CN1324518C - 基于特征边缘分布的虹膜几何特征提取方法 - Google Patents
基于特征边缘分布的虹膜几何特征提取方法 Download PDFInfo
- Publication number
- CN1324518C CN1324518C CNB2005100249496A CN200510024949A CN1324518C CN 1324518 C CN1324518 C CN 1324518C CN B2005100249496 A CNB2005100249496 A CN B2005100249496A CN 200510024949 A CN200510024949 A CN 200510024949A CN 1324518 C CN1324518 C CN 1324518C
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- centerdot
- edge
- subregion
- 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
Links
Images
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明属生物特征识别技术领域,具体为一种基于特征边缘分布的虹膜几何特征提取方法。该方法首先定义虹膜几何特征,并说明其可靠性和稳定性;然后运用反对称双正交小波提取虹膜几何特征边缘,根据虹膜几何特征分布的非均匀特性,构造不等间隔分级的全局边缘分布特征;最后引入特征距离的表示形式,提出合法用户的判定方法。本发明方法识别精度高,受外界环境影响小。
Description
技术领域
本发明属生物特征识别技术领域,具体涉及一种基于特征边缘分布的虹膜几何特征提取方法。
背景技术
生物技术与信息技术交叉衍生出的生物特征识别技术是新兴的交叉学科。在各种生物特征(如指纹,虹膜,人脸,步态)中,虹膜是具有代表性的。
经典的虹膜特征提取算法都是基于虹膜纹理特征的。Daugman[1]、[2]与Wildes[3]的算法对高质量虹膜图像的识别精度高,但算法性能易受外界环境影响;Boles[4]的算法对虹膜图像质量的要求相对较低,抗干扰性好,但识别精度不理想。
发明内容
本发明的目的在于提出一种识别精度高、且受外界环境影响小的虹膜特征提取方法。
本发明提出的虹膜特征提取方法,是种基于“特征边缘分布”的虹膜几何特征提取算法。首先定义虹膜几何特征,并说明其可靠性和稳定性;然后运用反对称双正交小波提取虹膜几何特征边缘,根据虹膜几何特征分布的非均匀特性,构造不等间隔分级的全局边缘分布特征;最后引入特征距离的表示形式,提出合法用户的判定方法。
眼科学研究表明,虹膜区域存在大量不同于虹膜纹理特征的几何特征。“虹膜几何特征”,是指虹膜区域内达到一定分辨率的、清晰可见的斑、点、沟、环等虹膜特征元,一般具有明显的形状和相对固定的分布;而“虹膜纹理特征”,是指呈放射状分布的虹膜纹理交错变化的频度。
本发明将虹膜几何特征分为5种:花盘形(如图1),花瓣形(如图2),类花盘形(如图3),平隆形(如图4)和其他形(如图5)。花盘形,形态规则、对称,有完整的齿状线,分布均匀;花瓣形,瞳状区与睫状区有明显分界,无齿状线;类花盘形,纹理不均匀,宽窄不一,有不完整的齿状线;平隆形,瞳状区与睫状区无明显分界,过渡平滑,两区纹理没有明显的区分;还有的虹膜具有以上形态之外的其他几何特征,划分为其他形。齿状线,瞳状区与睫状区交界线,以及不规则形状的暗点都可以被提取作为虹膜几何特征边缘。相对虹膜的纹理特征,虹膜的几何特征分布区域更大,更明显,更不容易受到光照、阴影以及瞳孔缩放的干扰,具有更高的可靠性和稳定性。
图1-图5为局部放大的虹膜几何特征图,这些图已经过边缘提取和纹理细化处理。
本发明提出的虹膜几何特征提取算法利用特征边缘的分布作为虹膜特征。边缘分布反映了几何特征在虹膜区域内的位置和尺度。通过将虹膜划分成一系列子区域,并对边缘点在子区域像素中所占比例进行分级提取,从而量化几何特征的分布。
利用特征边缘的分布作为虹膜特征具有以下特点:
(1)建立在图像的边缘信息之上,不需要关于虹膜几何特征的先验知识。
(2)通过归一化,解决虹膜图像清晰度和对比度变化的问题。
将边缘分布区间划分为激励区(几何特征密集区)与缓变区(几何特征稀疏区),采用三次Bezier曲线拟合特征级别的不均匀分布,提高几何特征的分辨率。
下面对本发明方法作进一步描述:
1、划分虹膜子区域。
提取虹膜几何特征的目标图像是归一化后的矩形虹膜图像。即将目标虹膜图像进行归一化处理,得到矩形图像。将矩形的虹膜图像区域划分为一系列子区域,每个子区域作为提取几何特征信息的最小单位。子区域尺度与虹膜图像分辨率有关。虹膜图像的分辨率越大,则子区域也相应增大,反之亦然。子区域尺度满足如下条件:虹膜区域的数量为80-100个。对于一定分辨率的虹膜图像,子区域过大,将导致对虹膜几何特征的敏感度下降;如果子区域太小,会将虹膜的几何特征割裂,无法完整提取。
