CN101667137A - 使用方向滤波技术的手指静脉纹路提取方法 - Google Patents
使用方向滤波技术的手指静脉纹路提取方法 Download PDFInfo
- Publication number
- CN101667137A CN101667137A CN200910073045A CN200910073045A CN101667137A CN 101667137 A CN101667137 A CN 101667137A CN 200910073045 A CN200910073045 A CN 200910073045A CN 200910073045 A CN200910073045 A CN 200910073045A CN 101667137 A CN101667137 A CN 101667137A
- Authority
- CN
- China
- Prior art keywords
- image
- finger
- vein
- filtering
- finger vein
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明提供的是一种使用方向滤波技术的手指静脉纹路提取方法。包括手指区域定位、滤波增强、手指静脉模式提取;对读入的静脉图像先采用Kapur熵阈值法分割出手指区域,然后采用数学形态学中的开操作对手指区域去除毛刺;再结合静脉纹路特点求取手指静脉区域的方向图并设计滤波器,结合所得的方向图及方向滤波器对图像进行滤波增强;最后采用NiBlack方法进行二值化操作提取手指静脉模式。本发明所提供的方法提取手指静脉纹路连通性与光滑性好、噪声少。
Description
(一)技术领域
本发明属于生物特征身份识别技术领域,具体涉及一种使用方向滤波技术的手指静脉纹路提取方法。
(二)背景技术
静脉识别作为一种高度可靠的身份鉴别方法,其识别性能很大程度上与静脉目标提取的质量密切相关。静脉目标提取的目的是将静脉纹路从背景中提取出来,其提取的效果将直接影响到特征提取、特征匹配环节的处理结果,因此这部分算法的优劣将对整个系统的性能产生重大的影响。
静脉血管总体上呈网状结构,且其纹线具有一定的宽度,静脉图像的这些特点决定了其提取方法的特殊性。传统的静脉图像提取技术主要分成以下三类:基于边界的分割技术,基于区域的分割技术,基于特定理论和工具的分割技术。应用固定阈值、总体均值、总体OSTU这些传统的单阈值分割方法来处理静脉图像,很难得到理想的分割效果;而局部均值、局部OSTU这些多阈值法,所得到的阈值分割效果虽有所改善,但仍无法达到令人满意的效果。NiBlack[1]方法是目前手指静脉识别领域中效果最好的一种分割方法,它对图像中的每个像素点进行操作,是一种局部动态阈值算法,该方法提取的静脉纹路连通性较好,但从低质量的图像提取出来的静脉纹路连通性不是很好,还出现了过分割的现象。O’Gorman等人[2]针对指纹图像提出了方向滤波器设计方法,该方法能够根据指纹图像的脊、谷特性在消除图像噪声的同时达到增强脊线的作用;田捷等[3]利用指纹纹线的方向性,提出了基于方向场的指纹图像增强算法,这两种方法充分考虑了指纹方向性的特点,有效地对原指纹图像进行了去噪和增强处理。由于手指静脉纹路也具有纹理性和方向性,并且局部区域内的方向性保持一致。
与本发明相关的公开报道有:
[1]Yuhang Ding,Dayan Zhuang and Kejun Wang,A Study of Hand VeinRecognition Method[C],2005IEEE International Conference on Mechatronics andAutomation,,2005,4(29):2106-2110;
[2]O’Gorman,L,Lindeberg,Nickerson,J.V.An approach to fingerprint filterdesign[J].Pattern Recognition,1989,22(1):29-38;
[3]罗希平,田捷.自动指纹识别中的图像增强和细节匹配算法[J].软件学报,2002,13(5):946-956。
(三)发明内容
本发明的目的在于提供提取手指静脉纹路连通性与光滑性好、噪声少的使用方向滤波技术的手指静脉纹路提取方法。
本发明的目的是这样实现的:
一种使用方向滤波技术的手指静脉纹路提取方法,包括手指区域定位、滤波增强、手指静脉模式提取;对读入的静脉图像先采用Kapur熵阈值法分割出手指区域,然后采用数学形态学中的开操作对手指区域去除毛刺;再结合静脉纹路特点求取手指静脉区域的方向图并设计滤波器,结合所得的方向图及方向滤波器对图像进行滤波增强;最后采用NiBlack方法进行二值化操作提取手指静脉模式。
实验证明由于本发明方法利用了静脉纹路具有方向性的特点先对图像进行方向滤波处理后再提取静脉模式,使得本发明的方法不仅对高质量的图像能够准确有效地提取出静脉纹路,对曝光不均匀、含有大量的噪声且纹理不够清晰的低质量手指静脉图像的处理效果也比较理想,其提取出的手指静脉纹路连通性与光滑性好,没有出现连接不平滑的现象,噪声少,具有很强的实用性。
(四)附图说明
图1是本发明的流程图;
图2(a)-图2(c)是手指静脉图像二值化处理;其中图2(a)源图像,图2(b)Kapur熵阈值分割后的图像,图2(c)去除毛刺后的图像;
图3是计算方向场的9x9模板;
图4是手指静脉区域的方向场图像;
图5(a)-图5(b)是水平方向滤波器模板及其一个实例;其中图5(a)水平方向滤波器的模板系数,图5(b)方向滤波器的一个实例;
图6是方向滤波处理后的图像;
图7是分割去噪后的图像;
图8(a)-图8(b)是对比实验结果;其中,图8(a)一幅质量较好的图像,图8(b)直接采用NiBlack方法,图8(c)本专利方法,图8(d)另一幅质量不好的图像,图8(e)直接采用NiBlack方法,图8(f)本专利方法。
(五)具体实施方式
下面结合附图举例对本发明做更详细地描述:
1.分割出手指区域
由于采集到的图像受环境的影响,其背景像素点的灰度值不全为0,在提取静脉目标之前,需要获取手指区域的像素点的集合,以便后续的处理。
本专利通过一次简单的图像阈值化操作来实现。阈值选取方法主要分为基于熵的阈值选取方法;基于矩的阈值选取方法;基于梯度的阈值选取方法;基于凹度的阈值选取方法。由实验确定选取Kapur熵进行阈值化。根据目标概率分布和背景概率分布和定义:
使熵 达到最大求得最佳阈值t*。依据最佳阈值t*将图像数据分成两个部分:大于阈值t*的像素部分和小于阈值t*的像素部分。设输入图像为f(x,y),输出图像为f′(x,y),则:
实验源图像如图2(a)所示,阈值化后的结果如图2(b)所示,图像中的白色区域为提取出的手指区域。由于阈值分割后的图像中存在毛刺,此处采用数学形态学中的开操作对其进行处理,处理后的结果如图2(c)所示。
2.方向滤波增强
由于静脉纹路具有明显的方向性,而传统的单一滤波器没有考虑到静脉的方向信息,从而其滤波增强效果不是很理想。本发明针对静脉纹路具有方向性的特点,利用在指纹图像增强中取得较好效果的方向滤波器方法和基于方向场的方法,提出了方向滤波对静脉进行增强处理,即求取静脉图像的方向图并采用多个方向的滤波模板组成方向滤波器,使用时根据具体区域对应方向图中的数值从一系列滤波器中选择一个相应的滤波器来进行滤波,该方法对图像的滤波增强效果显著。
2.1计算方向图
方向图方法是对原始图像的变换表示方式方法,即用图像中每一个像素点的方向来表示该图像。而像素点的方向是指其灰度值保持连续性的方向,可以根据像素点邻域中的灰度分布来判断,即在同一方向纹路上的点之间的灰度差别是最小的,而与之垂直方向上的灰度变化最大。
为了估算静脉图像的方向场,先将静脉纹路的走向设置为8个离散的方向,并将模板窗口大小取为9×9,如图3所示,其中基准像素点p(i,j)位于方向模板的中心,模板上的数值1-8分别对应代表8个方向,即从水平位置开始,按逆时针方向,每隔22.5°确定一个方向,此方法计算的方向角范围是[0,π)。
具体计算步骤如下:
第一步:求出每个像素点在以该点为中心的9×9窗口内8个方向上的像素灰度平均值M。
第二步:将8个方向上的灰度平均值按两两垂直的方向分成4组,分别计算每组中两个平均值差的绝对值ΔM,即
ΔM=|Mj-Mj+4| (3)
其中,j为纹线方向(j=0,1,2,3)。
第三步:选取使ΔM为最大值的方向组中的两个方向jmax和jmax+4作为像素点p(i,j)可能的纹线方向。
第四步:取jmax和jmax+4中灰度平均值与p(i,j)的灰度值接近的方向为p(i,j)的纹线方向D(x,y),即:
按上述步骤分别对图像中的每个像素点进行处理,即可得到静脉图像的方向图D(x,y)。为减少噪声的影响,保证方向场估计的准确性,需对点方向图D(x,y)进行平滑处理。此处采用连续滑动的w×w大小的窗口对方向图中的每个点进行平滑,此处由实验确定w值为8。然后分别统计每个窗口内的方向直方图,将直方图的峰值所对应的方向作为点P(x,y)的方向。得到连续的方向图O(x,y):
O(x,y)=ord(max(Ni)) (5)
其中i=1,2...8,函数ord(*)为取元素*的下标。
平滑后的静脉方向图如图4所示,图中每一种颜色代表一个方向。从图中可以看出,静脉图像的方向性十分明显,并且在局部区域内的方向性保持一致。
2.2方向滤波
在得到静脉图像的方向图后,进行方向滤波器的设计。一般情况下处理图像只需一个滤波器,而方向滤波器是一系列与像素点方向有关的滤波器,使用时根据某一块区域的方向特征,从一系列滤波器中选择一个相应的滤波器来对这一块进行滤波。首先设计出水平方向的滤波模板,然后根据静脉纹线的方向来旋转水平滤波器,以得到其他方向的滤波模板。O’Gorman针对指纹滤波增强采用如下原则设计滤波器:滤波器模板的尺寸要合适;模板边长为奇数,使模板关于其朝向轴及朝向垂直方向轴均为对称;在垂直于朝向方向上,中央部分系数为正,两边系数为负;滤波结果应与原图的平均灰度无关,即模板中所有系数的代数和应为零。借鉴上述原则并根据静脉纹线的方向特性对滤波器的系数进行修改,使其从中心向两端衰减。方向滤波器大小由静脉纹线的宽度决定,通过实验得出7×7的模板增强效果较好。设计的7×7水平方向模板如图5(a)所示,各系数之间的关系为:d+2a+2b-2c=0其中,d>a>b≥0,c>0;图5(b)为方向滤波器的一个具体实例。
滤波时,将中心像素点周围的48个点的灰度值与相应的模板系数相乘并把结果相加,然后再赋给中心像素点,作为其灰度值。计算公式为:
其中,像素点(i,j)为原静脉图像的点,x,y为相应的滤波器模板的尺寸,gθ(x,y)为相应滤波器模板的系数,由式(6)所求的滤波后的图像为f(i,j)。其中有些像素点的值可能会小于0或大于255,可用下式将灰度值调整在0-255范围内:
其中,f(i,j)为原图像灰度值,fmin(i,j)为原图像中的灰度最小值,fmax(i,j)原图像中的灰度最大值,f′(i,j)为变换后的灰度值,Round()为四舍五入取整函数。
得到水平方向滤波器后,其他方向的滤波器可由水平方向的滤波器旋转相应的角度得到。其中,旋转角度θ取为(d-1)π/8为滤波器旋转的角度,d为方向代码,取值为2、3、4、5、6、7、8。在实现上为了减少计算量,此处采用从其他方向的滤波器出发进行反方向影射的方法。该方法扫描目标图像的每个像素,按照给定的变换关系来确定目标像素对应的原像素。用这种方法来计算目标像素能够保证整个目标图像没有空像素。
其中,i,j为水平方向滤波器的坐标,i′,j′为旋转后的滤波器坐标。旋转后的滤波模板上(i′,j′)的位置系数gθ(i′,j′)等于水平滤波模板上(i,j)的位置系数gd(i,j),其中,d=1。由于反方向影射方法得到的原图像的像素的地址可能是分数,处于相邻的四个像素之间,为此必须引入灰度插值的概念。此时可将点(i,j)上的系数用其周围点的系数进行插值得到。
设水平模板上(i,j)周围的点(im,jm),(im,jn),(in,jm),(in,jn)构成一个1×1的正方形,这4个坐标对应的系数分别为:gθ(im,jm),gθ(im,jn),gθ(in,jm),gθ(in,jn),其中im<i<in,jm<j<jn。先对(im,jn)与(in,jn)进行线性插值,得:
g(i,jn)=g1(im,jn)+(i-jm)[g1(in,jn)-g1(im,jn)] (9)
再对(im,jm)与(in,jm)进行线性插值,得:
g(i,jm)=g1(im,jm)+(i-im)[g1(in,jm)-g1(im,jm)] (10)
最后对(i,jn),(i,jm)进行线性插值,得:
g1(i,j)=gθ(i′,j′)=g(i,jm)+(j-jm)[g(i,jn)-g(i,jm)] (11)
由此可得其余七个方向的滤波器模板的系数。
利用上述得到的八个方向滤波模板,对静脉图像进行方向滤波操作。滤波时根据方向图得出某一块区域的方向特征,从一系列滤波器中选择一个相应的滤波器来对这一块进行滤波操作。图6为经方向滤波处理后的图像。
3.NiBlack二值化
对滤波后的图像采用NiBlack方法进行二值化处理。NiBlack是一种简单有效的局部动态阈值算法,这种算法的基本思想是对图像中的每一个点,在它的r×r邻域内,计算邻域里像素点的均值和方差,然后利用下式的值作为阈值进行二值化:
T(x,y)=m(x,y)+k×s(x,y) (12)
其中,对于每一个像素点(x,y),T(x,y)为该点的阈值,m(x,y)为该点的r×r邻域内像素点的均值,s(x,y)为该点的r×r邻域内像素点的标准方差,k为修正系数,经过实验分析,取r=9,k=0.01。分割后的图像中在背景区出现了一些黑色像素小块和目标物体区域出现了白色小洞等点、块噪声,采用面积消除法将其去除。首先标记出每个连通区域,并分别计算每个连通区域的面积和纵向跨度,再选取适当的面积和纵向跨度阈值,如果连通区域面积小于上述选取的阈值,则判定此块为噪声,将其去除。分割去噪后的图像如图7所示。
4.实验与分析
为了验证上述方法的有效性,选用实验室建立的手指静脉图像库中的静脉图像进行测试。该库包含300个人的手指静脉图像,其中每人5幅图像,图像大小为320×240。在以往的实验研究中,我们曾先后将多种传统分割算法及其改进算法应用于手指静脉图像的处理中,但实验效果不是很理想,其中效果最好的方法为文献[1]中采用的NiBlack方法。因此本专利选取该方法进行对比实验。
