Matlab GUI在低质量指纹图像增强中的应用

低质量指纹通常被定义为模糊、高噪声、低对比度等情况下的指纹.利用人体固有的指纹生理特征来进行个人身份鉴定的指纹识别技术中,图像增强技术是其中一个非常重要的步骤.低质量指纹图像增强效果直接影响低质量指纹图像的识别效果.文中在简介指纹识别过程的基础上,以一种典型的低质量指纹图像增强算法-Gabor滤波增强算法为例,重点阐述了Matlab GUI设计的一般步骤及其在低质量指纹图像增强中的具体实现.对用户开发Matlab GUI应用程序和利用GUI处理图像等相关问题都有一定的借鉴意义.     

一种有效的指纹图像方向滤波增强算法 *

方向滤波是沿着指纹纹线方向滤波的方法。一种方向滤波算法的有效性主要依赖于指纹图像方向估计的准确性和滤波模板构造的合理性。首先利用对低质量指纹图像鲁棒性较高的掩膜法估计点方向 ,并将点方向转换为块方向 ;然后使用八个方向的平滑滤波模板和锐化滤波模板 ,对指纹图像滤波进行增强 ;最后对增强后的指纹图像二值化。通过对 FVC2000指纹数据库 DB2中的指纹图像作增强处理 ,表明该算法增强效果较好。     

Matlab GUI在低质量指纹图像增强中的应用

低质量指纹通常被定义为模糊、高噪声、低对比度等情况下的指纹。利用人体固有的指纹生理特征来进行个人身份鉴定的指纹识别技术中,图像增强技术是其中一个非常重要的步骤。低质量指纹图像增强效果直接影响低质量指纹图像的识别效果。文中在简介指纹识别过程的基础上,以一种典型的低质量指纹图像增强算法-Gabor滤波增强算法为例,重点阐述了Matlab GUI设计的一般步骤及其在低质量指纹图像增强中的具体实现。对用户开发Matlab GUI应用程序和利用GUI处理图像等相关问题都有一定的借鉴意义。     

基于加权平均梯度方向场和改进Poincare Index的指纹奇异点检测算法

针对指纹图像具有局部平行性和渐变性以及邻域的脊线方向相关性高的特点，提出了一种基于加权平均梯度的指纹方向场算法。改进了传统的Poincare Index指纹奇异点检测算法。实验证明，在采用加权平均梯度算法获取的方向场上利用改进的Poincare Index算法可实现对低质量指纹图像的奇异点的准确提取。     

Gabor滤波在方向上的二值化指纹增强

指纹图像增强是指纹特征提取和识别中的难点之一.本文介绍了一种在Gabor滤波基础上,基于方向图的、具有动态阈值的指纹图像二值化方法.该方法充分利用了指纹图像本身方向和灰度变化的特点,在保持指纹特征基本不丢失的情况下,可直接从指纹源图像中得到二值化图像,完成一般图像处理中的平滑、增强、二值化的过程.实验表明,此方法对于低质量的图像有很好的效果.     

结合频谱扩散的指纹图像滤波增强

目的 指纹图像增强是自动指纹识别系统中的重要环节,是获取可靠的指纹细节特征的基础。为了弥补指纹图像的质量缺陷,实现对低质量指纹图像的有效增强,提出一种基于块质量评价和块频谱匹配滤波器的块频谱扩散指纹增强方法。方法 首先,基于块内点方向一致性参数,给出了块质量评价结果;然后,研究了复合窗口频谱扩散特性,完成了基于一次模糊K均值聚类、一阶自适应带宽的2维巴特沃斯带通滤波器和2维高斯窗的块频谱匹配滤波器设计;最后,依据块质量等级的高低,应用块频谱匹配滤波器对复合窗口的块频谱进行滤波增强。结果 选取FVC 2004指纹库中的大量指纹图像进行了实验,实验结果表明,该方法对高质量和低质量指纹图像均有良好的增强效果。结论 本文方法对指纹的脊线方向和频率等参数依赖较弱,拥有很强的容错能力。实验结果验证了该方法在指纹图像增强中的有效性,可适用于高质量和低质量的指纹图像增强。     

低质量指纹图像方向场提取

指纹方向场提取是自动指纹识别系统中的重要环节,是解决自动指纹识别中的某些关键技术的基础.提出一种通过线性投影分析和在sin域中用加权低阶2维勒让德多项式拟合提取指纹方向场的方法;能够解决大噪声低质量指纹图像方向场难以准确提取的问题;在FVC 2000指纹数据库中的大量实验结果表明,与已有基于梯度的指纹方向场估计算法相比,本文方法有更好的提取精度和鲁棒性,对于大噪声的低质量指纹图像能给出很好的方向场估计.     

