指纹分割算法基于自适应和方向

Rohan Nimkar¹,Agya Mishra²

打开学生,电子和通信工程部门,贾巴尔普尔工程学院,贾巴尔普尔、中央邦、印度
助理教授,电子和通信工程部门,贾巴尔普尔工程学院,贾巴尔普尔、中央邦、印度

文摘

指纹图像分割是指纹图像识别系统预处理的一部分。它有一个指纹图像识别系统的关键作用。不管多年的研究领域的通用图像分割,这仍然是一个非常具有挑战性的任务。一种新的图像分解方案,称为自适应和定位算法,提出了实现有效的指纹图像分割在这工作。拟议的模型是通过全变差模型的启发,但其有别于竞争对手通过整合两个独特的指纹特征;也就是说,规模和方向。提出的自适应和定位算法分解指纹图像分为两层:卡通和质地。卡通层包含不必要的组件结构(如噪声),而纹理层主要由潜在的指纹。提出了两种不同的分割算法实验和分析指纹图像。图像分割的PSNR值被用作比较参数提出了图像分割方法。

关键字

图像识别、指纹分割指纹图像预处理,总变异,岭方向。

我的介绍。

生物是可以使用任何生理或行为特征来识别一个人。最常见的生物特征脸,演讲,指纹和虹膜。指纹是一种使用最广泛的特征由于其普遍性、特殊性和性能。创建的第一个自动指纹识别系统(AFIS),大量的努力和进展匹配样本输出准确、持续与大型指纹数据库。必不可少的一步实现准确的识别是一个精确的分割。

的基础上收集过程中,指纹图像通常可以分为三类,即滚,平原和潜在的[3]。指纹滚了滚的手指从一边到另一边为了捕获所有山脊指纹的细节。平原指纹图像获得指尖按到一个平面上。自卷和普通打印在一个连接方式,因此他们通常是良好的视觉质量和可靠的匹配包含足够的信息。然而,潜在指纹通常从犯罪现场收集,打印的从物体表面,无意中碰触或处理。潜伏和滚/平原之间的匹配指纹识别中扮演着关键角色嫌疑人执法机构。

指纹分割是指纹图像识别系统预处理的一部分,它指的是指纹图像的分解过程分成两个不相交的区域:前景和背景。前台,也叫做感兴趣的区域(ROI),包括所需的指纹,而背景包含噪声和无关的内容会被丢弃在接下来的处理步骤。准确的指纹分割是至关重要的,因为它影响细节和奇异点的准确提取,指纹匹配的关键特性,因此也对指纹图像识别系统。当应用于指纹图像特征提取算法没有细分,很多虚假的特性可能是由于存在噪声背景中提取,并最终导致匹配错误在以后的阶段。因此,指纹分割的目标是抛弃背景,减少错误的特性,从而提高匹配精度。所以考虑分割的准确匹配指纹的重要性,我们讨论一个分割算法在我们的工作。

已经付出了大量努力在发展中分割算法,潜在的指纹分割仍然是一个具有挑战性的问题。困难主要在于:1)指纹质量差的清晰的脊的信息,和2)的存在各种结构化背景噪音。

在这工作一个新的分割算法包括两个总变异算法的优势在[3],[4],组合成一个单一的模型,称为自适应和定位算法。本文组织如下。第二部分,文献综述指纹分割算法被讨论。在第三节中,提出了自适应定位模型介绍和解释如何利用指纹图像分解和分割。在第四节,在实验结果,我们提出的方案的有效性检查通过几个案例研究使用的PSNR值。结论在第五节给出。

二世。文献综述和问题公式化

已知的指纹分割算法从文学。有效的分割算法是自适应全变差模型,定向全变差模型,方法基于岭方向和频率特性,方法基于方向场信息结合灰色的统计特征,脊模板关联,方法使用三个像素特征(连贯性,均值和方差)。

这些算法提供更为准确的分割结果平原和指纹都是滚而言,但对于潜在指纹的情况下,分割结果并不非常准确。方法只利用像素特征分割精度非常有限的质量指纹。自适应全变差[4]和定向全变差算法[3]克服一些缺点的低质量图像分割通过实现其他功能除了像素特征。两种算法的优点即包括自适应总变异和定向总变异算法并结合成一个单一的算法在这些工作。这项工作的算法称为自适应算法和定位。

三世。与自适应分割和定位算法

在本节中,我们介绍了提出了自适应和定位算法和解释它如何有效地促进指纹分割的过程分割图像的PSNR值的帮助。我们首先介绍TV-L1模型,这是该模型的基础。

类似于其他TV-based图像模型,TV-L1模型[4]分解一个输入图像,f,分成两个信号层:卡通u,由分段光滑组件的f, v和纹理,其中包含的振荡或变形组件f。分解:

