一、基于小波的指纹图像增强算法(论文文献综述)
刘博瑞,安艳,韩天红[1](2021)在《基于小波分析的指纹图像模糊边缘识别算法》文中研究表明为了平衡指纹图像识别方法的识别效果与抗噪性能,研究基于小波分析的指纹图像模糊边缘识别算法,提升指纹图像模糊边缘识别的正确率和抗噪性能。采用小波变换增强指纹图像,提高图像质量。并将图像方向场矩阵中被标记次数最多处视为图像中心点位置,以此为中心切割指纹图像,提取指纹有效区域。采用3阶Haar小波分解,提取有效区域内指纹图像边缘特征向量,将其作为概率神经网络(PNN)的输入。通过PNN的分类器完成指纹图像模糊边缘的某一特征向量和其它特征向量的分类和识别。实验结果表明:上述算法的指纹图像模糊边缘识别正确率为98%以上;在不同噪声环境下方法的抗噪性能良好,品质因数均较高,且识别时间短。
靳阳阳,韩现伟,周书宁,张世超[2](2021)在《图像增强算法综述》文中指出图像增强算法主要是对成像设备采集的图像进行一系列的加工处理,增强图像的整体效果或是局部细节,从而提高整体与部分的对比度,抑制不必要的细节信息,改善图像的质量,使其符合人眼的视觉特性.首先,本文从图像增强算法的基本原理出发,归纳了直方图均衡图像增强、小波变换图像增强、偏微分方程图像增强、分数阶微分的图像增强、基于Retinex理论的图像增强和基于深度学习的图像增强算法,并讨论了它们的改进算法.然后,从视觉效果、对比度、信息熵等方面对几种算法进行了定性和定量的对比,分析了它们的优势和劣势.最后,对图像增强算法的未来发展趋势作了简单的展望.
张晓欢[3](2021)在《低质量指纹图像识别算法的研究与实现》文中提出随着指纹识别技术的应用越来越广,人们对其识别效率和准确性要求越来越高,而现实中受采集环境或自身皮肤状况影响仍存在大量低质量指纹图像无法得到有效识别。现有低质量指纹图像识别算法以图像增强为主,在一定程度上能减少伪细节点数目,但经过特征提取后仍会存在大量伪细节点,最终导致整个指纹识别系统的性能下降,使得及时、准确识别低质量指纹图像成为目前亟待解决的一个问题。本文提出一种低质量指纹图像识别算法,该算法主要围绕指纹识别系统中影响低质量指纹图像识别性能的图像增强、特征提取和特征匹配三个环节进行。具体研究内容如下:1.在图像增强环节,针对受采集环境或污损影响的低质量指纹图像存在大量伪细节点的情况,在深入研究典型方向滤波图像增强方法基础上,结合短时傅里叶变换同时求取指纹图像的方向场和频率场,有效地避免频率场对方向场估计依赖性强的问题,提高低质量指纹图像增强的效果,从而减少低质量指纹图像中伪细节点的数量。2.在特征提取环节,对经过图像增强后的指纹灰度图像,通过建立数学模型进行细节点特征的提取,有效避免对指纹图像进行细化处理时引入大量伪细节点,增加提取特征的有效性。3.在特征匹配环节,对经过图像增强后的图像提取出的细节点进行可靠性分析,通过建立核心细节点支持性系统,用多个细节点形成的系统间的相似性代替核心细节点对间的相似性,排除相似性低的核心细节点对的同时找出相似性高的可靠细节点对,根据最优校准法则从可靠细节点对中选出成功匹配的细节点数量计算匹配分数,充分利用低质量指纹图像中可靠性高的细节点信息进行匹配,能有效地改善低质量指纹图像的识别效率和准确率。实验结果表明,本文算法与现有低质量指纹图像识别算法相比,在减少低质量指纹图像中伪细节点产生的同时,经可靠性分析,选取出可靠性高的细节点用于匹配分数的计算,能有效解决低质量指纹图像识别系统性能差的问题。
陆雨婷[4](2020)在《具备抗旋转能力的指静脉指形融合识别算法研究》文中研究说明随着科技的发展,人们对于自身身份信息的安全性越来越重视,生物特征识别也受到越来越广泛的关注。其中,指静脉识别由于其独特的活体检测能力更是受到了研究人员的特别关注。然而,在指静脉图像采集过程时,用户手指为无约束状态,手指自由度较高,容易发生手指轴向旋转导致的静脉图像形变问题,降低系统的识别精度。而手指轴向旋转问题一直是极具有挑战性的难题。为此,本文针对该问题进行深入研究,从多个角度探索解决手指轴向旋转问题的方法。与现有的研究相比,本文的贡献在于:第一,提出了一种新的共同区域下抗手指轴向旋转的指静脉特征提取算法。针对手指轴向旋转会导致成像区域部分不一致的问题,本文提出采用基于皮尔森相似度的共同区域提取方法来获取待匹配图像的最相似区域作为共同区域。然而获取的共同区域之间仍然存在由于手指轴向旋转而引起的纹路形变,为此我们针对性的提出了一种双方向编码直方图特征来解决常见的静脉纹路偏移和形变问题,从而有效减少手指轴向旋转的影响。此外,通过分析指静脉纹理中包含的特征信息,可以发现指静脉纹理中不仅包含方向信息,还有着结构信息。因此本文将提出的双方向编码与纹理结构特征进行融合。实验证明,将两种特征融合后可有效提高识别性能。第二,提出了一种新的指形特征提取算法。对于采集的原始静脉图像,可以看出图像中手指区域内不仅包含了静脉纹理信息,还有手指轮廓信息。为此,本文将指形特征作为辅助特征,与静脉特征进行融合,完善身份信息,提高识别性能。为了减少指形信息之间的冗余,本文提取了具有代表性的宽度向量与质心边缘距离向量作为基础指形特征,随后将其进行分块处理生成均值方差序列。实验证明,分块处理生成均值方差序列的策略不仅可以极大程度上减少信息的冗余,同时缓解了手指轴向旋转带来的影响。第三,提出了一种匹配静脉特征与指形特征的分层混合匹配策略。静脉特征与指形特征所包含的信息量不同,在匹配阶段应采用不同的匹配方法以获得更好的匹配结果。对于信息量较多的静脉纹理结构特征与静脉方向特征,采用较为复杂的SVM分类与卡方距离获得其匹配分数,随后将两种静脉特征分数进行加权融合得到最终的静脉匹配分数。对于信息量较少的指形特征,则使用曼哈顿距离进行匹配得到最终的指形分数。最后将静脉分数与指形分数加权融合获得最终的匹配分数。该分层混合匹配策略将静脉信息与指形信息进行融合,获取更多的身份信息,提高身份识别的准确度。最后,本文不仅在公开的透射式数据库FV-USM,MMCBNU和SDUMLA上进行了实验,达到了0.11%,0.37%和0.46%的等误率,在自建的反射式数据库SCUT LFMB--D:RIFV上也进行了实验,达到了2.26%的等误率。从设计的对比实验结果来看,本文提出的方法不仅能提高系统的识别性能,还能有效提升系统的抗旋转能力,在很大程度上解决了手指轴向旋转引起的识别性能下降的问题。
王丹[5](2020)在《基于各向异性扩散的指纹图像增强算法研究与应用》文中指出在当前所有的生物识别技术中,指纹识别技术是其中使用最为普遍的技术之一。指纹识别系统的性能在很大程度上依赖于输入指纹图像的质量。通常情况下,受外界环境等因素的影响,指纹图像在获取中,产生的噪声会损坏指纹信息,降低图像对比度,因此需要增强退化的指纹图像以便于后续步骤的处理。本文研究基于各向异性扩散的指纹图像增强方法,主要工作如下:1、对指纹增强的相关理论进行梳理,并阐述指纹图像增强的重要性;2、介绍了基于偏微分方程的线性扩散滤波过程和非线性扩散中的PM、Catte和FABD等模型,以及基于各向异性扩散的边缘增强和相干增强扩散算法,同时对冲击滤波算法进行了探讨;3、针对相干增强扩散滤波增强后的指纹图像会出现边缘模糊及对比度降低等现象,提出一种新的增强模型:CED-SF模型。该模型在第一阶段利用相干增强扩散算法对退化的指纹图像进行修复,之后通过冲击滤波锐化边缘;4、为验证本文方法的有效性,利用MATLAB进行仿真实验,并总结该方法在图像增强等三个方面的应用。先将本文算法、相干增强扩散和冲击滤波这三种方法对指纹图像进行增强处理,增强结果表明,本文改进的算法既能保留相干增强扩散的积极成果,又发挥了冲击滤波的锐化特性;然后,将本文算法应用到模拟的指纹识别算法中,选取合适的指纹图像作为模板指纹,实验证明,与相关算法相比,本文算法可以提高匹配度,在保护指纹图像细节点方面性能较好;最后,进行艺术创作,选取流状结构明显的图像作为实验对象,将本文算法、相干增强扩散和冲击滤波这三种方法的增强结果进行对比,并分析其在艺术创作等方面的特征表现。
汪宏[6](2020)在《基于Lαβ变换和AGC的蒙古族家具纹样增强及分类研究》文中提出在蒙古族家具纹样分类中,目前主要依靠主观视觉效果进行分类,分类结果不够准确。在获得蒙古族家具纹样的过程中,由于历史变迁、环境因素、取样设备以及传输过程中其它因素的影响,会使纹样模糊失真,影响纹样识别。为了增强模糊失真的家具纹样,以及更好地提高纹样识别率,从而达到准确分类的目的,本研究提出了基于Lαβ变换和AGC(Adaptive Gamma Correction)的蒙古族家具纹样增强算法。该算法将RGB(Red Green Blue)色彩空间转换到Lαβ色彩空间,其中 L(Brightness)为亮度通道、α(Red-green dominance channel)为红绿色度通道、β(Yellow-blue dominance channel)为黄蓝色度通道,消除了RGB颜色通道之间的相互干扰,最后利用AGC算法进行增强,输出增强的家具纹样。论文研究的主要内容如下:1.介绍了图像增强理论及具有代表性的离散小波变换奇异值分解DWT-SVD(Discrete Wavelet Transform-Singular Value Decomposition)、对比度受限的自适应直方图均衡化 CLAHE(Contrast Limited Adaptive Histogram Equalization)、伽马校正三种传统增强方法。2.本文提出基于Lαβ变换和AGC的蒙古族家具纹样增强算法,以蒙古族家具纹样中的动物、植物、几何、文字四类纹样作为研究对象,将本文的增强算法与DWT-SVD、CLAHE、伽马校正增强算法进行对比,应用峰值信噪比PSNR(Peak Signal-to-Noise Ratio)、均方误差 MSE(Mean Square Error)、结构相似性指数测量SSIM(Structure Similarity Index Measurement)、信息熵IE(Information Entropy)进行客观评价。3.以蒙古族家具纹样中的动物、植物、几何、文字类纹样作为识别样本,分别用本文算法和三种传统增强算法对纹样进行预处理,然后用SVM(Support Vector Machine)径向基函数和角度MSE、亮度MSE、对比度C(Contrast)和同质性H(Homogeneity)识别参数对增强后纹样进行识别,分析比较识别结果。
丁洪霞[7](2019)在《基于指纹拼接与特征描述子的小面积指纹加密算法研究》文中研究表明随着便携式电子设备和嵌入式技术的发展,指纹识别技术在移动智能终端设备上的应用已经普及,指纹加密技术在移动智能终端设备上的应用也显得尤为迫切。作为应用最广泛的生物特征,指纹与加密技术相结合克服了传统信息加密技术记忆困难、使用不便等缺点,为解决密钥保护和生物特征模板安全提供了新的思路和解决方案。指纹模糊保险箱算法是目前应用最广的指纹加密算法之一,它利用指纹特征达到了个人身份信息与密钥信息绑定的目的,调和了指纹识别技术的模糊性与加密技术的精确性之间的矛盾。然而,移动智能终端设备搭载的指纹采集仪较小,相比于常规采集仪,这些设备采集到的指纹图像面积大幅度减小,直接导致可提取使用的指纹特征信息不足,难以直接将指纹模糊保险箱算法应用于小面积指纹图像。论文针对小面积指纹加密问题,从指纹拼接和特征描述子两个方面进行深入研究,提高了模糊保险箱算法在小面积指纹上的性能,主要内容包括:(1)论文实现了一种基于指纹拼接的小面积指纹模糊保险箱设计方案。针对指纹特征信息提取个数较少的问题,分别从指纹特征拼接技术和指纹图像拼接技术有效的增加指纹特征信息,满足了使用模糊保险箱算法对于指纹特征信息数量的基本要求。(2)论文针对指纹加密域匹配的问题,实现了一种基于融合特征描述子的模糊保险箱算法,该算法对指纹特征描述子进行重新构造,以辅助数据(Helper Data)为突破口,构造了指纹融合特征描述子,提高了匹配细节点对之间的相似度,提升了指纹模糊保险箱算法的加密域匹配精度。论文在FVC2002 DB1常规指纹数据库和课题组自建的XDFinger小面积指纹数据库进行对比实验。实验结果表明,相比于常规指纹,指纹模糊保险箱算法在小面积指纹上难以适用。在XDFinger小面积指纹数据库上的实验结果表明,基于指纹拼接的小面积指纹模糊保险箱方案将获取失败率(FTCR)由38%降低到6%,将正确接受率(GAR)由46%提高到了68%;相比于传统模糊保险箱算法,基于融合特征描述子模糊保险箱算法在保证同等安全性的前提下,FTCR不变,将GAR由60%提高到了75%,同时FAR由0.12%降低到0.02%。综上所述,论文实现的指纹加密算法的性能在小面积指纹上得到了显着提升,在一定程度上提升了基于指纹识别技术的移动支付技术的安全性能,推进了小面积指纹加密技术在智能移动终端的应用。
蒋康康[8](2019)在《基于Hessian矩阵的地震随机噪音压制方法研究》文中进行了进一步梳理随着油气勘探开发工作的不断深入,国内外对地震资料采集和处理技术的要求也日益提高。去除随机噪声,提高信噪比,实现强噪背景下的弱信号提取对复杂构造的精确成像具有重要意义。考虑到传统去噪方法在构造复杂地区难以取得理想的去噪结果,本文引入尺度空间理论,提出基于Hessian矩阵的多尺度随机噪音压制方法。在二维数据中,本文将含有不同频率成分的有效信号看作为多个尺度的不同曲率“曲线”的组合,从而利用Hessian矩阵在曲线检测方面表现出的良好性能实现信噪分离。进一步利用了有效信号在三维数据体中的时空连续性将算法扩展到了三维,实现了三维地震数据的随机噪音压制。该方法与传统方法相比不受地层倾角的限制,因此能够处理构造较为复杂地区的地震数据,并且能较好的保持构造的边界。分别利用二维、三维模型及实际资料对论文提出方法进行验证并与传统方法F-X反褶积及商业软件的去噪结果作对比,结果表明基于Hessian矩阵的多尺度随机噪音压制方法对于二维的叠前和叠后数据以及三维数据体都可取得良好的去噪效果,且在压制随机噪音的同时能够保持有效信号的完整性,兼顾了地震资料的信噪比和保真度。
常凯[9](2019)在《基于特征融合的低质量指纹图像的识别方法研究》文中认为现有的指纹识别算法应用于低质量指纹图像时,由于指纹图像存在污损、断裂、伤疤和形变等问题,能够提取的有效特征变少或者伪特征变多,从而导致了指纹识别变得十分困难。国内外学者针对该问题已经提出了很多解决办法,但在识别速度和准确率上依旧难以同时达到很高的水平,这也是现如今指纹识别领域中迫切需要解决的问题。针对该问题,分析和总结了国内外学者在低质量指纹图像识别领域提出的学术研究成果,并对其识别过程中的图像增强、图像分割和特征匹配等方法进行了相应的改进和优化。本文的主要工作包括:(1)提出了基于改进算子和自适应微分阶数的低质量指纹图像增强方法。该方法选择了比传统算子更高精度的微分增强算子,并以距离为标准对传统算子结构进行了优化,达到了更好的效果。此外,根据指纹图像的特点,构造了由图像局部信息熵和梯度组成的自适应微分阶数函数,保证了图像中各像素点都能获取较优的微分阶数,从而使得整体的图像增强效果得到进一步提升。(2)提出了基于自适应阈值和形态学的二层分割方法。该方法在第一次分割中,通过选择灰度共生矩阵的对比度方差和其他实验参数来对分割阈值进行自适应优化,提升初步分割效果。在二次分割中,根据初步分割产生噪声的特点,对其进行相应的滤波处理后通过数学形态学的操作,有效地去除了初步分割中的噪声。实验表明该算法在低质量指纹图像上的分割精度达到了96.83%,相比同类型分割算法具有更高精度。(3)提出了基于特征融合的矢量三角形匹配算法。该方法将特征点的基本特征和矢量三角形的结构特征进行融合,构造出全新的特征向量。并基于Delaunay三角剖分的优点,对局部特征向量的结构进行了优化,同时在二次匹配中优化了可变限界盒的设计,提高了低质量指纹图像的识别准确率。同时还对整个匹配过程进行了优化,通过二层匹配方式实现指纹的快速识别。实验表明该算法在识别低质量指纹图像时相等误差率只有7.6%,比同类型匹配算法具有更低的错误率。
史骏鹏[10](2016)在《面向版权保护和身份认证的指纹水印算法研究》文中研究说明随着计算机技术和多媒体技术的快速发展,人们对信息安全提出了更高的要求。研究数字多媒体作品的版权保护和电子商务中的身份认证,能够确保多媒体信息的真实性、完整性和有效性,为保护个人财产的安全、维持金融交易的稳定提供重要的技术支持。本文在前人研究的基础上,深入研究了版权保护和身份认证中的数字水印技术和指纹识别技术,主要工作如下:首先,提出了一种基于复Contourlet域的支持向量机(Support Vector Machine,SVM)和Krawtchouk矩的双水印算法。在RGB宿主图像的蓝色分量上通过Krawtchouk矩不变量构建鲁棒水印,对绿色分量进行复Contourlet分解,并利用SVM预测模型嵌入和提取数字水印。实验结果表明,与基于小波域的数字水印算法和基于Contourlet域的数字水印算法相比,该算法对常规图像处理有更好的鲁棒性。然后,讨论了一种在非下采样Contourlet变换(Non-subsampled Contourlet Transform,NSCT)域上利用尺度不变特征变换(Scale-invariant Feature Transform,SIFT)关键点对图像几何校正,结合非负矩阵分解(Non-negative Matrix Factorization,NMF)和奇异值分解(Singular Value Decomposition,SVD)的抗几何攻击水印算法。对RGB宿主图像进行NSCT变换并分别提取低频部分的蓝色分量和红色分量,在蓝色分量上进行NMF分解和SVD分解后得到非负矩阵的奇异值,进行水印的嵌入;同时利用红色分量上的SIFT关键点信息对宿主图像进行几何校正,恢复了水印的同步信息后再进行水印的提取。实验结果表明,该算法在保证不可感知性的前提下,能很有效地抵抗各类几何攻击。其次,实现了一种基于多尺度Retinex(Multi-scale Retinex,MSR)的NSCT域指纹图像增强算法。对指纹图像进行NSCT分解得到一个低频分量和多个不同方向的高频分量,利用混合灰度函数的MSR算法增强低频分量,高频分量则采用非线性增益函数进行调整。实验结果表明,与双向直方图均衡算法、MSR算法、NSCT算法、平稳小波变换和Retinex算法等增强算法相比,该算法能更有效地提高指纹图像的信息熵和对比度,改善指纹图像的整体视觉效果,便于后续的指纹图像感兴趣区域分割和指纹特征提取。再次,给出了一种基于混沌蜂群(Chaotic Bee Colony,CBC)优化和可变界限盒的指纹匹配算法。利用混沌蜂群优化算法估计出指纹匹配特征的几何变换参数,对指纹特征点进行初匹配,并通过阈值筛选出合适的初匹配对;结合可变界限盒匹配对其进行第二次筛选,得到最后的匹配结果。实验结果表明,相较于基于局部特征的指纹匹配算法和基于遗传算法优化的指纹匹配算法,该算法匹配精度更高,运算时间更短。最后,研究了一种基于QR分解的指纹图像脆弱水印和指纹特征匹配相结合的身份认证系统。脆弱水印算法将宿主图像进行NSCT分解后,对低频部分分块并进行QR分解,得到上三角矩阵;利用Arnold变换和Logistic置乱对指纹水印进行双重加密后嵌入到上三角矩阵中。在身份认证系统部分,通过将水印算法部分提取出的指纹水印的特征和现场采集的指纹图像中所提取的特征或者数据库中存储的特征进行匹配,实现身份认证的目的。实验结果表明,水印算法对于常规图像处理和一般几何攻击都具有很好的脆弱性,并且不可见性高;结合指纹匹配后,身份认证系统具有较高的安全等级,能满足金融领域的用户身份认证需求。
二、基于小波的指纹图像增强算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波的指纹图像增强算法(论文提纲范文)
(1)基于小波分析的指纹图像模糊边缘识别算法(论文提纲范文)
1 引言 |
2 指纹图像模糊边缘识别算法设计 |
2.1 基于小波分析指纹图像增强算法 |
2.2 提取指纹有效区域 |
2.3 指纹图像边缘特征提取 |
2.4 基于PNN指纹图像模糊边缘识别 |
3 仿真与分析 |
3.1 识别性能测试 |
3.2 抗噪性能测试 |
3.3 识别效果评价 |
3.4 识别效率测试 |
4 结论 |
(3)低质量指纹图像识别算法的研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 自动指纹识别系统 |
1.3 低质量指纹图像识别的国内外研究现状 |
1.4 本文主要研究内容 |
第2章 低质量指纹图像增强 |
2.1 引言 |
2.2 典型低质量指纹图像增强算法分析 |
2.3 本文低质量指纹图像增强算法 |
2.3.1 基于频域分析的关键参数估计 |
2.3.2 基于方向和频率的低质量指纹图像增强 |
2.4 低质量指纹图像增强结果 |
2.5 本章小结 |
第3章 低质量指纹图像的特征提取 |
3.1 引言 |
3.2 典型低质量指纹图像特征提取算法分析 |
3.3 本文低质量指纹图像的特征提取算法 |
3.3.1 低质量指纹数学模型的建立 |
3.3.2 低质量指纹图像的细节点特征提取 |
3.3.3 低质量指纹图像的方向场特征提取 |
3.4 本章小结 |
第4章 低质量指纹图像的特征匹配 |
4.1 引言 |
4.2 典型低质量指纹图像的特征匹配算法分析 |
4.3 本文低质量指纹图像的细节点特征匹配 |
4.3.1 指纹点集匹配 |
4.3.2 核心细节点支持性系统的建立 |
4.3.3 可靠细节点对的获取 |
4.3.4 全局最优配准原理 |
4.3.5 计算匹配分数 |
4.4 本章小结 |
第5章 低质量指纹图像识别结果分析 |
5.1 实验平台搭建与数据库选取 |
5.2 指纹识别系统性能评价指标 |
5.3 低质量指纹图像识别结果可靠性分析 |
5.3.1 实验仿真结果分析 |
5.3.2 特征提取结果的可靠性分析 |
5.3.3 特征识别结果的可靠性分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文及获奖情况 |
致谢 |
(4)具备抗旋转能力的指静脉指形融合识别算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.3 研究现状 |
1.3.1 指静脉图像成像方式 |
1.3.2 手指轴向旋转的成因 |
1.3.3 指静脉的特征提取 |
1.3.4 指静脉研究的难点 |
1.4 本文的创新 |
1.5 论文的组织结构 |
第二章 指静脉图像的获取及预处理 |
2.1 指静脉图像的获取 |
2.2 指静脉图像的ROI截取 |
2.2.1 边缘检测 |
2.2.2 水平旋转校正 |
2.2.3 手指水平/垂直区域截取 |
2.2.4 ROI区域的截取 |
2.3 指静脉图像增强 |
2.3.1 最大主曲率 |
2.3.2 宽线检测 |
2.3.3 Gabor滤波 |
2.4 本章小结 |
第三章 指静脉双方向编码与纹理结构特征融合算法 |
3.1 手指轴向旋转校正策略 |
3.2 经典指静脉特征提取算法 |
3.2.1 局部二进制模式 |
3.2.2 韦伯局部描述子 |
3.2.3 方向梯度直方图 |
3.2.4 竞争编码 |
3.3 基于双方向编码指静脉特征提取 |
3.3.1 问题分析 |
3.3.2 双方向编码直方图 |
3.4 双方向编码与纹理结构特征融合方法 |
3.5 本章小结 |
第四章 基于宽度-质心边缘距离的指形特征提取算法 |
4.1 经典指形特征提取算法 |
4.1.1 基于小波变换指形特征提取 |
4.1.2 基于宽度和指尖角度指形特征提取 |
4.2 基于宽度-质心边缘距离均值方差序列的指形特征提取 |
4.3 本章小结 |
第五章 指静脉指形分层混合匹配 |
5.1 指静脉特征匹配算法 |
5.1.1 双方向编码特征匹配方法 |
5.1.2 纹理结构特征匹配方法 |
5.2 指形特征匹配算法 |
5.3 分层混合匹配策略 |
5.4 本章小结 |
第六章 实验结果与分析 |
6.1 实验数据库与评价标准 |
6.1.1 实验设备与数据库 |
6.1.2 性能评价标准 |
6.2 图像增强算法比较实验 |
6.3 手指轴向旋转校正策略的有效性验证 |
6.4 指静脉特征提取算法性能测试 |
6.4.1 双方向编码与单方向编码特征比较实验 |
6.4.2 双方向编码与纹理结构特征融合的有效性验证 |
6.4.3 与现有指静脉特征提取算法的比较实验 |
6.5 指形特征提取算法性能测试 |
6.5.1 分块策略的有效性验证 |
6.5.2 与经典指形特征提取算法的比较实验 |
6.6 分层混合匹配策略的有效性验证 |
6.7 本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
(5)基于各向异性扩散的指纹图像增强算法研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景及意义 |
1.2 研究现状 |
1.3 指纹识别系统 |
1.4 论文的主要内容 |
1.4.1 论文的任务 |
1.4.2 论文的研究内容 |
1.5 论文结构和章节安排 |
第二章 指纹图像增强处理的基本概念 |
2.1 脊线、谷线和奇异点 |
2.2 特征点、端点和分叉点 |
2.3 指纹增强概述 |
第三章 基于偏微分方程的图像处理 |
3.1 偏微分方程的基础理论 |
3.2 关于图像的数学求导 |
3.3 基于偏微分方程的图像处理方法 |
3.3.1 线性扩散滤波 |
3.3.2 非线性扩散滤波 |
3.3.3 各向异性扩散 |
3.4 本章小结 |
第四章 基于CED-SF模型的指纹增强算法 |
4.1 相干增强扩散算法 |
4.2 冲击滤波 |
4.3 CED-SF增强算法 |
4.4 算法流程 |
4.5 本章小结 |
第五章 实验与应用 |
5.1 CED-SF算法在指纹增强中的实验与应用 |
5.1.1 实验方法 |
5.1.2 实验结果及分析 |
5.2 CED-SF算法在指纹识别中的实验与应用 |
5.2.1 实验方法 |
5.2.2 实验结果及分析 |
5.3 CED-SF算法在艺术创作方面的实验及应用 |
5.4 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间参加科研情况及获得的学术成果 |
(6)基于Lαβ变换和AGC的蒙古族家具纹样增强及分类研究(论文提纲范文)
摘要 |
Abstract |
缩略语表 |
1 引言 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 研究目的及内容 |
1.3.1 研究目的 |
1.3.2 研究内容 |
2 传统图像增强方法 |
2.1 基于CLAHE图像增强算法 |
2.2 基于DWT-SVD的图像增强算法 |
2.3 基于伽马校正的图像增强算法 |
2.4 本章小结 |
3 基于Lαβ变换和AGC的蒙古族家具纹样增强算法 |
3.1 颜色空间 |
3.1.1 RGB空间 |
3.1.2 HSL和HSV空间 |
3.1.3 RGB到lαβ颜色空间 |
3.2 AGC图像增强中的图像类别 |
3.3 AGC的强度变换 |
3.3.1 基于AGC的低对比度图像增强 |
3.3.2 基于AGC的高对比度图像增强 |
3.4 实验方法 |
3.5 本章小结 |
4 蒙古族家具纹样增强效果的比较 |
4.1 实验材料与设备 |
4.2 实验结果与分析 |
4.2.1 主观评价 |
4.2.2 客观评价 |
4.3 本章小结 |
5 基于SVM的蒙古族家具纹样识别 |
5.1 纹样预处理 |
5.2 识别参数 |
5.3 基于SVM(支持向量机)径向基函数的蒙古族家具纹样识别 |
5.3.1 SVM识别原理 |
5.3.2 径向基函数 |
5.4 识别结果与分析 |
5.5 本章小结 |
6 结论与创新 |
6.1 结论 |
6.2 创新 |
致谢 |
参考文献 |
作者简介 |
(7)基于指纹拼接与特征描述子的小面积指纹加密算法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 指纹加密技术研究现状 |
