图像识别算法,图像识别软件

　　1内容介绍-指纹增强

　　林鸿等人提出的基于Gabor滤波的指纹增强可以分为以下几个步骤：

　　标准化：标准化就是将一幅图像的平均灰度和方差调整到预定的水平，从而减少脊线上的灰度差，便于后续处理。

　　方向估计：将图像分成不相交的块，在每个块中寻找脊线的主方向。比如求tr2的方向图。骨形态发生蛋白：

　　1图片左侧为原图右侧。

　　用MATLAB函数blkproc对图像进行分块时，也会得到图像的掩膜，后期可以用特征点去除边界的端点。

　　图2图像遮罩

　　频率估计：使用标准化的图像和方向模式来查找每个块脊线的频率。

　　分割：将图像分为可恢复区域和不可恢复区域。

　　滤波：利用脊线主方向和脊线面积组成的相关信息，采用Gabor滤波器增强脊线结构。

　　过滤和二值化的指纹图像如图3所示。

　　图3增强的指纹图像

　　二次细化

　　细化的基本原理是模板法，只有满足图4中的模板才会去除中心点。

　　图4细化模板

　　为了达到更好的效果，使用了MATLAB函数bwmorph，细化后的指纹图像如图5所示。

　　图5细化的指纹图像

　　三个提取特征点

　　为了加速该过程，在细化的图像中，计算每个像素点的八个场的像素和n。如果n=7，则表示该像素点为终点，如果n=5，则表示该像素点为分叉点。

　　为了去除指纹边缘的端点(伪特征点)，需要使用图2的掩模，并蚀刻掩模，如图6所示。

　　图6蚀刻后的掩模

　　如果获得的端点位于黑色区域，则认为是伪端点。

　　为了去除指纹内部的伪特征点，求两个特征点之间的距离。如果距离小于阈值(例如，10)，两个错误特征点都将被删除。最后，提取的特征点如图7所示，其中红叉表示分叉点，蓝色空心圆表示终点。

　　图7提取的特征点

　　2部分编码%脊线片段-正常指纹图像和片段脊线区域

　　function [normim，mask，maskind]=ridgesegment(im，blksze，thresh)

　　im=normalise(im，0，1)；%归一化为零均值，单位标准差

　　fun=inline( STD(x(:)* ones(size(x)))；

　　stddevim=blkproc(im，[blksze blksze]，fun)；

　　mask=stddevim thresh

　　MAS kind=find(mask)；

　　%重正化图像，使得*脊区域*具有零平均值，单位

　　%标准偏差。

　　im=im-mean(im(MAS kind))；

　　nor mim=im/STD(im(MAS kind))；

　　3运行结果

　　4参考文献[1]李进夺。基于图像处理的指纹识别算法研究[D].哈尔滨工程大学，2016级。

　　有些理论引用自网络文献。如有侵权，联系博主删除。

　　原创作品来自matlab研究助手，

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。