一种新的指纹图像模板细化方法*

OPTA方法是一个经典的指纹图像细化方法,针对OPTA的不足提出的改进OPTA方法能够得到完全细化的指纹图像,细化后图像纹线扭曲小。但是这两种模板细化方法均存在细化后图像容易产生毛刺的不足,究其原因是由于模板细化方向粗糙造成的。为此提出了16方向的细化模板,该模板以22.5°为角度单位对图像进行更细致的细化处理,得到的细化图像光滑几乎无毛刺,取得了更为理想的细化效果。     

基于改进PCNN的指纹图像细化算法

针对基于模板脉冲耦合神经网络(PCNN)指纹图像细化算法细化时间长、纹线断裂、细化不彻底等问题,通过增加4个细化模板,重新构造方形模板及改变细化过程,提出一种基于改进PCNN的指纹图像细化算法。实验结果表明,该算法能够较好地满足细化要求,细化彻底、速度快且纹线光滑无毛刺,能够应用于其他二值图像。     

指纹图像细化的复合式算法

指纹图像细化是指纹识别算法中的重要环节,对特征提取起到关键作用。为了快速和高质量地对指纹图像进行细化,对快速细化算法和改进OPTA细化算法不足产生的内在原因进行分析,提出一种新的复合式指纹图像细化算法,该算法设计一套预处理模板,避免了快速细化算法形成的毛刺,并对改进OPTA算法进行了优化。大量实验结果表明,该算法不但具有以往算法的优点,有较好的细化速度,而且细化质量有显著地提高,细化后的图像光滑几乎无毛刺。     

PCNN在指纹图像分割中的应用

提出了采用新型的有生物学依据的人工神经网络-脉冲耦合神经网络（PCNN桺ulse Coupled Neural Network）来实现指纹图像分割的方法,选取低灰度值背景、高灰度值背景指纹图像以及带阴影的指纹图像进行分割实验,有效的实现了指纹图像有效区和背景区的分离,并与传统的标准差阈值跟踪法进行了比较,试验表明这种方法具有更好的效果。     

OPTA算法的改进及其在指纹图像细化中的应用

图像细化是指纹预处理技术中的一个重要环节,大多数指纹识别算法都是在细化图像上实现特征点的检测。因此,研究图像细化对提高指纹识别系统的性能具有重要意义。对OPTA算法进行了改进,将其应用在指纹图像细化中,并对其局限性进行了分析。实验结果表明,使用改进的OPTA算法,指纹图像细化效果有明显的提高。     

一种改进的图像模板细化算法

针对现有图像模板细化算法中存在的诸如迭代次数较多、细化速度较慢、图像某些部位细化不完全等问题，提出了一组改进的细化模板。针对指纹图像应用新算法进行的细化实验结果表明，采用改进的细化模板，新算法在保证对图像完全细化的同时，能显著减少细化所需的迭代次数，从而加快了细化处理速度。     

指纹图像细化的综合化算法

指纹图像细化指将指纹脊线削减为单像素宽的线条,它能够有效地提高自动指纹识别系统(AFIS)的性能.根据OPTA算法及其改进算法,结合AFIS对图像细化算法在运算速度和系统资源两方面的要求,提出一种基于快速细化算法并引入OPTA算法优点的改进算法,该算法对指纹二值图像的细化结果满足8连接条件.在FVC指纹数据库上的测试结果表明,文中算法能够获得正确的指纹细化图像,运算速度满足AFIS的要求.     

一种新的指纹图像快速细化算法

针对快速并行细化算法存在的不足,即细化不全、不光滑、毛刺等缺点进行分析和研究,提出了一种新的细化算法,该算法速度快、细化全,细化后的指纹骨架在纹线中心线,且光滑无毛刺,不会产生断线,实验结果非常好。     

二值指纹图像方向图算法

在指纹自动识别过程中,指纹的纹理特点决定了方向信息的重要性。图像的增强、二值化、分割、模式分类以及压缩等许多地方,都用到了方向信息。方向图是方向信息的表示方法,方向图的准确性决定了自动识别过程中各种算法的效果。本文在二值化处理的基础上,提出了一种不受背景干扰的指纹图像方向图算法,能够准确地反映了指纹模式区的纹理方向。实验证实我们的算法具有良好的鲁棒性,可用于二值化的后期处理。     

一种新的指纹图象细化算法

针对ＯＰＴＡ细化算法存在的不足,即细化不全,速度较慢的缺点进行分析和研究,提出了一种新的细化算法,该算法速度快,细化全,细化后的指纹骨架在纹线中心线,且光滑无毛刺。     

一种改进的PCNN图像融合算法

针对使用小波变换及简单融合规则的图像融合算法的不足,提出了一种改进的基于脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）融合规则的非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）图像融合方法。对已配准待融合图像进行NSCT分解,采用改进的PCNN融合规则对Contourlet域系数进行融合,得到融合图像的NSCT系数,经逆变换重构得到融合图像。实验结果表明该算法在主观视觉和客观评价指标上都取得了较好的融合效果。     

一种有效的混合式指纹快速细化算法

针对现有指纹细化算法存在的模板匹配次数过多、迭代频繁、细化不完全等现象 ,在深入分析了快速细化算法和串并混合式细化算法特点的基础上 ,提出了一种新的混合式指纹细化算法 ,有效地提高了细化速度和细化质量。     

一种改进的指纹图像细化算法

在自动指纹识别系统中,细化占有重要的地位,现有的指纹细化算法存在很多问题,如细化不彻底、纹线吞噬、骨架偏离纹线中心等。对快速细化算法和改进的OPTA细化算法进行了分析和研究,指出这两种算法在指纹纹线和分叉点处图像细化不彻底等缺陷。同时将两种细化算法有机结合,设计了一组改进的细化模板,提出了一种新的细化算法。实验结果证明：该算法与传统的细化算法相比没有破坏纹线的连接性,不会引起纹线的逐步吞食,又保护了指纹的细节特征。而且该算法运算速度也大大加快,处理后的指纹图像细化完全,骨架接近纹线中心线,光滑无毛刺,方便特征提取和减少匹配的复杂度。     

基于PCNN和果蝇优化算法的自适应图像融合

针对脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）中参数选取不易确定的不足,提出一种基于脉冲耦合神经网络和果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）的自适应图像融合算法。利用FOA的全局搜索能力,以平均结构相似度作为FOA的适应度函数,对PCNN的4个参数[β、][Vθ、][αL]和[αθ]进行自适应设定;结合最大化原则,采用PCNN对源图像进行融合。实验结果表明,该算法在主观视觉效果和客观评价指标上优于其他融合算法。     

改进的EPTA并行细化算法

为了解决现有细化算法中像素冗余、分叉、畸变等问题,在ZS（ZHANG和SUEN）并行细化算法的基础上增加了两个映像子过程,获得了更加接近中心线的骨架图像;通过增加判决条件并设计消除模板,提出了一种改进的EPTA并行细化算法,解决了EPTA细化算法的像素冗余、二像素宽度斜线细化局限性畸变等问题。实验结果表明改进的EPTA细化算法能得到更准确的完全细化结果。     

融合小波变换与改进PCNN的图像增强算法研究

为了解决方向对纹理图像细节增强的限制问题,提出一种融合小波变换与改进脉冲耦合神经网络（PCNN）的图像增强算法。该算法首先对图像进行二维离散小波变换,提取图像的高频分量图。然后将图像像素的局部梯度值作为链接强度系数,在动态阈值函数中加入侧抑制信号来改进脉冲耦合神经网络;并用改进的脉冲耦合神经网络对高频分量图进行增强。最后使用中值滤波对小波重构后的图像进行非线性平滑,实现纹理图像细节的增强。实验结果表明,该算法能够有效地减少图像细节增强时方向的限制。增强后,纹理图像的细节更加丰富,整体对比度也有一定的提高。     

Unit-Linking PCNN中的彩色图像边缘检测

PCNN模型具有相似群神经元同步发放脉冲的特性,适合于图像分割。对彩色图像的亮度分量进行对数变换,使其更符合人眼的视觉特性;在PCNN进行彩色图像R、G、B三分量分割的过程中,利用遗传算法进行神经元关键参数的选择,利用偏态指标进行迭代控制;在Unit-Linking PCNN模型中实现R、G、B三分量分割图的边缘检测,利用加权合并策略得到最终的边缘检测结果。仿真结果表明,该方法得到的结果体现了图像中更多的轮廓细节,具有很好的自适应性。