Conference PaperPDF Available

A New Way of Looking of Fingerprint Recognition Median-Filtering Fingerprint Recognition Algorithm (HMFA)

Authors:
PARMAK ĠZĠ ĠYĠLEġTĠRME YÖNTEMLERĠNE YENĠ BĠR BAKIġ: HĠSTOGRAM
BÖLÜTLEMELĠ, MEDYAN FĠLTRELENMĠġ PARMAK ĠZĠ ĠYĠLEġTĠRME
ALGORĠTMASI (HMPA)
Özet
Bu çalışmada, önce medyan filtrenin ne tür işaretlere
nasıl uygulandığı ve uygulamanın matematiksel
temelleri incelenmiştir. Çalışmada medyan filtrenin
hangi gürültülerde iyi sonuç verdiği üzerinde
durulmuştur. Medyan filtrenin başarılı olamayacağı
gürültü tiplerinden biri Gauss gürültüsüdür. Gauss
gürültüsünü bastırabilmek için uyarlamalı bir lineer
filtre tipi olan Wiener filtrenin uygulanması tercih
edilmektedir. Wiener filtrenin nasıl uygulandığı,
matematiksel açıklamalarıyla birlikte gösterilmiştir.
Spesifik bir görüntü olan parmak izinin
iyileştirilmesiyle ilgili çalışmalar yapılmıştır. Bunun
için yeni bir algoritma tasarlanmıştır. Bu algoritma
Histogram bölütlemeli, Medyan filtrelenmiş Parmak izi
iyileştirme Algoritması (HMPA) olarak adlandırılmıştır.
Bu algoritmanın uygulanmasında elde edilen ortalama
karesel hata değerleri verilmiştir. HMPA, bu alandaki
diğer bazı çalışmalarla karşılaştırılmış ve bu yöntemle
elde edilen ortalama karesel hata değerinin en iyi son
olduğu tespit edilmiştir.
Anahtar sözcükler: Görüntü işleme, işaret filtreleme,
histogram bölütleme, medyan filtre, Wiener filtre.
1. GĠRĠġ
Teknolojinin ilerlemesiyle birlikte özellikle yazılım
sektöründe problemlerin çözüm yöntemlerinde her
geçen gün aşamalar kaydedilmektedir. Gerek veri, gerek
ses ve gerekse görüntü üzerinde daha kaliteli bilgiler
elde edilmesi istenmektedir. Özellikle güvenlik alanında
ve askeri alanda verilerin iyileştirilmesi önemlidir.
Sözü geçen bu iyileştirmeleri sağlamanın en etkin yolu,
işareti filtrelemektir. Çeşitli tipte gürültülere yönelik
çeşitli özelliklerde filtreler tasarlamak mümkündür. Bir
işareti yeterince optimize edebilmek için bazen lineer,
bazen uyarlamalı, bazen de bir dizi filtreleme teknikleri
kullanmak gerekebilir. Bu çalışmada ele alınan başlıca
iyileştirme yöntemleri medyan ve Wiener filtrelemedir.
Medyan filtre, lineer olmayan bir filtredir [2]. Bazı
durumlarda medyan filtreyi güçlendirmek için
uyarlamalı bir filtre türü olan Wiener filtre de
kullanılmıştır. İyileştirme işlemini gerçekleştirmek
üzere özel ve sık kullanılan bir veri olan parmak izi
görüntüsü tercih edilmiştir.
Bu çalışmada daha iyi bir sonuca ulaşabilmek için
çeşitli algoritmalarla sayısız deneyler
gerçekleştirilmiştir. Bu çalışmanın sonucunda, parmak
izi iyileştirmede yeni ve iyi sonuç veren bir algoritma
tasarlanmıştır. Bu algoritmaya Histogram bölütlemeli,
Medyan filtrelenmiş Parmak izi iyileştirme Algoritması
(HMPA) adı verilmiştir.
2. MEDYAN FĠLTRELEME
Medyan filtreleme yöntemi, doğrusal olmayan bir
işlemdir. Bu yöntem lineer filtreleme tekniklerinden
daha seçici bir sonuç elde etmeye yarar. Medyan
filtreleme, dürtü (impuls) gürültülerinin
temizlenmesinde klasik bir yaklaşımdır. Örnek
setlerinin medyanı olan () topluluğunun yarısının
‟den büyük ve yarısının da ‟den
küçük olduğu ‟nin üyesidir [8].
Medyan filtrede, lineer filtrelerdeki işlemlerin yanı sıra
sonuç pikselin değeri, komşu piksellerin ortalama
değerine bağlı olarak belirlenmiş olur. Matematiksel
olarak ifade edilirse [6];
=
=,,,,+
(2.1)
= , <
,
(2.2)
Kullanılacak bilgiye göre dizi, matris veya görüntüye
uygun olarak seçilebilecek çeşitli medyan maskeleri
bulunmaktadır [1], [10]. Özetle, medyan filtre sayısal
işaretlerde zorlayıcı değerlere sahip piksellerin,
komşu piksellerin değerlerine yakınlaştırılması /
benzetilmesi için kullanılır [5], [7]. Bu uç değerler,
görüntü üzerindeki gürültüleri oluşturmaktadır. Aslında
görüntü bilgisine ait olmayan ancak dış etkenlerle işaret
içerisine yerleşen stokastik değerlerdir. Gürültü tipleri
istatistiksel dağılımlarına göre sınıflandırılmıştır. Her
bir gürültü için farklı bastırma yöntemleri
geliştirilmiştir. Gürültü olarak tanımlanan işaretin
özelliklerine ve çıkışta istenilen işaretin durumuna
uygun filtre tasarımı sağlanır.
2.1.Medyan Filtrenin Gürültüyle EtkileĢimi
Medyan filtre uygulaması için Gauss gürültü ve tuz-
biber gürültüleri kullanılmıştır. Bunun nedeni, bu
gürültülerin sıkça rastlanırlıkları ve görüntü üzerindeki
etkilerinin büyük olmasıdır. Bu gürültüleri bastıracak
filtre, gürültünün matematiksel özellikleri ele alınarak
tasarlanmalıdır [1], [2].
Gürültülü görüntü, medyan filtrelendikten sonra
genellikle başarılı bir sonuç vermektedir. Ancak
gürültünün yoğunluğunun arttırılmasıyla, filtreleme
işlemi sonucunda temizlenmemiş gürültüye
rastlanabilmektedir. Bu sorunu gidermenin ilk yöntemi
medyan filtre derecesini arttırmaktır. Derece arttıkça
görüntü ortalama piksel değerlerine yaklaşacağından,
görüntünün genelinde bulanıklaşma etkisi artmaktadır.
Bu istenmeyen bir durumdur.
2.2.Gauss Gürültüsünün Sayısal Analizi
Şekil 2.1: Gauss dağılımının 3-boyutlu grafiği [1].
Gauss dağılımlı gürültüyü farklı yöntemlerle bastırmayı
denemek mümkündür. Bunun için Gauss dağılımı
özelliklerini göz önünde bulundurarak bu fonksiyona
uygun bir filtre ile görüntüde iyileştirme gerçekleştirilir.
Gauss fonksiyonunun dağılımı aşağıdaki şekilde ifade
edilir. 2-boyutlu Gauss alçak geçiren algoritması [1]:
1: satır bilgisi.
2: sütun bilgisi.
1,2=(1
2+2
2)/(22)
(2.3)
1,2=(1,2)
1
2 (2.4)
Gauss gibi çanak yapıdaki Wiener fonksiyonu bu
gürültüyü bastırmak için üçüncü yol olarak
kullanılmıştır.
3. WIENER FĠLTRELEME
Wiener, uyarlamalı bir filtre türüdür. Uyarlamalı
filtreler, yerel görüntü varyansının uygun hale
getirilmesinde kullanılır ve optimizasyona elverişlidir.
Uyarlamalı filtre, görüntüdeki kenar ve diğer bölgeleri
bulmada kullanılabilir ve sonuçta lineer filtrelerden
daha seçicidir [11].
Şekil 3.1: Uyarlamalı filtre blok şeması [11].
