二值化的目的是把灰度指纹图象变成0—1取值的二值图象。
图像的二值化[8][9]的具体办法是：通过设定阈值(Threshold)，把灰度图像变换成仅用两
个值(0或1)来分别表示的图像目标和图像背景的二值图像，其中目标取值为1，背景值取值
为0。
在实际的位图(Bitmap)中，0对应于 RGB值均为0，1对应于RGB值均为255。
在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理系统中，以
二值图像处理为核心构成的系统是很多的，要进行二值图像的处理与分析，首先需要把灰
度图像二值化，得到二值图像。
这样做的好处是：再对图像作进一步处理时，图像的几何性质只与0和1的位置有关，不再涉及到像素的灰度值，使处理变得简单，而且数据的压缩量很大。
例如一幅300×300×8BIT的灰度图像，二值化以后的数据量只有300×300×1Bit，这给存储和处理都带来了很大的方便，同时也提高了系统的经济实用性。
图像二值化可根据下列的阈值处理来进行：
g(i,j)=1，当f(i,j)≥threshold时；
g(i,j)=0，当f(i,j)＜threshold时.
通常，用二值图像g(i,j)中的1值部分表示目标子图，0值部分表示背景子图。
二值化图像的方法很多，阈值的选择是二值化图像的关键。
阈值的选择主要可以分为两类：全局阈值和局部阈值。
全局阈值是对整个图像采用一个阈值进行划分，例如非常零像素置1二值化、固定阈值法二值化、判断分析法二值化、基于灰度差直方图的阈值法等[7][8][9]。
不同的灰度图像，其灰度深度是存在差异的。同一幅灰度图像，不同部位其明暗分布可能是不同的。因此，在对灰度图像进行二值化的过程中，如果选用全局阈值法显然是不合适的。
局部阈值是将图像分成一些子块，对于每一子块选定一个阈值，例如，动态阈值法。
动态阈值法仅是一个变换方法，即在一个n×n的子块中，所有具有灰度级超过平均灰度值到255数据点变换1（即黑色），而另一些低于平均灰度值的数据点则变换到1（即白色）。
具体作法如下：图像分为n×n的方块，对每一个子块计算其平均灰度值，然后将方块中每个像素点的灰度值与平均灰度值进行比较，若大于平均灰度值，则将该像素点灰度值置为255；反之则置为0。
分块的大小不同，其二值化处理结果也不同，本文试验了4×4，8×8，16×16，32×32大小的分块方案，发现采用8×8的分块大小的动态阈值二值化方法能取得的效果最佳。
8×8分块二值化处理效果图如图4所示。
采用固定阈值的方法进行二值化也可以取得较好效果，但当灰度图像灰度不均匀时，指纹纹线易于产生断线；判断分析法二值化效果与固定阈值法相差较小。
相比之下，动态阈值能根据图像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(与图像的分辨率有关，本文的图像分辨率为(400dpi)，就能取得最佳的二值化效果。
因此，我们采用了动态阈值二值化方法。
具体做法是：我们将灰度图像分成若干个16×16的子区。先计算各子区的灰度平均值，以此平均值作为该子区的阈值。
另外，为了防止背景子区由于这种方法求出的阈值过低而引入噪声，还加入一个判断条件，即如果某块的阈值保证了背景块能够从前景声中分离出来。具体办法是：将阈值与给定条件（这样做是为了防止阈值过低而引入新的噪声）。如果前者大于后者，则以该阈值为标准，作二值化处理，否则相应子区二值化结果直接赋值为0。
这种以区域灰度幅度为函数的自适应阈值法，完全适合用于对锐化后的灰度图像进行二值化处理，结果如下图3.5所示。
本算法需要进一步的改进, 平滑子区域间的阈值,
另外, 可使用小波分析知识来选择自适应的阈值进行二值化, 可用浮动阈值法进行二值化
