一种分区处理的指纹图像分割方法

在分析2种传统指纹分割方法的基础上,提出了一种自适应分区处理的指纹图像分割方法．该方法采用双行双列扫描对每幅指纹图像自适应地划分边框区和中心区的大小,然后对边框区作去背景,对中心区结合方差法进行分割．实验结果表明,该方法能准确地对一类指纹进行分割处理,提高了分割效率,对噪声也有明显的分割效果．     

基于灰度特性的指纹图像分割算法

提出了一种简便的指纹图像的分割算法,为可靠、准确地实现指纹自识别提供一种可行的方法.算法中通过合理的运用图像灰度特性,以较低的计算代价有效地解决了指纹图像分割问题.这种算法处理的效果好、运行速度快.实验表明,这种分割算法对于指纹图像的预处理是很有效的.     

指纹图像的自适应方差分割法

指纹图像分割的目的是从图像背景中分离出有用的指纹区域。灰度方差法是一种简单快速的指纹图像分割算法,本文给出一种自适应阈值的灰度方差分割法。实验表明,本文方法选取的分割阈值能够较好的分离出指纹图像的前景和背景,是一种有效的指纹图像分割算法。     

指纹图像的分层分割算法

针对一类背景分层的指纹图像，提出一种新的指纹图像分割方法——分层分割算法．该方法将指纹图像的背景分为两层：外层黑色背景区域和内层浅色背景区域．首先将外层黑色区域的灰度值设定为与内层浅色背景区域相近，这样原指纹图像的背景即变成比较均匀的浅色区域，然后根据其灰度特性将其去除．通过仿真结果可以看出，此种方法分割的效果可靠、精确．     

融合方向和灰度信息的指纹图像分割算法研究

利用点方向上的灰度差值法和点方向上的灰度方差法,改进了以八邻域模板法为基础的点方向信息计算算法,同时,融合灰度方差阈值分割算法和方向信息分割算法的优势,提出了一种改进的基于灰度方差阈值和方向信息分割指纹图像的合成算法,该算法避免了传统的、基于单一指纹纹理特性的指纹图像分割算法的局限性,对不同质量指纹的具有较高的适应性。通过与灰度方差阈值算法及方向场算法的分割结果进行比较,验证了所述合成算法的独特优势。     

一种基于矢量阈值的自适应图像分割方法

针对灰度图像,提出一种基于空间特征矢量的图像分割方法,分割前首先对边缘进行增强处理,并构建以像素的灰度、梯度、像素邻域均值为特征的三维特征空间.将图像像素点引入对应于空间特征点.通过计算像素特征矢量与特征矢量阈值的差矢量,求出矢量差与特征矢量阈值的夹角,比较夹角与动态分割参数的关系,以判定像素所在区域(目标或背景).实验表明,该方法能较快的实现图像分割,分割的效果也较好.     

基于数学形态学与均值方差的指纹图像分割算法

提出了一种基于数学形态学与均值方差的复合指纹分割算法,改进了指纹图像分割效果,提高了指纹图像分割的精确度。对FVC2000、FVC2002和FVC2004数据库的实验结果表明,该算法能有效地对指纹图像进行自动分割,具有较快的速度和较好的鲁棒性。     

改进Otsu图像分割方法

在计算分割阈值时,利用类内灰度差方进行多次迭代,获得阈值初值。图像总体灰度均值分别与目标及背景进行方差计算,得到最终分割阈值。     

一种改进的细胞图像分水岭分割方法

针对分水岭分割算法易产生过分割的问题,提出了一种改进的算法。通过灰度差变换对图像进行处理,然后用形态学方法消除细胞孔洞和杂质,最后再使用分水岭变换。实验结果表明:该算法比传统分水岭分割算法更准确,且具有一定的通用性。     

基于标记盒的指纹分割

为增强指纹图像分割的效果，首先，基于方向一致性、局部灰度均值和灰度方差指标，提出了像素空间分布并进行了分析；然后，给出了使用标记盒来建立模型和进行指纹图像分割的算法步骤；最后，为了评估该方法的性能，分别使用线性分割器和二次曲面分割器的方法进行了对比实验．实验结果表明新方法提供了更精确的分割结果，仅有0．80％的像素分割错误，而二次曲面分割法的错误率为0．97％．     

