申请/专利权人：滁州学院

申请日：2023-07-19

公开（公告）日：2024-04-12

公开（公告）号：CN116844192B

主分类号：G06V40/12

分类号：G06V40/12;G06V10/30;G06V10/36;G06V10/82;G06N3/0455;G06N3/0464;G06N3/048;G06N3/084;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.10.24#实质审查的生效;2023.10.03#公开

摘要：本发明公开了一种低质量指纹图像的增强处理方法，涉及图像处理技术领域，该方法包括：基于指纹图像生成软件制作数据集；构建迁移学习第一阶段和第二阶段的网络结构；基于由全局损失函数和局部损失函数构成的损失函数对第一阶段和第二阶段的UNet++网络进行训练；利用训练完成的第二阶段UNet++网络对待增强的低质量指纹图像进行增强。本发明基于全局和局部差异设计损失函数，使得模型可以学习到指纹脊线等局部细节，提高了指纹图像增强时对指纹脊线方向估计的准确性；除此之外，通过迁移学习训练UNet++网络模型，确保模型能够学习到足够的数据样本，减少过拟合风险，提高模型的泛化能力。

主权项：1.一种低质量指纹图像的增强处理方法，其特征在于，包括:构建配对的低质量指纹图像和高质量指纹图像数据集，所述数据集包括第一数据集和第二数据集；通过迁移学习，训练第一阶段和第二阶段的UNet++网络模型，所述第一阶段和第二阶段的UNet++网络模型都是具有嵌套结构且能进行低高级特征融合的UNet++网络模型，所述第一阶段和第二阶段的网络结构相同；训练第一阶段UNet++网络：随机设定初始权重，将第一数据集中的低质量指纹图像输入第一阶段UNet++网络结构中，输出增强后的图像，通过损失函数计算增强后的图像与对应高质量指纹图像之间的误差，对误差进行反向传播，迭代更新第一阶段UNet++网络中的权重，迭代次数达到设定次数后，获得第一阶段UNet++网络的最终权重；训练第二阶段UNet++网络：将所述第一阶段网络的最终权重作为第二阶段网络的初始权重，将第二数据集输入第二阶段UNet++网络中，基于损失函数进行训练；所述第一阶段和第二阶段的UNet++网络训练过程中所使用的损失函数是基于全局损失和局部损失进行改进后的损失函数：Loss＝LossTotal+LossLocal其中，LossTotal是根据增强后图像和对应的高质量指纹图像之间的方向梯度损失、方向场损失、由指纹图像背景场转化的连续向量场损失得到的全局损失；LossLocal是将增强后图像和对应的高质量指纹图像划分成2×2不重叠的图像块，根据对应图像块之间的方向梯度损失、方向场损失、由指纹图像背景转化的连续向量场损失得到的局部损失；利用训练完成的第二阶段UNet++网络对待增强的低质量指纹图像进行增强处理，获得增强的指纹图像；所述全局损失，包括：LossTotal＝EgradFt,Fr+λEori+Erel其中， 其中：Ft是目标图像，即与输入低质量指纹图像对应的高质量指纹图像；Fr是重建图像，即对输入低质量指纹图像增强后得到的图像；Sθ为不同方向的Sobel算子，e表示卷积操作，Ω＝{0，45，90，135}，EgradFt,Fr是目标图像和重建图像之间的方向梯度损失；ΘFt是目标图像的方向场，ΘFt是重建图像的方向场，n为像素点的个数，Eori是目标图像和重建图像的方向场损失；RFt是由目标图像背景场转化得到的连续向量场，RFr是由重建图像背景场转化得到的连续向量场，Frel是目标图像和重建图像由背景场转化得到的连续向量场损失；λ是进行正则化的超参数；所述局部损失，包括： 其中： 是划分后大小为2×2的目标图像； 是划分后大小为2×2的重建图像； 是划分后大小为2×2目标图像和重建图像的局部方向梯度损失； 是划分后大小为2×2目标图像和重建图像的脊线方向的局部方向场损失； 是划分后大小为2×2目标图像和重建图像的由背景场转化得到的局部连续向量场损失。

全文数据：

权利要求：

百度查询： 滁州学院 一种低质量指纹图像的增强处理方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD