改进的指纹图像参考点定位算法

针对Hong和Jain提出的指纹图像参考点定位算法的不足提出了指纹定位算法的改进方案，利用复数滤波器对指纹脊线方向场进行滤波来定位指纹图像的参考点，并通过在FVC2000标准指纹数据库上的对比实验，验证了该改进算法的有效性．     

基于方向差异场的指纹图像粗糙对齐

基于指纹方向场特征,在指纹识别早期阶段实现指纹图像的粗糙对齐,进而分割出两幅指纹图像之间的重叠区域,减少了后续特征提取和匹配阶段需要处理的数据量,并提高了指纹图像匹配准确率。定义了指纹方向差异场,将指纹方向场转换为指纹方向差异场,然后基于指纹方向差异场对齐指纹图像,有效降低了指纹方向场相关性计算过程的计算开销,同时抑制了指纹图像中非线性形变对指纹方向场可能造成的影响。实验结果验证了所提出方法的有效性。     

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.     

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％．     

一种高效的指纹图像逐层分割算法

通过研究传统指纹图像分割算法以及多种混合技术指纹图像分割算法,提出一种高效的结合多种方法对指纹图像进行逐层分割的算法.该算法能准确地从原始指纹图像中分割出背景区和前景区,再从前景区中分割出清晰区和模糊区,最后从模糊区中分割出可恢复区和不可恢复区.实验结果表明:该算法抗噪能力强、分割效果好.     

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。     

基于马尔科夫模型的指纹分割算法

图像识别中的指纹识别是一个重要的研究方向,在这个方向中,很多的模型对于识别指纹都是有效的,其中马尔科夫模型是一个很有效的方法。作者提出的方法里,以指纹图像中的闭合曲线为研究对象,通过转移概率生成一个闭合曲线的马尔科夫链,当该链收敛到指纹区的边界,可以认为该曲线实现了指纹区与背景区的分割。为加速收敛,蒙特卡罗方法以及遗传算法也融合到模型中。     

用于三角网格模型的启发式四边区域划分算法

提出了一种对三角网格模型进行自动四边区域划分的算法。首先,基于法向量对模型进行初始区域划分,然后,基于Euclidean距离对初始区域进行二次区域划分,并经过区域调整后得到多边区域模型,将多边区域划分为三边、四边区域的混合模型后,根据区域拓扑顺序对三边区域进行调整得到完全的四边区域划分。该算法能自动适应模型几何特性得到大小合理的区域划分,并能匹配模型的凹、凸特征。     

一种新的图像分割算法

针对一类普遍存在的图像,采用具有生物学背景的交叉视觉皮质模型进行图像分割.将交叉视觉皮质模型所具有的符合人眼对亮度响应非线性要求的指数衰减的阈值机制,改进为适合图像分割处理的线性衰减的阈值机制,提出了线性阈值-交叉视觉皮质模型.同时采用改进的二维Tsallis交叉熵作为分割准则,可自动地确定交叉视觉皮质模型神经元的分割阈值以及循环迭代次数.实验表明,这种分割算法优于经典的OSTU算法和K-m eans算法,同时基于改进的二维Tsallis交叉熵准则优于基于二维最大Shannon熵准则、传统二维Tsallis交叉熵准则和一维最小Tsallis交叉熵准则.     

EM算法在纹理织物图像分割中的应用

提出了一种基于多特征值高斯混合模型（Gaussian Mixture Model）期望最大化（Expectation Maximization,EM）聚类的图像分割算法.该算法采用YCbCr彩色空间提取每个像素点的颜色特征,选择像素点邻近的一个方块计算每个像素点的纹理特征,然后采用基于高斯混合模型的EM算法对图像每个像素进行聚类,根据聚类结果进行区域合并得到纹理织物图像分割的最终结果.通过和其他分割算法进行对比,此算法具有较好的分割效果.     

Dirichlet过程混合模型SAR图像分割算法

传统的合成孔径雷达(SAR)图像参数化有限模型都有其特定的物理背景或者数学假设,很难准确估计SAR图像中各地物的密度分布,为了解决这一问题,提出一种基于非参数化无限混合模型的SAR图像分割方法,该方法利用Dirichlet过程对SAR图像进行建模,进一步采用非参数化Bayes模型分割包含复杂地物目标的SAR图像。Dirichlet分布作为一种基于分布的分布可以确定不同类别的先验概率,由样本估计出密度函数来描述图像,从而可以更精确地分割各类地物。该算法在模拟图像与真实SAR图像上进行了比对测试,实验结果验证了Dirichlet过程混合模型SAR图像分割算法的有效性和稳健性。     

基于分布匹配的主动轮廓模型及其图像分割算法

针对运动目标跟踪的快速性和鲁棒性要求,提出了基于分布匹配的主动轮廓模型,该模型将模板和候选区域的分布匹配标准——相对熵(即Kullback-Leibler距离)作为主动轮廓的外部能量,使用目标和背景全图像的匹配,克服了跟踪过程中噪声的影响。同时根据匹配力构建帧内和帧间的运动向量,加快了序列图像分割速度。相比于现有的基于边缘、块匹配、区域匹配的主动轮廓模型,该模型具有更好的噪声鲁棒性及在跟踪过程中容忍目标旋转和较大位移的能力。实验验证了该模型的有效性。     

基于机器学习的视频指纹识别

把视频应用于指纹识别,定义指纹视频的内部相似性(inside similarity,S^I)和一对待匹配指纹视频的外部相似性(outside similarity,S^O),计算两个视频的匹配分数来表示它们的相似性,大大提高了自动指纹识别系统的识别率。为寻求更好的识别效果,提出把一次匹配结果作为一个样本,将S^I和S^O作为一个样本的两个特征的新思路,把判断一次匹配是同源匹配还是异源匹配问题转化为对具有二维特征(S^I,S^O)的样本进行分类的问题。在样本集上应用常见的机器学习算法,对每次的匹配结果进行分类。在两组样本集上的实验结果为:应用机器学习算法得到的最低错误率分别为0.1704％和0.1106％,而使用阈值得到的最低错误率分别为0.2229％和0.1700％。结果表明,相比使用阈值来区分指纹同、异源的方法,应用机器学习算法不仅提高了识别率,而且省去了计算两个视频的匹配分数时对参数和阈值的复杂选取过程。