基于指纹方向流模式特性的分割方法

研究指纹图像,提取清晰图像处理过程,采集到的原始指纹图像,进行指纹特征提取.由于提取指纹是有方向性的,所谓分割算法就是将可用的指纹区域从背景噪声中提取出来.再采用方差法和方向图法处理基础上,提出了一种新的基于指纹方向流模式特性的SMDF分割方法.方法先将采集到的图像进行归一化,再对每个指纹图像块分别求取平行于块方向和垂直于块方向的灰度变化,选择作为前景块还是背景块的判断依据.实验研究表明,可以较为准确、完整地分割出指纹前景区,同时保留通过后续处理可以恢复的模糊区,还可以节省预处理的时间,也保证了精度,具有较强的可行性.     

基于指纹连通性的灰度方差分割算法

针对方差分析和方向信息等传统的指纹分割法的局限性,运用有向图的原理,将指纹的连通性与灰度均衡算法结合,提出了一种改进的指纹分割算法.依据指纹连通性把分块后的指纹图像结合有向图原理进行处理,避免了指纹图像中孤立区域的产生,能够从指纹区域的一个分块快速判断出整个指纹区域.试验分析结果表明,该算法运行速度快、分割效率高、实用性强,并对指纹图像进行了初滤波和规格化处理,可广泛应用于实时处理的自动指纹识别系统.     

指纹图像的高效分级分割算法

文章中提同了一种新的指纹图像分割算法，引入分级分割的观点，首先从图像中分割得到完整的指纹区域，然后从指纹区域中提取出清晰的指纹区域和受噪声干扰但可恢复的指纹区域。区域生长被引入到第一级分割中，使算法更具鲁棒性，与两种重要的指纹图像分割算法相比较，分级分割算法对不同类型的指纹图像都能精确地进行分割，是一种高效自适应的指纹图像分割算法。     

低质量指纹图像分割算法研究

针对低质量指纹图像的特点,提出了一种基于Canny算子和数学形态学的分割算法.首先研究了两种传统的指纹图像分割方法:基于D-S证据理论的指纹图像分割方法和结合遗传算法与方向图法的指纹图像分割方法.然后介绍了一种新的利用边缘提取和数学形态学相结合的指纹图像分割方法.该方法利用Canny算子进行粗分割,再用数学形态学的原理修正边界和去除噪声.实验结果表明,该方法对于低质量指纹图像的分割效果明显优于传统的分割方法.     

一种新的指纹图像合成分割法

在研究和分析传统指纹分割方法(如方差法、方向图和灰度频数方法等)的基础上,针对这些方法各自的优缺点,提出一种将三种方法相结合的新的指纹图像分割方法.该方法能容易而准确地分割出背景区域和前景区域,适用于不同质量和不同级别的指纹图像.     

基于灰度均衡的指纹图像分割算法

针对MBF200芯片指纹采集器采集的指纹图像的特点,提出了一种新的指纹图像分割方法。该方法简单实用,能快速而有效的分割指纹图像,符合指纹识别系统的实时性要求。首先对指纹图像进行灰度均衡处理,然后根据图像的灰度特征对指纹图像进行分块分割,最后应用数学形态学修复指纹图像的前景边缘。使用该方法对研究室自行设计的MBF200半导体指纹采集器采集到的指纹图像,进行大量的测试。实验结果表明,该方法对这种类型的指纹图像分割是有效的。     

一种新的指纹图像分割算法

指纹图像分割是自动指纹识别的重要步骤。对指纹特征和传统指纹分割方法进行了研究,提出了一种新的指纹图像分割算法。先对指纹图像进行裁剪,如果指纹图像对比度较低,则对图像进行均衡化处理;然后对图像进行顶帽变换,补偿不均匀的背景亮度;最后用迭代自组织分析算法(ISODATA聚类)对图像进行分块分割和形态学图像处理。对国际指纹识别竞赛(FVC)数据库不同质量的指纹进行了测试,实验结果表明,此算法对不同质量的指纹是有效的,效果好于传统指纹分割方法。     

交互式流域算法在医学图像分割中的应用

图像分割是图像处理中的主要问题,而医学图像领域是图像分割的一个重要的应用领域,医学图像具有复杂性,因而医学图像分割一直是图像处理中的一个研究热点和难点,对于一般的图像分割方法很难得到满意的结果.首先介绍了流域算法的基本思想、基本步骤以及流域变换过程中所存在的过度分割问题,然后利用区域中的面积信息和平均灰度信息、结合交互式流域变换,用户有效地选择感兴趣区域分割医学图像,实验结果表明采用该方法分割区域个数明显减少,能有效地解决流域变换中的过度分割问题.     

一种SVM与区域生长相结合的图像分割方法

作为一种全局门限处理方法,支持向量机图像分割方法不能完成对图像进行精细分割,其分割结果需要其他分割方法进一步处理。提出一种结合支持向量机和区域生长的交互式分割方法,不仅可有效剔除与感兴趣区域特征类似的非目标区域,而且把为SVM选择训练样本和为区域生长选择种子点两个步骤合二为一,从而提高了图像分割质量和交互式分割方法的自动分割能力。     

基于Chan-Vese分段平滑的分裂新模型

基于 CV 模型, 提出了新的活动轮廓线分裂模型. 其基本思想相似于细胞分裂, 即在每次迭代中一分为二. 该模型能检测出图像中所有的目标和细节; 能处理处理图像中特定区域, 甚至是不连通区域; 并且, 由于图像分割可以被限制在感兴趣区域而不是整个区域, 从而提升了计算性能; 此外, 由于其具有区域约束, 因此不同于 CV 模型的对初始化敏感. 论文不仅详细分析了模型的基本原理, 而且用水平集方法实现了, 并成功应用于合成图像和真实图像, 其分割结果与 CV 模型以及多项 CV 模型进行了比较.     

基于数学形态学的遥感图像多感兴趣区域提取

提出了一种基于数学形态学的遥感图像多感兴趣区域提取算法。首先通过形态学运算强化特定结构的多个目标区域,运用阈值分割算法完成初步的图像区域分割;然后利用形态学运算进行精细化处理,结合提出的判断准则,通过人工交互完成了多感兴趣区域的提取;最后利用形态梯度的算法探测出感兴趣区域的边缘。实验结果表明该方法能够快速有效地分割提取出遥感图像中的多个感兴趣区域。     

基于像素聚类的指纹分割算法

为准确提取有效指纹区域,提高自动指纹识别系统的准确率,降低后继处理算法的时间消耗,以像素点为考察对象,将条件概率事件模型引入到指纹图像分割方法中,在研究指纹图像所固有的纹理特征后,提出了指纹条件概率模型,根据有效指纹脊线与背景区域的差异,结合指纹脊线的相关特征,将指纹图像上的像素点分为有效指纹区域内的像素点和背景像素点两大类,为指纹图像的分割处理提供了一种有效的方法。     

面向生物医学图像的交互式分割算法

结合阈值法和区域生长算法,提出一种面向生物医学图像的交互式分割算法。利用阈值法对图像中用户选取的感兴趣区域进行预分割,通过阈值分割得到的目标区域确定区域生长算法的种子像素与相似性准则,获得最终分割结果。实验结果表明,该算法简单快速、对生物医学图像可取得良好的分割效果。     

变形运动图像多尺度级连分割方法与参数估计

针对变形运动图像分割中,分割模型和分割过程过于依赖分割初始化过程,并可能由此而产生较大误差的问题,提出了一种新的变形运动图像级连分割方法,并提出采用多尺度随机场的方法来对其中的背景运动参数进行估计,最终得到分割结果.根据仿真结果可以看出,本方法能够很好地对感兴趣的图像区域进行有效地分割.     

基于数学形态学的遥感图像多感兴趣区域提取

提出了一种基于数学形态学的遥感图像多感兴趣区域提取算法。首先通过形态学运算强化特定结构的多个目标区域，运用阚值分割算法完成初步的图像区域分割；然后利用形态学运算进行精细化处理，结合提出的判断准则，通过人工交互完成了多感兴趣区域的提取；最后利用形态梯度的算法探测出感兴趣区域的边缘。实验结果表明该方法能够快速有效地分割提取出遥感图像中的多个感兴趣区域。     

非接触指纹图像分割与增强方法的研究

非接触指纹图像的背景区域比接触式的相对复杂,且脊、谷线的对比度也比较低,用一般的接触式指纹图像处理方法很难达到很好的处理效果。本文针对非接触指纹图像的这两个特点提出了合理的分割与增强方法。采用基于照明-反射模型的同态滤波思想进行指纹图像与背景区域的分割。在对指纹图像增强时首先采用相干滤波技术进行滤波增强,再用简化的Gabor函数模板进行二次增强。实验结果表明,本文提出的方法在一定条件下能够很好的实现指纹图像的背景分割,同时本文方法的增强效果相比于以往的也有了明显的提高。     

一种基于新特征的有效指纹图像分割算法

指纹图像分割在自动指纹识别系统中发挥了非常重要的作用,有效的分割不但可以减少后续处理的时间,而且可以大大增强特征提取的可靠性,提高系统识别的准确性.主要做了两个方面的工作:提出了一种称之为有效点聚集度的新的指纹图像分割特征;依据有效点聚集度及文献[1]中提出的块聚集度特征,提出了一种有效的指纹图像分割方法,该方法首先采用有效点聚集度对指纹图像做粗分割.然后对粗分割结果采用基于迭代的方法进行后处理,接着运用块聚集度在第一次后处理结果的基础上做细分割,最后采用形态学方法对细分割后的结果做第二次后处理.大量实验证明:相对于已有常用的指纹图像分割特征,有效点聚集度具有鉴别能力强、鲁棒性好、分割出的前景、背景区域较为集中的特点;基于有效点聚集度及块聚集度提出的指纹图像分割算法具有较高的准确性及较强的适应性.     

一种新的指纹图像分割方法

为了准确可靠地将指纹图像从背景区域中分割出来,提出了一种新的指纹图像分割方法,即利用灰度值频数和纹线12方向图判断是否有指纹脊线和谷线的存在,从而判断指纹图像小块是否为指纹前景区。实验结果表明,该方法适用于由于采集原因造成的指纹脊线和谷线灰度值相差较大或不大的指纹图像的分割,分割结果只求出指纹图像的边界而不改变指纹图。     

水平集方法在图像分割技术中的应用

图像分割是图像工程中热门且举足轻重的一项研究.图像分割的本质是将感兴趣的目标从图像背景中提取出来,以便后续处理,是图像工程中十分关键的一步.重点研究水平集方法在图像分割技术中的应用,通过水平集方法能够将图像梯度信息、区域统计信息和目标形状等信息融入分割框架中,能出色地控制轮廓的演化,同时减少了计算量,从而获得更高的分割精度和效率.     

指纹图像分割算法的研究

指纹图像分割作为指纹识别的重要部分,是正确进行指纹识别的的基础,只有选择合适的指纹分割方法,有效地分离出指纹图像的前景和背景两部分,才能进行后续的处理,才能对指纹进行有效的识别;否则由于背景区域对前景区域影响会增加许多虚假特征,影响最终匹配,不能有效地对指纹进行识别;在指纹图像分割方面,分析了指纹的方差和方向一致性问题,设计了一种具有光滑轮廓线的指纹分割算法,仿真结果表明,该算法能够从指纹背景中准确提取指纹图像,并且能够除去边缘非正常中断端点,保证有效指纹区得到完整保留。