相同的λ值。此外,作为一个各向同性模型、电视模型最小化总变异的卡通层u沿各个方向。这个计划不充分利用方向一致性的信息,这是一种最独特的指纹特征。这些激励考虑灵活的算法,能够整合指纹的特征。这个算法是:

图2显示了该算法的流程图。在这个算法首先采取指纹图像转换为灰度的输入。然后扩展项或重量项λ(x)是自适应选择根据背景噪声水平。理想情况下,参数λ(x)地区应采取更大的值与结构噪声和指纹区域相对较小。图1显示了“v”对体重的变化。

当λ很小(例如,λ= 0.10),你抓住了非均匀照明在后台虽然大多数精细结构保存在诉λ= 0.30时,大规模的对象分开小尺度结构(字符)。λ继续增加,只有小规模的结构(指纹和噪声)是在“v”和“f”的主要内容出现在“u”。

在下一个阶段合并为椭圆形状分割模型,用于确定方向。取向领域一个(x)然后估计[3]中给出。沿着方向的纹理一(x)是完全被v,离开纹理的方向。方向向量A控制纹理输出的信号捕获诉通过调优到一个特定的方向,我们感兴趣的主要是最小化总你沿着这个方向的变化,同时允许总变异的存在u沿其他方向。因此,沿着相应的纹理方向将完全被v和其他方向的纹理将削弱尤其是在诉,沿正交方向的纹理将完全阻止诉图3中,说明对输出的影响的“v”。

图像分割,包括重量和取向,通过求解方程(1)和(2)的分解。峰值信噪比是衡量分割图像为:

四、实验结果

在本节中,我们评估自适应和定位算法提出的两个案例研究。两个指纹图像是考虑在案例研究讨论和结果性能、参数分析和结论。图片从网上收集的案例研究数据。

案例研究1:4.1

以下4.4.1。性能:

在这个案例研究中,输入图像被显示在图4 (a),它在图像处理结果如图4所示(b)。输出图像得到α(椭圆分割)= 10,导致PSNR值为78.3443 dB。两个特性即均值和方差的分布,在指纹图像的分割是有效的评估在图5中(a)和图5 (b)。

4.1.2。参数分析:

图6显示了α的影响(椭圆分割)处理图像和各自的PSNR值。获得最高的PSNR值α= 10 78.3443 dB,意味着它是最好的案例研究1的分割结果。

4.2.2参数分析:

图9显示了影响α(椭圆分割)的图像和处理各自的PSNR值。获得最高的PSNR值α= 4 74.1238 dB,意味着它是最好的分割结果案例研究2。

4.3比较:

在本节中,提出自适应和定位算法与现有的总变异(ATV)算法和自适应定向全变差(数字电视)算法。表1比较了PSNR和RMSE值获得自适应全变差(ATV)算法[4],定向全变差(数字电视)算法[3],该算法在这两种情况的研究工作。表1显示了该算法的结果更精确的比其他两个现有的算法。

诉的结论

这项工作的目标是实现精确的分割,这是一个重要的一步实现自动潜在的识别。在本文中,自适应和定位算法作为图像分解方案和实施,促进有效的指纹分割。实验结果和比较与个人现有ATV和数字电视算法得出结论,结合算法非常有效,可以应用。

引用

发问者m . Bazen和Sabih Gerez。、“指纹图像的分割”研讨会上电路,系统和信号处理,Veldhoven。荷兰,2001年。
崔Heeseung Maurilio Boaventura, Ines A.G. Boaventura Anil k . Jain,“潜指纹的自动分割”。
Jiangyang张Rongjie赖,林祖嘉Jay郭,“潜指纹检测和分割方向全变差模型”,IEEE, 1145号,2012年。
Jiangyang张Rongjie赖,林祖嘉Jay郭,“潜指纹分割自适应全变差模型”,IEEE, 189号,2012年。
Juntao雪和李宏伟,“指纹图像分割基于组合方法”,IEEE 2012。
内森•j .短,迈克尔·s·萧a . Lynn雅培和爱德华·a·福克斯。“潜指纹分割使用脊模板关联”。
约瑟夫•斯特罗姆Bartunek米凯尔尼尔森,Benny Sallberg例证,前景并不乐观”自适应指纹图像增强与强调预处理的数据”,IEEE图像处理,22卷,2号,2013年2月。
Anil k . Jain和冯Jianjiang“潜指纹匹配”。IEEE模式分析与机器智能,33卷,1号,2011年1月。
杰,新建Chen Jiangang Cheng和杨欣,“分割指纹图像使用线性分类器”。EURASIP应用信号处理》杂志4卷,480 - 494年,2004年。
Kai曹、刘Eryun和Anil耆那教的。潜伏指纹分割和增强:粗到细的脊结构字典”。IEEE
年代。Karthik Hemanth V, K,伙夫索曼,V。巴拉吉,萨钦Kumar S和m . Sabarimalai Manikandan,“基于定向全变差滤波的图像去噪方法”。IJCSI, 9卷,问题2,没有1,2012年3月。