CN104303209B - 指纹脊线图像合成系统及指纹脊线图像合成方法 - Google Patents

指纹脊线图像合成系统及指纹脊线图像合成方法 Download PDF

Info

Publication number
CN104303209B
CN104303209B CN201380025739.1A CN201380025739A CN104303209B CN 104303209 B CN104303209 B CN 104303209B CN 201380025739 A CN201380025739 A CN 201380025739A CN 104303209 B CN104303209 B CN 104303209B
Authority
CN
China
Prior art keywords
pixel
image
value
fingerprint
parameter sets
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.)
Active
Application number
CN201380025739.1A
Other languages
English (en)
Other versions
CN104303209A (zh
Inventor
吉田周
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Japan Electrical Scheme Innovation Corp
Original Assignee
Japan Electrical Scheme Innovation Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Japan Electrical Scheme Innovation Corp filed Critical Japan Electrical Scheme Innovation Corp
Publication of CN104303209A publication Critical patent/CN104303209A/zh
Application granted granted Critical
Publication of CN104303209B publication Critical patent/CN104303209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/63—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using sub-band based transform, e.g. wavelets
    • H04N19/635—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using sub-band based transform, e.g. wavelets characterised by filter definition or implementation details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G06V40/1353—Extracting features related to minutiae or pores
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

为了精确地提取被包含于指纹起始图像中的脊线的形状并且在图像上清晰地复制指纹起始图像的指纹，本发明具有：脊线像素参数计算单元(13)，该脊线像素参数计算单元借助于对于被包含于指纹起始图像中的每个像素的梯度应用连续小波转换来计算包括与每个像素对应的脊线间距离、脊线角和小波相位的参数值；标签优化处理单元(14)，该标签优化处理单元将与每个像素对应的参数值优化/转换为指示与周围像素中的参数值的相互连续性的值；以及脊线图像生成单元(15)，该脊线图像生成单元基于最优值在指纹起始图像中借助于转换每个像素梯度来生成脊线图像。