Kestirim hatası ()‟yi en küçük yapacak şekilde bir
tasarım gerçekleştirilmeye çalışılır. Bu bir optimizasyon
problemidir.
3.1. Wiener Filtre Algoritması
2-boyutta her bir (piksel) matris elemanı için varyans ve
yerel ortalama hesabı yapılır:
=1
(1,2)
1,2 (3.1)
2=1
2122
1,2 (3.2)
1,2=+22
212 (3.3)
2: gürültü varyansı
Eğer gürültü varyansı (2) verilmişse, her bir topluluk
ortalama için varyanslar kullanılır. Wiener filtrenin
daha iyi bir sonuç vermesi, istatistiksel anlamda uyumlu
oluşundan ve filtre tipinin uyarlamalı olmasından
kaynaklanmaktadır.
4. SONUÇLARIN SAYISAL OLARAK
DEĞERLENDĠRĠLMESĠ
Çeşitli görüntüler çeşitli gürültülere maruz kaldıktan
sonra gözlemler yapıldığında, yeterince bilimsel bir
sonuç öne sürülmemektedir. Bunun için orijinal
görüntü, gürültülü görüntü ve filtrelenmiş görüntüyü
veri bakımından kıyaslamak gerekir. Bunun en çok
kabul gören yolu da „ortalama karesel hata (mean square
error)‟ hesabıdır.
İki işaret, veri, ses vektörü veya görüntü matrisi
arasındaki benzerliği sınamaya yarayan bir niceliktir.
Ortalama karesel hata azaldıkça, iki veri arasındaki fark
azalır. Hata sıfır olduğunda iki verinin aynı olduğu
belirlenir. Ortalama karesel hata (MSE) şöyle ifade
edilir [8]:
=1

1
=0 (,(,))21
=0 (4.1)
5. FĠLTRELEME ĠLE PARMAK ĠZĠ
ĠYĠLEġTĠRME
Çalışmanın bu aşamasında parmak izi görüntüsüne
eklenecek gürültüleri bastırmak için özgün iyileştirme
algoritmaları tasarlanmıştır.
5.1.Parmak Ġzi Nedir, Neden Parmak Ġzi
Her insan diğerlerinden farklı parmak izine sahiptir.
Dolayısıyla parmak izini insan kimliğinin şifresi olarak
tanımlamak mümkündür. Ayrıca günümüzde en yaygın
olarak kullanılan biyometridir. Bunun dışında ses
tanıma, iris tanıma da kullanılmaktadır [12].
Parmak izi, havalimanları, sınır kapıları kontrol
işlemleri, suçlu kimliği tespiti ve sosyal güvenlik,
kurumsal ağ, kişisel bilgisayarlar ve taşınabilir
bilgisayarlar, binalara, tesislere ve ofislere erişim
güvenliği, askeri kaynakların etkin takibi gibi alanlarda
kullanılmaktadır.
5.2.Parmak Ġzi ĠyileĢtirme Algoritması
Parmak izi görüntüsü, tanıma sistemlerince bilgisayar
ortamına alınırken veya sistemler ara aktarım
yapıldığında iletim hatlarından ve çeşitli başka
nedenlerden kaynaklanan gürültüye maruz kalır.
Orijinal parmak izi görüntüsüne geri dönüş yapılmadan
kimlik tespiti yapmanın olanaksız olduğu durumlarla
karşılaşılmaktadır. Bunun için çeşitli filtreleme
yöntemlerini kullanılarak çözüme gidilmektedir.
Bu çalışmada da parmak izi görüntüsünün çeşitli
gürültülerle bozulması sağlanmıştır ve iyileştirme için
yeni bir algoritma tasarlanmıştır. Bu tasarım Histogram
bölütlemeli, Medyan filtrelenmiş Parmak izi iyileştirme
Algoritması (HMPA) olarak isimlendirilmiştir. HMPA
tasarlanırken çok sayıda deneyler yapılmış, sonuçlar
karşılaştırılmıştır. Belli oranda hata ile sonuca gidilen
algoritma Matlab kullanılarak kodlanmıştır.
Algoritmanın akış şeması aşağıda verilmiştir:
Şekil 5.1: HMPA akış şeması.
Şekil 5.2: Orijinal ve histogramı bölütlenmiş parmak izi.
Histogram Bölütleme yapmanın amacı orijinal
görüntüde kontrastı arttırmak ve böylece görüntü
netliğini arttırmaktır. Bu işlem yapılırken Thresh_tool1
fonksiyonu ve ara yüzü kullanılmıştır.
Şekil 5.3: Histogram bölütleme ara yüzü.
Orijinal görüntünün histogramı üzerindeki çubuğu
kaydırarak seçilen eşik değerine göre verilecek çık
görüntüsü bulunmaktadır. Görüntüde istenilen kontrast
yakalanıncaya kadar histogram üzerindeki çubuk
kaydırılır. Bu sırada sağ taraftaki görselden sonuç
gözlenir. İstenilen kontrast ayarı yakalandığında, ara
yüzün sağ üst köşesinde yer alan „tamam‟ butonuyla
programa geri dönülür. Bunun üzerine programda
belirlenen filtreleme işlemleri uygulandığında aşağıdaki
sonuçlara ulaşılmaktadır. Eğer eşik değeri ilk haline
getirilmek istenirse, ara yüzün sol üst köşesindeki
„sıfırla‟ butonu kullanılmaktadır.
Şekil 5.4: Parmak izi gürültü ekleme.
1 Matlab programcıları tarafından geliştirilmiş olup,
Matlab‟e entegre edilebilen bir araçtır.
http://www.mathworks.com/matlabcentral/fileexchange/
6770
Şekil 5.5: Parmak izi iyileştirme adımları.
Gürültülü görüntüde önce medyan filtrenin etkisi
görülmektedir. Medyan filtre gürültünün bir kısmını
bastırabilmektedir. Bunun üzerine Wiener filtreleme
uygulandığında, özellikle arka planda meydana gelen
gri seviye Gauss gürültüsü bastırılmaktadır. Ancak
medyan ve Wiener filtreleri yumuşatma etkisi minimum
olacak seviyede seçildiği için güçlü bazı gürültüler,
görüntü üzerinde kalmıştır. Bunu gidermek için
mantıksal ve morfolojik işlemler gerçekleştirmek uygun
görülmektedir.
Mantıksal dönüşüm ile gri seviyeler 0 ve 1 değerlerine
indirgenir. Ancak arka planda görüntüye ait olmayan
pikseller gözlenmektedir. Bu tip gürültüleri temizlerken
çeşitli deneyler sonucu bir eşik değeri belirlenmektedir.
Bu görüntü için eşik seviyesi 10 piksel seçilerek parmak
izine ait olmayan pikseller temizlenmiştir. Sonuçta, elde
edilen görüntü filtrelenmiş, mantıksal ve morfolojik
işlemlerden geçirilmiş, iki seviyeli bir görüntüdür.
Gözle incelendiğinde orijinal parmak izinin iki seviyeli
haliyle neredeyse aynı durmaktadır. Ancak benzerliğin
oranı ortalama karesel hata değeri hesaplanarak tespit
edilmektedir.
Şekil 5.6: Orijinal parmak izi ile iyileştirilmiş sonuç.
Tablo 5.1: HMPA‟da ortalama karesel hata değerleri.
Uygulanan ĠĢlemler
Ortalama Karesel Hata
(Normalize)
Histogram Bölütleme
0.1410
Tuz-Biber ve Gauss
Gürültüleri
0.0711
Medyan Filtre
0.0154
Wiener Filtre
0.0148
Görüntüyü İkili Hale
Getirme
0.0164
Morfolojik Kapama
İşlemi ve Mantıksal
Arkaplandan Temizleme
0.0145
Sonuçta elde edilen orijinal görüntü ile HMPA
uygulanmış görüntü arasında hesaplanan ortalama
karesel hata değeri, bu alanda yapılan çalışmalar
içindeki en iyi sonucu vermektedir. Bu değer
iyileştirilmiş görüntünün %1.45 kadar bir hatayla
orijinal görüntüye yaklaştığını göstermektedir.