2、利用反对称双正交小波提取边缘。
利用反对称双正交小波对子区域进行多尺度边缘提取[5]。多个分辨率级上的小波变换均可以提取虹膜边缘信息。采用高分辨率级时(小尺度),对虹膜几何特征的边缘定位精度高,但是对光斑,睫毛阴影等噪声敏感;采用低分辨率级时(大尺度),抗噪性好,但是精度较差。为了提取不同尺度几何特征的边缘,应利用多个分辨率级的边缘信息。在低分辨率级上确定边缘,在高分辨率级上细化边缘,从而得到较好的几何特征边缘检测效果。
边缘提取采用塔式小波分解[6],即采用具有双正交特性的小波基函数,对图像进行i级的小波分解,后续检测在塔式分解数据上进行,其中i为选定的分解级数;一般地,i≤4。基于图像的塔式分解数据,通过半重构过程得到各个分辨率级上的梯度矢量,并通过(1)(2)式分别计算梯度模值Mi和梯度相角Ai;对每一级分辨率下的边缘点沿相角方向求局部模值的极大值,即可得到所有可能的边缘像素集合。其中:
第i级分辨率上的每一个边缘像素点所具有的模值为:
方相梯度相角为:
其中,f(x,y)为原始图像,且该函数平方可积,fi(x,y)为f(x,y)在第i级分辨率上的近似(或平滑),x和y表示边缘点的坐标。
3、构造全局边缘分布特征。
子区域内的特征边缘像素数记为S,子区域内的像素总数记为T,计算子区域的特征边缘百分比μ,令μ=S/T。如子区域内包含几何特征,反对称双正交小波会检测出特征边缘,则该子区域的特征边缘百分比μ较大;反之,μ较小。
由于对焦和光照的影响,不同虹膜图像的对比度和清晰度存在差异,将影响边缘提取的精度,需要归一化。计算全部虹膜区域的特征边缘百分比,记为归一化系数λ,子区域的特征边缘百分比与归一化系数的比值,记为相对特征边缘百分比μ′,令μ′=μ/λ。特征边缘百分比μ被归一化为相对特征边缘百分比μ′,边缘检测算法针对模糊的虹膜图像提高了灵敏度;反之,对于清晰的虹膜图像,归一化降低边缘检测的灵敏度,从大量边缘信息中提取出最显著的几何特征。
μ′在一定区间(T1,T2)内分布,将该区间划分为N个互不重叠的不等间隔区间段,满足N=2n,则每个区间段可由一个n位的二进制编码表示。μ′值落入某个区间段时,该子区域对应的几何特征就被该区间段对应的编码重建。由于虹膜几何特征具有一定的分布规律,所以不同子区域的μ′值集中分布在(T1, T2)的某一个区间段内。虹膜内外边界区域的灰度变化最明显,μ′大,处于区间的高段;虹膜外围区域的几何特征稀疏,μ′值处于区间低段;虹膜内侧区域的几何特征丰富,μ′值处于区间的中段。将虹膜几何特征丰富的中段区域称为“激励区”,将虹膜边界和外围几何特征稀疏的高段和低段区域称为“缓变区”。
基于虹膜几何特征的分布,对区间(T1,T2)进行不等间隔分段。缓变区的几何特征少,特征级数少;激励区包含大量几何信息,特征级数多,提高对几何特征的分辨率。利用三次Bezier曲线进行不等间隔的特征分级,以(T1,0),(T2,N),(T3,M),(T4,N-M)作为三次Bezier曲线型值点,其中T3,T4是划分激励区与缓变区的分界点。缓变区覆盖了2×M个特征级,激励区覆盖了N-2×M个特征级。由图6可见,当利用三次Bezier曲线进行不等间隔的特征分级时,N=16,M=2,即缓变区有4个特征级,激励区有12个特征级。
图6比较了三种边缘分布特征的分级曲线的性能,分别是:三次Bezier曲线,直线,分段直线。采用不等间隔分级(三次Bezier曲线分级,分段直线分级),缓变区覆盖了4个特征级,激励区覆盖12个特征级,几何特征的分辨率较高:采用等间隔分级(直线分级)时,缓变区覆盖8个特征级,激励区覆盖8个特征级,激励区的几何特征分辨率下降了33%。
图7显示了在n=4,划分成100个子区域时,一幅典型的虹膜图像产生的16级特征直方图。图7(a)为采用不等间隔特征分级,图7(b)为采用等间隔特征分级。不等间隔特征分级可以在激励区得到更加细分的特征。
经过以上归一化和分级处理,使每个虹膜子区域都对应到一个n位的二进制特征码。
即划分成j行m列个子区域的虹膜,则对应一个j×m维矢量
该j×m维矢量的每个分量Gdi都是对应于某个子区域的n位二进制特征码。该j×m维矢量就是表征虹膜几何特征分布的“全局几何分布特征码”Gd(Global GeometryDistribution Code)。
4、特征匹配
选择一个好的虹膜特征相似度匹配算法对虹膜的精确识别至关重要。本发明采用虹膜特征互相关算法对其进行相似度评估。对于输入的待匹配虹膜图像α与虹膜图像数据库中的某一幅图像β,计算全局几何分布特征Gd的互相关函数如下:
其中i=1,2,…k≤m,考虑到每一层[GdJ1,GdJ2,…,GdJm],J=1,2,…j特征是360度全圆周封闭特征,因此可认为其是一个以m为周期的周期信号,于是就表示是对该信号的周期扩展。在生成的Rαβ(i)序列中会呈现高低起伏状分布,可以把局部最大值区域称为相关峰,其中相关峰中必有最高值,称为最高峰,记作δ。这样,利用如下的L距离测度,虹膜图像α与虹膜图像β的“全局几何分布特征码”Gd之间的相关距离定义如下:
dL(Gd)(α,β)=1-δ, (5)
dL(Gd)(α,β)值越小,说明两幅虹膜图像越相似,反之则越不相似。对于输入的待匹配虹膜图像和虹膜图像数据库中所有图像,计算全局几何分布特征Gd的距离,得到一系列虹膜图像的相关距离dL(Gd)(α,β),求出最小的相关距离dmin,将这个最小距离与设定的距离阈值ds相比,如果dmin≤ds,则该虹膜图像是合法登录的,否则,该虹膜图像为非法登录。如图8所示。
特征提取和特征匹配的性能评价采用如下标准:在包含M幅图像的数据库中任取一幅虹膜图像作为输入图像,用几何特征提取算法进行处理,计算出该图像与其余M-1图像的相关距离,记为dL(Gd);最终M幅图像将计算出M×(M-1)/2个相关距离,分别为dL1(Gd),dL2(Gd),…dLM×(M-1)/2(Gd)。引入虹膜全局几何分布特征匹配区分度ηdif的概念,令
其中σdL(Gd)为dL1(Gd),dL2(Gd),…dLM×(M-1)/2(Gd)相关距离值序列的分布方差,计算如下:
ηdif越大,算法提取的虹膜几何特征区分度越高;反之,区分度越低。
由于本发明的虹膜几何特征的提取方法,是以“特征边缘分布”为基础的,不需几何特征的先验知识,同时解决了虹膜图像的清晰度和对比度变化的问题。因此,本发明方法识别精度高,且受外界环境影响小。
附图说明
图1为几何特征为花盘形的虹膜图像。
图2为几何特征为花瓣形的虹膜图像。
图3为几何特征为类花瓣形的虹膜图像。
图4为几何特征为平隆形的虹膜图像。
图5为几何特征为其它形状的虹膜图像。
图6为全局边缘分布特征三种分级曲线。
图7为一个典型的虹膜图像产生的16级特征直方图。其中,图7(a)为不等间隔分级,图7(b)为等间隔分级。
图8为相关度直方图及距离阈值ds图示。
图9为矩形的纹理展开图像。
图10为完成子区域划分的虹膜图像。
图11为经多次分辨率提取后的虹膜对比图像。其中,图11(a)为原始图像,图11(b)为未经阈值处理的边缘图像,图2(c)为经过阈值处理的边缘图像。
图12-14为虹膜的图像经过反对称双正交小波进行多尺度边缘提取后的结果对比图示。图12和图13两幅虹膜图像来自同一虹膜,图14图像来自另一只虹膜。每幅图中的(a)、(b)、(c)分别对应原始图像、边缘提取图像(未经阈值处理)、边缘提取图像(经过阈值处理)
图15为不同虹膜图像的相对特征边缘百分比示意图。其中,点划线-·-·和虚线---表示对应的图像来自同一个虹膜,连续线——表示对应在来自于另一只虹膜。
具体实施方式
下面通过实施例进一步描述本发明。
(1)划分虹膜子区域。
首先,对虹膜图像作归一化,获得矩形的虹膜纹理展开图像,如图9,并对矩形的虹膜纹理图像进行子区域划分,如图10,完成子区域划分的虹膜图像。每个虹膜纹理子区域即为一个虹膜几何特征的最小提取单元,供特征匹配。
(2)利用反正弦小波提取边缘。
如图11(a),对未经边缘提取的256色虹膜原始图像,以Asbw9.9作为小波基函数,对其进行多分辨率边缘提取,分辨率级i=-1,-2,-3,-4;如图11(b),为4个分辨率级的边缘像素集合产生的边缘图像,该图像包含各个分辨率上的几何边缘信息;如图11(c),为直接对各尺度的边缘像素梯度模值进行阈值处理的结果,阈值采用各分辨率级梯度模值的平均值。
所有边缘点即为待处理的虹膜几何特征点。
(3)构造全局边缘分布特征
首先对提取边缘特征后的虹膜图像进行对焦和清晰度的归一化处理,再依据图10所提供的虹膜子区域划分,对图11的虹膜边缘图像计算每个子区域内的特征边缘百分比μ,并对μ进行不等间隔分段,即可得到每个子区域对应的二进制特征码,再把所有二进制特征码按照子区域的分布构造成全局几何分布特征码。
(4)特征匹配。
对虹膜几何特征提取算法进行实验验证,选取400幅虹膜图像作为测试样本。图像来自100只虹膜,每只虹膜拍摄4幅图像,对应同一虹膜的4幅图像编为一组。样本来源满足多样性,跨越多个年龄段,并包括一定比例的少数民族和西方人,以保证实验结果的可信度和可靠性。
图12、图13、图14为三幅虹膜图像处理前后的对比,。每幅图的a、b、c分别对应原始图像、边缘提取图像(未经阈值处理)、边缘提取图像(经过阈值处理)。
再对提取边缘特征后的三幅图像分别构造全局边缘分布特征,如图15,为三幅虹膜图像对应子区域的相对特征边缘百分比示意图。其中,点划线-·-·和虚线---对应的图像来自于同一只虹膜,图像分别命名为α、β,连续线对应的图像来自于另一只虹膜,图像命名为δ,显见,前两幅图像曲线α、β的波形基本相同,仅相位不同,而后者曲线δ的波形则完全不同。
计算得到,
dL(Gd)(α,β)=0.17 dL(Gd)(α,δ)=0.45 dL(Gd)(β,δ)=0.48
ds=0.25
从而有,dL(Gd)(α,β)<ds dL(Gd)(α,δ)>ds dL(Gd)(β,δ)>ds
即曲线α、β所对应的虹膜图像来自同一只虹膜,曲线δ所对应的虹膜图像来自另一只虹膜。
由此可见,特征边缘分布具有较高的区分度,利用该方法能够有效提取虹膜的几何特征,并满足虹膜特征识别的应用需要。
参考文献:
[1]Daugman.J Recognizing Persons by their iris Pattern[J].Information SecurityTechnical Report,1998,13(1):33-39
[2]Daugman.J High Confidence Recognition of Person by Rapid Video Analysis of IrisTexture[A]European Convention on Security and Detection[C]Brighton,UK:INSEPC,1995.244-251
[3]Wildes.P Iris Recognition:An Emerging Biometric Technology[J]Processing ofIEEE,199785:1347-1363
[4]Boles.W A Human Identification Technique Using Image of the Iris and WaveletTransform[J]IEEE Transaction on Signal Processing,1998,46:1185-1188
[5]魏海 沈兰荪 反对成双正交小波应用于多尺度边缘提取的研究 电子学报 2002.330(3):313-316
[6]Mallat.S Zhong.S Characterization of signals from multi-scale edges[J]IEEE Trans.PAMI-14,199214(7):710-732
Claims (1)
1、一种基于特征边缘分布的虹膜几何特征提取方法,其特征在于具体步骤如下:
①划分虹膜子区域
将目标虹膜图像进行归一化处理,得到矩形图像;再将矩形虹膜图像区域划分为一系列子区域,每个子区域作为提取几何特征信息的最小单位;
②利用反对称双正交小波提取边缘
采用具有双正交特性的小波基函数,对图像进行i级的小波分解;后续检测在塔式分解数据上进行,其中i为选定的分解级数;基于图像的塔式分解数据,通过半重构过程得到各个分辨率级上的梯度矢量,并通过(1)(2)式分别计算梯度模值Mi和梯度相角Ai;对每一级分辨率下的边缘点沿相角方向求局部模值的极大值,即可得到所有可能的边缘像素集合;其中:
第i级分辨率上的每一个边缘像素点所具有的模值为:
方相梯度相角为:
其中,f(x,y)为原始图像,且该函数平方可积,fi(x,y)为f(x,y)在第i级分辨率上的近似或平滑,x和y表示边缘点的坐标;
③构造全局边缘分布特征
(i)记子区域内的特征边缘像素数为S,子区域内的像素总数为T,计算子区域的特征边缘百分比μ,μ=S/T;
(ii)计λ为全部虹膜区域的特征边缘百分比的归一化系数,子区域的特征边缘百分比与归一化系数的比值为相对特征边缘百分比,记为μ′,μ′=μ/λ,记(T1,T2)为μ′的分布区间;
(iii)将(T1,T2)区间划分为N个互不重叠的不等间隔区间段,N=2n,则每个区间段可由一个n位的二进制编码表示;
(iv)利用三次Bezier曲线进行不等间隔的特征分级,以(T1,0),(T2,N),(T3,M),(T4,N-M)作为三次Bezier曲线型值点,其中T3,T4是划分激励区与缓变区的分界点;
经过上述归一化和分级处理,使每个虹膜子区域都对应到一个n位的二进制特征码,从而得到虹膜几何特征分布的“全局几何分布特征码”;
④特征匹配
设虹膜区域划分为j行m列个子区域,虹膜几何特征分布的“全局几何分布特征码”Gd为:
该j×m维矢量的每个分量Gdi都对应于某个子区域的n位二进制特征码,于是,对于输入的待匹配虹膜图像α与虹膜图像数据库中的某一幅图像β,计算全局几何分布特征Gd的互相关函数如下:
其中i=1,2,…k≤m,记δ为Rαβ(i)的最高峰,则利用如下的L距离测度,虹膜图像α与虹膜图像β的“全局几何分布特征码”Gd之间的相关距离定义如下:
dL(Gd)(α,β)=1-δ,
对于输入的待匹配虹膜图像和虹膜图像数据库中所有图像,计算全局几何分布特征Gd的距离,得到一系列虹膜图像的相关距离dL(Gd)(α,β),求出最小的相关距离dmin,将这个最小距离与设定的距离阈值ds相比,如果dmin≤ds,则该虹膜图像是合法登录的,否则,该虹膜图像为非法登录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100249496A CN1324518C (zh) | 2005-04-07 | 2005-04-07 | 基于特征边缘分布的虹膜几何特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100249496A CN1324518C (zh) | 2005-04-07 | 2005-04-07 | 基于特征边缘分布的虹膜几何特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1674034A CN1674034A (zh) | 2005-09-28 |
CN1324518C true CN1324518C (zh) | 2007-07-04 |
Family
ID=35046565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2005100249496A Expired - Fee Related CN1324518C (zh) | 2005-04-07 | 2005-04-07 | 基于特征边缘分布的虹膜几何特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1324518C (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093538B (zh) * | 2006-06-19 | 2011-03-30 | 电子科技大学 | 一种基于小波变换过零表示的虹膜识别方法 |
CN101621710B (zh) * | 2009-07-21 | 2012-07-11 | 深圳市融创天下科技股份有限公司 | 一种基于边缘检测的视频质量评价方法和系统 |
CN104036508A (zh) * | 2014-06-13 | 2014-09-10 | 山东大学(威海) | 基于等偶长度反对称双正交小波滤波器组的边缘检测方法 |
US9495590B1 (en) * | 2015-04-23 | 2016-11-15 | Global Bionic Optics, Ltd. | Extended depth-of-field biometric system |
KR20180053108A (ko) * | 2016-11-11 | 2018-05-21 | 삼성전자주식회사 | 홍채 영역 추출 방법 및 장치 |
CN106940786B (zh) * | 2017-02-28 | 2019-12-10 | 华南理工大学 | 一种基于lle和pso的使用虹膜模版的虹膜重构方法 |
CN109146971B (zh) * | 2018-08-13 | 2021-08-31 | 济南大学 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002071317A1 (en) * | 2001-03-06 | 2002-09-12 | Evermedia Co., Ltd. | Method of recognizing human iris using daubechies wavelet transform |
CN1489105A (zh) * | 2002-10-09 | 2004-04-14 | 中国科学院自动化研究所 | 基于小波分析和过零点描述的虹膜识别方法 |
CN1584915A (zh) * | 2004-06-15 | 2005-02-23 | 沈阳工业大学 | 一种人眼虹膜识别方法 |
-
2005
- 2005-04-07 CN CNB2005100249496A patent/CN1324518C/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002071317A1 (en) * | 2001-03-06 | 2002-09-12 | Evermedia Co., Ltd. | Method of recognizing human iris using daubechies wavelet transform |
CN1489105A (zh) * | 2002-10-09 | 2004-04-14 | 中国科学院自动化研究所 | 基于小波分析和过零点描述的虹膜识别方法 |
CN1584915A (zh) * | 2004-06-15 | 2005-02-23 | 沈阳工业大学 | 一种人眼虹膜识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN1674034A (zh) | 2005-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1324518C (zh) | 基于特征边缘分布的虹膜几何特征提取方法 | |
Akbari et al. | Polyp segmentation in colonoscopy images using fully convolutional network | |
Al-Kadi | A multiresolution clinical decision support system based on fractal model design for classification of histological brain tumours | |
Veredas et al. | Binary tissue classification on wound images with neural networks and bayesian classifiers | |
Monro et al. | DCT-based iris recognition | |
US20080172386A1 (en) | Automated dental identification system | |
CN101595493A (zh) | 用于提取和匹配生物测定细节的方法和设备 | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
Jena et al. | Texture analysis based feature extraction and classification of lung cancer | |
CN1092372C (zh) | 虹膜识别方法 | |
CN113808090A (zh) | 一种磁共振图像处理方法、终端设备及计算机存储介质 | |
Šerifović-Trbalić et al. | Classification of benign and malignant masses in breast mammograms | |
Basar et al. | A novel defocused image segmentation method based on PCNN and LBP | |
Akselrod-Ballin et al. | An integrated segmentation and classification approach applied to multiple sclerosis analysis | |
CN1858773A (zh) | 一种基于Gabor相位模式的图像识别方法 | |
CN114170473A (zh) | 基于病理图像的dMMR亚型分类方法及系统 | |
US7430308B1 (en) | Computer aided diagnosis of mammographic microcalcification clusters | |
Babatunde et al. | Uniformity level approach to fingerprint ridge frequency estimation | |
Khan | Frequency and spatial domain based saliency for pigmented skin lesion segmentation | |
Liu et al. | Fissures segmentation using surface features: content-based retrieval for mammographic mass using ensemble classifier | |
DR et al. | Fingerprint verification based on fusion of minutiae and ridges using strength factors | |
Chaberski | Level 3 friction ridge research | |
Waladi et al. | Melanoma classification using texture and wavelet analysis | |
Karami et al. | Automated diagnosis of melanoma based on nonlinear complexity features | |
Reddy | Fusion based automatic human age estimation using local descriptors |
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 | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20070704 Termination date: 20120407 |