CN106897989B - 一种基于线密度计算的指纹图像分割方法 - Google Patents

一种基于线密度计算的指纹图像分割方法 Download PDF

Info

Publication number
CN106897989B
CN106897989B CN201610115126.2A CN201610115126A CN106897989B CN 106897989 B CN106897989 B CN 106897989B CN 201610115126 A CN201610115126 A CN 201610115126A CN 106897989 B CN106897989 B CN 106897989B
Authority
CN
China
Prior art keywords
point
image
pixel
fingerprint
white
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.)
Expired - Fee Related
Application number
CN201610115126.2A
Other languages
English (en)
Other versions
CN106897989A (zh
Inventor
刘书炘
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.)
Minnan Normal University
Original Assignee
Minnan Normal University
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 Minnan Normal University filed Critical Minnan Normal University
Priority to CN201610115126.2A priority Critical patent/CN106897989B/zh
Publication of CN106897989A publication Critical patent/CN106897989A/zh
Application granted granted Critical
Publication of CN106897989B publication Critical patent/CN106897989B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • 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
    • G06T2207/20192—Edge enhancement; Edge preservation

Abstract

本发明公开了一种基于线密度计算的指纹图像分割方法，包括如下步骤：将原始指纹图像进行卡通纹理分解，分解为包含背景的卡通部分与包含细节的纹理部分；对纹理部分进行二值化和去毛边处理，获得指纹图像的轮廓图；在轮廓图中搜索线条；将图像分成n×n像素的正方形网格，统计每个方格中记录的点数，得到图像线密度；判定指纹中心并得到指纹所在区域，即mask；对mask区域进行凸包处理(或近似凸包的处理)，完成指纹图像指纹前景区域与背景区域的分割。本发明在图像卡通纹理分解的基础上，针对各种质量的指纹图像，使用了一种全新的方法即线密度来进行指纹区域的识别与分割，能够有效提高低质量指纹图像的分割效率与分割准确度。