Şekil 5.7: Ortalama karesel hata değeri.
5.3.Diğer ÇalıĢmalarla KarĢılaĢtırma
Görüntü işlemeyle ilgili olarak yayımlanan ve HMPA
hazırlanırken de kaynak olarak kullanılan bilimsel
çalışmalar incelendiğinde, çeşitli yöntemlerle görüntü
iyileştirmesi yapıldığı görülmektedir. Ortalama karesel
hata değerleri hesaplanarak, işlemlerin ne denli
iyileştirme yaptığı saptanmaktadır.
HMPA ile elde edilen sonuçlar çeşitli yayınlarla
karşılaştırılmış ve daha iyi bir neticeye ulaşıldığı
belirlenmiştir. Karşılaştırma yapılan makalelere ait
sonuçların gürültü yoğunluk değerleri HMPA‟da
kullanılan görüntü yoğunluklarından oldukça düşük
olduğu için gerekli uyarlamalar yaparak sonuçlar
kıyaslanmıştır.
Louverdis, Andreadis ve Gasteratos‟un
çalışmasında kullanılan bir çeşit medyan filtreleme
tekniğinden söz edilmektedir [13]. Bununla ilgili olarak
hesaplanmış ortalama karesel hata değerleri tablo
halinde verilmektedir.
Tablo 5.2: Louverdis, Andreadis ve Gasteratos‟un
çalışmalarında elde ettikleri sonuçlar.
Yukarıda adı geçen çalışmada %5 olarak kullanılan tuz-
biber gürültüsü, HMPA‟da %20 oranında
kullanılmaktadır. Buna göre kıyaslama yapıldığında
iyileştirme bazında yukarıdaki çalışmadan daha iyi bir
sonuç elde edildiği görülmektedir.
Musoko ve Procazka, medyan filtreleme
yönteminin uygulandığı çalışmalarında gürültülü
görüntünün ve filtrelenmiş görüntünün ortalama karesel
hata değerlerini bir tablo ile sunmuştur [8].
Tablo 5.3: Musoko ve Procazka‟nın elde ettiği sonuçlar.
Yukarıdaki çalışmada anlatılan ve HMPA çalışmasında
kullanılan gürültülü görüntülerin ortalama karesel
hataları eşit olmadığından, sonuçları karşılaştırabilmek
için bu hataları birbirlerine göre normalize etmek
gerekmektedir. Normalizasyon sonucunda HMPA ile
elde edilen gürültülü görüntünün ortalama karesel hatası
0.06907 olarak hesaplanmaktadır. Yani görüntü
yukarıdaki çalışmaya oranla yaklaşık 4.5 kat daha fazla
bozulmaktadır. Eğer yukarıdaki çalışmada, bu oranda
bozulma gerçekleşmiş olsaydı, tablodaki filtreleme
sonucu 0.0014 değerinden 0.00596 değerine çıkacaktı.
Bu koşulda HMPA sonucunda iyileştirilmiş görüntünün
ortalama karesel hata değeri 0.00553 olmaktadır. Bu
durumda da daha iyi bir sonuç elde edildiği
görülmektedir.
Altun, Allahverdi, Koçer ve Alan‟ın
parmak izi iyileştirme üzerine yapmış oldukları çalışma,
HMPA‟nın hemen hemen en yakın durduğu bilimsel
çalışmadır [9]. Ancak HMPA‟da, yukarıdaki çalışmada
izlenen algoritmadan farklı olarak histogram dengeleme
yerine uyarlamalı histogram bölütleme kullanılmaktadır.
Yukarıda sözü edilen çalışmada kullanılan histogram
dengeleme işlemi çeşitli görüntülerde iyi sonuç
verebilmekte, ancak iyi sonuç veremediği görüntüler de
bulunmaktadır. HMPA‟da uyarlamalı histogram
bölütleme ile görüntüye uygun eşik değeri seçilerek
histogram lütlenir. Bu da çeşitli görüntüler için
optimum sonucu vermekte etkili bir yöntemdir. Bunun
yanı sıra yukarıdaki çalışmadan farklı olarak HMPA‟da
morfolojik işlemlerle piksel kapama ve arka plan
temizleme işlemi uygulanarak, parmak izi iyileştirme
algoritması oldukça geliştirilmiştir.
6. SONUÇ
Görüntü üzerinde en çok rastlanan gürültü tipleri ve
bunların medyan filtre ile bastırılmasının her zaman için
uygun sonuçları veremeyeceği tespit edilmiştir. Bunun
üzerine farklı gürültüler için farklı yaklaşımlara
gidilmiştir. Medyan filtre haricinde uyarlamalı lineer bir
filtre olan Wiener filtre yapısı verilmiş ve gürültülü
görüntü üzerindeki etkisinin önemi açıklanmıştır.
Wiener ve medyan filtrenin birlikte kullanılmasıyla
sonuçların daha da iyileştirildiği gösterilmiştir.
Çalışmada spesifik ve en sık kullanılan bir görüntü olan
parmak izinin iyileştirilmesi üzerinde yoğunlaşılmıştır.
Bunun için medyan, Wiener filtrelerin yanı sıra çeşitli
histogram işlemleri, mantıksal ve morfolojik işlemlerin
de yer aldığı yeni bir algoritma (HMPA) geliştirilmiştir.
Bu çalışmada kullanılan diğer yöntemlere göre daha
verimli bir sonuç elde edilmiştir.
Louverdis, Andreadis ve Gasteratos‟un çalışmasında
%5 oranındaki gürültünün filtrelenmesi sonucunda
görüntünün ortalama karesel hatası 0.194 olurken
HMPA‟da %20 oranındaki gürültülü görüntü
iyileştirmesi sonucunda ortalama karesel hatası 0.0145
olan bir görüntü elde edilmiştir. Bunun yanı sıra
Musoko ve Procazka ortalama karesel hatası 0.0162
olan gürültülü görüntüyü iyileştirirken, HMPA ortalama
karesel hatası 0.0690 olan görüntüyü iyileştirmiştir.
Normalizasyon işlemleri sonucunda iyileştirilmiş
görüntü ortalama karesel hata Musoko ve
Procazka‟nın çalışmasında 0.00596 iken HMPA‟da
0.00553 değerinde elde edilmiştir.
Bu çalışmanın devamında geliştirilen iyileştirme
algoritmasının parmak izi tespiti yapan sistemlere
uygulanması amaçlanmaktadır. Verilen görüntünün
HMPA yoluyla orijinale en yakın hale getirilmesi ve
ardından da bir veritabanı algoritması uygulanarak daha
detaylı bir tespit yapılabilmesi hedeflenmektedir.
7. KAYNAKLAR
[1] Gonzalez, C. Rafael, Woods, E. Richard, Digital
Image Processing, Prentice Hall, 1992.
[2] Bracewell N. Ronald, Two-Dimensional Imaging,
Prentice Hall, 1995.
[3] Jackson B. Lelond, Digital Filters and Signal
Processing, Springer, 1997.
[4] Mathematica Digital Image Processing, Powerful,
Fast Image Processing and Analysis,
http://www.wolfram.com/products/applications/digitali
mage/manual.pdf (12.11.2008).
[5] Bourke Paul, Image filtering in the Frequency
Domain,
http://local.wasp.uwa.edu.au/~pbourke/miscellaneous/i
magefilter/ (11.11.2008).
[6] Munson C. David, Huang S. Thomas, Bovık C.
Alan, “The Effect of Median Filtering on Edge
Estimation and Detection, IEEE Transactions on Pattern
Analysis and Machine Intelligence, Vol. Pami-9, No.2.,
1987.
[7] Haddad A. R. and Hwang H., “Adaptive Median
Filters: New Algorithms and Results”, IEEE
Transactions on Image Processing, Vol.4, No.4., 1995.
[8] Musoko V. and Procházka A. , “Non-Linear Median
Filtering of Biomedical Images” , Institute of Chemical
Technology, department of Computing and Control
Engineering,
http://dsp.vscht.cz/musoko/pdf/matlab02_mf.pdf
(09.02.2009).
[9] Altun A. Alpaslan, Allahverdi Novruz, Koçer H.
Erdinç, Yılmaz Tarık, Alan Selahattin, “Filtreleme
Teknikleriyle Kullanarak Parmak izi Görüntüsü
iyileştirme”, Cilt.22,No.2,227-236, 2006.
[10] Russ C. John, The Image Processing Handbook
Fourth Edition, CRC Press, 2006.
[11] Haykin Simon, Adaptive Filter Theory Fourth
Edition, Prentice Hall, 2006.
[12] Wuzhili, Fingerprint Recognition, Computer
Science Hong Kong Baptist University, 2002.
[13] Louverdis G. Andreadis I. and Gasteratos A. , A
new Content Based Median Filter”, Department of
Electrical and Computer Engineering, Democratius
University of Thrace.
http://robotics.pme.duth.gr/pubs/Conferences/A%20NE
W%20CONTENT%20BASED%20MEDIAN%20FILT
ER.pdf (15.02.2009).
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
In this paper the hardware implementation of a content based median filter suitable for real-time impulse noise sup-pression is presented. The function of the proposed circuitry is adaptive; it detects the existence of impulse noise in an image neighborhood and applies the median filter operator only when necessary. In this way, the blurring of the image in process is avoided and the integrity of edge and detail information is preserved. The proposed digital hardware structure is capable of processing gray-scale images of 8-bit resolution and is fully pipelined, whereas parallel processing is used to minimize computational time. The architecture presented was implemented in FPGA and it can be used in industrial imaging applications, where fast processing is of the utmost importance. The typical system clock frequency is 55 MHz.
Article
The paper presents basic principles of median ltering on two and three dimen- sional biomedical images. The proposed algorithm of image de-noising is applied to magnetic resonance (MR) images. Results of such a non-linear ltering are compared with that achieved by linear ltering methods. Algorithms are at rst veried for simulated images and then applied to real MR images.
Article
An abstract is not available.
Article
In this paper we consider the effect of median prefiltering on the subsequent estimation and detection of edges in digital images. Where possible, a quantitative statistical comparison is made for a number of filters defined with two-dimensional geometries; in some cases one-dimensional analyses are required to illustrate certain points. Noise images prefiltered by median filters defined with a variety of windowing geometries are used to support the analysis, and it is found that median prefiltering improves the performance of both thresholding and zero-crossing based edge detectors.
Article
Based on two types of image models corrupted by impulse noise, we propose two new algorithms for adaptive median filters. They have variable window size for removal of impulses while preserving sharpness. The first one, called the ranked-order based adaptive median filter (RAMF), is based on a test for the presence of impulses in the center pixel itself followed by a test for the presence of residual impulses in the median filter output. The second one, called the impulse size based adaptive median filter (SAMF), is based on the detection of the size of the impulse noise. It is shown that the RAMF is superior to the nonlinear mean L(p) filter in removing positive and negative impulses while simultaneously preserving sharpness; the SAMF is superior to Lin's (1988) adaptive scheme because it is simpler with better performance in removing the high density impulsive noise as well as nonimpulsive noise and in preserving the fine details. Simulations on standard images confirm that these algorithms are superior to standard median filters.
Digital Filters and Signal Processing Mathematica Digital Image Processing, Powerful, Fast Image Processing and Analysis
  • Jackson B Lelond
Jackson B. Lelond, Digital Filters and Signal Processing, Springer, 1997. [4] Mathematica Digital Image Processing, Powerful, Fast Image Processing and Analysis, http://www.wolfram.com/products/applications/digitali mage/manual.pdf (12.11.2008).
Filtreleme Teknikleriyle Kullanarak Parmak izi Görüntüsü iyileştirme
  • Yılmaz Erdinç
  • Alan Tarık
  • Selahattin
Erdinç, Yılmaz Tarık, Alan Selahattin, " Filtreleme Teknikleriyle Kullanarak Parmak izi Görüntüsü iyileştirme ", Cilt.22,No.2,227-236, 2006.