我们有一个项目，旨在开发一个自动指纹识别系统（AFIS）。我们已经阅读了该领域的许多论文，并且还在阅读《指纹识别手册》。我们无法理解的是：我们到底在哪里使用神经网络？
到目前为止，我们了解到：1）应用直方图均衡化+DFT（如果必要）来增强对比度和去除噪声。2）图像二值化+3）图像细化（形态学细化）。这些步骤是可以的。之后是特征提取。我们在3×3的窗口中搜索细节点，寻找像中间为1，且只有一个其他1作为邻居的模式，这样它就是终止点。然后我们得到细节点，并使用庞加莱指数法来获取奇异点。但是在那之后，当我们有了细节点和奇异点，我们在哪里使用神经网络呢？如果是用于分类，如何分类？既然我们已经用庞加莱指数提取了奇异点，为什么还需要人工神经网络来分类？如果是用于提取细节点，我们不是已经通过特征提取完成了吗？你能推荐一些资源吗？谢谢。
回答：
我认为当你说神经网络时，你指的是多层感知器（MLP）。在你的案例中，它用于分类指纹。但是，如果你的算法已经能够识别它们，那么你就不需要MLP。否则，包含细节点的新特征 – 假设为X – 将作为你的网络的输入（见图1）。而y是指纹标签。MLP将学习一个函数，该函数以这些特征作为参数，并返回它可能属于的概率（由softmax函数计算）。这在scikit中很容易实现。为了演示，我在下面的代码片段中使用了逻辑回归，但所有监督式神经网络算法都遵循相同的程序。
from sklearn import linear_model# 初始化逻辑回归lr = linear_model.LogisticRegression(C=10)# 让X成为训练数据（指纹特征）X = [[0,1],[2,3],[1,5]]# 让y成为它们的标签y = [0, 1, 2]# 通过X和y训练逻辑回归lr.fit(X,y)Out[284]: LogisticRegression(C=10, class_weight=None, dual=False, fit_intercept=True, intercept_scaling=1, penalty='l2', random_state=None, tol=0.0001)# 返回它们的概率lr.predict_proba(X)Out[285]: array([[ 0.64974581, 0.144104 , 0.20615019], [ 0.04442027, 0.81437946, 0.14120027], [ 0.04096602, 0.0840223 , 0.87501168]])第一个值0.64974581是样本[0,1]在X中被分配给类0的概率。由于这是该行向量中最高的，它将返回值0，第二和第三行向量将分别返回1和2。
(图1：多层感知器)