Description

指纹脊线图像合成系统及指纹脊线图像合成方法
技术领域
本发明涉及基于指纹脊线结构执行指纹的指纹核对的指纹脊线图像合成系统，并且更具体地涉及用于明晰指纹脊线并且合成指纹脊线图像的指纹脊线图像合成系统、指纹脊线图像合成方法及其程序。
背景技术
通常，指纹核对系统总是需要如下指纹图像复制设备，该指纹图像复制设备在执行指纹核对处理之前从指纹起始图像提取指纹脊线作为核对目标并且清晰地复制示出指纹脊线的形状的指纹脊线图像。
在这种情况下，通常，当提取指纹脊线时，首先指定将作为目标的指纹图像的区域，测量在相邻的脊线之间的距离，由脊线形成的有条纹的图案被当作平面波来处理，并且“短时傅里叶变换(在下文中被称为“STFT”)”或离散小波变换于是被用来执行用于明晰被包含于指纹起始图像内的指纹脊线的处理。
这使得有可能在其中指纹起始图像内的脊线形状不清晰的低脊线质量的区域内对指纹脊线进行插值以及执行提取比特定值更小间距的微细(minute)脊线构造等。
有可能在脊线图像通过在指纹起始图像上使用傅里叶变换被提取的情况下，关于其中指纹起始图像中的脊线断断续续的部分，对脊线形状进行插值。在另一方面，在比如其中指纹脊线断断续续的端点或者其中指纹图像被分叉的分叉点的细节中，脊线在某些情况下因为傅里叶变换的特性可能被连接以使得细节可能变得被破坏。
另外，在其中脊线图像通过使用离散小波变换通过使用指纹起始图像的分析被提取的情况下，脊线形状也不能被捕获并精确地呈现于其中具有小的脊线间距的微细特征的区域与具有大的间距的区域被混合的指纹区域中。
作为其相关技术，存在已知的如下系统，该系统通过使用离散小波变换通过对指纹图像中的每个块区域组执行频率调谐来执行脊线形状的提取以用于捕获指纹图像内的微细构造的脊线间距(专利文献1)。
专利文献1：日本未审查专利公开2004-127062
然而，尽管有可能利用上述在专利文献1中公开的相关技术来在目标块区域内获取关于脊线之间的距离，也不可能在像素级别上精确地捕获再脊线之间的距离中的变化，即，不可能在其中包含不同脊线间距的微细间距的区域中精确地捕获脊线的微细构造。
特别地，在宽脊线间距离(脊线间距)的区域和窄脊线间距离的区域以混合的方式存在的情况下，脊线的微细结构经常不能被获取。因此，基于这样的分析的结果，脊线结构在复制的脊线图像中被破坏。
另外，执行上述的短时傅里叶变换(STFT)和离散小波变换的指纹核对处理的准确性依赖于微细细节的提取准确性。因此，当脊线结构被破坏时，指纹核对的准确性变得极端恶化。
本发明的目标因此是提供如下指纹脊线图像合成系统、指纹脊线图像合成方法及其程序，它们能够改善上述相关技术的缺点并精确地提取被包含于不清晰的指纹起始图像中的脊线形状以由此以相对清晰的方式合成指纹起始图像。
发明内容
为了实现前述目标，根据本发明的指纹脊线图像合成系统的特征在于如下指纹脊线图像合成系统，该指纹脊线图像合成系统包括提取被包含于指纹起始图像中的脊线形状并基于此合成指纹起始图像的脊线图像的图像合成主单元，其中该图像合成主单元包括：小波设置单元，该小波设置单元通过与指纹起始图像的每个像素的梯度对应，将不同的小波波长(λ)和小波角(θ)设置为小波的参数值并且还将其组合设置为参数集合；连续小波变换单元，该连续小波变换单元基于不同的参数集合中的每个参数集合对与像素中的每个像素对应的指纹起始图像内的部分区域执行连续小波变换处理；脊线像素参数计算单元，该脊线像素参数计算单元计算在与参数集合中的每个参数集合对应的小波和部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的参数集合确定为与像素中的每个像素对应的参数集合；标签优化处理单元，该标签优化处理单元将像素中的每个像素和与这些像素相邻的相邻像素中的每个相邻像素的参数集合的参数值更新/转换为该参数值的相互连续性利用其变得最优的最优值；以及脊线图像生成单元，该脊线图像生成单元通过基于由最优值构成的参数集合设置每个对应像素的灰度值合成脊线图像。
另外，为了实现前述目标，根据本发明的指纹脊线图像合成方法的特征在于该指纹脊线图像合成方法被用于包括图像合成主单元的指纹脊线图像合成系统中，该图像合成主单元提取被包含于指纹起始图像中的脊线形状并基于此合成指纹起始图像的脊线图像，并且该方法包括：通过与指纹起始图像的每个像素的梯度对应，将不同的小波波长(λ)和小波角(θ)设置为小波的参数值并且还将其组合设置为参数集合；基于不同的参数集合中的每个参数集合对与像素中的每个像素对应的指纹起始图像内的部分区域执行连续小波变换处理；计算在与参数集合中的每个参数集合对应的小波和部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的参数集合确定为与像素中的每个像素对应的参数集合；将像素中的每个像素和与这些像素相邻的相邻像素中的每个相邻像素的参数集合的参数值更新为该参数值的相互连续性利用其变得最优的最优值；以及通过基于由最优值构成的参数集合设置每个对应像素的灰度值来生成脊线图像，其中这些动作步骤中的每个动作步骤被图像合成主单元相继执行。
此外，为了实现前述目标，根据本发明的指纹脊线图像合成程序的特征在于指纹脊线图像合成程序被用于包括图像合成主单元的指纹脊线图像合成系统中，该图像合成主单元提取被包含于指纹起始图像中的脊线形状并基于此合成指纹起始图像的脊线图像，并且该程序使得向图像合成主单元提供的计算机用于执行以下各项中的每项：小波设置功能，该小波设置功能通过与指纹起始图像的每个像素的梯度对应，将不同的小波波长(λ)和小波角(θ)设置为小波的参数值并且还将其组合设置为参数集合；连续小波变换功能，该连续小波变换功能基于不同的参数集合中的每个参数集合对与像素中的每个像素对应的指纹起始图像内的部分区域执行连续小波变换处理；脊线像素参数计算功能，该脊线像素参数计算功能计算在于参数集合中的每个参数集合对应的小波和部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的参数集合确定为与像素中的每个像素对应的参数集合；标签优化处理功能，该标签优化处理功能将像素中的每个像素和与这些像素相邻的相邻像素中的每个相邻像素的参数集合的参数值更新为该参数值的相互连续性利用其变得最优的最优值；以及脊线图像生成功能，该脊线图像生成功能通过基于由最优值构成的参数集合设置每个对应像素的灰度值来生成脊线图像。
本发明按照上述方式构成。据此，本发明能够提供优秀的指纹脊线图像合成系统、指纹脊线图像合成方法及其程序，所述这些没有在现有相关技术中发现，并且能够精确地提取被包含于不清晰的指纹起始图像中的脊线形状以及由此能够通过拥有脊线像素参数计算单元和标签优化处理单元来以相对清晰的方式合成(复制)指纹起始图像，该脊线像素参数计算单元通过对被包含在指纹起始图像中的每个像素的梯度应用连续小波变换来计算包括与每个像素对应的脊线间距离、脊线角和小波相位的参数值，该标签优化处理单元在对应于每个像素的参数值上执行优化转换，将对应于每个像素的参数值转换为示出关于周围像素的参数值的相互连续性的值。
附图说明
图1是示出了根据本发明的指纹脊线图像合成系统的实施例的示意框图；
图2是示出了在图1中公开的指纹脊线图像合成系统的脊线像素参数计算单元的内部结构的示例的示意框图；
