未来智讯 > 人脸语音识别论文 > 基于指纹识别的小波变换应用
小波变换学习在指纹识别中的应用基于:未知摘要:本文提出了指纹纹理图像处理问题的正确范畴,将小波变换应用于指纹图像纹理提取处理。 小波变换具有数学显微镜的功能,用于在用于图像处理时放大,缩小和平移,并且可以容易地生成各种分辨率的图像。 同时,由于小波变换可以根据小波基分层图像并对其进行扩展,因此我们可以有效地掌握策略量并满足实时处理的需要。 本文首先利用上述小波变换的特点,最后介绍了如何利用小波变换提取指纹特征,形成一个表征指纹图像的特征向量。 关键词:小波变换指纹识别
中图分类号:TP391文献标识码:A文章编号:1672-3791(2011)07(a)-0028-02
>小波分析其基本数学思想得出 从经典的谐波分析来看,小波变换是时间和频率的局部变换,可以将有用的保护信号加倍并分析一些信号。 小波变换具有数学显微镜的功能,用于在用于图像处理时放大,缩小和平移,并且可以容易地生成各种分辨率的图像。 同时,由于小波变换可以对图像进行分层并根据小波基进行扩展,因此可以根据图像信号的性质和预先确定的处理要求来确定必要的扩展应该达到的水平, 这样可以有效地掌握战略。 实时处理是必要的。 由于小波变换具有这些优点,因此它已被广泛应用于图像处理领域。 在指纹识别和处理过程中,小波变换的使用可以正确地提取指纹纹理特征。 并且可以确定对设置小波扩展级别有用的策略量,并且有必要实时处理它。 1小波理论分析小波实际上是满足不可避免的数学要求的函数,可用于绘制(或即将)其他函数或信号。 小波分析过程是选择小波相位函数或母波。 分析小波分析信号。 它是信号的时间标准(时间 - 频率)分析方法。 它具有多分辨率分析的特点,即在低频部分具有较高的频率分辨率。 速率和较低时间分辨率在高频时具有较高的时间分辨率和较低的频率分辨率。 1.1突发小波变换[1]所有小波都是通过基本小波的标准缩放和位移获得的,这是一种具有特殊属性的实值函数,它通过振荡衰减,而在工作日,衰减非常快。 在数学中,零积分的积分为零。 二维连续小波基函数的边界如式(1)所示,变换和逆变换如式(2)和(3)所示。 。 1.2分离小波变换[2~3]在数值策略中,特别是在策略机器上,后续的小波必须分开。 因此,需要评论小波的分离和随后的小波变换。 整个小波系列扩展公式如式(4)所示。 二维分离小波变换是两个水平和垂直一维小波变换的组合。 它需要二维标准函数和三个二维小波。 每个都是一维标准函数和响应小波函数的乘积。 扫描作为一维性的产物发生。 例如,四种保留的产品具有离散的标准功能。 如式(5)所示。 如公式(6),(7)和(8)所示,也可能出现离散的“偏置”小波。 从图像的开头,上标表示标准,并且是2的幂。标准,标准,也是原始图像的标准。 每增加一个值,标准就会更高,分辨率减半。 在每个变换中,图像被分为四个四分之一尺寸的图像(标准的低频局部和三个偏置:度,垂直,对角高频局部),它们都来自原始图像和内部产品之后 对于基于小波的图像,它通过行和列偏置中的双行采样是固有的。 四个图像部分反映低频,垂直,度和对角线信息。 第一个规则()可以写成等式(9),(10),(11)和(12)。 2二维小波变换在指纹特征提取中的应用小波变换是一种常用的图像分析技术,在纹理识别中有很多应用。 由于指纹纹理布局是二维的,因此适合使用二维小波变换进行纹理分析。 二维小波变换是水平,垂直和对角线的一维小波变换。 图像的完整小波微分导致一系列小波系数,小波系数的形状和大小与原始图像相同。 例如,将16×16图像划分为三层小波微分,并且可以获得10个小波,并且获得总共256个系数。 我们将小波微分系数的这些子图像称为小波微分信道[4]。 有四个通道,LL,LH,HL,HH。 每个通道表征原始图像的空间频率和向下偏差。 LL通道表示低频和垂直低频图像的信息。 LH通道表示低频和垂直高频图像的信息。 HL信道表示高频和垂直低频的图像信息。 HH信道代表HH信道。 图1显示了高频和垂直高频图像的信息,以及指纹图像的三维小波变换区分。当通过二维小波变换提取指纹特征时,效率 提取特征与选择的小波基相关。 小波基数由滤波器的类型决定。 考虑到系统的实时性和使用适当的小波基进行二维小波变换,可以提高指纹识别的速率和准确性。 (图1图2)3基于小波变换的指纹特征提取与编码作为一种特殊类型的图像,指纹图像具有与其他图像不同的一些特征。 (1)指纹图像由由瓜生成的脊和谷组成。 在正常的日常环境中,我们认为脊线和谷线具有相同的像素(piexl)宽度。 因此,从频域的角度来看,指纹图像中的有效信息(例如纹理布局,细节特征等)在不可避免的通带中,低频分量是相对于图像的亮度的。 (2)指纹图像线的偏差为指纹识别提供了严肃的信息,为指纹图像的处理和压缩提供了极大的便利。 对于指纹图像的每个点,它可以定义其部分线方向,并且所有点的偏差信息构成指纹图像的偏转图。 (3)在实际应用中,对指纹图像质量的严格测量是提取指纹图像的特征以便识别是否方便或正确。 从上面我们可以看出,小波变换具有许多适合指纹图像的特征,如一些细节的表达,二维小波变换的偏置选择性。 许多学习者率先使用小波变换进行指纹图像处理,并取得了很好的效率。 接下来,我们将介绍基于小波变换的指纹特征提取算法的具体过程。 (1)中心区域的点。 这里,中心区域是指识别指纹图像的区域,这与使用全局指纹图像的许多指纹匹配方法不同。 我们只选择一条指纹图像作为匹配区域。 在本文中,中心区域定义为:以参考点为中心的64×64平方区域,与圆形区域相比,更适合于简化策略和提高速率。 为了实现中心区域中的点,使用主要的正确参考点。 参考点的定义是指纹的中心点。 为了防止中心点定位引起的偏差,我们研究了基于小波微分的识别方法的影响。 在我们的尝试中,我们选择了工资提取的基本点。 获得图像的中心区域,如图2所示。提取边缘区域后,我们可以将指纹图像的中心区域与参考点的对齐对齐,从而解决位移偏差 在指纹收集期间发生的特定级别的指纹图像之间。 (2)中心区域的二维小波分化。 在凭证面向小波和指纹图像的出现之前,我们知道小波变换可以提取指纹图像的特征信息,并且所提取的信息可以用于对图像进行分类和识别。 我们在指纹图像的中心区域上执行层小波变换以获得切片图。 其中是具有低分辨率的类似图像,其是不同方向上的细节的子图。 小波系数在垂直高频中,高频和对角线高频的程度是特殊的。 由于子图只包含图像的低频信息,我们需要图像的详细信息,即高频信息,我们丢弃子图,并以高频率提取和处理详细子图的小波系数。 获取特征的信息。 向量。 (3)特征码的策略。 当图像在特定频率和向下具有相对良好的纹理特性时,相应的小波通道输出具有更大的能量。 每个异构频带的能量提供有关相对脊频率和脊偏置的信息,并且具有强的指纹分类信息,具有不同的标准和偏置能量分布。 我们使用这一系列小波通道的尺度差异来表示图像中的纹理特征。 通道的尺度差由下式给出:(13):( 13)(14)我们用12层小波变换划分12个细节子图的小波系数的尺度差。 构成表征该指纹图像的特征向量公式(14)的特征向量在指纹图像上具有严重的区别特性。 我们等于选择这些获得的特征向量来分类和识别指纹图像。 为了简要说明特征向量的区别特征,我们对三个指纹图像(两个相似图像和一个不相似图像)进行四层小波微分,并提取长度为12的特征向量。为了便于查找, 我们以灰度方式呈现这些特征向量,并夸大每个特征的额外水平和偏差,如图3所示。可以看出,在同一种图像中提取的特征向量具有较高的相似性; 并且来自不同类型指纹的指纹图像的特征向量具有较大的差异。 表1列出了通过图3所示的部分指纹图像的四层小波变换提取的特征向量。相似指纹图像的特征向量的相似性和异构指纹图像的特征的双重视觉表示。 向量的差异。 通过小波变换整个中心子图像获得上述小波特征的提取,并且外国包含图像的详细信息的很大一部分。 更好的方法是将指纹图像的中心区域划分为不重合的有趣块,并提取每个块的小波特征。 在本文的尝试中,指纹图像的中心区域被分成四个大块,如图4所示。 对指纹图像的中心区域的每个块执行4层小波变换,如图5所示.A,B,C和D表示4个块。 从每个分区提取12维特征,获得总共48维特征向量,其表征这样的指纹图像。 在指纹识别中,指纹图像的识别实际上是识别该48维特征向量。
4结论本文基于小波分析,分析了对小波响应的论文。 基于小波的特点,将二维小波变换应用于指纹特征提取。 最后,利用小波技术实现了基于小波变换的指纹特征拿出总和代码。 参考文献[1]李建平,唐元妍。 小波解剖学的应用[M]。 重庆大学出版社,1997:10~12,17~30。 [2]董子否定。 基于二维小波变换的虹膜识别算法[J]。 电子科技大学,2006。[3]胡昌华,李国华,刘涛,等。 基于MATLAB6.X的系统分析设计逐个小波分析[M]。 西安电子科技大学出版社(第2版),2002。[4]王云红,朱勇,谭铁牛。 基于虹膜识别的身份识别[J]。 自动化学报,2002,28(1):1~10。
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/80375/
 与本篇相关的热门内容: