． Ｍａ ． ２ ０ ０ ６ ｒ
一Leabharlann 种基 于 采样 直 线 组 的局 部 纹 线 周期 估 计 方法
孙俊喜 ，孙 忠森 ｒ ，向长波 ，宋健 中
（．中国科学 院长春光学精密机械与物理研 究所 ，１０３ ； ． １ ３０３ ２ 长春理工大学 电信学院 ，长春 １０２ ） ３０２
维普资讯
第２ ９卷第 １期
２００６ 年 ３月
长春理 工大 学学 报
Ｊｕ ｎ ｌｏ ａ ｇ ｈ ｎ Ｕｎｖ ｒｉ ｆＳ ｉｎ ｅａ ｄ Ｔ ｃ ｎ ｌｇ ｏ ｒａ ｆＣｈ ｎ ｃ ｕ ｉｅｓｔ ｏ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ｙ
Ｓ Ｎ Ｊ ｎ ｉ ， Ｓ Ｎ ｈ ｎ ｓ ｎ Ｘ ＡＮ Ｃ ａ ｇ ｏ ． Ｓ Ｕ ｕ ｘ Ｕ Ｚ ｏ ｇｅ ， Ｉ Ｇ ｈ ｎ ｂ ＯＮＧ Ｊ ｎ ｈ ｎ ｉ ｚ ｏ ｇ ａ
（ ． ｈ ｎ ｃｕ ｓｔｔ ｏ ｐｉＦｎ ｅｈ ｎ ｓａｄＰ ｙｉ ，Ｃ ａｇｈ ｎ １０ ３ １ Ｃ ａｇｈ ｎＩ ｔｕ ｎ ｉ ｅ ｆＯ ｔ ｉ ｍ ｃａ ｉ ｎ ｈｓ ｓ ｈ ｎ ｃｕ ３０ ３ ｃ ｅ ｅ ｃ ２ Ｃｌｇ Ｅｅｔ ｎｃ ａ ｄＩ ｏｍ ｔ ｎＥ ｇｎｅ ｎ ，Ｃ ａｇｈ ｎＵ ｉ ｒｔ ｏ Ｓ ｉ ｃ ｎ ｅ ｎｌ ｙ Ｃ ａｇｈ ｎ １０ ２ ） ． ｏｌ ｅ ｌ ｒ ｉ ｎ ｆｒ ａｉ ｎ ｉ ｄ ｇ ｈ ｎ ｃｕ ｎｖ ｓｙｆ ｃ ｎｅａｄＴｃ ｏ ｇ ， ｈ ｎ ｃｕ ３０ ２ ｅ ｏ ｃｏ ｓ ｆ ｎ ｏ ｅ ｅ ｉ ｅ ｈ ｏ
线周期为参数来设计滤波器 ；有的纹线跟踪算法要
纹线周期是指纹的重要特征 ，许多指纹图像处 理算法都要用到它。如有些指纹分割算法要以纹线
周期来 区分前景 和背 景 ；有 的纹线 增 强算法 要用纹
计 方 法可 以归结 为 两 类 （ ）基 于 整 幅 图象 的纹 线 １ 周 期估计 方 法 ¨ Ｊ （ ） 基 于 图 象 区域 的局部 纹 。 ２ 线 周期 估计方 法 Ｊ 由于基 于整 幅 图象 的纹 线周 。
摘 要 ：利 用一组平行 采样 直线。计算局部 纹线周期 。首 先将 整幅 图像 分块 ，在 每个块 内，做和块 纹线方 向垂 直 的一组平行采样直线 ，然后 对每 条直线上 的像 素二值化 ，通过此直 线上纹脊 和纹谷 的宽度 。计 算 出若 干纹 线
周期 。对这些纹线周期统计平 均，作 为该图像块 的纹线周期。 实验表明 。本 方法合理 。可行 的。 关键词 ：指纹 图像 ：采样直线组 ；局部纹线周期 中图分类号 ：Ｔ ｒ９ ． １ Ｆ １４ ３ 文献标识码 ：Ａ 文章 编号 ：１７ ９７ （０ ６ ６２— ８ ０ ２０ ）叭 一 ０ ６— ４ ０５ ０
ｓ ｎ ｂｅ ａ ｄ ｆａ ｉ ｌ ． ｏ ａ ｌ ｎ ｅ ｓｂ ｅ Ｋｅ ｒ ｓ： ｆｎ ｅ ｒｎ ｍａ ｅ；ａ ｇ ｏ ｐ ｏ ａ ｌ ｇ ｌ ｅ ｉｄ ｅ ｐ ｒｄ ｙ ｗｏ ｄ ｉ ｇ ｒ ｉ ｔＩ ｇ ｐ ｒ ｕ ｆｓ ｍｐ ｉ ｉ ｓ；ｒ ｇ ｅ ｉ ｎ ｎ
Ａ ｅ ｈ ｄ Ｂａ ｅ ｎ ｔ ｅ Ｇｒ ｕ ｆＳ ｍ ｐ ｉ ｇ ｌ ｅ ｏ ｃ ｌ Ｍ ｔ ｏ ｓ ｄ ｏ ｈ ｏ ｐ ｏ ａ ｌ ｉ ｓｆ ｒ Ｌｏ ａ ｎ ｎ
Ｒｉ ｇ ｒｏ ｔｍ ａ ｉ ｎ ｉ ｎ ｅ ｐｒｎ ｍ ａ ｅ ｄ ｅ Ｐｅ ｉ ｄ Ｅｓｉ ｔｏ ｎ Ｆｉ ｇ ｒ ｉ ｔＩ ｇ