图3是示出了在图1中公开的指纹脊线图像合成系统的标签优化处理单元的内部结构的示例的示意框图；
图4是示出了在图1中公开的指纹脊线图像合成系统的全部动作的流程图。
图5(a)和图5(b)示出了向在图1中公开的指纹脊线图像合成系统输入的指纹起始图像的一部分，其中图5(a)是示出了指纹起始图像的部分区域的不完整放大视图并且图5(b)是示出了基于通过在图5(a)上执行脊线像素参数的计算而获取的结果生成的脊线图像的示例的说明性视图；
图6(a)至图6(c)示出向在图1中公开的指纹脊线图像合成系统输入的另一指纹起始图像的一部分，其中图6(a)是示出了在输入时的指纹图像的说明性视图，图6(b)是示出了基于通过在图6(a)上执行脊线像素参数的计算而获取的结果生成的脊线图像的示例的说明性视图，并且图6(c)是示出了基于通过在图6(b)上执行标签优化处理而获取的结果生成的指纹图像的示例的说明性视图；
图7(a)至图7(c)示出了向在图1中公开的指纹脊线图像合成系统输入的另一指纹起始图像的一部分，其中图7(a)是示出了在输入时的指纹图像的说明性视图，图7(b)是示出了基于通过在图7(a)上执行脊线像素参数的计算获取的结果生成的脊线图像的示例的说明性视图，并且图7(c)是示出了基于通过在图7(b)上执行标签优化处理获取的结果生成的指纹图像的示例的说明性视图；
图8是示出了在图1中公开的指纹脊线图像合成系统中用于选择小波集合的动作的内容的说明性流程图；以及
图9是示出了通过使用置信传播方法在图1中公开的指纹脊线图像合成系统中的像素中的每个像素之间执行的消息传播的图像的说明性流程图。
具体实施方式
(实施例)
接着，将通过参考图1至图9来描述本发明的实施例。根据本实施例的指纹脊线图像合成系统的基本结构内容将首先被描述，并且其具体的内容将在其后被描述。
如在图1中所示，根据本实施例的指纹脊线图像合成系统10包括：指纹图像输入单元11，该指纹图像输入单元获取从外部输入的指纹起始图像并将它存储在存储单元(未示出)中；图像合成主单元10A，该图像合成主单元提取被包含在指纹起始图像中的脊线形状并合成脊线图像；以及复制图像数据输出单元16，该复制图像数据输出单元输出由图像合成主单元10A合成的脊线图像。
注意，图像合成主单元10A通过包括以下各项构成：小波设置单元12，该小波设置单元通过与指纹起始图像的每个像素的梯度对应来设置作为小波的参数值的不同的小波波长(λ)和小波角(θ)以及作为其组合的参数集合；脊线像素参数计算单元13，该脊线像素参数计算单元包括连续小波变换功能以用于执行连续小波变换处理，该处理基于针对与指纹起始图像中的像素中的每个像素对应的部分区域的不同参数集合中的每个参数集合，该连续小波转换功能计算在与参数集合中的每个参数集合对应的小波和部分区域中的每个局部区域中的脊线形状之间的一致性，并且将展现最高等级的一致性的参数集合确定为与像素中的每个像素对应的参数集合；标签优化处理单元14，该标签优化处理单元将像素中的每个像素和与该像素相邻定位的相邻像素中的每个相邻像素的参数集合的参数值更新/转换为该参数值相互连续性利用其变得最优的值；以及脊线图像生成单元15，该脊线图像生成单元通过基于由最优值构成的参数集合设置对应像素中的每个对应像素的灰度值来合成脊线图像。
因此，利用本实施例，脊线像素参数计算单元13和标签优化处理单元14以稍后描述的方式有效地运行。因此，有可能精确地提取被包含于不清晰的指纹起初图像中的脊线的形状，从而使得相对清晰的指纹脊线图像能够由此被合成(复制)。
注意，上述标签优化处理单元14通过包括更新值计算功能被构造，该更新值计算功能基于相邻像素的参数值关于上述像素中的每个像素的参数值计算可靠性，并且基于通过与相邻像素对应所计算的可靠性中的差异计算像素中的每个像素的最优值。
另外，小波设置单元12包括小波区域变量设置功能，该小波区域变量设置功能通过将小波的衰减距离(τ)设置为小波的参数值来将部分区域的尺寸可变地设置为一致性的计算目标。
另外，小波设置单元12包括椭圆小波设置功能，该椭圆小波设置功能通过应用由不同衰减距离构成的椭圆小波来对于在上述指纹起始图像中的脊线的曲率具有等于或大于特定值的部分区域执行连续小波变换处理。
在下文中，这将被更详细地描述。
首先，小波设置单元12通过将构成输入的指纹图像的像素中的每个像素作为目标来设置多个不同的小波。
具体而言，小波设置单元12通过与构成指纹起始图像的给定像素(被称为目标像素)对应来设置由小波波长(λ)、小波角(θ)和距离(衰减距离，在下文中被称为“τ”)组成的参数集合，小波的振幅针对该存储集合变得等于或者小于特定值。
小波设置单元12通过与构成指纹起始图像的全部像素对应来设置参数集合。
在此设置的小波是按照圆的形式。另外，应当指出，小波的衰减距离(寿命(τ))示出了每个设置的小波的半径。
在本实施例中，上述三种值示出了被包含于相应特定范围内的不同的值。即，参数能够针对有限数量的单元(种类)被离散地设置。
另外，小波设置单元12设置与通过增加/减少每个参数所获取的离散值的组合对应的小波图像。注意，小波的尺寸将区域的尺寸示出为用于测量与目标像素对应的指纹起始图像内的一致性的目标，并且小波的尺寸由τ(半径)的值确定。
注意，示出了通过与每个像素对应而设置的小波的数目的C在以下由(公式1)定义。
(表达式1)
C＝(将被设置的小波的半径(τ)的种类的数目)
×(将被设置的小波的方向(θ)的数目)
×(将被设置的小波的波长(λ)的种类的数目)——(公式1)
小波设置单元12可以被构造用于将包含不同τ(例如，τ1和τ2)的椭圆小波设置为将被设置的小波的形状。
这使得有可能对于其中指纹起始图像内的指纹脊线的曲率为高的区域设置具有更高一致性的小波，例如，通过在该区域中通过将脊线的方向作为长轴以及将垂直于脊线方向的方向作为短轴来设置椭圆小波。
由此，即使在其中指纹脊线的曲率为高的区域中，也变得有可能获取所设置的具有高一致性的小波，这与其中指纹脊线的曲率为低的稳定区域的情况相同。
脊线像素参数计算单元13包括连续小波变换处理模块131(图2)，该连续小波变换处理模块在指纹起始图像上以像素为单位(通过对应于每个像素)执行连续小波变换处理，并且进行计算以检测通过对应于每个像素而被设置的C个参数集合(λ，θ，τ)中的哪个参数集合与将目标像素作为中心的指纹像素区域的脊线结构具有高一致性。
连续小波变换处理模块131在指纹图像中针对对应于目标像素中的每个目标像素的区域(被称为目标像素区域)通过使用与C个参数集合中的每个参数集合对应的C段小波执行卷积计算(连续小波转换处理)。
注意，脊线像素参数计算单元13中的脊线一致性评估模块132计算在由参数集合和目标像素区域确定的小波中的每个小波之间的一致性。该一致性示出了在目标像素区域的脊线形状和小波图像的波形形状(小波形状)之间的一致性的程度。
另外，脊线一致性评估模块132计算能量值(E)，该能量值是针对对应目标像素区域每个小波的响应的强度(即，脊线形状对于小波的一致性)。
通过被脊线像素参数计算单元13执行的上述处理，对应于构成指纹起始图像的每个像素的包含脊线间距(λ)、角(θ)和波形寿命(τ)的组合(参数集合)能够被导出。
