이미지 필터 < P > 방금 얻은 이미지에는 많은 소음이 있습니다. 이는 주로 일반적인 작업과 환경으로 인해 발생하며, 이미지 향상은 소음을 줄이고 대비를 높이는 것입니다. 비교적 깨끗하고 선명한 이미지를 얻는 것은 쉬운 일이 아니다. 이 목표를 위해 이미지 처리와 관련된 작업은 적합하고 일치하는 필터와 적절한 임계값을 설계하는 것입니다. 일반적으로 사용되는 것은 가우스 필터, 평균 필터, 중앙값 필터, 최소 평균 분산 필터, 가보 필터입니다. < P > 가우스 함수의 푸리에 변환은 여전히 가우스 함수이므로 가우스 함수는 주파수 영역에서 부드러운 성능을 가진 저역 통과 필터를 구성할 수 있습니다. 가우스 필터는 주파수 영역에서 곱을 만들어 얻을 수 있다. 평균 필터는 신호에 대한 로컬 평균이며 픽셀 점의 그레이스케일 값을 평균으로 나타냅니다. 직사각형 필터 (Averaging Box Filter) 는 이 2D 벡터의 각 컴포넌트를 개별적으로 부드럽게 합니다. 계산 및 변환을 통해 단위 벡터 다이어그램을 얻습니다. 이 512×512 의 벡터 그래프는 8×8 의 작은 영역으로 나뉘며, 각 작은 영역에서 이 영역 내의 주요 방향, 즉 해당 영역의 내부 점 방향 수를 집계하여 가장 많은 방향을 영역의 주요 방향으로 계산합니다. 그래서 새로운 64×64 벡터 그래프를 얻었습니다. 이 새로운 벡터 그래프는 또한 3×3 템플릿을 사용하여 더욱 매끄럽게 할 수 있습니다. < P > 중앙값 필터는 일반적으로 사용되는 비선형 필터링 방법이자 이미지 처리 기술에서 가장 일반적으로 사용되는 사전 처리 기술입니다. 펄스 노이즈를 부드럽게 하는 데 매우 효과적이며 이미지의 날카로운 가장자리를 보호합니다. 가중치 중앙값 필터는 중앙값 필터의 가장자리 신호 유지 효과를 향상시킵니다. 그러나 방향성이 강한 지문 이미지를 필터링할 때는 방향 정보를 도입해야 합니다. 즉, 지문 패턴을 사용하여 중앙값 필터링의 진행을 안내할 필요가 있습니다. < P > 최소 평균 분산 필터 (비너 필터라고도 함) 는 입력 신호에 응답을 곱한 출력을 예상 출력의 평균 제곱 오차와 최소화하도록 설계되었습니다.
Gabor 변환은 영국 물리학자 Gabor 가 제시한 것으로,' 불확실성 원리' 로 알 수 있다. 가장 작은 시간-주파수 창, 즉 가보 함수가 가장 정확한 시간-주파수의 현지화를 할 수 있다는 것을 알 수 있다. 또한 가보 함수는 포유류의 시각적 감각과 잘 일치하며 이미지 특징 감지 또는 공간 주파수 필터를 연구하는 데 유용합니다. 해당 매개변수를 적절히 선택하면 가보 변환이 이미지 분할, 인식 및 이해를 잘 수행할 수 있습니다. 문헌에서 제시한 가보 필터를 기반으로 한 향상된 알고리즘.