指纹图像分级分割算法

分割是指纹图像预处理过程的一个重要部分,有效的分割既可以减少后续处理的时间,又可大大增强特征提取的可靠性。本文在简要介绍常用的指纹分割算法之后,提出了几种基于纹线方向特性和灰度特性的改进判据,并把它们运用到“白背景－模糊区－背景区”的分级分割过程中。实验结果表明,这些判据具有较高的稳健性和精确度,而分级分割的方法既节约了分割处理的时间,又提高了分割的精确度,最后给出了一些实验结果。     

基于连续分布方向图的复合指纹图像分割算法

实现了一种结合连续分布方向图与方差分割的复合指纹分割算法,改进了指纹图像分割效果并提高了指纹图像分割的精确度。对FVC2000、FVC2002和FVC2004数据库的实验结果表明,该算法能有效地对指纹图像进行自动分割,具有较快的速度和较好的鲁棒性。     

一种指纹图像中的模糊区域标记方法

指纹图像中的模糊区域标记属于指纹识别系统中对指纹图像的预处理过程,对于提高指纹识别的正确率具有重要作用。文章在引入指纹图像模糊程度度量因子的基础上,给出了一种指纹图像中的模糊区域标记方法和指纹图像整体质量评价方法。实验结果表明,方法能较好地识别出指纹图像中的模糊区域,具有算法简单、无需人工干预、计算量小、适应性强等优点。     

一种基于指纹线方向的指纹图像增强算法

该文介绍了一种基于指纹线方向的指纹图像增强算法.该算法将局部指纹线方向这一指纹图像特有的特征应用于指纹图像增强中,而不是单纯地使用普通数字图像处理方法来进行指纹图像增强.实验结果显示,该算法不但使指纹图像变得更清晰,而且很好地保留了各指纹特征点,并且还能对断裂的指纹线做适当的修补.     

基于图割的扩散张量磁共振图像胼胝体分割算法

扩散张量磁共振成像过程易因噪声导致扩散张量图像(diffusion tensor images,DTI)的体素数据发生畸变,使分割效果不佳.针对该问题,提出了一种基于图割的DTI胼胝体分割算法,该算法在求解能量函数的过程中,用非种子点与作为硬约束条件的种子点之间的J-散度中位数表示T-连接权值,用取值范围在(0,1]之间的单调递减指数函数表示N-连接权值,同时构造网格图结构,用最大流/最小切算法计算最小切,实现图像的全局最优二值化分割.DTI图像的分割实验结果表明:所提算法能更为准确地从受噪声影响的数据中提取出胼胝体,各参数不同取值时的重叠率指标统计分析也证明了新算法具有较高的分割精度.     

改进的OTSU算法在图像分割中的应用

针对用传统OTSU算法处理灰度级不连续的图像时，所求出的阈值不能很好地收敛到全局最优的种种问题，对OTSU算法进行修改，并把改进后的删算法应用在心脏这类灰度级不连续图像上，实验表明该方法具有良好的分割效果．     

改进的OTSU算法在图像分割中的应用

针对用传统OTSU算法处理灰度级不连续的图像时,所求出的阈值不能很好地收敛到全局最优的种种问题,对OTSU算法进行修改,并把改进后的OTSU算法应用在心脏这类灰度级不连续图像上,实验表明该方法具有良好的分割效果.     

Improved SLIC Segmentation Algorithm for Artificial Structure Images

Simple linear iterative cluster(SLIC) is widely used because controllable superpixel number, accurate edge covering, symmetrical production and fast speed of calculation. The main problem of the SLIC algorithm is its under-segmentation when applied to segment artificial structure images with unobvious boundaries and narrow regions. Therefore, an improved clustering segmentation algorithm to correct the segmentation results of SLIC is presented in this paper. The allocation of pixels is not only related to its own characteristic, but also to those of its surrounding pixels.Hence, it is appropriate to improve the standard SLIC through the pixels by focusing on boundaries. An improved SLIC method adheres better to the boundaries in the image is proposed, by using the first and second order difference operators as magnified factors. Experimental results demonstrate that the proposed method achieves an excellent boundary adherence for artificial structure images. The application of the proposed method is extended to images with an unobvious boundary in the Berkeley Segmentation Dataset BSDS500. In comparison with SLIC, the boundary adherence is increased obviously.