一种新型自适应指纹图像增强算法

针对Gabor滤波器在处理低质量指纹图像时增强效果不佳的缺陷,提出一种基于方向域和频率域的新型自适应Gabor滤波增强算法。该算法改进了指纹图像方向图和纹线频率的提取方法,通过计算图像方向一致性和平均纹线频率两个参数来共同自适应地调节Gobor滤波器变换窗的大小。实验结果表明：对于低质量指纹图像,该算法大大提高了方向图准确性,而且自适应Gabor滤波器在处理不同类型的指纹时更具优越性。     

基于滤波和融合的指纹图像增强算法

指纹图像增强对于提高细节特征提取的准确率乃至整个自动指纹识别系统的性能都具有重要的意义.大部分的指纹图像增强算法都需计算指纹图像的纹线局部方向,本文给出了一种指纹图像增强的新方法,该方法不计算指纹图像局部区域内的方向,而将指纹图像按8个不同方向滤波,得到8幅滤波后的图像,再利用小波变换对8幅图像进行融合得到增强后的图像.实验表明,该算法有效的提高了指纹图像的质量.     

基于非平稳信号频谱分析的指纹图像增强算法

把指纹图像看作一种局部平稳总体非平稳的信号,研究了指纹图像的频谱特性,提出了一种基于统计学的指纹方向和频率估计方法.在此基础上,基于方向一致性分析和频率分析,提出了方向和频率校正算法.实验结果表明,该算法对指纹图像有显著的增强效果,并有效地提高了指纹细节特征提取的准确率.     

指纹图像多尺度分类字典稀疏增强

目的 自动指纹识别系统大多是基于细节点匹配的,系统性能依赖于输入指纹质量。输入指纹质量差是目前自动指纹识别系统面临的主要问题。为了提高系统性能,实现对低质量指纹的增强,提出了一种基于多尺度分类字典稀疏表示的指纹增强方法。方法 首先,构建高质量指纹训练样本集,基于高质量训练样本学习得到多尺度分类字典;其次,使用线性对比度拉伸方法对指纹图像进行预增强,得到预增强指纹;然后,在空域对预增强指纹进行分块,基于块内点方向一致性对块质量进行评价和分级;最后,在频域构建基于分类字典稀疏表示的指纹块频谱增强模型,基于块质量分级机制和复合窗口策略,结合频谱扩散,基于多尺度分类字典对块频谱进行增强。结果 在指纹数据库FVC2004上将提出算法与两种传统指纹增强算法进行了对比实验。可视化和量化实验结果均表明,相比于传统指纹增强算法,提出的方法具有更好的鲁棒性,能有效改善低质量输入指纹质量。结论 通过将指纹脊线模式先验引入分类字典学习,为拥有不同方向类别的指纹块分别学习一个更为可靠的字典,使得学习到的分类字典拥有更可靠的脊线模式信息。块质量分级机制和复合窗口策略不仅有助于频谱扩散,改善低质量块的频谱质量,而且使得多尺度分类字典能够成功应用,克服了增强准确性和抗噪性之间的矛盾,使得块增强结果更具稳定性和可靠性,显著提升了低质量指纹图像的增强质量。     

混合滤波指纹增强

在自动指纹识别系统中,从指纹图像准确和可靠地提取细节点是一项很重要的工作,而指纹图像的质量和合适的增强技术又是指纹特征提取的关键步骤。根据方向一致性条件,可以将指纹划分为方向平缓区域和方向变化剧烈区域。在方向平缓的区域,提出一种新的方向滤波器进行指纹增强,增强算法具有自适应性。在方向变化剧烈区域,方向滤波器不能很好地增强指纹图像,因此在频率域中对指纹进行增强。实验结果表明:该算法对指纹增强有较好的效果、较快的速度。     

基于方向滤波的指纹图像增强算法研究

论文在传统指纹图像增强算法的基础上,提出了一种改进的方向滤波指纹图像增强算法,算法速度得到提高,指纹图像增强效果显著。算法以方向滤波为基础,通过Sobel算子计算指纹图像的梯度和方向,根据指纹的特点设计方向滤波矩阵,由指纹局部方向选择相应方向滤波矩阵进行滤波,使指纹图像在纹线方向上得到增强,在垂直纹线方向上得到减弱,从而增加了前景和背景的对比度,消弱了噪声干扰,突出了指纹的有效信息,为后续的处理过程提供了良好的图像基础。     

改进的指纹图像方向图求取方法

为提高指纹图像方向图的准确性,提出了一种传统的指纹图像方向图求取算法－离散方向采样法的改进方法。该方法在原有采样模板的基础上,综合考虑中心像素点外的各层数据,给出了改进的采样模板。实验结果表明该方法比传统的离散方向采样法和灰度梯度法得到的指纹图像方向图更加准确。     

指纹图像方向提取方法的研究

指纹自动识别是图像处理技术、模式识别技术与计算机数据库技术的综合应用。指纹图像的方向信息对指纹的预处理、增强、分类及匹配有着重要的作用。因此，在指纹自动识别系统中具有重要的研究价值。文中在金字塔表示法的基础上提出了一种新的指纹图像方向提取方法。该方法通过改进局部方向的估计方法、确定传递权值等方式，提高指纹图像提取方向信息的准确性。实验表明，这种方法对指纹图像噪声有很好的健壮性，且在质量较差的指纹上提取方向信息的准确性方面相对于常用的局部梯度算法来说有明显提高。     

一种基于机器学习的指纹纹路方向计算方法

纹路方向是指纹图像的基本特征,而方向计算是指纹识别的基础,特征提取和匹配的过程中都需要用到方向.目前大多数纹路方向计算方法都是基于像素之间的灰度关系的.提出了一种用神经网络学习纹路方向的方法.对于正确的纹路方向,该网络的响应值较大;对于错误的纹路方向,该网络的响应值较小.计算指纹图像的方向场时,对于每个纹路图像块,计算网络在各个方向上的响应值,基于每个图像块在每个方向上的响应值可以计算出整个图像的方向场.该方法比现有方法更能正确地计算指纹图像方向场.     

指纹图像的预处理算法

根据指纹的固有特性及常用算法在指纹处理中的缺陷，文中提出一套有效的预处理算法。对于图像增强，算法利用指纹的方向特性和频率特性设计出Gabor滤波器对图像进行滤波，取得理想的效果；在图像分割，二值图像处理等方面也作了改进。     

Two-stage quality adaptive fingerprint image enhancement using Fuzzy C-means clustering based fingerprint quality analysis

Fingerprint recognition techniques are dependent on the quality of fingerprint images. An efficient enhancement algorithm improves the performance of recognition algorithms for poor quality images. Performance improvement of the recognition algorithms will be more if the enhancement process is adaptive to the fingerprint qualities (wet, dry or normal). In this paper, a quality adaptive fingerprint enhancement algorithm is proposed. The proposed fingerprint quality assessment (FQA) algorithm assigns the appropriate quality class of dry, wet, normal dry, normal wet, and good quality using Fuzzy C-means clustering technique to each fingerprint image. It considers seven features namely, mean, moisture, variance, uniformity, contrast, ridge valley area uniformity (RVAU), and ridge valley uniformity (RVU) to cluster the fingerprint images into suitable quality class. Fingerprint images of each quality class undergo through a two-stage fingerprint quality enhancement (FQE) process. In the first stage, a quality adaptive preprocessing (QAP) method is used to preprocess the fingerprint images. Next, fingerprint images are enhanced with Gabor, short-term Fourier transform (STFT), and oriented diffusion filtering (ODF) based enhancement techniques in the second stage. Experimental evaluations are performed on a quality driven database of FVC 2004. Results show that the performance improvement of 1.54% to 50.62% for NBIS matcher and 1.66% to 8.95% for VeriFinger matcher are achieved while the QAP based approaches are used in comparison to the current state-of-the-art enhancement techniques. In addition, the experimentation is also performed on FVC 2002 database to validate the robustness and efficacy of the proposed method.     

基于密集连接卷积网络的小面积指纹识别方法

针对基于细节特征点的传统指纹识别方法在小面积指纹识别时识别率明显下降的问题,提出一种基于密集连接卷积网络的小面积指纹识别方法。对指纹原图进行图像增强处理,充分利用密集连接卷积网络特征复用的优点构建提取指纹特征的深度学习模型,并将二值特征引进训练模型,依据指纹图像的二值特征和特征向量实现小面积指纹的注册和识别。实验结果表明,所提出的方法在自建数据集中正确识别率达到98.57%,高于基于细节特征点的传统指纹识别方法,基本满足智能移动端的应用要求。