Description

一种基于线密度计算的指纹图像分割方法
技术领域
本发明设计一种基于线密度计算的指纹图像分割方法，属于指纹识别技术领域。
背景技术
在指纹从现场提取到与指纹库匹配的过程中，指纹图像分割是极其关键的一步。良好的指纹图像分割能在保留指纹有效特征的同时去除其他背景噪声，将图像分割为指纹区域和非指纹区域两部分，从而进行进一步优化处理。目前，针对背景简单的高质量指纹图像的分割算法已日趋完善，而对于背景复杂、杂线杂点较多的低质量指纹图像的分割基本上需要人手工完成。这不仅浪费了人力，并且人类所识别的指纹区域可能是最完整的，但不一定是最适合计算机软件进行处理的。
目前典型的指纹分割方法有基于图像局部对比度特征进行分割的方差法和利用图像局部方向信息进行分割的方向图法。方差法利用指纹纹路部分的局部方差值较大的特点来分割图像：由于指纹纹路部分是深浅交替的，对比强烈，局部方差大，由此对指纹图像进行分割。方向图法利用指纹图像在某一区域的方向直方图有无峰值来分割图像：由于指纹纹路在一小块区域内是有特定方向的，使得方向直方图在这一方向上产生峰值；而背景噪声几乎是没有方向的，也就不会产生峰值。不过，这两种方法都不适用于背景复杂、噪声极多的低质量指纹图像，尤其是犯罪现场的一些指纹图像。
发明内容
发明的目的在于克服现有技术之不足，提供一种基于线密度计算的指纹图像分割方法，其具有有效提高低质量指纹图像的分割效率与分割准确度的特点。
本发明解决其技术问题所采用的技术方案是：提供一种基于线密度计算的指纹图像分割方法，包括如下步骤：
A1、指纹图像特征分离获取轮廓图；
A2、寻找轮廓图中可能存在的线条的起点；
A3、从每一个线条起点开始，在轮廓图中寻找到一条线；
A4、对线条密度图进行指纹中心判定；
A5、对指纹中心判定后所得到的区域进行凸包处理。
优选的，所述步骤A1包括如下步骤：
B1、采用快速卡通纹理分解，将图像分解为包含背景的卡通部分与包含细节的纹理部分；
B2、对图像纹理部分进行二值化处理；以一个阈值V将一幅黑白或彩色的图像转换为只有黑白两种颜色的图像，即每个像素点只用0或1就能表示；对于8位1通道的图像，计算公式如式(1)：
B3、二值化后的图像进行去毛边处理，将二值化后的图像中孤立的前景色像素点转换为背景色像素点；假设背景色为黑色(即0)，前景色为白色(即1)。
优选的，所述步骤B3的处理规则为：
C1、将图像边缘的所有像素点变为黑色；
C2、如果一个白色像素点的上面和下面的像素点均为黑色，则把这个像素点变为黑色；
C3、如果一个白色像素点的左面和右面的像素点均为黑色，则把这个像素点变为黑色；
C4、如果一个白色像素点的左上和右下的像素点均为黑色，则把这个像素点变为黑色；
C5、如果一个白色像素点的右上和左下的像素点均为黑色，则把这个像素点变为黑色；
C6、反复进行C2～C5直到整幅图像不再出现这四种情况。
优选的，所述步骤A2线条的起点的确定方法为：将一片连续的白色像素点区域的中心像素点标记为线条起点，线条搜索完毕之后将这个像素点变为黑色。
优选的，所述步骤A3的具体步骤为：
D1、在轮廓图中以线条起点为出发点引出角度间距相等的n条射线，当射线遇到背景色时停止，得到射线长度L1～Ln。取L1～Ln中的最大值Lm，沿第m条射线的方向前进一段距离，得到这条线的第二个点；
D2、在得到第二个点后，在点的前进方向(即之前L值最大的射线方向)±90°范围内以第二个点为出发点引出角度间距相等的(n/2+1)条射线，当射线遇到背景色时停止，得到射线长度M0～Mn/2。取M0～Mn/2中的最大值Mk，沿第k条射线的方向前进一段距离，得到这条线的第三个点；
D3、按照D2的方法找到第四个点、第五个点……直到引出的所有射线的长度都小于阈值T，表示走到了一个白色区域的末端，停止搜索；
D4、所有的线条起点按D1～D3处理；如果一个起点得到的线条中的点数大于M，则对这些点进行记录；使用位图方法记录这些点的位置和方向，(方向是指下个点相对于这个点的方向角度θ，若本点坐标x1、y1，下个点坐标x2、y2，则θ＝arctan((y2-y1)/(x2-x1)))。
优选的，所述步骤A4的具体步骤为：
E1、将图像做二值化处理，先用所设定的阈值处理线密度图，在得到的黑白图像中统计各个连续的白色区域占据的方格数Ni，定义每个白色连续区域的中心点坐标(Xi,Yi)为这个白色连续区域的中心；
E2、设图像宽度为imgx、高度为imgy，则该白色连续区域的得分为：Ki＝Li×Ni，其中Li为区域中心点(Xi,Yi)与图像中心(imgx/2,imgy/2)的距离；
E3、如果此时最大的Ni超过了预设最大值N，则将Ki最大的区域的中心点坐标(Xi,Yi)作为这幅线密度分布图中的指纹中心点；否则，将阈值V减小1，重复二值化以及之后的操作。
优选的，被记录下的线条的点数要求大于M取值为2或者3，在保存每个点时应采用浮点数而不是整数。
优选的，图像进行二值化处理采用动态阈值方法，即第i幅图像的阈值Vi＝Gi×k，其中Gi为此图指纹中心点(及其附近区域)的灰度值，0<k<1为一常量参数。
本发明的有益效果是：能够有效识别背景复杂、噪声极多的低质量指纹图像。由于噪声像素点的分布一般都比较稀疏，因此所搜索到的噪声线条也比较短且分布稀疏，而包含指纹信息的区域线条长且分布集中。通过搜索线条集中的高线密度区域就能较好地从复杂背景中得到有效指纹区域。
以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种基于线密度计算的指纹图像分割方法不局限于实施例。
附图说明
图1是应用本发明的原始指纹图像；
图2是对原始指纹图像进行快速卡通纹理分解后的纹理部分；
图3是对原始指纹图像进行快速卡通纹理分解后的背景卡通部分；
图4是对纹理图像进行二值化处理后结果；
图5是对纹理图像进行去毛边处理后结果，即为轮廓图；
图6是图5的线条起点；
图7是线条搜索得到第二个点的示意图；
图8是线条搜索得到第三个点的示意图；
图9是图5的线条搜索结果图；
图10是对图9进行线密度计算后的图像；
图11是图10二值化处理过程；
图12是直接得到的mask和效果图；
图13是凸包处理得到的mask和效果图。
具体实施方式
实施例1
参见图1至图13所示，本发明的一种基于线密度计算的指纹图像分割方法，包括如下步骤：
A1、指纹图像特征分离获取轮廓图；
A2、寻找轮廓图中可能存在的线条的起点；
A3、从每一个线条起点开始，在轮廓图中寻找到一条线；
A4、对线条密度图进行指纹中心判定；
A5、对指纹中心判定后所得到的区域(即mask)进行凸包处理。
优选的，所述步骤A1包括如下步骤：
B1、采用快速卡通纹理分解，将图像分解为包含背景的卡通部分与包含细节的纹理部分；
B2、对图像纹理部分进行二值化处理；以一个阈值V将一幅黑白或彩色的图像转换为只有黑白两种颜色的图像，即每个像素点只用0或1就能表示；对于8位1通道的图像，计算公式如式(1)：
B3、二值化后的图像进行去毛边处理，将二值化后的图像中孤立的前景色像素点转换为背景色像素点；假设背景色为黑色(即0)，前景色为白色(即1)。
更进一步，所述步骤B3的处理规则为：
C1、将图像边缘的所有像素点变为黑色；
C2、如果一个白色像素点的上面和下面的像素点均为黑色，则把这个像素点变为黑色；
C3、如果一个白色像素点的左面和右面的像素点均为黑色，则把这个像素点变为黑色；
C4、如果一个白色像素点的左上和右下的像素点均为黑色，则把这个像素点变为黑色；
C5、如果一个白色像素点的右上和左下的像素点均为黑色，则把这个像素点变为黑色；
C6、反复进行C2～C5直到整幅图像不再出现这四种情况。
更进一步，所述步骤A2线条的起点的确定方法为：将一片连续的白色像素点区域的中心像素点标记为线条起点，线条搜索完毕之后将这个像素点变为黑色。
更进一步，所述步骤A3的具体步骤为：
D1、在轮廓图中以线条起点为出发点引出角度间距相等的n条射线，当射线遇到背景色时停止，得到射线长度L1～Ln。取L1～Ln中的最大值Lm，沿第m条射线的方向前进一段距离，得到这条线的第二个点；
D2、在得到第二个点后，在点的前进方向(即之前L值最大的射线方向)±90°范围内以第二个点为出发点引出角度间距相等的(n/2+1)条射线，当射线遇到背景色时停止，得到射线长度M0～Mn/2。取M0～Mn/2中的最大值Mk，沿第k条射线的方向前进一段距离，得到这条线的第三个点；
D3、按照D2的方法找到第四个点、第五个点……直到引出的所有射线的长度都小于阈值T，表示走到了一个白色区域的末端，停止搜索；
D4、所有的线条起点按D1～D3处理；如果一个起点得到的线条中的点数大于M，则对这些点进行记录；使用位图方法记录这些点的位置和方向，(方向是指下个点相对于这个点的方向角度θ，若本点坐标x1、y1，下个点坐标x2、y2，则θ＝arctan((y2-y1)/(x2-x1)))。
更进一步，所述步骤A4的具体步骤为：
E1、将图像做二值化处理，先用所设定的阈值处理线密度图，在得到的黑白图像中统计各个连续的白色区域占据的方格数Ni，定义每个白色连续区域的中心点坐标(Xi,Yi)为这个白色连续区域的中心；
E2、设图像宽度为imgx、高度为imgy，则该白色连续区域的得分为：Ki＝Li×Ni，其中Li为区域中心点(Xi,Yi)与图像中心(imgx/2,imgy/2)的距离；
E3、如果此时最大的Ni超过了预设最大值N，则将Ki最大的区域的中心点坐标(Xi,Yi)作为这幅线密度分布图中的指纹中心点；否则，将阈值V减小1，重复二值化以及之后的操作。
更进一步，被记录下的线条的点数要求大于M取值为2或者3，在保存每个点时应采用浮点数而不是整数。
更进一步，图像进行二值化处理采用动态阈值方法，即第i幅图像的阈值Vi＝Gi×k，其中Gi为此图指纹中心点(及其附近区域)的灰度值，0<k<1为一常量参数。
实施例2
本发明提供一种基于线密度计算的指纹图像分割方法，包括如下步骤：
F1、使用快速卡通纹理分解，将图1所示的原始指纹图像分解为图2所示的纹理部分和图3所示的背景卡通部分，其中参数sigma本实施例取值为3；
F2、对前述分解出的纹理图像，先进行二值化处理，处理后图像如图4所示，其中二值化阈值阈值V本实施例取值为127。接着进行去毛边处理得到轮廓图，处理后图像如图5所示；
F3、确定线条搜索的线条起点，取轮廓图中的连续白色像素点区域的中心像素点为线条起点，如图6所示的白色像素点；
F4、从每一个线条起点开始，在轮廓图中寻找到一条线；
在轮廓图中以线条起点为出发点引出角度间距相等的n条射线，本实施例中n取值为16，射线如图7所示(部分未画出)，蓝色点为线条起点。其中射线L3长度最大，故沿L3方向前进一段距离，本实施例为两个单位(每个像素宽度为一单位)，得到第二个点(图中黄色点)；
得到第二个点后，在点的前进方向(即之前L值最大的射线方向)±90°范围内以第二个点为出发点引出角度间距相等的(n/2+1)条射线，本实施例中为9条射线，如图8所示(部分未画出)，起点与第二个点为蓝色。其中射线M5长度最大，故沿M5方向前进两个单位，得到第三个点(图中黄色点)；
接着搜索到第四个点、第五个点……直到引出的所有射线的长度都小于某个值，停止搜索。把线条起点像素点变为黑色，防止重复搜索；
F5、把所有的线条起点按步骤F4处理，搜索到一条线条。如果一个起点得到的线条中的点数大于M，本实施例中M取值为2，则对这些线条点进行记录。用位图方法记录这些点的位置和方向，方向是指下个点相对于这个点的方向角度θ，若本点坐标x1、y1，下个点坐标x2、y2，则θ＝arctan((y2-y1)/(x2-x1))；
图5按以上步骤处理后的图像如图9所示，图中有颜色的点即为保存的线上的点，其颜色越蓝表示其方向越接近水平，颜色越绿表示其方向越接近垂直；
F6、得到轮廓图中的线条后，将图像切分成n×n像素的正方形网格，统计每个方格中记录的点数，得到图像线密度。本实施例中n取值为16，如图10所示为线密度图，方格越亮代表这个方格中出现的点数越多；
F7、对线密度图像做二值化处理，本实施例中初始阈值V取值为60，得到一幅由黑色的背景和白色的区域组成的图像，统计各个连续的白色区域所占据的方格数Ni，定义每个白色连续区域的中心点坐标(Xi,Yi)为这个白色连续区域的中心；设图像宽度为imgx、高度为imgy，则该白色连续区域的得分为：Ki＝Li×Ni，其中Li为区域中心点(Xi,Yi)与图像中心(imgx/2,imgy/2)的距离。图11中绿色区域表示此图中Ki最大的区域。如果此时最大的Ni超过了预设最大值N，本实施例中N取值为20，则将Ki最大的区域的中心点坐标(Xi,Yi)作为这幅线密度分布图中的指纹中心点；否则，将阈值V减小1，重复二值化以及之后的操作，本实施例最终阈值V为10；
F8、此时已经得到了指纹所在的区域，即mask，见图12。由于mask虽然已经覆盖了识别出的指纹区域，但是轮廓边缘很不平整，不符合指纹的特征。接着对mask区域进行凸包处理(或近似凸包的处理)，得到最终mask如图13所示。
上述实施例仅用来进一步说明本发明的一种基于线密度计算的指纹图像分割方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。

Claims (7)

1.一种基于线密度计算的指纹图像分割方法，其特征在于，包括如下步骤：
A1、指纹图像特征分离获取轮廓图；
A2、寻找轮廓图中可能存在的线条的起点；
A3、从每一个线条起点开始，在轮廓图中寻找到一条线；
A4、对线条密度图进行指纹中心判定；
A5、对指纹中心判定后所得到的区域进行凸包处理；
所述步骤A3的具体步骤为：
D1、在轮廓图中以线条起点为出发点引出角度间距相等的n条射线，当射线遇到背景色时停止，得到射线长度L1～Ln，取L1～Ln中的最大值Lm，沿第m条射线的方向前进一段距离，得到这条线的第二个点；
D2、在得到第二个点后，在点的前进方向±90°范围内以第二个点为出发点引出角度间距相等的(n/2+1)条射线，当射线遇到背景色时停止，得到射线长度M0～Mn/2，取M0～Mn/2中的最大值Mk，沿第k条射线的方向前进一段距离，得到这条线的第三个点；
D3、按照D2的方法找到第四个点、第五个点……直到引出的所有射线的长度都小于阈值T，表示走到了一个白色区域的末端，停止搜索；
D4、所有的线条起点按D1～D3处理；如果一个起点得到的线条中的点数大于M，则对这些点进行记录。
2.根据权利要求1所述的一种基于线密度计算的指纹图像分割方法，其特征在于：所述步骤A1包括如下步骤：
B1、采用快速卡通纹理分解，将图像分解为包含背景的卡通部分与包含细节的纹理部分；
B2、对图像纹理部分进行二值化处理；以一个阈值V将一幅黑白或彩色的图像转换为只有黑白两种颜色的图像，即每个像素点只用0或1就能表示；对于8位1通道的图像，计算公式如式(1)：
B3、二值化后的图像进行去毛边处理，将二值化后的图像中孤立的前景色像素点转换为背景色像素点；假设背景色为黑色，即0，前景色为白色，即1。
3.根据权利要求2所述 的一种基于线密度计算的指纹图像分割方法，其特征在于：所述步骤B3的处理规则为：
C1、将图像边缘的所有像素点变为黑色；
C2、如果一个白色像素点的上面和下面的像素点均为黑色，则把这个像素点变为黑色；
C3、如果一个白色像素点的左面和右面的像素点均为黑色，则把这个像素点变为黑色；
C4、如果一个白色像素点的左上和右下的像素点均为黑色，则把这个像素点变为黑色；
C5、如果一个白色像素点的右上和左下的像素点均为黑色，则把这个像素点变为黑色；
C6、反复进行C2～C5直到整幅图像不再出现这四种情况。
4.根据权利要求1所述的一种基于线密度计算的指纹图像分割方法，其特征在于：所述步骤A2线条的起点的确定方法为：将一片连续的白色像素点区域的中心像素点标记为线条起点，线条搜索完毕之后将这个像素点变为黑色。
5.根据权利要求1所述的一种基于线密度计算的指纹图像分割方法，其特征在于：所述步骤A4的具体步骤为：
E1、将图像做二值化处理，先用所设定的阈值处理线密度图，在得到的黑白图像中统计各个连续的白色区域占据的方格数Ni，定义每个白色连续区域的中心点坐标(Xi,Yi)为这个白色连续区域的中心；
E2、设图像宽度为imgx、高度为imgy，则该白色连续区域的得分为：Ki＝Li×Ni，其中Li为区域中心点(Xi,Yi)与图像中心(imgx/2,imgy/2)的距离；
E3、如果此时最大的Ni超过了预设最大值N，则将Ki最大的区域的中心点坐标(Xi,Yi)作为这幅线密度分布图中的指纹中心点；否则，将阈值V减小1，重复二值化以及之后的操作。
6.根据权利要求1所述的一种基于线密度计算的指纹图像分割方法，其特征在于：被记录下的线条的点数要求大于M取值为2或者3，在保存每个点时应采用浮点数而不是整数。
7.根据权利要求5所述的一种基于线密度计算的指纹图像分割方法，其特征在于：图像进行二值化处理采用动态阈值方法，即第i幅图像的阈值Vi＝Gi×k，其中Gi为此图指纹中心点的灰度值，0<k<1为一常量参数。
CN201610115126.2A 2016-03-01 2016-03-01 一种基于线密度计算的指纹图像分割方法 Expired - Fee Related CN106897989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610115126.2A CN106897989B (zh) 2016-03-01 2016-03-01 一种基于线密度计算的指纹图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610115126.2A CN106897989B (zh) 2016-03-01 2016-03-01 一种基于线密度计算的指纹图像分割方法

Publications (2)

Publication Number Publication Date
CN106897989A CN106897989A (zh) 2017-06-27
CN106897989B true CN106897989B (zh) 2019-09-20

Family

ID=59190456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610115126.2A Expired - Fee Related CN106897989B (zh) 2016-03-01 2016-03-01 一种基于线密度计算的指纹图像分割方法

Country Status (1)

Country Link
CN (1) CN106897989B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232349B (zh) * 2019-06-10 2020-07-03 北京迈格威科技有限公司 屏下指纹去底纹方法、装置、计算机设备和存储介质
CN111524204B (zh) * 2020-05-06 2023-06-27 杭州小影创新科技股份有限公司 一种人像发丝动漫化纹理生成方法
CN112232159B (zh) * 2020-09-30 2021-12-07 墨奇科技（北京）有限公司 指纹识别的方法、装置、终端及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320946A (zh) * 2015-11-03 2016-02-10 盐城工学院 一种基于matlab的指纹识别方法
CN105354248A (zh) * 2015-10-19 2016-02-24 南通大学 基于灰度的分布式图像底层特征识别方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354248A (zh) * 2015-10-19 2016-02-24 南通大学 基于灰度的分布式图像底层特征识别方法及系统
CN105320946A (zh) * 2015-11-03 2016-02-10 盐城工学院 一种基于matlab的指纹识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Remaining Fingerprint Segmentation Based on Convex Hull Model;Wang Feng;《2010 International Conference on Educational and Network Technology》;20100627;第449页右栏第3段，第450页右栏第1段-第451页左栏第2段 *
基于纹线跟踪的指纹分类方法;杨小冬;《计算机工程》;20050430;第31卷(第7期);第2.1.2节 *
联机指纹鉴别系统中的细化与中心点计算;刘家峰 等;《哈尔滨工业大学学报》;20001231;第32卷(第6期);第2节 *

Also Published As

Publication number Publication date
CN106897989A (zh) 2017-06-27

Similar Documents

Publication Publication Date Title
Liu et al. A robust skin color based face detection algorithm
CN105049911B (zh) 一种基于人脸识别的视频特效处理方法
CN1312625C (zh) 基于游程邻接图的复杂背景彩色图像中字符提取方法
CN106897989B (zh) 一种基于线密度计算的指纹图像分割方法
CN110544300B (zh) 一种基于二维手绘图像特征自动生成三维模型的方法
CN107909083B (zh) 一种基于轮廓匹配优化的矩形检测提取方法
CN102930538B (zh) 高斯势与空间直方图融合的自适应图像分割方法
CN113808193B (zh) 一种基于分块阈值的光斑质心定位方法
CN111145105B (zh) 一种图像快速去雾方法、装置、终端及存储介质
CN106446925A (zh) 一种基于图像处理的海豚身份识别的方法
CN104463814A (zh) 基于局部纹理方向性的图像增强方法
CN109409356B (zh) 一种基于swt的多方向中文印刷体文字检测方法
CN105741272A (zh) 去除文档图像背面渗透字迹的方法
CN109461171B (zh) 基于多通道改进DoG滤波的红外弱小目标检测算法
CN106127763A (zh) 一种具有广泛适应性的图像二值化方法
CN109858484B (zh) 一种基于偏斜评价的多类别变换车牌校正方法
CN104992176B (zh) 一种面向碑文的汉字提取方法
CN102411776A (zh) 基于统计学和分形维数的机器人视觉图像分割方法
Xue et al. Fingerprint image segmentation based on a combined method
CN106127765A (zh) 基于自适应窗口和平滑阈值法的图像二值化系统
CN106408029B (zh) 一种基于结构差分直方图的图像纹理分类方法
CN105957067B (zh) 一种基于颜色差分的彩色图像边缘检测方法
CN102663395A (zh) 基于自适应多尺度快速离散Beamlet变换的直线检测方法
CN110807747B (zh) 一种基于前景蒙版的文档图像降噪方法
Wu et al. Face detection based on YCbCr Gaussian model and KL transform

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190920

Termination date: 20200301

CF01 Termination of patent right due to non-payment of annual fee