当其中小波与脊线形状匹配的部分被包含作为通过使用每个小波对目标像素区域(例如，半径τ的区域)执行卷积计算的结果时，示出了一致性的程度的一致性(能量：E)通过对应于每个小波被计算。
连续小波变换处理模块131通过使用在特定范围内增加/减少作为小波的半径(小波的寿命)的尺寸τ所获取的值可变地设置小波的尺寸，即，区域的尺寸。
注意，具有较短寿命(τ)的波形(小的小波)被认为适合于在小于特定值的图像区域内捕获脊线形状。因此，有可能例如当连续小波变换被应用于包含不同脊线间距的指纹区域时在指纹图像内提取脊线形状。
另外，当长波形寿命(τ)的小波被应用时(即，其中小波变换的应用的范围为宽的情况下)，非常可能其中小波的波长(λ)相角(θ)匹配的部分被包含在应用的小波的范围内。
由此，有可能设置具有更高一致性的小波(标签)。
注意，当其中小波与脊线形状一致的更多部分被包含在指纹起始图像中的应用的CWT(连续小波变换)的范围内时，判断在指纹图像中在CWT应用的范围和小波之间的一致性(一致性能量)为高。
即，即使在连续小波变换的应用的范围为窄以使得在小波和指纹起始图像之间的一致性低于特定值(或0)的情况下，有可能通过扩大连续小波变换的应用的范围(在此将τ的值设置为大值)来使得与小波一致的脊线部分被包含在应用的范围内。在该情况下，有可能获取高一致性(能量：E)的小波。
这使得有可能即使对于总体上具有低指纹图像质量的图像区域(比如其中脊线的缺失和曲率高的脊线区域以及脊线间距的分散度高的区域)也有可能将小波设置具有等于或大于特定值的一致性。
另外，如在图8中所示，当在C段小波中的每段小波和目标像素区域间的一致性被计算时，脊线一致性评估模块132将C个一致性中具有最高一致性的小波(即，参数集合)确定为对应于目标像素的参数集合。
另外，脊线一致性评估模块132在特定值范围内设置与每个参数集合对应的相位并且由此确定一致性值利用其变得最高的相位的值。
另外，脊线一致性评估模块132将脊线图像中与每个像素对应的C个参数集合视为C个标签，并且将其关于脊线结构的一致性的程度(E：脊线一致性)在这些标签中最高的参数集合选择为一致参数集合(一致参数集合确定功能)。
注意，连续小波变换处理模块131和脊线一致性评估模块132通过基于公式2至5执行计算处理来确定与每个像素对应的高一致性的标签(参数集合)。
(表达式2)
ψ＊(T)＝exp(-m|T|2+i2πTx)
＝exp{-ma-2[(x-bx)2+(y-by)2]
+i2πa-1[(bx-x)cosθ+(by-y)sinθ]}
＝ζ(b-x)
——(公式2)
ζ(x)＝exp[-ma-2(x2+y2)+i2πa-1(xcosθ+ysinθ)]
——(公式3)
其中(Wo is constant)
(Wo为常数)
——(公式4)
——(公式5)
注意，公式4中的W作为复数被计算。另外，公式5中的Im和Re分别示出了复数W的虚部和实部。此外，公式2至5中的粗体字母b示出了图像中像素的位置(即，坐标值)，并且公式4中的I(x)示出了起始图像中每个像素的值。
在指纹起始图像内的其中脊线被均匀地清晰地表示的区域中，通常，当脊线一致性评估模块132将E利用其变得最高的每个像素的参数集合(组合)选择为组合值(一致参数集合)时，有可能通过使用参数集合将指纹起始图像变换为具有良好可见性的脊线图像。
例如，图5(b)示出了通过其中在如图5(a)中所示的脊线被均匀地清晰地示出的指纹起始图像的区域上应用最优参数集合选择功能来基于像素中的每个像素的一致参数集合生成的脊线图像的示例。
在图5(b)中所示的图像中，脊线一致性(E)利用其变高的参数集合(组合)作为如上述的一致参数集合被选择。因此，它示出了具有良好脊线可见性的脊线图像被有效地从指纹起始图像提取。
在被包含于实际的指纹起始图像中的其指纹质量低于特定值的区域内，有必要通过将目标像素与对应于周围区域中的像素(周围的像素)中的每个像素的参数集合进行比较来评估在不同参数集合的连续性中是否存在非一致性。
另外，存在一种情况，其中由脊线像素参数计算单元13计算的与像素中的每个像素对应的参数集合可能不是用于生成脊线图像所需的最佳参数值。因此，在本实施例中，用于通过使用CWT来更新所计算的参数集合的处理通过使用如下所示的置信传播方法被执行。
这使得有可能计算用于从指纹起始图像精确地提取脊线图像的参数集合。
标签优化处理单元14包括参数连续性评估模块141(图3)，该参数连续性评估模块通过对应于每个像素来获取相邻像素(垂直地和横向地四个相邻的像素)的参数值。当关于目标像素及周围像素将通过对应于每个像素而确定的参数集合(标签)作为初始值时，参数连续性评估模块141通过对应于每一个像素来存储对于垂直地和横向地相邻的像素的标签。
另外，标签优化处理单元14包括参数值转换模块142(图3)，该参数值转换模块将对应于每个像素的参数集合的所计算的值进行转换以使得在相邻像素之间的参数集合(λ，θ，τ)的差异连续地变化(即，连续性能够被保持)。
注意，参数值转换模块142将目标像素和周围像素的参数集合进行比较，并且确定对应于其中在整个图像中的像素之间的间距中的连续的波动、角及相位被保持的每个像素的参数集合(被称为“最优标签值”)。
由此，参数值转换模块142将值更新为如下值，连续性(连接属性)利用其能够被保持以使得与相邻像素中的每个相邻像素对应的参数集合的值之间的差异被抑制在特定值内。
指纹图像通常展现这样的特性，即图像中的不同像素中的每个像素的参数集合(λ(波长)，θ(角)，τ(相位))在相邻像素之间连续地和平滑地改变。
因此，在本实施例中，参数值转换模块142通过使用置信传播方法执行处理以用于将与每个像素对应的参数集合的标签值转换为在相邻像素之间展现连接属性(无不连续性)的标签值。
参数值转换模块142具体地执行每个像素的标签值的转换，从而使得通过执行基于以下函数(公式6和公式7)的处理，成本函数E(f)如同整个图像变为0(或尽可能接近于0)。
(表达式3)
——(公式6)
Dp(fp)示出了一个值(惩罚值)，该值示出了在参考值和通过将另一标签值加上通过对应于目标像素而设置的标签值(参考值)所获取的值之间的差异，并且W(fp,fq,fr)示出了从三个相邻像素(p，q，r)发送的概率值(fp,fq,fr)的差异值。
这里，通过置信传播方法的参数值更新动作内容将参考在图9中所示的说明性图表被描述。
通过对应于目标像素，标签优化处理单元14基于概率值更新目标像素的标签值，该概率值基于相邻像素的标签值被计算。
此时，基于包含了从如在图9中所示的三个相邻像素传播的概率值的消息的内容，标签优化处理单元14计算示出了剩余一个相邻像素的参数值的可能性的概率值，并将该概率值(被称为标签值信任度)作为消息通知给剩余的一个相邻像素。
用于计算、通知和存储标签值信任度的处理全部由参数值转换模块142执行。
参数值转换模块142基于如下在(公式7)中所示的函数执行被包含于消息内的标签值信任度(m)的计算。
(表达式4)
——(公式7)
注意，(公式7)中的m示出了基于从每个像素的相邻像素通知的消息内容计算的概率值。另外，(公式7)中的Dp和V分别对应于以上提及的(公式6)中的Dp和W。
标签优化处理单元14基于从对应的相邻像素通知的标签值信任度计算每个标签的每个标签值信任度，并且更新为在与每个像素(目标像素)对应的标签值和相邻像素的标签值(相邻标签值)之间具有最高连续性的标签值。
标签优化处理单元14可以被设置为计算通过对应于每个标签值信任度示出了关于相邻标签值的不连续性的惩罚值(例如，当在标签值之间的变化率为高时，惩罚值变得更高)。
由此，通过以惩罚值变为最小值(理想的情况下为0)的方式更新每个标签值来将与每个像素对应的每个标签值(相邻标签值)更新为在整个图像中具有最高连续性的标签值。
另外，包含概率值的消息的通知由参数连续性评估模块141对于构成指纹起始图像的全部像素中相邻像素中的每个相邻像素同时执行。同时执行的每一个消息通知被作为一代并且被定义为以上提及的(公式7)中的值t。即，值t示出了在整个指纹图像中同时执行的消息通知的数目。
参数值转换模块142基于通过对应于每个像素所通知的消息中的概率值更新标签值，并且计算(公式7)中的值m利用其变得最小的每一个像素的标签值作为最终的输出值。
由此，当将用于计算最优值的所指范围从包括目标像素的周围像素的本地区域扩大(扩展)至其周围环境的更广泛的区域并且进一步扩大至关于指纹起始图像的全部像素中的每个像素时，标签值基于通知的消息被更新。因此，最终确定的标签值可以是在像素中的每个像素之间示出了标签值中连续性(连接属性)的最优值的值。
具体而言，参数值转换模块142通过使用置信传播方法(BP)执行最优标签值的计算。
由此，标签优化处理单元14确定连续参数集合值，该值在整个图像区域中的像素中的每个像素之间的连续性中具有非一致性。
脊线图像生成单元15基于最优标签值(参数集合)的计算结果通过执行用于确定对应像素中的每个像素的灰度值的处理来生成脊线图像。由此，能够合成脊线图像，其中指纹脊线的形状从指纹起始图像被提取。
另外，脊线图像生成单元15可以被设置为通过转换指纹起始图像的像素中的每个像素的梯度来合成脊线图像。
如以上所述，如本实施例的指纹脊线图像合成系统10能够甚至从其中窄脊线间距部分和宽脊线间距部分以混合的方式存在的指纹起始图像精确地提取指纹形状，并且进一步地，能够合成脊线图像，在该脊线图像中，通过在指纹起始图像中的像素中的每个像素的参数值上执行其中连续小波变换(CWT)和置信传播方法(BP)被结合的处理，指纹起始图像内的脊线形状通过对其中脊线不清晰的区域中的脊线进行有效地插值被精确地提取。
(关于实施例的动作的说明)
接着，将描述实施例的动作。
动作的基本程序将首先被描述，并且伺候具体的动作将被依次描述。
首先，图像合成主单元10A的小波设置单元12通过对应于上述指纹起始图像的像素中的每个像素的梯度来将不同的小波波长(λ)和小波角(θ)设置为小波的参数值并且将参数集合设为其组合(参数集合设置步骤)。
随后，脊线像素参数计算单元13基于不同的参数集合中的每个参数集合对于在与像素中的每个像素对应的指纹起始图像内的部分区域执行连续小波变换处理，计算在与参数集合中的每个参数集合对应的小波和在部分区域中的每个部分区域中的脊线形状之间的一致性，并将具有最高一致性的参数集合确定为对应于像素中的每个像素的参数集合(脊线像素参数计算步骤)。
然后，标签优化处理单元14将像素中的每个像素和位于与那些像素相邻的相邻像素中的每个相邻像素的参数集合的参数值更新/转换为该参数值的相互连续性利用其变得最优的优化值(标签优化确定步骤)。
随后，脊线图像生成单元15基于由最优值构成的参数集合运行以设置对应像素中的每个对应像素的灰度值以用于合成脊线图像(脊线图像合成步骤)。
注意，包括之后将被描述的每个动作步骤的动作步骤中的每个动作步骤的动作内容可以被放入程序以被提供给图像合成主单元10A的计算机执行。
接着，本实施例的脊线图像合成系统10的具体动作内容将通过参考图4、图6(a)至6(c)以及图7(a)至7(c)的流程图来描述。
首先，小波设置单元12通过将构成输入的指纹图像(图4：步骤S401)的每个像素作为目标来设置多个不同的小波(图4：步骤S402)。
注意，示出了通过对应于每个像素而被设置的小波的数目的C在以下由(公式1)定义。
(表达式1)
C＝(将被设置的小波的半径(τ)的种类的数目)
×(将被设置的小波的方向(θ)的数目)
×(将被设置的小波的波长(λ)的种类的数目)——(公式1)
然后，连续小波变换处理模块131在指纹起始图像上以像素为单位(通过对应于每个像素)执行连续小波变换处理。
注意，连续小波变换处理模块131在指纹图像中针对与目标像素中的每个目标像素对应的区域(被称为目标像素区域)使用对应于C个参数集合中的每个参数集合的C段小波执行卷积计算(图4：步骤S403/连续小波变换应用步骤)。
然后，脊线一致性评估模块132计算在由参数集合和目标像素区域确定的小波中的每个小波之间的一致性。该一致性示出了在目标像素区域的脊线形状和小波图像的波形形状(小波形状)之间的一致性的程度。
注意，如在图8中所示，当在C段小波中的每段小波和目标像素区域之间的一致性被计算时，脊线一致性评估模块132将C个一致性(结果图像)中获得最高一致性的小波(即，参数集合)确定为与目标像素对应的参数集合。
另外，脊线一致性评估模块132在特定值范围内设置与每个参数集合对应的相位并且由此确定一致性值利用其变得最高的相位的值。
另外，脊线一致性评估模块132将脊线图像中的与每个像素对应的C个参数集合视为C个标签，并且选择其关于脊线结构的一致性的程度(E：脊线一致性)在这些标签中最高的参数集合作为一致参数集合(图4：步骤S404/最优组合选择步骤)。
然后，参数连续性评估模块141通过对应于每个像素获取相邻像素(垂直地和横向地四个相邻的元素)的一致参数集合的参数值。
此时，当通过与关于目标像素及周围像素的每个像素对应所确定的参数集合(标签)作为初始值时，参数连续性评估模块141通过对应于每个像素存储垂直地和横向地相邻的像素。
另外，参数值转换模块142将目标像素和周围像素的参数集合进行比较，并且确定与每个像素对应的参数集合(被称为“最优标签值”)，其中在整个图像中的像素之间的间距中的连续的波动、角及相位被保持。
标签优化处理单元14将与像素中的每个像素对应的参数集合的所计算的值进行转换以使得在相邻像素之间的参数集合(λ，θ，τ)的差异连续地变化(即，以使得连续性能够被保持)。
由此，参数值转换模块142将参数集合的值更新为连续性(连接属性)利用其能够被保持的值，从而使得在与相邻像素中的每个相邻像素对应的参数集合的值之间的差异被抑制在特定值内。
参数值转换模块142通过使用置信传播方法(公式6和公式7)具体地执行每个像素的标签值的转换，从而使得通过执行基于以下函数的处理，成本函数E(f)如同整个图像变为0(或尽可能接近于0)。
在此，参数值更新动作的内容通过置信传播方法完成(图4：步骤S405/最优标签值确定步骤)，对此将参考图9中所示的说明性图表来描述。
通过对应于目标像素，标签优化处理单元14基于概率值更新目标像素的标签值，该概率值基于相邻像素的标签值被计算。
此时，基于包含了从在如图9中所示的三个相邻像素传播的概率值的消息的内容，标签优化处理单元14计算示出了剩余一个相邻像素的参数值的可能性的概率值，并将该概率值(被称为标签值信任度)作为消息通知给剩余一个相邻像素。
用于计算、通知和存储标签值信任度的处理全部由参数值转换模块142执行。
参数值转换模块142基于如下(公式7)所示的函数执行包含于消息内的标签值信任度(m)的计算。
注意，(公式7)中的m示出了基于从每个像素的相邻像素通知的消息内容计算的概率值。进一步地，Dp和V分别对应于上述(公式6)中的Dp和W。
另外，包含概率值的消息的通知由参数连续性评估模块141对于构成指纹起始图像的全部像素中相邻像素中的每个相邻像素同时执行。同时执行的每个消息通知被作为一代并且被定义为以上提及的(公式7)中的值t。即，值t示出了在整个指纹图像中同时执行的消息通知的数目。
参数值转换模块142基于通过对应于每个像素所通知的消息中的概率值更新标签值，并且将公式7中的值m利用其变得最小的每一个像素的标签值计算为最终的输出值。
由此，当将用于从包括目标像素的周围像素的本地区域计算最优值的所指范围扩大(扩展)至其周围环境的更广泛的区域并且进一步扩大至关于指纹起始图像的全部像素中的每个像素时，标签值基于通知的消息被更新。因此，最终确定的标签值可以是在像素中的每个像素之间示出了标签值中连续性(连接属性)的最优值的值。
具体而言，参数值转换模块142通过使用置信传播方法(BP)执行最优标签值的计算。
由此，标签优化处理单元14确定连续参数集合值，该值在整个图像区域中的像素中的每个像素之间的连续性中具有非一致性。
脊线图像生成单元15基于最优标签值(参数集合)的计算结果通过执行用于确定对应像素中的每个像素的灰度值的处理来生成脊线图像。由此，能够合成脊线图像，其中指纹脊线的形状从指纹起始图像被提取(图4：步骤S406/脊线图像生成步骤)。另外，脊线图像生成单元15可以被设置为通过转换指纹起始图像的像素中的每个像素的梯度来合成脊线图像。
如以上所述，如本实施例的指纹脊线图像合成系统10能够甚至在指纹区域中在细节的附近，在具有较小脊线间距的详细构造的区域中，以及在其中窄脊线间距部分和宽脊线间距部分以混合的方式存在的指纹区域中精确地提取脊线形状(脊线构造)，并且进一步地，能够合成脊线图像，从该脊线图像，通过对当标准傅里叶变换和离散小波变换被应用时不能对其插值的脊线缺失部分进行有效地插值，被包含于指纹起始图像内的细节能够被有效地检测。
上述实施例的新的技术内容可以被总结如下。当本实施例的一部分或整个部分能够作为新技术被总结如下时，本发明并不一定被限制于此。
(补充说明1)
一种指纹脊线图像合成系统，包括提取被包含于指纹起始图像中的脊线形状并基于此合成指纹起始图像的脊线图像的图像合成主单元，其中
图像合成主单元包括：
小波设置单元，小波设置单元通过与指纹起始图像的每个像素的梯度对应，将不同的小波波长(λ)和小波角(θ)设置为小波的参数值并且还将其组合设置为参数集合；
脊线像素参数计算单元，脊线像素参数计算单元包括连续小波变换功能，以用于基于不同的参数集合中的每个参数集合对与像素中的每个像素对应的指纹起始图像内的部分区域执行连续小波变换处理，脊线像素参数计算单元计算在与参数集合中的每个参数集合对应的小波和部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的参数集合确定为与像素中的每个像素对应的参数集合；
标签优化处理单元，标签优化处理单元将像素中的每个像素和与这些像素相邻的相邻像素中的每个相邻像素的参数集合的参数值更新/转换为参数值的相互连续性利用其变得最优的最优值；以及
脊线图像生成单元，脊线图像生成单元通过基于由最优值构成的参数集合设置每个对应像素的灰度值，来合成脊线图像。
(补充说明2)
根据补充说明1中的指纹脊线图像合成系统，其中
标签优化处理单元包括更新值计算功能，更新值计算功能基于相邻像素的参数值来计算像素中的每个像素的参数值的可靠性，并且基于通过与相邻像素对应而被计算的可靠性的差异来计算像素中的每个像素的优化值。
(补充说明3)
根据补充说明1中的指纹脊线图像合成系统，其中
小波设置单元包括小波区域变量设置功能，小波区域变量设置功能通过将小波的衰减距离(τ)设置为小波的参数值，来将部分区域的尺寸可变地设置为一致性的计算目标。
(补充说明4)
根据补充说明1中的指纹脊线图像合成系统，其中
小波设置单元包括椭圆小波设置功能，椭圆小波设置功能通过针对其中指纹起始图像中的脊线的曲率等于或大于特定值的部分区域而应用由不同的衰减距离构成的椭圆小波，来执行连续小波变换处理。
(补充说明5)
一种指纹脊线图像合成方法，被用于包括图像合成主单元的指纹脊线图像合成系统中，图像合成主单元提取被包含于指纹起始图像中的脊线形状并以此为基础合成指纹起始图像的脊线图像，方法包括：
通过与指纹起始图像的每个像素的梯度对应，将不同的小波波长(λ)和小波角(θ)设置为小波的参数值并且还将其组合设置为参数集合；
基于不同的参数集合中的每个参数集合，对与像素中的每个像素对应的指纹起始图像内的部分区域执行连续小波变换处理；
计算在与参数集合中的每个参数集合对应的小波和部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的参数集合确定为与像素中的每个像素对应的参数集合；
将像素中的每个像素和与这些像素相邻的相邻像素中的每个相邻像素的参数集合的参数值更新为参数值的相互连续性利用其变得最优的最优值；以及
通过基于由最优值构成的参数集合设置每个对应像素的灰度值，来生成脊线图像，其中
这些动作步骤中的每个动作步骤被图像合成主单元相继执行。
(补充说明6)
一种指纹脊线图像合成程序，被用于包括图像合成主单元的指纹脊线图像合成系统中，图像合成主单元提取被包含于指纹起始图像中的脊线形状并以此为基础合成指纹起始图像的脊线图像，程序使得向图像合成主单元提供的计算机用于执行以下各项中的每项：
小波设置功能，小波设置功能通过与指纹起始图像的每个像素的梯度对应，将不同的小波波长(λ)和小波角(θ)设置为小波的参数值并且还将其组合设置为参数集合；
连续小波变换功能，连续小波变换功能基于不同的参数集合中的每个参数集合，对与像素中的每个像素对应的指纹起始图像内的部分区域执行连续小波变换处理；
脊线像素参数计算功能，脊线像素参数计算功能计算在与参数集合中的每个参数集合对应的小波和部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的参数集合确定为与像素中的每个像素对应的参数集合；
标签优化处理功能，标签优化处理功能将像素中的每个像素和与这些像素相邻的相邻像素中的每个相邻像素的参数集合的参数值更新为参数值的相互连续性利用其变得最优的最优值；以及
脊线图像生成功能，脊线图像生成功能通过基于由最优值构成的参数集合设置每个对应像素的灰度值，来生成脊线图像。
本申请要求于2012年5月18日提交的日本专利申请号2012-114407的优先权并且其公开内容在此被整体引入作为参考。
工业实用性
本发明能够被有效的应用于指纹核对设备，该指纹核对设备执行通过将包含不清晰的指纹图像区域的指纹图像(比如潜藏的指纹图像)作为目标执行指纹核对。
参考标号
10 指纹脊线图像合成系统
10A 图像合成主单元
11 指纹图像输入单元
12 小波设置单元
13 脊线像素参数计算单元
14 标签优化处理单元
15 脊线图像生成单元
131 连续小波变换处理模块
132 脊线一致性评估模块
141 参数连续性评估模块
142 参数值转换模块

Claims (6)

1.一种指纹脊线图像合成系统，包括提取被包含于指纹起始图像中的脊线形状并基于此合成所述指纹起始图像的脊线图像的图像合成主单元，其中
所述图像合成主单元包括：
小波设置单元，所述小波设置单元根据所述指纹起始图像的每个像素的梯度，将不同的小波波长λ和小波角θ设置为小波的参数值并且还将其组合设置为参数集合；
脊线像素参数计算单元，所述脊线像素参数计算单元包括连续小波变换功能，以用于基于不同的所述参数集合中的每个参数集合对所述指纹起始图像内的与所述每个像素对应的部分区域执行连续小波变换处理，所述脊线像素参数计算单元计算在与所述参数集合中的每个参数集合对应的所述小波的小波形状和所述部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的所述参数集合确定为与所述每个像素对应的所述参数集合；
标签优化处理单元，所述标签优化处理单元将所述每个像素和与这些像素相邻的相邻像素中的每个相邻像素的所述参数集合的所述参数值更新转换为最优值，所述参数值的相互连续性利用所述最优值变得最优；以及
脊线图像生成单元，所述脊线图像生成单元通过基于由所述最优值构成的所述参数集合设置每个对应像素的灰度值，来合成所述脊线图像。
2.根据权利要求1所述的指纹脊线图像合成系统，其中
所述标签优化处理单元包括更新值计算功能，所述更新值计算功能基于所述相邻像素的所述参数值来计算所述每个像素的所述参数值的可靠性，并且基于通过与所述相邻像素对应而被计算的所述可靠性的差异来计算所述每个像素的优化值。
3.根据权利要求1所述的指纹脊线图像合成系统，其中
所述小波设置单元包括小波区域变量设置功能，所述小波区域变量设置功能通过将所述小波的衰减距离τ设置为所述小波的所述参数值，来将部分区域的尺寸可变地设置为所述一致性的计算目标。
4.根据权利要求1所述的指纹脊线图像合成系统，其中
所述小波设置单元包括椭圆小波设置功能，所述椭圆小波设置功能通过针对其中所述指纹起始图像中的所述脊线的曲率等于或大于特定值的所述部分区域而应用由不同的衰减距离构成的椭圆小波，来执行所述连续小波变换处理。
5.一种指纹脊线图像合成方法，被用于包括图像合成主单元的指纹脊线图像合成系统中，所述图像合成主单元提取被包含于指纹起始图像中的脊线形状并以此为基础合成所述指纹起始图像的脊线图像，所述方法包括：
根据所述指纹起始图像的每个像素的梯度，将不同的小波波长λ和小波角θ设置为小波的参数值并且还将其组合设置为参数集合；
基于不同的所述参数集合中的每个参数集合，对所述指纹起始图像内的与所述每个像素对应的部分区域执行连续小波变换处理；
计算在与所述参数集合中的每个参数集合对应的所述小波的小波形状和所述部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的所述参数集合确定为与所述每个像素对应的所述参数集合；
将所述每个像素和与这些像素相邻的相邻像素中的每个相邻像素的所述参数集合的所述参数值更新为最优值，所述参数值的相互连续性利用所述最优值变得最优；以及
通过基于由所述最优值构成的所述参数集合设置每个对应像素的灰度值，来生成所述脊线图像，其中
这些动作步骤中的每个动作步骤被所述图像合成主单元相继执行。
6.一种指纹脊线图像合成设备，被用于包括图像合成主单元的指纹脊线图像合成系统中，所述图像合成主单元提取被包含于指纹起始图像中的脊线形状并以此为基础合成所述指纹起始图像的脊线图像，所述设备包括：
用于所述指纹起始图像的每个像素的梯度，将不同的小波波长λ和小波角θ设置为小波的参数值并且还将其组合设置为参数集合的装置；
用于基于不同的所述参数集合中的每个参数集合，对所述指纹起始图像内的与所述每个像素对应的部分区域执行连续小波变换处理的装置；
用于计算在与所述参数集合中的每个参数集合对应的所述小波的小波形状和所述部分区域中的每个部分区域中的脊线形状之间的一致性，并且将具有最高一致性的所述参数集合确定为与所述每个像素对应的所述参数集合的装置；
用于将所述每个像素和与这些像素相邻的相邻像素中的每个相邻像素的所述参数集合的所述参数值更新为最优值，所述参数值的相互连续性利用所述最优值变得最优；以及
用于通过基于由所述最优值构成的所述参数集合设置每个对应像素的灰度值，来生成所述脊线图像的装置。
CN201380025739.1A 2012-05-18 2013-05-16 指纹脊线图像合成系统及指纹脊线图像合成方法 Active CN104303209B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2012114407 2012-05-18
JP2012-114407 2012-05-18
PCT/JP2013/063665 WO2013172413A1 (ja) 2012-05-18 2013-05-16 指紋隆線画像合成システム、指紋隆線画像合成方法、及びそのプログラム

Publications (2)

Publication Number Publication Date
CN104303209A CN104303209A (zh) 2015-01-21
CN104303209B true CN104303209B (zh) 2017-05-17

Family

ID=49583816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380025739.1A Active CN104303209B (zh) 2012-05-18 2013-05-16 指纹脊线图像合成系统及指纹脊线图像合成方法

Country Status (6)

Country Link
US (1) US9323974B2 (zh)
EP (1) EP2851869A4 (zh)
JP (1) JP5881195B2 (zh)
KR (1) KR101627062B1 (zh)
CN (1) CN104303209B (zh)
WO (1) WO2013172413A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10578758B2 (en) * 2015-03-19 2020-03-03 Exxonmobil Upstream Research Company Sequence pattern characterization
KR101639986B1 (ko) * 2015-10-07 2016-07-15 크루셜텍 (주) 지문 등록 및 인증 속도 향상을 위한 지문 정보 프로세싱 방법 및 그 장치
US9773147B1 (en) * 2016-03-25 2017-09-26 Novatek Microelectronics Corp. Fingerprint enrollment method and apparatus using the same
KR20200070878A (ko) 2018-12-10 2020-06-18 삼성전자주식회사 지문 영상 전처리 방법 및 장치
CN113158837B (zh) * 2021-04-01 2024-02-20 深圳阜时科技有限公司 基于方向场的指纹图像边缘修补方法
WO2023229162A1 (ko) * 2022-05-27 2023-11-30 삼성전자 주식회사 3차원 형상 확인에 기반한 지문 정보 획득 방법 및 그 전자 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000348178A (ja) * 1999-06-09 2000-12-15 Toyota Central Res & Dev Lab Inc 指紋照合装置
JP2004127062A (ja) * 2002-10-04 2004-04-22 Dds:Kk 指紋照合装置、指紋照合方法及び指紋照合プログラム
CN1731420A (zh) * 2005-08-19 2006-02-08 哈尔滨工业大学 斜小波图像指纹的提取和验证方法
CN101996321A (zh) * 2009-08-24 2011-03-30 北京易创科技有限公司 一种指纹识别预处理的方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2643806B2 (ja) 1993-12-10 1997-08-20 日本電気株式会社 重畳画像の背景除去方法
US20070230754A1 (en) * 2006-03-30 2007-10-04 Jain Anil K Level 3 features for fingerprint matching

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000348178A (ja) * 1999-06-09 2000-12-15 Toyota Central Res & Dev Lab Inc 指紋照合装置
JP2004127062A (ja) * 2002-10-04 2004-04-22 Dds:Kk 指紋照合装置、指紋照合方法及び指紋照合プログラム
CN1731420A (zh) * 2005-08-19 2006-02-08 哈尔滨工业大学 斜小波图像指纹的提取和验证方法
CN101996321A (zh) * 2009-08-24 2011-03-30 北京易创科技有限公司 一种指纹识别预处理的方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Curved-Region-Based Ridge frequency estimation and curved Gabor filter for fingerprint image;Carsten Gottschlich;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20120430;第21卷(第4期);第2220-2227页 *
Fingerprint enhancement using hierarchical markov random fields;Rama Reddy K.N.V et al.;《2011 International joint conference on biometrics(IJCB)》;20111011;第1-8页 *
Probabilistic orientation field estimation for fingerprint enhancement and verification;Kuang-chih Lee et al.;《2008 Biometrics Symposium(BSYM)》;20080923;第41-46页 *
基于Gabor函数的小波域指纹图像增强算法;温苗利 等;《计算机应用》;20060331;第26卷(第3期);第589-594页 *

Also Published As

Publication number Publication date
WO2013172413A1 (ja) 2013-11-21
KR20150020327A (ko) 2015-02-25
EP2851869A1 (en) 2015-03-25
JPWO2013172413A1 (ja) 2016-01-12
US9323974B2 (en) 2016-04-26
JP5881195B2 (ja) 2016-03-09
CN104303209A (zh) 2015-01-21
EP2851869A4 (en) 2016-03-30
KR101627062B1 (ko) 2016-06-03
US20150161432A1 (en) 2015-06-11

Similar Documents

Publication Publication Date Title
CN104303209B (zh) 指纹脊线图像合成系统及指纹脊线图像合成方法
CN110074813B (zh) 一种超声图像重建方法及系统
EP3637317A1 (en) Method and apparatus for generating vehicle damage information
CN108959794B (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN109902616B (zh) 基于深度学习的人脸三维特征点检测方法及系统
CN108648256B (zh) 一种基于超维的灰度岩心三维重建方法
CN104867225A (zh) 一种纸币的面向识别方法及装置
Loss et al. Iterative tensor voting for perceptual grouping of ill-defined curvilinear structures
Wetzel et al. Registering large volume serial-section electron microscopy image sets for neural circuit reconstruction using FFT signal whitening
CN109978888A (zh) 一种图像分割方法、装置及计算机可读存储介质
CN117274258B (zh) 主板图像的缺陷检测方法、系统、设备及存储介质
CN105139409A (zh) 基于蚁群算法的二维图像分割方法
Chau et al. Adaptive dual-point Hough transform for object recognition
CN103473749A (zh) 一种基于全变分图像融合的方法及装置
Nielsen et al. EvalAttAI: a holistic approach to evaluating attribution maps in robust and non-robust models
CN103679764B (zh) 一种图像生成方法及装置
CN107170004A (zh) 一种无人车单目视觉定位中对匹配矩阵的图像匹配方法
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium
CN114372970B (zh) 一种手术参考信息生成方法及装置
Nbonsou Tegang et al. A gaussian process model based generative framework for data augmentation of multi-modal 3d image volumes
CN115424000A (zh) 一种指针式仪表识别方法、系统、设备及存储介质
CN112346126B (zh) 低级序断层的识别方法、装置、设备及可读存储介质
Wang et al. Fast Cartoon‐Texture Decomposition Filtering Based License Plate Detection Method
JPH09119982A (ja) 飛しょう体誘導装置
JP2004093166A (ja) 目標識別装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant