一种指纹图像规格化期望值自动估计方法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (20): 130-135.

一种指纹图像规格化期望值自动估计方法

楚亚蕴1，罗斌2，汤进2

1.阜阳师范学院计算机与信息学院，安徽阜阳 236032
2.安徽大学计算机科学与技术系，合肥 230000

出版日期:2013-10-15 发布日期:2013-10-30

Method of fingerprint image normalization expectations automatic estimation

CHU Yayun1, LUO Bin2, TANG Jin2

1.College of Computer and Information, Fuyang?Teachers?College, Fuyang, Anhui 236032, China
2.College of Computer Science and Technology, Anhui University, Hefei 230000, China

Online:2013-10-15 Published:2013-10-30

摘要/Abstract

摘要： 图像规格化中的期望均值和方差值的选取，直接影响图像规格化后的质量和后续图像的处理。通过求取一组图像中少部分指纹图像的灰度边界值，对图像的期望均值和方差进行估计，并应用于该组中的其他指纹图像，可以使指纹图像获得较大的动态范围，而不至于使图像灰度受到限幅，从而实现对图像期望值的自动估计。实验结果表明，该方法简单可靠，能在不降低对比度情况下，保持图像的灰度层次。该方法鲁棒性好，能适应各种不同图像，是图像规格化的实用方法。采用该方法对图像的期望值进行自动估计，有利于自动指纹识别算法的改进以及采集设备无关性的相关研究。

关键词: 图像规格化, 图像增强, 对比度, 线性扩展

Abstract: The value selection of expectation and variance in image normalization directly affects the quality of the image after normalizing and subsequent image processing. Through calculating a few of the fingerprint images’ gray boundary values in a set of images, this paper estimates the image expectation and variance, applies to the other fingerprint images. This can make the fingerprint image get a large dynamic range, not making the image gray scale limited, so as to realize the automatic estimation of image expectation. The experimental results show that this method is simple and reliable, and can keep the image gray levels, not reducing the contrast. This method is robust and can adapt to the different images, and it is a practical method of image normalization. Using this method to estimate image expectation automatically is beneficial to the improvement of automatic fingerprint identification algorithm and the related research of acquisition device independence.

Key words: image normalization, image enhancement, contrast, linear spanning

楚亚蕴1，罗斌2，汤进2. 一种指纹图像规格化期望值自动估计方法[J]. 计算机工程与应用, 2013, 49(20): 130-135.

CHU Yayun1, LUO Bin2, TANG Jin2. Method of fingerprint image normalization expectations automatic estimation[J]. Computer Engineering and Applications, 2013, 49(20): 130-135.

[1]	汤子麟，刘翔，张星. 光照不均匀图像的自适应增强算法[J]. 计算机工程与应用, 2021, 57(21): 216-223.
[2]	王小鹏，杨文婷，文昊天. 利用自适应形态学实现遥感水体图像增强[J]. 计算机工程与应用, 2021, 57(12): 186-192.
[3]	杜豫怡，王鹏章，多化琼，董霙达. 频域内分位数的蒙古族家具纹样增强算法[J]. 计算机工程与应用, 2021, 57(12): 207-210.
[4]	陈迎春. 基于色调映射的快速低照度图像增强[J]. 计算机工程与应用, 2020, 56(9): 234-239.
[5]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[6]	朱德利，杨德刚，万辉，杨雨浓. 用于低照度图像增强的自适应颜色保持算法[J]. 计算机工程与应用, 2019, 55(24): 190-195.
[7]	崔丽群，张平，贺情杰，鲁浩. 对比度和细节增强显著性检测方法研究[J]. 计算机工程与应用, 2019, 55(23): 200-208.
[8]	王英博1，刘健2. 幂律变换和IGLC算法的显著性目标检测方法[J]. 计算机工程与应用, 2019, 55(14): 168-176.
[9]	王忠民1，2，段娜1，范琳1. 融合YOLO检测与均值漂移的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(10): 186-192.
[10]	王焱，杨威，王亚恒. 基于人眼视觉感知驱动的井下图像增强算法[J]. 计算机工程与应用, 2018, 54(9): 189-193.
[11]	潘治鸿，窦浩，刘迪，田金文. 基于直线和区域显著性融合机制的机场检测[J]. 计算机工程与应用, 2018, 54(8): 154-159.
[12]	张桂梅1，刘峰瑞1，刘建新2. 图像增强中分数阶阶次自适应模型的构造[J]. 计算机工程与应用, 2018, 54(3): 184-191.
[13]	田敏，张印辉，何自芬，王森. 基于联合模型匹配的齿轮视觉检测方法[J]. 计算机工程与应用, 2018, 54(23): 170-175.
[14]	成钊1，2，王和明1，唐永康2，张颖1. 基于细节增强分析的硬件木马红外图像检测方法[J]. 计算机工程与应用, 2018, 54(16): 86-92.
[15]	范晓鹏1，2，3，4，朱枫1，3，4. 人眼灰度感知建模及其在图像增强中的应用[J]. 计算机工程与应用, 2018, 54(13): 209-215.