一、基于小波变换和纹理滤波的指纹图像增强方法（论文文献综述）
常凯[1]（2019）在《基于特征融合的低质量指纹图像的识别方法研究》文中提出现有的指纹识别算法应用于低质量指纹图像时,由于指纹图像存在污损、断裂、伤疤和形变等问题,能够提取的有效特征变少或者伪特征变多,从而导致了指纹识别变得十分困难。国内外学者针对该问题已经提出了很多解决办法,但在识别速度和准确率上依旧难以同时达到很高的水平,这也是现如今指纹识别领域中迫切需要解决的问题。针对该问题,分析和总结了国内外学者在低质量指纹图像识别领域提出的学术研究成果,并对其识别过程中的图像增强、图像分割和特征匹配等方法进行了相应的改进和优化。本文的主要工作包括:（1）提出了基于改进算子和自适应微分阶数的低质量指纹图像增强方法。该方法选择了比传统算子更高精度的微分增强算子,并以距离为标准对传统算子结构进行了优化,达到了更好的效果。此外,根据指纹图像的特点,构造了由图像局部信息熵和梯度组成的自适应微分阶数函数,保证了图像中各像素点都能获取较优的微分阶数,从而使得整体的图像增强效果得到进一步提升。（2）提出了基于自适应阈值和形态学的二层分割方法。该方法在第一次分割中,通过选择灰度共生矩阵的对比度方差和其他实验参数来对分割阈值进行自适应优化,提升初步分割效果。在二次分割中,根据初步分割产生噪声的特点,对其进行相应的滤波处理后通过数学形态学的操作,有效地去除了初步分割中的噪声。实验表明该算法在低质量指纹图像上的分割精度达到了96.83%,相比同类型分割算法具有更高精度。（3）提出了基于特征融合的矢量三角形匹配算法。该方法将特征点的基本特征和矢量三角形的结构特征进行融合,构造出全新的特征向量。并基于Delaunay三角剖分的优点,对局部特征向量的结构进行了优化,同时在二次匹配中优化了可变限界盒的设计,提高了低质量指纹图像的识别准确率。同时还对整个匹配过程进行了优化,通过二层匹配方式实现指纹的快速识别。实验表明该算法在识别低质量指纹图像时相等误差率只有7.6%,比同类型匹配算法具有更低的错误率。
郝志成,吴川,杨航,朱明[2]（2016）在《基于双边纹理滤波的图像细节增强方法》文中认为为了实现图像的细节增强,特别是纹理细节增强,同时尽可能保持图像的结构完整,提出了一种基于双边纹理滤波的图像多尺度分解方法。首先,对图像进行多尺度双边纹理滤波分解,分别得到一幅基本图像和一系列细节纹理图像。接着,类似于小波增强方法,对细节图像采用多尺度自适应增强方法,得到一系列增强后的纹理细节图像。最后,将基本图像和增强后细节图像相加,重构出最后的增强图像。实验结果表明:本文提出的增强方法能够在突出边缘的同时,较好地增强图像中的纹理细节信息。将基于双边纹理滤波的多尺度分解引入图像增强,能更好地体现图像纹理细节特征,为增强图像提供更加丰富的信息。
黄超[3]（2012）在《基于NSCT和STFT的指纹图像增强算法的研究》文中进行了进一步梳理指纹图像增强作为指纹识别技术中的关键步骤,为了保证指纹识别系统的鲁棒性,对采集的原始指纹图像采用增强算法进行增强处理是非常必须的。针对低质量的指纹图像,本文研究并实现了一种基于NSCT和STFT的指纹图像增强算法。算法的实现主要分为两个阶段,第一阶段是指纹增强的预处理,第二阶段是滤波增强处理。在预处理阶段,算法首先对原始指纹图像进行NSCT分解变换,接着对变换后的各高频子带系数采用分层阈值函数进行修正,最后根据修正后的系数进行逆NSCT变换重构去噪后的指纹图像。在滤波增强阶段,算法首先对去噪后的指纹图像进行STFT分析,接着采用概率近似的方法估计指纹图像局部区域的纹线方向和频率,最后构造相应的具有方向和频率选择特性的带通滤波器对指纹图像进行滤波增强处理。在指纹增强的预处理阶段,与其它去噪算法相比,本文算法得到的PSNR值最高,比基于小波去噪算法高出近3.2dB,比基于Contourlet去噪算法高出近1.5dB；在滤波增强阶段,本文算法特征点提取的平均错误率比Gabor增强方法减少了10.69%。实验结果表明,本文基于NSCT和STFT的指纹图像增强算法在有效地抑制噪声的同时能更好的保留指纹图像边缘纹理等细节信息,得到的纹线比较清晰,并且在纹线断裂和粘连处都有很好的增强效果。
高梓瑞[4]（2012）在《Gabor滤波器在纹理分析中的应用研究》文中指出纹理是物体表面的一个十分重要的视觉属性,不同物体的表面则会产生不同的纹理影像,它在物体的识别和图像分析中都起了重要的作用。例如在遥感图像分析、文档的处理、图像检索、工业表面检测等领域,纹理分析都有着很好的应用。目前,基于纹理的图像分析方法有很多,可以分成四大类：基于统计、基于结构、基于模型以及基于信号处理法的纹理分析方法。其中信号处理法中的基于Gabor滤波器的纹理分析是当前的一个研究热点,Gabor滤波器是在测不准原则下,唯一能够取得空域和频域联合不确定关系下限的函数,而且针对二维数字图像提出的二维Gabor滤波器有着与生物视觉系统相近的特点,这也是为什么基于Gabor滤波器的纹理分析受到人们热捧的一个重要原因。本文从纹理出发,先对纹理的概念以及属性进行探讨,对纹理分析的基础理论进行了研究。然后从Gabor滤波器算法入手,对Gabor滤波器做了深入的学习,在全面掌握Gabor滤波器的一些性质的基础上,重点对基于Gabor滤波器的纹理分析方法进行了研究。文章就Gabor滤波器在纹理分析中的两个重要应用领域：指纹图像增强和纹理图像分割进行深入研究,尝试做出一些改进。首先就Gabor滤波器在指纹图像增强领域的应用现状进行研究,掌握基于Gabor滤波器的指纹增强的经典算法的精髓,从Gabor滤波器的性质入手,对目前流行的增强方法进行改进,从而克服经典算法时间消耗高的缺点,降低了指纹图像增强的时间消耗。接下来就Gabor滤波器在纹理图像特征提取中的应用进行了探索,首先对目前最为常用的基于Gabor小波滤波器的特征提取方法进行研究,针对其在高频部分表现不是十分理想的不足,对其变种LogGabor小波滤波器进行深入的研究,希望能够改进Gabor小波的不足。本文利用LogGabor小波来提取纹理特征,并结合K均值聚类的方法,对一副纹理库中的纹理图像进行分割。实验证明利用LogGabor滤波器的纹理特征提取方法,可以取得不错的纹理分割效果。
侯迎坤[5]（2012）在《非局部变换域图像去噪与增强及其性能评价研究》文中提出图像去噪是图像处理研究中的一个基础课题。现有的图像去噪方法分为局部方法与非局部方法两种,其中非局部平均（NLM）方法是近几年才提出的一种全新的图像去噪策略。最近发展起来的块匹配三维协同滤波（BM3D）有效地结合了局部变换方法与非局部思想,被公认为当前最好的图像去噪方法。本文通过深入研究BM3D方法中的一些不足提出了几种对BM3D的改进算法,获得了比BM3D方法更好的图像去噪结果。图像细节增强是图像处理研究中的另一个重要课题。变换域图像细节增强的前提是图像中呈线状奇异性的弱细节信息能够得到有效地表示,通过放大弱细节系数以达到图像增强的目的。非下采样轮廓波变换（NSCT）作为当前最好的线状奇异性表示方法能有效表示图像中的边缘或纹理等图像细节信息,但这种局部变换方法是通过卷积核与图像卷积运算来实现图像细节表示的,在对增强后的变换系数执行逆变换后,图像边缘周围会有比较严重的光晕现象产生。本文提出了一种非局部线状奇异性表示方法,将其应用于图像增强获得了比较理想的图像增强结果并且基本不引入光晕假信号。对于图像去噪与增强的性能评价问题,本文提出了一种基于图像水印的去噪与增强性能评价方法。下面概述本文的主要研究内容和进展。BM3D方法通过块匹配把一些相似的图像块堆叠成三维矩阵,再对三维矩阵执行可分的三维变换,用硬阈值方法收缩变换系数以达到图像去噪目的。尽管BM3D方法较好地保留了图像细节,但由于对图像块进行的二维变换是局部变换,所以会引入假信号。尤其当噪声强度相对较大时,引入的假信号更为明显。另外,BM3D方法还存在一个噪声强度较大时去噪性能急剧下降的问题。本文对强噪情况下BM3D方法如何能更少引入假信号以及如何更有效地解决强噪情况下去噪性能急剧下降问题进行了深入研究。通过分析块匹配群组中的图像块数、块尺寸以及块匹配前对图像块预滤波等一系列因素对去噪结果的影响,提出了一种比原始BM3D更有效的方法,获得了比原始BM3D更好的图像去噪结果,尤其在去噪后的图像中引入了更少的假信号。BM3D方法强有力的去噪性能主要来源于该方法对图像的增强的稀疏表示,这种增强的稀疏性是因为块匹配后的各块是彼此高度相似的以及对块匹配群组结果执行了可分的三维变换。但BM3D过度地强调了稀疏性,致使对每个块的二维变换仍为局部变换。本文把BM3D方法中对三维矩阵的可分三维变换改为两次迭代的块间的一维变换,即更增强了第三维上的稀疏性,而弱化了各块自身的稀疏表示,实现了有效的非局部变换,从而在去噪结果中引入了更少的假信号。由于本文方法在两次一维变换中用了更少的块,在保留图像细节方面也优于原始的BM3D方法。本文将这种方法称为块匹配一维一三维（BM1-3D）变换域滤波。从人类视觉感知来说,一幅噪声水平处处相同的含噪图像的平滑区域看起来会比轮廓区域或纹理区域噪声强度大。基于这一事实,本文提出一种基于图像形态分量的尺寸自适应块匹配变换域滤波图像去噪算法。用图像块的离散余弦变换（DCT）的交流分量能量将图像块划分为平滑、轮廓与纹理三种形态分量,对不同的形态分量用尺寸不同的块执行多级块匹配一维—三维变换域滤波来提高图像去噪性能。实验结果表明,提出的算法的图像去噪结果无论是客观评价还是主观视觉质量都优于BM3D方法。轮廓与纹理是自然图像中的重要信息并呈线状奇异性,鉴于正交小波只能较好表征点状奇异性,一种具有平移不变性的线状奇异性表示方法NSCT已被提出。然而NSCT仍是局部变换,对变换的图像细节系数执行增强操作并逆变换后,往往会引入较强的光晕假信号。为了减弱光晕假信号,本文提出了一种非局部线状奇异性表示方法。以图像中某邻域的中心为参考点,以该参考点的空域K近邻坐标点为各图像块的左上角坐标抽取K个图像块,抽取的图像块一般具有相似的平滑背景,但图像细节在每个块中所处的位置一般存在差异,执行这些块间的Haar变换后,图像中的线状奇异性就能得到有效表示。本文在提出的非局部线状奇异性表示方法的基础上提出了一种有效的图像增强算法,所提出的图像增强算法基本不引入光晕假信号。实验结果表明,无论是客观评价标准还是主观视觉质量,本文方法的图像增强结果都优于现有的一些较好的图像增强方法。图像水印是一种有效的数字图像版权保护手段。本文提出了一种半下采样小波变换,将水印嵌入到变换域的低频子带以提高水印的透明性与鲁棒性。水印实质上是一种加性噪声,本文提出了一种基于图像水印的图像去噪与增强性能评价方法,从嵌入水印的图像去噪与增强结果中提取的水印的位错误率（BER）来评价图像去噪与增强的性能。针对水印对几何攻击的鲁棒性问题,本文提出了水印对旋转攻击与剪切攻击的重同步算法。实验结果表明,提出的基于水印的图像去噪与增强性能评价方法是可行的且有效的；提出的水印对几何攻击的重同步算法能有效重同步被旋转攻击与剪切攻击去同步的水印。
李俊伟[6]（2011）在《自动指纹识别关键算法的研究》文中提出随着社会信息化、智能化与自动化的高速发展,传统的身份识别技术已经远远不能满足实际应用中准确性、快速性的需求,取而代之的是基于信息处理技术的现代生物识别技术。其中,指纹识别以其所特有优越性质,已成为应用范围最广的生物识别技术之一。尽管自动指纹识别技术的相关研究已经取得了一定程度的进展,但是由于信息的飞速膨胀,如何准确、快速的识别指纹仍然是一个亟待解决的难题。自动指纹识别是通过综合图像处理、模式识别、计算智能等多领域知识,自动处理指纹图像中相关的特征信息,来判断指纹身份的生物识别技术。在分析和总结前人研究成果的基础上,本文对指纹识别过程中的图像增强、特征匹配进行了深入细致的研究,设计并实现了集成本文研究成果的自动指纹识别系统。（1）为了尽可能地保留指纹纹理信息的同时减少噪声的影响,借助小波变换的多分辨率分析特征,提出了一种基于小波的指纹图像增强方法。该方法通过小波多尺度分解,将原始图像分为频率不同的子图,然后根据各频率子图信息与噪声含量不同的特性,对低频子图进行方向滤波,对高频子图进行降噪处理,将处理后的小波系数重构得到初步增强的指纹图像,为了进一步突出细节信息,再对指纹图像进行反锐化掩膜后处理。实验结果表明,该方法可以在增强指纹的纹理信息的同时滤除噪声,从而较好的改善了图像的质量。（2）针对指纹匹配过程中基准点定位不准确与耗时太长问题,提出了一种基于改进基准点定位的指纹匹配算法。该算法借助指纹图像的中心点,构造局部细节结构,并在此结构上利用全等三角形原则求取基准点,然后将所有细节特征转化到极坐标中,利用可变界限盒的方法进行匹配。实验结果表明,该算法所确定的基准点较为准确,而且耗时缩短,有效地提高了识别率与执行效率。（3）在详细需求分析的基础上,设计并实现了本文的自动指纹识别系统,集成了本文所有研究成果。该系统能够直观地展示用户操作的处理结果,较为方便、实用,为将来的实际应用奠定了基础。
金波[7]（2011）在《指纹图像预处理与增强算法的研究》文中研究表明长期以来，指纹一直是个人身份识别最有效的方法之一，自动指纹识别系统是图像处理和模式识别领域里的一个重要研究课题，具有很高的实用价值和市场前景。虽然经过几十年的理论研究，已经存在着多种识别算法和实际应用系统，很多研究者们也在指纹分类、预处理、指纹增强、特征提取以及匹配算法方面发表了大量的文章，但是仍然存在着许多值得研究的问题。本文主要是对指纹图像的预处理和增强算法进行了一些分析和研究，核心工作是研究了基于二维经验模态分解的指纹图像增强算法，结合了Gabor滤波器，对指纹图像的增强算法进行了改进。论文完成的主要工作如下：在指纹图像预处理部分，论文对预处理的各个步骤包括规格化、方向图的求取、指纹图像的分割、二值化、细化等以及各个步骤的不同方法进行了深入的分析、比较和筛选，得出了一套有效的指纹图像预处理方案。同时，本文在这一部分的另外一个创新是基于分形维对指纹图像的分割。研究了一维与二维的经验模态分解算法，利用速度较快的基于有限元的二维EMD算法，把指纹图像分解成一系列的IMF与残余量，分析噪声在各IMF中的分布情况。得出了高频的IMF，受噪声的影响较小的结论。研究了指纹图像增强算法，对指纹图像增强的研究状况作了概括介绍，应用当前最具代表性的Gabor滤波方法，在去除了噪声影响的IMF分量上对指纹图像进行增强。实验结果表明，本文所提出的算法能显着改善原始指纹图像的质量，有助于提高自动指纹识别系统的准确性和鲁棒性。总之，指纹图像的预处理和增强算法是自动指纹识别系统（AFIS）的核心内容之一，是提高系统性能的关键。本文系统深入地研究了自动指纹识别系统的理论和技术。本文的研究工作为进一步完善自动指纹识别系统提供了重要的理论依据和技术基础，对于促进自动指纹识别技术的发展和应用有着积极的意义。
刘成[8]（2011）在《微光与红外图像融合的CUDA实现研究》文中提出微光和红外图像融合能够综合利用微光传感器和红外传感器这两种各有所长的传感器的互补性和冗余性,提高获取信息的准确性和可靠性,增强系统的目标探测及识别能力,有助于提高用户（例如战斗机飞行员）决策的准确性和实时性。随着夜视技术的发展,图像融合开始大量地运用于微光图像和红外图像的融合。本文利用图像融合技术,结合微光图像和红外图像的特点,提出了微光与红外图像融合的方法,包括图像滤波、图像增强、图像配准、图像融合等方面。随着对微光与红外图像融合的速度要求越来越高,需要借助性能更好的硬设备进行图像融合。基于此,本文提出了采用在并行处理方面功能强大的NVIDIA公司提出的CUDA架构GPU对微光图像与红外图像进行融合实现。实现微光与红外图像融合,涉及到图像融合算法的优化和用CUDA实现图像融合算法两部分。本文主要研究了利用CUDA强大的并行处理能力,来实现快速的图像融合。首先,提出了效果优良并且适用于并行运算的图像融合方法,包括均值滤波、直方图均衡、Sobel边缘检测、基于小波变换的图像融合等。其次,通过CUDA编程对以上算法进行了实现,并且将其与对应的CPU程序相比较,研究结果表明GPU执行效率比CPU高出一个数量级,随着数据量的增加,GPU的加速比还会增大。因此,使用CUDA实现微光与红外图像融合相比于单纯使用CPU串行运算能够得到更高的运算速度。具有强大并行运算能力和简便开发环境的CUDA适用于微光与红外图像融合,但是CUDA的开发难度还是比CPU要高,需要掌握CUDA的线程结构和内存结构等底层知识。本文利用图像融合技术,结合微光图像和红外图像的特点,提出了微光与红外图像融合算法,具有一定的实用性;本文将CUDA应用于图像融合领域,并实现微光与红外图像融合,具有一定的创新性;本文比较融合算法在GPU和CPU上的执行效率,结果表明用CUDA实现微光与红外图像融合比单纯使用CPU具有更高的执行效率,具有一定的先进性。
王磊,郑建炜,王万良[9]（2010）在《基于小波变换和Teager能量算子指纹图像增强》文中进行了进一步梳理指纹增强是指纹自动识别系统中比较重要的一个环节,它直接影响到指纹识别系统的识别精确度。二维Teager滤波器是一种非线性边缘提取滤波器,其特性近似于Mean-Weighted高通滤波器,即兼有局域平均和高通滤波的特性,因而可均衡去除噪声和增强图像边缘。将一种改进的Teager能量算子用于小波分解后低频域的纹理滤波部分,并对高频域进行阈值量化去噪,最后重构子图像。实验表明,该算法能够使图像的质量明显得到改善。
王磊[10]（2010）在《指纹图像预处理及特征提取算法的研究》文中研究说明随着现代社会经济、技术的发展,人们活动的领域不断扩大,身份识别技术在当今社会生活和经济活动方面显得越来越重要,而其中的指纹识别因为拥有安全、易用、价格便宜等优点,成为当前最流行、最方便、最可靠的个人身份认证技术之一。虽然身份识别技术已经发展多年,但是因为商业利益等原因,核心技术没有完全公开,而且随着社会的发展所需要的系统必须具有更高、更好的性能,所以在理论和实用方面需要更深入的研究。本文主要对指纹图像预处理和特征提取两部分算法进行了研究。在预处理方面,由于Teager能量算子可以抑制噪声,而小波变换具有多分辨特性,本文改进了Teager能量算子,充分利用其非线性高通特性,并引入Gabor函数共同用于指纹增强,在低质量指纹去噪声和边缘增强方面取得了较好的效果,明显好于传统的基于Gabor函数的小波域指纹增强算法。对增强后的指纹图像,采用一种迭代求最佳分割动态阈值的算法进行了二值化处理,并在二值化图像上采用一种改进的OPTA细化算法进行处理,取得了较好的效果。在特征提取方面,本文针对传统的基于指纹细化图的特征点提取方法容易带来伪特征点过多、耗时长等问题,提出了一种新的在二值化图像上进行指纹特征点提取算法,通过定义的特征提取模板进行特征点提取和伪特征点去除法则进行后处理,并且对算法进行仿真分析,取得了良好的效果,时间上快于传统的特征点提取算法。本文用Visual C++实现了论文中的算法,实验结果表明,本文提出的新算法明显提高了图像的处理效果,较好地提取了指纹的特征点。最后,对现有问题进行了分析并对今后的工作进行了展望,提出了未来的工作方向。随着科学技术的不断发展,相信在不久的将来指纹识别系统就能走进寻常百姓,为人们的日常生活带来更大的便利。
二、基于小波变换和纹理滤波的指纹图像增强方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波变换和纹理滤波的指纹图像增强方法（论文提纲范文）
（1）基于特征融合的低质量指纹图像的识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 指纹图像预处理研究现状 |
| 1.2.2 指纹特征提取与匹配研究现状 |
| 1.3 本文主要工作 |
| 第2章 基于改进微分算子的低质量指纹图像增强 |
| 2.1 分数阶微分 |
| 2.1.1 Grunwald-Letnikov分数阶微分定义 |
| 2.1.2 Riemann-Liouville分数阶微积分定义 |
| 2.1.3 分数阶微分在数字信号处理中的影响 |
| 2.2 分数阶微分算子构造 |
| 2.2.1 二阶精度算子的构造 |
| 2.2.2 SOA算子的改进 |
| 2.2.3 固定微分阶数的图像增强实验 |
| 2.3 自适应微分阶数的图像增强 |
| 2.3.1 图像梯度的计算 |
| 2.3.2 图像局部信息熵的计算 |
| 2.3.3 微分阶数的自适应处理 |
| 2.4 实验结果与分析 |
| 2.4.1 低质量指纹数据集 |
| 2.4.2 实验结果定量分析 |
| 2.5 本章小结 |
| 第3章 基于自适应阈值和形态学的低质量指纹图像分割 |
| 3.1 灰度共生矩阵 |
| 3.1.1 灰度共生矩阵定义 |
| 3.1.2 灰度共生矩阵特征量 |
| 3.2 灰度共生矩阵在图像分割中的应用 |
| 3.2.1 基于固定阈值的分割方法 |
| 3.2.2 改进的自适应阈值分割方法 |
| 3.3 基于形态学的二次分割方法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于特征融合的低质量指纹图像匹配 |
| 4.1 指纹特征提取 |
| 4.1.1 方向场特征提取 |
| 4.1.2 奇异点特征提取 |
| 4.1.3 细节点特征提取 |
| 4.1.4 融合特征的构建 |
| 4.2 指纹特征匹配 |
| 4.2.1 Delaunay三角剖分处理 |
| 4.2.2 基于特征融合的匹配算法 |
| 4.2.3 算法改进及实现 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间研究成果 |
（2）基于双边纹理滤波的图像细节增强方法（论文提纲范文）
| 1 引言 |
| 2 双边纹理滤波介绍 |
| 2.1 双边滤波简介 |
| 2.1 双边纹理滤波 |
| 3 基于双边纹理滤波的增强方法 |
| 3.1 基于双边纹理滤波的多尺度分解与重构 |
| 3.2 多尺度自适应增强算法 |
| 4 实验结果与讨论 |
| 5 结论 |
（3）基于NSCT和STFT的指纹图像增强算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 课题研究现状 |
| 1.2.1 图像增强的研究现状 |
| 1.2.2 指纹图像增强的研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 NSCT变换理论 |
| 2.1 多尺度几何分析 |
| 2.2 Contourlet变换 |
| 2.2.1 拉普拉斯金字塔变换 |
| 2.2.2 方向滤波器组 |
| 2.3 NSCT变换 |
| 2.3.1 非下采样金字塔分解 |
| 2.3.2 非下采样方向滤波器组 |
| 2.4 本章小结 |
| 第三章 指纹增强的预处理 |
| 3.1 噪声的数学模型及分类 |
| 3.1.1 噪声的数学模型 |
| 3.1.2 噪声的分类 |
| 3.2 常见图像去噪算法研究 |
| 3.2.1 小波阈值去噪 |
| 3.2.2 Contourlet去噪 |
| 3.3 基于NSCT去噪算法的实现 |
| 3.4 图像去噪性能的评价标准 |
| 3.5 实验结果 |
| 3.6 本章小结 |
| 第四章 指纹滤波增强 |
| 4.1 STFT分析 |
| 4.2 纹线方向和频率信息的估计 |
| 4.2.1 纹线方向的计算 |
| 4.2.2 纹线频率的计算 |
| 4.3 滤波处理 |
| 4.4 实验结果与评价 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 今后工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（4）Gabor滤波器在纹理分析中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和工作安排 |
| 第2章 纹理及GABOR滤波器相关理论 |
| 2.1 纹理的概念 |
| 2.1.1 纹理的定义 |
| 2.1.2 纹理的特征提取 |
| 2.2 基于GABOR滤波器的纹理分析理论 |
| 2.2.1 Gabor变换 |
| 2.2.2 小波变换 |
| 2.2.3 Gabor小波滤波器 |
| 2.3 实验分析 |
| 2.3.1 Gabor滤波器的多方向滤波 |
| 2.3.2 小波变换的多尺度特性 |
| 2.3.3 Gabor小波变换的多分辨率和多角度特性 |
| 2.4 本章小结 |
| 第3章 GABOR滤波器在指纹图像增强中的应用 |
| 3.1 2DGABOR滤波器 |
| 3.1.1 2DGabor滤波器的性质 |
| 3.1.2 2DGabor滤波器的计算性能的改进 |
| 3.2 GABOR滤波器在指纹图像增强中的应用 |
| 3.2.1 基于传统Gabor滤波器的指纹图像增强 |
