基于小波变换的掌纹特征提取

掌纹中不同区域的纹线方向和空间频率代表着掌纹图像内在的特征。为了提取该特征,提出了一种基于原始灰度图像的小波变换的新算法。由于该算法直接对原始的灰度图像进行处理,而无需对图像进行预处理(例如图像增强、滤波、区域分割、二值化、纹线细化等),因此它与传统的细节特征识别方法相比大大减小了计算消耗。对一个小的掌纹图像数据库,使用K近邻(K-NN)的分类器对算法进行了实验,得到了很高的分类正确率,验证了算法的有效性。     

一种改进的掌纹定位算法

定位掌纹图像中的信息区域ROI(region of interest)是掌纹图像预处理中一项重要的内容.现在的掌纹ROI定位方法都是以边缘提取为基础的.然而边缘提取有其局限性,在一些情况下,无法利用提取的边缘定位一个有效的ROI.提出了一种改进的ROI定位方法,利用二值掌纹镶嵌图来取代传统的边缘提取定位掌纹ROI.与以边缘提取为基础的算法相比,此算法显著地提高了ROI定位的鲁棒性.     

基于log-Gabor小波的掌纹识别算法

掌纹识别是一种新兴的身份识别技术,具有易于采集、纹理丰富等优点,为此提出一种基于log-Gabor小波进行特征提取的掌纹识别算法.该算法首先用log-Gabor小波对掌纹目标区域（region of interest,ROI）进行滤波,然后根据滤波后图像的相位信息形成二进制掌纹特征码,最后用汉明距离来衡量不同掌纹特征码的相似度.在UST掌纹库上的实验结果达到了较高的识别率,验证了该算法的有效性.     

一种基于矩理论的印章图像特征提取及分类方法

矩理论是图像处理领域的重要内容。本文根据图像矩特征,针对印章图像特点,分别提取印章图像的Hu不变矩特征和小波不变矩特征,比较两种特征值的优劣,给出实验结论,在此基础上提出一种印章图像分类方法,取得了较好的效果。     

一种有效的聚束式合成孔径雷达图像特征提取算法

提出一种聚束式合成孔径雷达图像特征提取的有效算法.通过小波变换图像去噪法提高信噪比;利用Canny算子完成边缘检测;根据雷达图像的特点提出边缘检测后不做曲线闭合,而直接进行阈值处理的图像分割.图像预处理后提取具有旋转、尺度、平移不变性的Hu矩作为特征矢量并归一化,在训练阶段引入聚类分析.以MSTAR实测数据为样本,用最近邻分类器和BP神经网络分类器对该特征提取算法进行识别能力测试,算法的有效性得到了验证.     

基于改进的广义K-L变换的掌纹识别

提出了一种基于改进的广义K-L变换的掌纹识别方法.在主成分分析思想的基础上,改进后的广义K-L变换把样本的类间信息也加入到算法的分类过程中,相对于广义K-L变换,识别效果得到了提高.将原始图像投影到一个由图像的类间散布矩阵的特征向量所构成较低维的特征子空间中,在这个特征子空间中,用欧式距离来对分属于不同手掌的掌纹图像进行分类.基于不同的特征长度和训练样本数,做了一系列的实验,最佳识别率达99 17%.     

一种新的基于小波变换的虹膜识别算法

为了克服基于小波变换过零检测的虹膜识别算法对纹理灰度变化敏感的缺点,利用小波的带通特性和小波变换检测奇异点的原理,提出了一种新的基于小波变换的虹膜识别算法。将虹膜纹理分成8个分析带,每个分析带只采用一个合适尺度的小波滤波,然后将滤波结果量化,产生256byte的虹膜特征码,最后利用Hamming距离进行模式匹配。实验结果表明,算法运算时间约为1s,识别率可达97.04%,可用于实际的身份鉴别系统中。同时,算法具有平移、旋转和缩放不变性。     

掌纹图像的主线特征提取

掌纹特征的提取在掌纹自动识别系统中是一个必不可少的重要环节.本文首先用基于掌纹图像灰度特性的方法提取出掌纹的主线特征,针对存在的大量干扰点和断点,运用数学形态学进行了后置处理.实验表明,该方法能够有效地去除干扰点、连接纹线的断点,从而保证主线特征的稳定性与可靠性.     

基于Gabor小波和PCA的掌纹识别方法比较研究

掌纹识别是利用人的手掌图像进行身份鉴别的一种新兴生物特征识别技术. 主成分分析(PCA)、二维主成分分析(2DPCA)、Gabor小波等则是生物特征识别的常用特征提取方法. 本文采用四种实验方案来比较研究基于PCA以及基于Gabor和PCA的掌纹识别特征提取性能, 用正确识别率和训练时间等参数来对其进行对比分析, 其结果可为掌纹识别系统选择特征提取方法提供一定理论参考.     

一种改进的掌纹线方向特征提取方法

掌纹识别由于方便易行,近年来已成为鉴定人身份的主要方法之一.经典的基于线方向特征识别掌纹的方法忽略了纹线上其他具有辨别力的方向特征.该文改进了传统基于半方向特征编码的方法,改变其中一个半方向编码特征为另一个具有代表性的方向特征,获得了更多的掌纹曲线特征,从而有效提高掌纹识别效果.实验表明,该方法相比传统的方法具有更高的识别率及准确度.     

基于CUDA加速的SIFT特征提取

提出一种基于统一计算设备架构(CUDA)加速的尺度不变特征变换(SIFT)快速计算方法,用以解决SIFT特征提取计算过程耗时过长的问题.该方法充分利用图像处理单元(GPU)在并行计算、浮点计算、内存管理等方面的优势,合理分配主机端和设备端的资源及其在SIFT特征计算中所承担的角色.实验表明,与CPU架构下的SIFT特征提取算法相比,本文算法可以大幅度加快SIFT特征提取的计算速度,其加速比随着SIFT特征点数目的增加而增加,在本文实验中最大加速比可达1954.     

基于Symlets小波的虹膜特征提取

提出了基于双正交的虹膜特征提取方法。通过Symlets小波对归一化虹膜图像进行特征提取,运用k-近邻分类器实现匹配．研究结果表明,与基于db4小波的方法比较,该方法在识别率上有明显的改进．     

基于小波和Beamlet变换的图像线特征提取

Beamlet变换是多尺度几何分析的有效工具之一。本文提出了一种基于小波变换和Beamlet的图像线特征提取算法,利用小波变换凸显图像的线特征,再通过Beamlet变换提取图像线特征,实验结果表明了该方法有效。     

基于数学形态学的掌纹图像分析

讨论和分析了数学形态学在在线掌纹图像处理中的应用.该方法应用数学形态学进行掌纹定位分割和增强处理.结合在线掌纹图像的特点采用形态学运算提取掌纹轮廓线,规范手掌质心,然后选取以质心为中心的合适大小的方形区域作为特征有效区域.在有效区域内进行形态学Bot-Hat变换检测出掌纹纹线进行增强处理,对增强后的图像进行傅立叶变换在频域空间进行特征提取和匹配.通过实验,论证了上述方法的有效性和可行性.     

基于几何形状和小波矩的静脉特征提取与匹配

针对手背静脉识别系统的特征提取与匹配算法研究问题,提出了一种粗匹配与细匹配结合的方法.该方法通过分析图像特征描述符特性,考虑静脉图像的全局信息,确定提取具有平移、旋转、比例和仿射不变性的边界和区域的形状特征进行粗匹配;为了考虑局部特征使形状描述符具有良好的易分辨能力,依据小波矩具有小波多尺度分析和不变矩的优点,确定了基于小波矩的匹配为细匹配的方案,实验结果表明识别率得到了明显提高.     

应用连续小波变换提取机械故障的特征

针对机械信号的特征和小小变换的特点,论证了机械信号的连续小波可分解特性,提出了信号的时间－小波能量谱和尺度－小波能量谱的概念,同时,利用信号经连续Ｍｏｒｌｅｔ小波变换后在时间－尺度域内的不同能量分布特性,依据信号的尺度－小波能量谱分布特性,对螺杆泵减速器和滚动轴承这两类不同机械的信号进行了特征提取,结果表明,应用机械信号的尺度－小波能量谱进行特征提取,更好地利用了小波变换的恒Ｑ带通滤波器性质,可以     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.