基于平滑阈值自适应算法的指纹图像分割算法

在传统的图像分割算法中结合指纹图像的特点引入了平滑的思想,设计并实现了平滑阈值自适应算法,取得了良好的效果。它是根据指纹图像中每一部分的明暗度来调整闽值,每一块根据自己的阈值进行二值化。指纹的分割更加灵活准确,分割后的指纹前景边界也更加平滑细致。     

卷宗材料上红色印油捺印指纹的特殊案例研究

在手印鉴定工作中,卷宗材料上红色印油捺印指纹是一种常见检材,大多检材红白反差正常,使用常规检验方法可以完成鉴定。但实际工作中却发现一定数量的“红色犁沟、白色纹线”的特殊现象,为了探究红色印油捺印指纹特殊现象的形成机理,经过查阅文献和实验研究,得出这一特殊现象与捺印力度有关,且使用重力度捺印会导致红白反差异常现象,并结合研究结论和工作经验,对今后同类鉴定工作提出建议。     

基于MATLAB的图像处理技术在足迹图像中的应用

图像处理技术医学、工业等领域得到广泛应用。将图像处理技术引入到足迹图像中,借助MATLAB图像处理软件,通过采用滤波降噪、膨胀腐蚀、开闭运算、边缘检测以及阈值分割等技术手段,对足迹图像进行处理,比较处理前与处理后现场足迹图像的变化,以此探讨图像处理技术在足迹图像中的应用效果。     

汉族人指纹正常值的统计与分析

基因决定指纹的性状特征,指纹是基因的外在表现形式。对2000例汉族人男性指纹采用规范的十指指纹分析法,得出七项指纹参数正常值,十指指纹3003种组合的观察数据和期望频率,特别是对桡向斗形纹进行的数据统计,为深入人类学、医学肤纹学、遗传学等方面的研究提供了一定的条件。研究发现,指纹基因分布在我国人群中是稳定均衡分布,没有受到外来指纹基因的混合冲击。其分布具有非随机性,相容的差异性,指纹基因的原始性和突变性,指纹基因与指纹基因的相关性,和Wr指纹基因有遗传优势等特点。     

一种基于m-序列的数字水印算法

数字水印技术为多媒体版权保护提供了一种崭新的方法。根据多媒体版权保护的目的和要求,嵌入多媒体数据的数字水印应具有较强的鲁棒性。作为实现静态图像的一种基于m-序列的DCT变换域数字水印算法,具有较强的鲁棒性。     

指纹痕迹检验在刑侦技术中的实用探讨

刑侦技术在我国公安系统的工作中发挥着重要的作用,其中应用最为广泛的是指纹痕迹检验技术。通过收集和检验犯罪嫌疑人在现场留下的指纹痕迹,能够快速辨别犯罪嫌疑人留在现场的证据,为案件的侦破提供必要的依据。多年来,指纹痕迹检验技术在刑事案件的侦破过程中做出了巨大的贡献。本文主要探讨指纹痕迹检验技术以及在刑侦领域的应用。     

多层螺旋CT多平面及三维重建技术在司法鉴定实践中的应用

目的：探讨MSCT多平面及三维重建技术在司法鉴定实践中的应用价值。方法：选取福建闽中司法鉴定所2019年至2022年交通事故中骨损伤的案例315例,均行MSCT扫描,并行MPR和/或VR,分析在司法鉴定领域两种图像后处理技术方法对骨折的显示情况。结果：MPR优势在于可以任何方位的图像重建,更有利于观察复杂解剖结构下的断面内部信息,亦可更准确评估观察部位的解剖位置的相对关系;VR技术可以三维立体、逼真地显示骨折、脱位形态,也可于不同方位上去整体观察高低密度结构。在司法鉴定实务中,可根据司法鉴定需要,要求被鉴定人在行MSCT检查时,在两种图像后处理技术中做出最优选择。     

新时代指纹检验技术发展研究

大数据技术在公安机关中得到广泛应用,尤其是在指纹检验中发挥出重要作用。基于此,本文通过对指纹检验技术的介绍,分析了大数据技术对于指纹检验的影响,最后提出了大数据视野下指纹检验技术的应用建议。     

超越“象征之殇”:物质逻辑与图像阐释的媒介视角——通往以媒介为方法的图像阐释学

瓦尔堡学派的图像阐释学提供了一种经典的图像阐释模式,其长期困于艺术史领域,执着地追求原典、母题、神话等命题,形成了以象征分析为核心的阐释框架,但未能对媒介问题给予足够的重视。实际上,图像与媒介可谓纠缠共生,在媒介演进脉络中,图像往往不可避免地携带着媒介信息,唯有对其加以识别、追踪和复原,方可在媒介意义上发现那些被忽视却极为重要的阐释“线索”,从而打开图像阐释的多维意义面向。相应地,媒介视角下的代表性图像形式——传统图像、模拟图像与数字图像,存在不同的阐释方向和意义问题,其分别对应的媒介逻辑是介质逻辑、装置逻辑以及程序逻辑,打开的阐释问题是媒介与图像的影响关系、生产关系以及共生关系,聚焦的阐释重点是从媒介的物质视角理解图像的形态、图像的概念以及图像的功能问题。     

基于深度学习的颅脑损伤机制自动化鉴别

目的 应用卷积神经网络Inception＿v3模型进行基于颅脑CT图像的加、减速性损伤自动鉴别,探讨深度学习技术在法医学颅脑损伤成伤机制推断中的应用前景。方法 收集190例加、减速性脑损伤的影像学资料作为实验组,另选取130例正常颅脑的影像学资料作为对照。将上述320例影像学资料根据随机抽样的方法分为训练验证集和测试集。采用准确率、精确率、召回率、F1值及AUC值评估模型分类性能。结果 模型在训练过程和验证过程中对3种图像（加速性损伤、减速性损伤及正常颅脑）分类的最高准确率分别为99.00%、87.21%,满足要求。使用优化后的模型对测试集数据进行测试,该模型在测试集中的三分类准确率为87.18%,识别加速性损伤的精确率、召回率、F1值及AUC值分别为84.38%、90.00%、87.10%、0.98,识别减速性损伤的各值分别为86.67%、72.22%、78.79%、0.92,识别正常颅脑的各值分别为88.57%、89.86%、89.21%、0.93。结论 Inception＿v3模型在基于颅脑CT图像区分加、减速性损伤中具有应用潜力,有望成为推断头部致伤方式的一种辅助工具。