基于Radon变换的颅骨多分辨率身份识别

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (21): 242-245.

基于Radon变换的颅骨多分辨率身份识别

赵文彬^1,2，杨福增¹，张艳宁¹

1.西北工业大学计算机学院陕西省图形图像重点实验室，西安 710072
2.西北工业大学生物医学工程系，西安 710072

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-21 发布日期:2007-07-21
通讯作者: 赵文彬

Radon transform-based skull identification with multi-resolution

ZHAO Wen-bin^1,2，YANG Fu-zeng¹，ZHANG Yan-ning¹

1.Shaanxi Province Computer Graphics Key Lab，Computer College of Northwestern Polytechnic University，Xi’an 710072，China
2.Biomedical Engineering Department of Northwestern Polytechnic University，Xi’an 710072，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-21 Published:2007-07-21
Contact: ZHAO Wen-bin

摘要/Abstract

摘要： 颅骨以其生理位置的隐蔽性和解剖结构的相对稳定性，近来被提出作为一种特殊的生物特征并加以识别研究。准确、高效的识别是人们追求的主要目标。基于此，首先对活体颅骨的X线照片进行二值化处理，再使用Radon变换将二维的图像转换为一维信号，最后对一维信号进行小波多分辨率分析。同时为进一步提高识别效率，提出半分处理和方向特征组方法，实现了在多尺度下准确、快速实时的身份识别。试验结果表明该方法是有效可行并适合于非活体颅骨身份鉴定和识别。

关键词: Radon变换, 小波, 多分辨分析, 颅骨识别, 生物特征

Abstract: Skull identification is researched as a peculiar biometrics today for its intrinsic latent physiology position and relative stability.First，skull radiograph is processed with Radon transform following binary processing，then wavelet transform is applied to analyze the Radon transform result form multi-level.The half processing and orientation feature group is also presented to speed the recognition procedure as fast and robust.Experiment indicate that this method accommodate not only ante mortem but also postmortem.

Key words: Radon transform, wavelet, multi-resolution analysis, skull recognition, biometrics

赵文彬^1,2，杨福增¹，张艳宁¹. 基于Radon变换的颅骨多分辨率身份识别[J]. 计算机工程与应用, 2007, 43(21): 242-245.

ZHAO Wen-bin^1,2，YANG Fu-zeng¹，ZHANG Yan-ning¹. Radon transform-based skull identification with multi-resolution[J]. Computer Engineering and Applications, 2007, 43(21): 242-245.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[4]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[5]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[6]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[7]	曹晓航，汪立新，束学渊. 基于小波不变矩的雷达辐射源信号识别[J]. 计算机工程与应用, 2020, 56(19): 269-272.
[8]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[9]	杨刚，薛挺，高伟. 一种抗运动干扰的实时心率提取方法[J]. 计算机工程与应用, 2019, 55(5): 244-250.
[10]	王灿，李凤莲，胡风云，张雪英，贾文辉. 面向特征融合的脑卒中脑电信号分类方法[J]. 计算机工程与应用, 2019, 55(24): 154-158.
[11]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[12]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[13]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[14]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[15]	彭燕，刘宇红，张荣芬. 基于LSTM的股票价格预测建模与分析[J]. 计算机工程与应用, 2019, 55(11): 209-212.