虹膜识别算法的研究

虹膜识别是一种非常可靠的身份鉴别方法.在讨论虹膜图像定位、增强等预处理方法的基础上,针对现有虹膜识别算法中存在的问题,提出了虹膜有效区域选择、特征提取及编码匹配的有效方法.在虹膜图像有效区域的选择上,根据虹膜图像自身的生物特点采用一种新的分割方法,使得到的图像纹理信息更充足;在图像的特征提取方面,采用Gabor小波变换,将频率分为2个频段,不同的频段选择不同Gabor尺度参数,并选择适当的位置参数;为解决虹膜图像的旋转对虹膜识别的影响,将获得的虹膜编码进行错位匹配.实验结果表明,所提出的虹膜识别算法效果较好.     

基于决策粒子群优化与稳定纹理的虹膜二次识别

不同时刻虹膜图像的采集状态不同,因此单一识别算法在多类别虹膜识别中的准确率可能较差。本文提出了基于决策粒子群优化与稳定纹理的虹膜二次识别算法。首先,使用6种图像处理算法提取稳定纹理特征。由Gabor滤波与Hamming距离组成首次识别,Haar小波与BP神经网络组成第二次识别,以顺序结构完成多类别虹膜的二次识别。根据马尔可夫决策过程与不同的虹膜库,自适应优化Gabor滤波和神经网络。结果表明,该算法可以有效提高虹膜识别的准确率。     

基于DCT的实值离散Gabor变换分析窗的快速求解算法

为了快速有效地实现实值离散Gabor变换,利用离散余弦函数的正交性将原求解分析窗函数的双正交条件式简化,把原求解方程组分解成若干独立的子方程组,给出了一种基于DCT的实值离散Gabor变换分析窗的快速求解算法.通过算法实验比较,验证了此算法的有效性和在计算时间方面的优越性.     

一种用于虹膜识别的特征提取算法

通过对比分析2维(2D)复Gabor滤波器实部和虚部幅频的响应特性,给出一种基于2D奇Gabor滤波的虹膜特征提取算法。根据2D奇Gabor滤波器关于原点奇对称,利用其编码虹膜纹理特征点的相位信息,计算汉明距离,实现虹膜分类识别。实验结果表明,所给算法可使系统识别错误率降低约12%。     

虹膜特征提取和匹配的几种主要算法研究

虹膜的身份识别在国际上已成为一个研究的热点领域。本文主要比较了虹膜特征提取和匹配的几种主要算法,分别说明了Gabor变换、傅里叶变换和小波变换的优点与不足,并指出相对而言,小波变换更适合应用在虹膜图像的识别中。     

一种基于第二代小波变换 的纹理分类新方法

本文提出了一种基于第二代小波变换的纹理分类新算法。该算法提取纹理图象二层第二代小波分解后的各频率子图的图象熵作为纹理特征进行纹理分类。对由108类Brodatz纹理图象构成的图象库进行分类测试，并与基于灰度共生矩阵、Law’s纹理能量、Gabor滤波等纹理分类方法进行了比较，结果显示此算法性能良好。     

基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别

为了抑制虹膜噪声并提高算法通用性,提出在虹膜识别中运用高斯拉普拉斯(Log)算子与自适应优化伽柏(Gabor)滤波。Log算子抑制虹膜噪声,40组频率和方向各不同的Gabor滤波提取虹膜特征,将特征转化为二进制特征编码。滤波参数用变异粒子群优化(MPSO)算法针对不同虹膜库进行自适应优化。通过计算虹膜间的汉明(Hamming)距离判定虹膜类别。与其他Gabor滤波和机器学习类算法相比,该算法可以有效抑制虹膜噪声干扰进而提高识别正确率,同时算法在多种虹膜库识别的通用性更好。     

基于纹理的文本依存的离线笔迹鉴别

针对文本依存的离线笔迹鉴别,提出一种基于纹理的算法.该算法采用Gabor变换对纹理进行分析,选取4个频率8个相位,通过变换,选取32维变换系数的方差作为笔迹特征,在分类时使用欧氏距离作为分类器,并且提出一种新的阈值获取方法,针对该算法进行实验得出,正确接受率为89.3%,正确拒绝率为80.0%.     

一种基于第二代小波变换 的纹理分类新方法

摘要：本文提出了一种基于第二代小波变换的纹理分类新算法。该算法提取纹理图象二层第 二代小波分解后的各频率子图的图象熵作为纹理特征进行纹理分类。对由108类Brodatz纹 理图象构成的图象库进行分类测试，并与基于灰度共生矩阵、Law’s纹理能量、Gabor滤波等纹 理分类方法进行了比较，结果显示此算法性能良好。     

基于Gabor变换和极限学习机的铝箔密封性检测

针对铝箔封口温度场分布特征进行了研究,提出了一种基于Gabor变换和极限学习机(ELM)的封口密封性检测方法。对采集到的不同特征类型热像图进行Gabor变换,提取纹理特征训练极限学习机神经网络。然后利用训练结果对热像图进行分类识别,通过热像图分类特征判断铝箔封口密封情况。与提取颜色特征的BP神经网络对比分析发现,基于Gabor变换和极限学习机的算法具有泛化性强、响应速度快、精度高等优势。     

基于特征筛选的云分类器

高维且不独立的样本特征集使分类的准确性降低,笔者提出一种根据样本集特征权值进行特征选择的方法。根据特征间的相似性度量函数计算特征的权重,并根据权重去除重要性差的特征,用于解决高维样本集的特征降维问题,特征选择结果与主成份分析结果一致。建立基于保留特征加权的云分类模型,应用于iris数据集和复杂矿石图像的分类,效果良好。     

