多尺度几何分析也称后小波分析,是图像系数分解发展的一个分支,包含了目前最新的调和分析和稀疏逼近的发展趋势。在数学分析、计算机视觉、图像处理、模式识别中多尺度一直扮演着一个很重要的角色。具有代表性的图像的多尺度处理包括脊波变换、曲波变换和轮廓波变换等。不同的多尺度方法分别适合处理某一种特殊特征的图片。例如:脊波变换适合表示直线特征为主的图像,曲波变换适合表示以曲线特征为主的图像等。由于掌纹图像以曲线为主,所以本文选取曲波变换作为基础,根据其多分辨率、局部化和多方向性等优点,先对采集得到的掌纹图像进行处理,然后结合神经网络自适应学习和主成分分析经典降维的特性,对所采集掌纹图像进行识别。本文在图像预处理阶段,充分利用曲波变换多尺度和多方向的特性,提出了双阈值的降噪方法,既提高了图像的质量,又保留主要灰度信息,而且还大量保留边缘细节信息,对大多数掌纹采集过程中产生的噪声有很好的滤除效果。本文在识别阶段,利用曲波变换多分辨率的特性,在每个视觉层次上实现掌纹图像的识别。在实现过程中,分析了用求特征向量间的欧式距离直接进行识别等方法的不足,我们采用神经网络自学习的方法来进行识别。为了避免输入向量维数过大会导致神经网络的“维数灾”等问题,本文先使用主成分分析法对特征向量进行了降维。最后,根据用户安全性的要求,选择不同的决策方法,对曲波变换多个尺度图像的识别结果进行决策融合。实验结果表明这种方法能得到很好的识别率。