| 3.2.2 基于改进后的Gabor滤波器的指纹图像增强 |
| 3.3 实验结果分析 |
| 3.3.1 计算复杂度对比 |
| 3.3.2 仿真性能对比 |
| 3.4 本章小结 |
| 第4章 基于LOG_GABOR滤波器的纹理图像分割 |
| 4.1 基于GABOR小波滤波器的纹理特征提取 |
| 4.1.1 传统Gabor滤波器在纹理特征提取中的优势与不足 |
| 4.1.2 基于Gabor小波滤波器的特征提取 |
| 4.2 基于LOG_GABOR小波滤波器的纹理特征提取 |
| 4.2.1 Log_Gabor滤波器 |
| 4.2.2 基于Log_Gabor小波滤波器的纹理特征提取 |
| 4.3 纹理特征提取的性能比较 |
| 4.3.1 Gabor小波滤波器在特征提取中的性能表现 |
| 4.3.2 Log_Gabor小波滤波器在特征提取中的性能表现 |
| 4.4 基于LOG_GABOR小波滤波器的遥感图像分割 |
| 4.4.1 基于Log_Gabor小波的纹理特征提取 |
| 4.4.2 基于K均值聚类的纹理图像分割 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 致谢 |
| 参考文献 |
（5）非局部变换域图像去噪与增强及其性能评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 图像去噪与图像增强的研究背景及研究意义 |
| 1.1.1 图像去噪的研究背景及研究意义 |
| 1.1.2 图像增强的研究背景及研究意义 |
| 1.2 图像去噪的研究现状及存在问题 |
| 1.2.1 研究现状 |
| 1.2.2 存在问题 |
| 1.3 图像增强的研究现状及存在问题 |
| 1.3.1 研究现状 |
| 1.3.2 存在问题 |
| 1.4 非局部平均方法图像去噪 |
| 1.5 块匹配三维协同滤波图像去噪 |
| 1.6 本文的研究内容及创新 |
| 1.6.1 研究内容 |
| 1.6.2 创新 |
| 1.7 本文后续章节安排 |
| 2 BM3D强噪声图像去噪改进算法 |
| 2.1 引言 |
| 2.2 BM3D在强噪情况下去噪性能急剧下降问题 |
| 2.2.1 BM3D算法中对问题的分析与解决办法 |
| 2.2.2 预滤波对块匹配准确性的影响 |
| 2.2.3 DCT去噪引入周期性假信号分析 |
| 2.3 强噪情况下对BM3D的改进算法 |
| 2.4 实验结果对比 |
| 2.5 本章小结 |
| 3 多级块匹配变换域滤波图像去噪算法 |
| 3.1 引言 |
| 3.2 小波变换引入假信号分析 |
| 3.3 多级块匹配变换域滤波图像去噪算法 |
| 3.3.1 块匹配一维变换模型 |
| 3.3.2 块匹配一维滤波图像去噪 |
| 3.3.3 经验维纳滤波 |
| 3.3.4 迭代块匹配一维滤波算法 |
| 3.4 彩色图像去噪 |
| 3.5 实验结果对比 |
| 3.6 本章小结 |
| 4 基于形态分量的块尺寸自适应多级块匹配变换域滤波图像去噪 |
| 4.1 引言 |
| 4.2 图像中的形态分量表示 |
| 4.2.1 二维离散余弦变换 |
| 4.2.2 二维图像块形态分量分类 |
| 4.3 形态分量对块匹配变换域滤波图像去噪的影响 |
| 4.4 块尺寸自适应多级块匹配变换域滤波图像去噪算法 |
| 4.5 实验结果对比 |
| 4.5.1 平均结构相似性度量 |
| 4.5.2 参数设置 |
| 4.5.3 实验结果 |
| 4.6 本章小结 |
| 5 非局部线状奇异性表示及其在图像增强中的应用 |
| 5.1 引言 |
| 5.2 NSCT与BM3D的线状奇异性表示与图像增强应用 |
| 5.2.1 NSCT线状奇异性表示 |
| 5.2.2 BM3D线状奇异性表示 |
| 5.2.3 基于NSCT的图像增强 |
| 5.2.4 基于BM3D的图像增强 |
| 5.3 基于块抽取与Haar变换的线状奇异性表示 |
| 5.3.1 K-近邻块抽取 |
| 5.3.2 Haar变换 |
| 5.4 基于BEH的图像增强 |
| 5.5 实验结果 |
| 5.5.1 线状奇异性表示 |
| 5.5.2 灰度图像增强 |
| 5.5.3 彩色图像增强 |
| 5.6 本章小结 |
| 6 基于水印的图像去噪与增强性能评价及水印对几何攻击的重同步 |
| 6.1 引言 |
| 6.2 半下采样小波变换 |
| 6.3 基于SSWT的图像水印算法 |
| 6.3.1 水印嵌入算法 |
| 6.3.2 水印提取算法 |
| 6.4 图像去噪与增强性能评价 |
| 6.5 水印对旋转攻击与剪切攻击的重同步算法 |
| 6.5.1 仿射变换 |
| 6.5.2 旋转攻击去同步水印模型与水印重同步算法 |
| 6.5.3 剪切攻击去同步水印模型与水印重同步算法 |
| 6.6 实验结果 |
| 6.6.1 图像去噪与增强性能评价 |
| 6.6.2 水印对几何攻击的重同步 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 本文算法总结 |
| 7.2 图像去噪与图像增强展望 |
| 致谢 |
| 参考文献 |
| 附录A:主持或参与的科研项目 |
| 附录B:攻读博士学位期间发表的论文 |
（6）自动指纹识别关键算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 前言 |
| 1.1 自动指纹识别概述 |
| 1.2 国内外研究现状 |
| 1.3 文章的主要工作与内容安排 |
| 第2章 指纹图像预处理 |
| 2.1 指纹图像增强 |
| 2.1.1 相关数学基础 |
| 2.1.2 前人相关研究成果及分析 |
| 2.1.3 本文指纹图像增强算法 |
| 2.1.4 实验结果及分析 |
| 2.2 二值化 |
| 2.2.1 常见的二值化方法 |
| 2.2.2 实验结果及分析 |
| 2.3 纹线细化 |
| 2.3.1 常见的纹线细化方法 |
| 2.3.2 实验结果及分析 |
| 2.4 小结 |
| 第3章 指纹特征提取 |
| 3.1 特征点及其提取 |
| 3.2 特征点后处理 |
| 3.3 实验结果及分析 |
| 3.4 小结 |
| 第4章 指纹图像匹配 |
| 4.1 前人相关研究成果及分析 |
| 4.1.1 基准点定位及旋转因子求取 |
| 4.1.2 极坐标变换及姿势校正 |
| 4.1.3 界限盒匹配及结果判决 |
| 4.2 本文提出的指纹匹配算法 |
| 4.2.1 中心点的选取 |
| 4.2.2 构造局部结构 |
| 4.2.3 基准点定位 |
| 4.3 实验结果及分析 |
| 4.4 小结 |
| 第5章 GUI 的设计与实现 |
| 5.1 本文指纹识别系统需求分析 |
| 5.2 系统的设计与实现 |
| 5.3 小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 后续研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及科研工作 |
| 致谢 |
（7）指纹图像预处理与增强算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 生物特征识别技术简介 |
| 1.2 指纹识别系统的原理及应用 |
| 1.3 论文的主要内容及结构 |
| 第二章 指纹图像的预处理 |
| 2.1 指纹图像规格化 |
| 2.2 指纹图像方向信息提取 |
| 2.3 基于纹理特征的指纹图像分割 |
| 2.4 指纹图像二值化 |
| 2.5 指纹图像细化 |
| 2.6 本章小结 |
| 第三章 经验模态分解在指纹图像增强中的应用 |
| 3.1 各种传统时频分析算法的缺陷 |
| 3.2 HHT 算法简介 |
| 3.3 二维EMD 算法的提出与研究现状 |
| 3.4 常规的二维EMD 算法 |
| 3.5 快速二维EMD 算法 |
| 3.6 应用EMD 分析处理指纹图像 |
| 3.7 本章小结 |
| 第四章 指纹图像的增强与指纹图像中的角点提取 |
| 4.1 Gabor 滤波器在指纹图像增强中的应用 |
| 4.2 增强算法的实验结果与结论 |
| 4.3 指纹图像中的角点提取 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 在校期间发表的学术论文 |
（8）微光与红外图像融合的CUDA实现研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 微光与红外图像融合 |
| 1.3 CUDA 统一计算设备架构 |
| 1.4 国内外发展现状 |
| 1.5 研究内容和论文安排 |
| 第二章 CUDA 介绍 |
| 2.1. CUDA 硬件架构 |
| 2.2. CUDA 线程结构 |
| 2.3. CUDA 的内存模型 |
| 2.4. CUDA 程序执行过程 |
| 2.5. CUDA 程序的优化 |
| 2.5.1 优化内存的访问 |
| 2.5.2 优化线程块的结构 |
| 2.5.3 优化线程块的使用 |
| 2.6. 小结 |
| 第三章 微光与红外图像融合 |
| 3.1. 微光与红外图像融合过程 |
| 3.2. 图像滤波 |
| 3.2.1 均值滤波 |
| 3.2.2 中值滤波 |
| 3.2.3 改进的中值滤波 |
| 3.2.4 图像滤波算法的比较 |
| 3.3. 图像增强 |
| 3.4. 边缘检测 |
| 3.5. 图像配准 |
| 3.6. 图像融合 |
| 3.6.1 加权融合算法 |
| 3.6.2 基于 laplace 金字塔分解的图像融合 |
| 3.6.2.1 Laplace 金字塔的分解和重构 |
| 3.6.2.2 基于 Laplace 金字塔分解的图像融合方法 |
| 3.6.3 基于小波变换的图像融合 |
| 3.6.3.1 连续小波变换 |
| 3.6.3.2 用于图像处理的离散小波变换 |
| 3.6.3.3 基于小波变换的图像融合方法与意义 |
| 3.6.4 图像融合的规则 |
| 3.6.4.1 基于像素的融合规则 |
| 3.6.4.2 基于区域的融合规则 |
| 3.6.5 图像融合算法的比较 |
| 3.7. 小结 |
| 第四章 微光与红外图像融合的CUDA 实现 |
| 4.1. 测量代码执行时间的方法 |
| 4.1.1 Device 测时 |
| 4.1.2 Host 测时 |
| 4.2. 图像滤波 |
| 4.2.1 纹理内存的线性滤波 |
| 4.2.2 均值滤波的CUDA 实现 |
| 4.2.3 均值滤波与纹理滤波的CUDA 实现比较 |
| 4.3. 图像增强 |
| 4.3.1 灰度直方图统计的CUDA 实现 |
| 4.3.2 直方图均衡的CUDA 实现 |
| 4.4. 边缘检测 |
| 4.4.1 模板卷积的CUDA 实现 |
| 4.4.2 Sobel 边缘检测的 CUDA 实现 |
| 4.5. 图像融合 |
| 4.6. 基于CUDA 的图像融合测试平台 |
| 4.7. 小结 |
| 第五章 总结和展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（10）指纹图像预处理及特征提取算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景分析及研究意义 |
| 1.1.1 个人身份鉴别 |
| 1.1.2 生物识别技术 |
| 1.1.3 指纹识别技术 |
| 1.2 指纹识别研究现状 |
| 1.3 研究内容目标与结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.3.3 论文章节安排 |
| 第2章 指纹识别基本原理 |
| 2.1 引言 |
| 2.2 基本概念 |
| 2.2.1 全局特征 |
| 2.2.2 局部特征 |
| 2.2.3 其他特征 |
| 2.3 指纹识别系统的构成 |
| 2.3.1 采集 |
| 2.3.2 预处理 |
| 2.3.3 特征提取 |
| 2.3.4 匹配 |
| 2.4 指纹识别系统性能评价 |
| 2.5 本章小结 |
| 第3章 基于小波变换和 Teager能量算子的指纹图像预处理 |
| 3.1 指纹图像预处理概述 |
| 3.2 指纹图像分割 |
| 3.2.1 归一化 |
| 3.2.2 方向图求取 |
| 3.2.3 前景背景分割 |
| 3.3 指纹图像增强 |
| 3.3.1 小波变换 |
| 3.3.2 Gabor 滤波器 |
| 3.3.3 二维Teager 滤波器 |
| 3.3.4 基于小波变换和Teager 能量算子的增强算法 |
| 3.3.5 实验结果与小结 |
| 3.4 二值化及细化 |
| 3.5 本章小结 |
| 第4章 基于二值图像的指纹特征点快速提取算法 |
| 4.1 引言 |
| 4.2 传统的指纹特征点提取算法 |
| 4.3 基于二值图像的指纹特征点快速提取算法及后处理 |
| 4.3.1 特征提取 |
| 4.3.2 后处理 |
| 4.3.3 特征点的记录与选取 |
| 4.4 两种特征提取方法的比较 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 前景展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目和成果 |
四、基于小波变换和纹理滤波的指纹图像增强方法（论文参考文献）
- [1]基于特征融合的低质量指纹图像的识别方法研究[D]. 常凯. 武汉理工大学, 2019(07)
- [2]基于双边纹理滤波的图像细节增强方法[J]. 郝志成,吴川,杨航,朱明. 中国光学, 2016(04)
- [3]基于NSCT和STFT的指纹图像增强算法的研究[D]. 黄超. 广西大学, 2012(02)
- [4]Gabor滤波器在纹理分析中的应用研究[D]. 高梓瑞. 武汉理工大学, 2012(10)
- [5]非局部变换域图像去噪与增强及其性能评价研究[D]. 侯迎坤. 南京理工大学, 2012(07)
- [6]自动指纹识别关键算法的研究[D]. 李俊伟. 青岛理工大学, 2011(04)
- [7]指纹图像预处理与增强算法的研究[D]. 金波. 浙江工业大学, 2011(06)
- [8]微光与红外图像融合的CUDA实现研究[D]. 刘成. 南京航空航天大学, 2011(12)
- [9]基于小波变换和Teager能量算子指纹图像增强[J]. 王磊,郑建炜,王万良. 计算机应用与软件, 2010(08)
- [10]指纹图像预处理及特征提取算法的研究[D]. 王磊. 浙江工业大学, 2010(02)