基于二维不可分小波相关性分析的虹膜识别

为了更有效地提取虹膜纹理特征区域和进一步减小虹膜特征的存储空间,提出了一种基于分块相关性分析的二维不可分B-样条小波的虹膜识别方法,通过对虹膜归一化图像进行二维不可分B-样条小波变换并提取小波系数特征,把这些特征等分成正方形的特征块并按照相关性由大到小排序,保留相关性大的特征块进行匹配。实验表明,本文算法比经典的虹膜识别方法能更准确地捕捉识别效果好的特征区域。     

基于双路径残差网络的虹膜图像超分辨率重建

低分辨率虹膜图像所含有效信息较少,实际应用到虹膜识别中会影响识别精度,而图像超分辨率重建技术能够有效解决这一问题。针对虹膜图像的结构和纹理差异,提出了适用于虹膜图像超分辨率的双路径网络结构,设计了双支路残差密集块提取深层虹膜特征,并采用后置放大策略重建图像。针对CASIA-IrisV4虹膜图像库进行了实验,并与主流重建算法进行了比较,发现重建的图像结构清晰,纹理细节丰富。虹膜匹配实验结果表明,该算法的等错误率均为最优,重建图像具有良好的识别效果。     

SAR图像纹理特征提取与分类研究

为了高精度地提取合成孔径雷达(SAR)图像中的有用信息,提出一种基于灰度共生矩阵的纹理特征辅助SAR图像分类方法,该方法选择的是在合适的窗口尺寸下能将各种地物类型区分开的最佳纹理特征组合.采用增强的Frost滤波法对SAR图像进行斑点噪声抑制,通过比较各典型地物基于灰度共生矩阵的纹理特征统计量,确定参与分类的最佳纹理特征组合、计算灰度共生矩阵的最佳窗口尺寸;采用主成分分析法去除各纹理特征之间的相关性,选择信息量大的2个主成分与图像的灰度共同组成3个波段的图像;最后采用最大似然分类法对该组合图像进行分类.结果表明:该方法提取出的纹理特征辅助SAR图像分类,比无纹理信息参与的SAR图像分类,其精度可提高11.20%.     

虹膜识别关键技术研究

虹膜识别是一种新颖的基于生物特征的身份鉴别方法，在信息及安全领域有着重要的砬用价值．在总结前人工作的基础上，就虹膜成像、虹膜区域定位、预处理机虹膜纹理编码等关键技术进行了讨论，给出了一些相关的改进及创新算法，实现了一套基于虹膜识别的身份认证系统，实验结果验证了工作的有效性．     

用于虹膜识别的多尺度图像基特征提取

提出了一种新的虹膜特征提取算法．采用不同的图像基函数分析虹膜图像的基本微观结构,从而确定主导虹膜图像产生的图像基为LoG函数,进而利用LoG函数在多尺度空间检测虹膜细节特征．不同与传统多尺度分析的独立编码方法,通过推导LoG滤波器的标准化参数,计算标准化响应在尺度空间上的局部极值,确定虹膜每一细节特征的最佳尺度,只编码细节点在最佳尺度上的滤波输出,从而使得特征模板与单尺度分析时相同．实验比较表明,该方法用八分之一特征码长取得了与Dauman所提算法相近的性能,且与其他基于细节特征多尺度分析的虹膜识别算法相比,系统识别等错误率至少降低了5％．     

基于保局映射的图像纹理聚类

为了解决图像检索中的聚类问题,提出一种改进的图像纹理聚类算法.在纹理特征提取阶段,采用双树复小波对图像进行分解,然后对每个高频段提取直方图签名作为纹理特征;在聚类阶段,根据数据分布的密度来动态地计算数据点的邻接矩阵,再采用保局映射进行降维,对降维后的数据进行k-means聚类.通过采用直方图签名的方式能有效地表示图像纹理在各个方向上特征信息,同时根据数据密度构建的邻接矩阵,能够和保局映射一起更有效地发掘数据之间的局部相关性.实验表明:相对于传统方法,该算法具有更高的聚类正确性.     

一种虹膜色素块检测与分类方法

针对现有虹膜识别系统中全局纹理特征提取方法忽略了纹理类型信息的问题,提出了一种针对全局性纹理中虹膜色素块的检测与分类方法.该方法利用灰度聚类法实现虹膜图像中色素块可能存在区域的初定位,依据坑洞和色素斑这两类色素块的灰度空间分布特性,定义一组区域特征参数作为分类特征向量,利用支持向量机实现二者的检测与分类.算法对图库中图像的坑洞和色素斑的检测正确率分别为99.2%和86.5%,对无特征纹理存在的虹膜图像检测正确率为87.2%.实验结果表明,该方法具有较高的正确率,能够满足虹膜识别系统的纹理特征提取要求.     

Case study on the extraction of land cover information from the SAR image of a coal mining area

In this study, analyses are conducted on the information features of a construction site, a cornfield and subsidence seeper land in a coal mining area with a synthetic aperture radar (SAR) image of medium resolution. Based on features of land cover of the coal mining area, on texture feature extraction and a selection method of a gray-level co-occurrence matrix (GLCM) of the SAR image, we propose in this study that the optimum window size for computing the GLCM is an appropriate sized window that can effectively distinguish different types of land cover. Next, a band combination was carried out over the text feature images and the band-filtered SAR image to secure a new multi-band image. After the transformation of the new image with principal component analysis, a classification is conducted selectively on three principal component bands with the most information. Finally, through training and experimenting with the samples, a better three-layered BP neural network was established to classify the SAR image. The results show that, assisted by texture information, the neural network classification improved the accuracy of SAR image clas-sification by 14.6%, compared with a classification by maximum likelihood estimation without texture information.