这里选择了两幅典型的手指静脉图像,如图8(a)及8(d)所示,其中图8(a)图像质量较好,其亮度均匀,纹理清晰;而图8(d)中的图像曝光不均匀,含有大量的噪声并且纹理也不够清晰,图像质量较低。我们对这两幅图像分别采用本专利法与文献[1]中方法进行处理。从实验结果图8(b)、(c)、(e)和(f)中可以看出,对于图像质量较好的静脉图像,文献[1]中的方法提取的手指静脉连通性较好,噪声非常少,出现的伪静脉纹路较少,效果比较理想;但是,对于低质量的图像,NiBlack方法提取出来的静脉血管连通性不是很好,甚至出现了过分割的现象。而本专利方法不仅能够从高质量的图像中提取出理想的手指静脉目标,也能有效地从低质量的手指静脉图像中提取出清晰的静脉纹路,其静脉路连通性较好,没有出现连接不平滑的现象,噪声非常少。但是,由于本专利进行了方向滤波增强操作,所以其处理时间相对直接对图像使用NiBlack方法进行分割方法的处理时间要长。但是,对使用本专利处理后的图像提取特征信息要比从直接从原始静脉图像提取准确得多,从而为后续的手指静脉图像特征提取、模板制作与匹配以及人员精确识别提供了可靠的图像数据,具有十分重要的意义。
Claims (1)
1、一种使用方向滤波技术的手指静脉纹路提取方法,包括手指区域定位、滤波增强、手指静脉模式提取;其特征是:对读入的静脉图像先采用Kapur熵阈值法分割出手指区域,然后采用数学形态学中的开操作对手指区域去除毛刺;再结合静脉纹路特点求取手指静脉区域的方向图并设计滤波器,结合所得的方向图及方向滤波器对图像进行滤波增强;最后采用NiBlack方法进行二值化操作提取手指静脉模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910073045A CN101667137B (zh) | 2009-10-12 | 2009-10-12 | 使用方向滤波技术的手指静脉纹路提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910073045A CN101667137B (zh) | 2009-10-12 | 2009-10-12 | 使用方向滤波技术的手指静脉纹路提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101667137A true CN101667137A (zh) | 2010-03-10 |
CN101667137B CN101667137B (zh) | 2012-09-26 |
Family
ID=41803762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910073045A Expired - Fee Related CN101667137B (zh) | 2009-10-12 | 2009-10-12 | 使用方向滤波技术的手指静脉纹路提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101667137B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346845A (zh) * | 2011-09-15 | 2012-02-08 | 哈尔滨工程大学 | 基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 |
CN102663393A (zh) * | 2012-03-02 | 2012-09-12 | 哈尔滨工程大学 | 基于旋转校正的手指静脉图像感兴趣区域提取方法 |
CN103400134A (zh) * | 2013-06-28 | 2013-11-20 | 哈尔滨工程大学 | 非接触式手指静脉样本感兴趣区域提取方法 |
CN104123547A (zh) * | 2014-07-25 | 2014-10-29 | 黑龙江大学 | 基于改进的方向滤波与柔性匹配的识别方法 |
CN104820796A (zh) * | 2014-01-31 | 2015-08-05 | 株式会社茉菲莉亚 | 个人认证系统、个人信息媒介、终端设备以及个人认证方法 |
CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
CN106611168A (zh) * | 2016-12-29 | 2017-05-03 | 杭州电子科技大学 | 基于细化图像和方向场图的指静脉快速识别方法 |
CN107229899A (zh) * | 2017-03-24 | 2017-10-03 | 杭州电子科技大学 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
CN108170895A (zh) * | 2016-12-06 | 2018-06-15 | 富士通株式会社 | 纹线可视化设备和方法 |
CN108229438A (zh) * | 2018-02-05 | 2018-06-29 | 海信集团有限公司 | 车道线检测方法、装置、终端和存储介质 |
CN109409177A (zh) * | 2017-08-17 | 2019-03-01 | 联咏科技股份有限公司 | 感测数据的处理方法及其图像感测电路 |
CN111199527A (zh) * | 2020-01-04 | 2020-05-26 | 圣点世纪科技股份有限公司 | 一种基于多方向自适应阈值的指静脉图像噪声检测方法 |
CN117003073A (zh) * | 2023-07-25 | 2023-11-07 | 盈乾家智能科技(武汉)有限公司 | 一种全息梯控数字键盘自动翻页系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539995B (zh) * | 2009-04-24 | 2011-05-25 | 清华大学深圳研究生院 | 基于手指静脉纹与手指背纹的成像设备及多模态身份认证方法 |
-
2009
- 2009-10-12 CN CN200910073045A patent/CN101667137B/zh not_active Expired - Fee Related
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346845A (zh) * | 2011-09-15 | 2012-02-08 | 哈尔滨工程大学 | 基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 |
CN102346845B (zh) * | 2011-09-15 | 2013-03-06 | 哈尔滨工程大学 | 基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 |
CN102663393A (zh) * | 2012-03-02 | 2012-09-12 | 哈尔滨工程大学 | 基于旋转校正的手指静脉图像感兴趣区域提取方法 |
CN103400134A (zh) * | 2013-06-28 | 2013-11-20 | 哈尔滨工程大学 | 非接触式手指静脉样本感兴趣区域提取方法 |
CN103400134B (zh) * | 2013-06-28 | 2016-08-10 | 哈尔滨工程大学 | 非接触式手指静脉样本感兴趣区域提取方法 |
CN104820796A (zh) * | 2014-01-31 | 2015-08-05 | 株式会社茉菲莉亚 | 个人认证系统、个人信息媒介、终端设备以及个人认证方法 |
CN104123547A (zh) * | 2014-07-25 | 2014-10-29 | 黑龙江大学 | 基于改进的方向滤波与柔性匹配的识别方法 |
CN104123547B (zh) * | 2014-07-25 | 2019-02-05 | 黑龙江大学 | 基于改进的方向滤波与柔性匹配的识别方法 |
CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
CN105426821B (zh) * | 2015-11-04 | 2018-09-07 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
CN108170895A (zh) * | 2016-12-06 | 2018-06-15 | 富士通株式会社 | 纹线可视化设备和方法 |
CN106611168A (zh) * | 2016-12-29 | 2017-05-03 | 杭州电子科技大学 | 基于细化图像和方向场图的指静脉快速识别方法 |
CN106611168B (zh) * | 2016-12-29 | 2019-06-18 | 杭州电子科技大学 | 基于细化图像和方向场图的指静脉快速识别方法 |
CN107229899A (zh) * | 2017-03-24 | 2017-10-03 | 杭州电子科技大学 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
CN107229899B (zh) * | 2017-03-24 | 2020-07-24 | 杭州电子科技大学 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
CN109409177A (zh) * | 2017-08-17 | 2019-03-01 | 联咏科技股份有限公司 | 感测数据的处理方法及其图像感测电路 |
CN108229438A (zh) * | 2018-02-05 | 2018-06-29 | 海信集团有限公司 | 车道线检测方法、装置、终端和存储介质 |
CN111199527A (zh) * | 2020-01-04 | 2020-05-26 | 圣点世纪科技股份有限公司 | 一种基于多方向自适应阈值的指静脉图像噪声检测方法 |
CN111199527B (zh) * | 2020-01-04 | 2021-02-02 | 圣点世纪科技股份有限公司 | 一种基于多方向自适应阈值的指静脉图像噪声检测方法 |
CN117003073A (zh) * | 2023-07-25 | 2023-11-07 | 盈乾家智能科技(武汉)有限公司 | 一种全息梯控数字键盘自动翻页系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101667137B (zh) | 2012-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101667137B (zh) | 使用方向滤波技术的手指静脉纹路提取方法 | |
CN101013469B (zh) | 图像处理方法和图像处理装置 | |
Wu et al. | Fingerprint image enhancement method using directional median filter | |
US20090154792A1 (en) | Linear Feature Detection Method and Apparatus | |
CN100573554C (zh) | 指纹图像的方向滤波增强方法 | |
Topal et al. | Edge drawing: a heuristic approach to robust real-time edge detection | |
CN101329726B (zh) | 一种基于一维滤波的指纹图像增强方法 | |
CN105335967A (zh) | 基于局部最大类间方差和数学形态学的手背静脉纹路提取方法 | |
CN107729820A (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN104933432A (zh) | 一种指腹折痕和指静脉图像的处理方法 | |
CN102073872B (zh) | 基于图像的寄生虫虫卵形状识别方法 | |
CN104732499A (zh) | 基于多尺度多方向的视网膜图像增强算法 | |
CN107451549A (zh) | 非接触式指纹增强方法及曲率驱动的自适应滤波器 | |
CN103714323A (zh) | 指纹增强方法及指纹识别装置 | |
Mahmoud et al. | Segmentation of skin cancer images based on gradient vector flow (GVF) snake | |
CN104933723A (zh) | 基于稀疏表示的舌图像分割方法 | |
CN108242060A (zh) | 一种基于Sobel算子的图像边缘检测方法 | |
CN110458773A (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
CN105930811A (zh) | 基于图像处理的手掌纹理特征检测方法 | |
CN105488460A (zh) | 基于生理特征的图像处理方法 | |
CN107977935A (zh) | 一种掌静脉图像纹理滤波增强方法 | |
CN103886291B (zh) | 基于动态模板的掌纹图像褶皱检测方法 | |
CN108009996A (zh) | 一种基于脊波变换的指静脉图像增强方法及其系统、产品 | |
CN108171771A (zh) | 一种结合外部边缘信息和内部聚合笔道的线描画生成算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120926 Termination date: 20191012 |
|
CF01 | Termination of patent right due to non-payment of annual fee |