1.2.1 指纹加密技术研究现状 |
1.2.2 小面积指纹识别与加密技术研究现状 |
第二章 指纹加密技术基础 |
2.1 指纹加密算法 |
2.1.1 指纹加密技术分类 |
2.1.2 经典指纹加密技术原理 |
2.2 指纹图像预处理 |
2.2.1 指纹图像分割 |
2.2.2 指纹图像增强 |
2.2.3 指纹图像二值化与细化 |
2.2.4 指纹特征提取 |
2.3 指纹数据库介绍 |
2.3.1 FVC数据库 |
2.3.2 XDFinger数据库 |
2.4 性能指标与评价方法 |
2.5 本章小结 |
第三章 基于指纹拼接的小面积指纹加密算法 |
3.1 基于特征拼接的小面积指纹加密技术设计 |
3.1.1 指纹特征点和方向场描述子的提取 |
3.1.2 指纹特征拼接 |
3.1.3 加密阶段 |
3.2 基于图像拼接的小面积指纹加密技术设计 |
3.2.1 指纹图像拼接 |
3.2.2 指纹特征点提取 |
3.2.3 加密阶段 |
3.3 加密域匹配策略 |
3.3.1 加密域匹配法 |
3.3.2 多项式重构 |
3.4 实验设计与分析 |
3.5 本章小结 |
第四章 基于指纹特征描述子的小面积指纹加密算法 |
4.1 传统指纹方向场Helper Data提取 |
4.1.1 高曲率点的提取 |
4.1.2 高曲率点加密域匹配策略 |
4.2 指纹纹理特征细节点描述子 |
4.2.1 离散小波包变换 |
4.2.2 基于离散小波包变换的特征提取 |
4.3 指纹局部特征描述子的设计 |
4.3.1 三胞特征描述子 |
4.3.2 五近邻结构特征描述子 |
4.3.3 Voronoi邻域结构描述子 |
4.4 基于融合特征描述子的小面积指纹加密技术设计 |
4.4.1 脊线计数特征提取 |
4.4.2 融合特征描述子构造方式 |
4.5 实验设计与结果分析 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
(8)基于Hessian矩阵的地震随机噪音压制方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究目的和意义 |
1.2 国内外研究现状 |
1.2.1 地震噪声分类及随机噪声压制方法研究现状 |
1.2.2 Hessian矩阵研究现状 |
1.3 主要研究内容 |
1.4 各章节内容安排 |
第2章 Hessian矩阵及其特征值 |
2.1 Hessian矩阵基本原理 |
2.2 Hessian矩阵特征值 |
2.3 Hessian矩阵的应用 |
2.3.1 血管图像增强 |
2.3.2 指纹图像增强 |
2.3.3 遥感图像处理 |
第3章 基于Hessian矩阵的多尺度随机噪音压制 |
3.1 尺度空间理论 |
3.2 多尺度随机噪音压制 |
3.3 模型测试 |
3.3.1 多尺度响应实验 |
3.3.2 方法稳定性实验 |
3.3.3 叠后数据模型 |
3.4 实际数据测试 |
3.4.1 叠前道集测试 |
3.4.2 叠后剖面测试 |
第4章 Hessian矩阵在三维地震资料噪音压制中的应用 |
4.1 三维Hessian矩阵 |
4.2 模型测试 |
4.3 实际资料测试 |
本章小结 |
第5章 结论与建议 |
5.1 结论 |
5.2 创新点 |
5.3 建议 |
参考文献 |
致谢 |
(9)基于特征融合的低质量指纹图像的识别方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 指纹图像预处理研究现状 |
1.2.2 指纹特征提取与匹配研究现状 |
1.3 本文主要工作 |
第2章 基于改进微分算子的低质量指纹图像增强 |
2.1 分数阶微分 |
2.1.1 Grunwald-Letnikov分数阶微分定义 |
2.1.2 Riemann-Liouville分数阶微积分定义 |
2.1.3 分数阶微分在数字信号处理中的影响 |
2.2 分数阶微分算子构造 |
2.2.1 二阶精度算子的构造 |
2.2.2 SOA算子的改进 |
2.2.3 固定微分阶数的图像增强实验 |
2.3 自适应微分阶数的图像增强 |
2.3.1 图像梯度的计算 |
2.3.2 图像局部信息熵的计算 |
2.3.3 微分阶数的自适应处理 |
2.4 实验结果与分析 |
2.4.1 低质量指纹数据集 |
2.4.2 实验结果定量分析 |
2.5 本章小结 |
第3章 基于自适应阈值和形态学的低质量指纹图像分割 |
3.1 灰度共生矩阵 |
3.1.1 灰度共生矩阵定义 |
3.1.2 灰度共生矩阵特征量 |
3.2 灰度共生矩阵在图像分割中的应用 |
3.2.1 基于固定阈值的分割方法 |
3.2.2 改进的自适应阈值分割方法 |
3.3 基于形态学的二次分割方法 |
3.4 实验结果与分析 |
3.5 本章小结 |
第4章 基于特征融合的低质量指纹图像匹配 |
4.1 指纹特征提取 |
4.1.1 方向场特征提取 |
4.1.2 奇异点特征提取 |
4.1.3 细节点特征提取 |
4.1.4 融合特征的构建 |
4.2 指纹特征匹配 |
4.2.1 Delaunay三角剖分处理 |
4.2.2 基于特征融合的匹配算法 |
4.2.3 算法改进及实现 |
4.3 实验结果与分析 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间研究成果 |
(10)面向版权保护和身份认证的指纹水印算法研究(论文提纲范文)
摘要 |
ABSTRACT |
注释表 |
缩略词 |
第一章 绪论 |
1.1 课题的研究背景和意义 |
1.2 课题的国内外研究概况 |
1.2.1 数字水印技术 |
1.2.2 指纹认证技术 |
1.2.3 指纹水印技术 |
1.3 本文的章节安排及创新点 |
1.3.1 本文的章节安排 |
1.3.2 本文的主要创新点 |
第二章 基于复Contourlet域的支持向量机和Krawtchouk矩的双水印算法 |
2.1 引言 |
2.2 相关理论 |
2.2.1 Krawtchouk矩和Krawtchouk矩不变量 |
2.2.2 支持向量机 |
2.2.3 复Contourlet变换 |
2.3 算法原理及实现步骤 |
2.3.1 水印的嵌入 |
2.3.2 水印的提取 |
2.4 实验结果与分析 |
2.5 本章小结 |
第三章 基于SIFT和NMF-SVD的NSCT域抗几何攻击水印算法 |
3.1 引言 |
3.2 相关理论 |
3.2.1 NMF分解和SVD分解 |
3.2.2 SIFT特征点 |
3.2.3 非下采样Contourlet变换 |
3.3 算法原理及实现步骤 |
3.3.1 水印的嵌入 |
3.3.2 水印的提取 |
3.4 实验结果与分析 |
3.5 本章小结 |
第四章 基于多尺度Retinex的NSCT域指纹图像增强 |
4.1 引言 |
4.2 算法原理及实现步骤 |
4.2.1 多尺度Retinex增强算法 |
4.2.2 NSCT增强算法 |
4.2.3 指纹图像增强步骤 |
4.3 实验结果与分析 |
4.4 本章小结 |
第五章 基于混沌蜂群优化的指纹匹配算法 |
5.1 引言 |
5.2 算法原理及实现步骤 |
5.2.1 指纹特征点匹配 |
5.2.2 人工蜂群优化及混沌策略 |
5.2.3 可变界限盒适应度函数 |
5.2.4 算法实现步骤 |
5.3 实验结果与分析 |
5.4 本章小结 |
第六章 基于QR分解的指纹图像脆弱水印和指纹特征匹配相结合的身份认证系统 |
6.1 引言 |
6.2 身份认证系统原理及流程 |
6.3 基于QR分解的指纹图像脆弱水印算法 |
6.3.1 QR分解 |
6.3.2 指纹水印的加密和嵌入 |
6.3.3 指纹水印的提取和篡改检测 |
6.4 基于指纹特征匹配的身份认证 |
6.5 实验结果与分析 |
6.6 本章小结 |
第七章 总结和展望 |
7.1 本文的主要工作 |
7.2 进一步的研究工作及展望 |
参考文献 |
致谢 |
在学期间的研究成果及发表的学术论文 |
四、基于小波的指纹图像增强算法(论文参考文献)
- [1]基于小波分析的指纹图像模糊边缘识别算法[J]. 刘博瑞,安艳,韩天红. 计算机仿真, 2021(11)
- [2]图像增强算法综述[J]. 靳阳阳,韩现伟,周书宁,张世超. 计算机系统应用, 2021(06)
- [3]低质量指纹图像识别算法的研究与实现[D]. 张晓欢. 哈尔滨理工大学, 2021(09)
- [4]具备抗旋转能力的指静脉指形融合识别算法研究[D]. 陆雨婷. 华南理工大学, 2020(02)
- [5]基于各向异性扩散的指纹图像增强算法研究与应用[D]. 王丹. 西安石油大学, 2020(12)
- [6]基于Lαβ变换和AGC的蒙古族家具纹样增强及分类研究[D]. 汪宏. 内蒙古农业大学, 2020(02)
- [7]基于指纹拼接与特征描述子的小面积指纹加密算法研究[D]. 丁洪霞. 西安电子科技大学, 2019(02)
- [8]基于Hessian矩阵的地震随机噪音压制方法研究[D]. 蒋康康. 中国石油大学(北京), 2019(02)
- [9]基于特征融合的低质量指纹图像的识别方法研究[D]. 常凯. 武汉理工大学, 2019(07)
- [10]面向版权保护和身份认证的指纹水印算法研究[D]. 史骏鹏. 南京航空航天大学, 2016(03)