You are on page 1of 20

$OXQR  /XFLDQR /XFDV GH 2OLYHLUD -XQLRU H P\VHOI

)LOWURV &RPSRVWRV H $GDSWDWLYRV R ILOWUR GH *DXVVLDQR /DSODFLDQR GR *DXVVLDQR H GH *DERU +DUP{QLFR*DXVVLDQR

,QWURGXomR R TXH VmR ILOWURV Filtros são processos que tem por finalidade VDOLHQWDU determinados aspectos em imagens digitais ou UHGX]LU ruídos. Esses ruídos podem ter sido introduzidos na imagem durante o processo de DTXLVLomR da imagem, devido a limitações de hardware, no processo de TXDQWL]DomR e GLJLWDOL]DomR, pelo excesso de FRPSUHVVmR da imagem, problemas na WUDQVPLVVmR entre outros.

No diagrama na Figura 1 podemos descrever os principais processos que podem ocorrer com uma imagem digital, a aplicação de filtros em uma imagem, estão incluídos no SURFHVVDPHQWR.

)LJXUD  ± (WDSDV GD PDQLSXODomR GH LPDJHQV

1

Um filtro SDVVD EDQGD. deixará presente nas imagens apenas os valores dos sinais correspondentes à determinada freqüência eliminando os demais valores. O efeito visual deste tipo de filtro é de tornar as transações entre diferentes regiões da imagem mais nítidas.De acordo com o que a freqüência dos detalhes eliminados ou mantidos na imagem os filtros podem ser classificados nas classes: • • • SDVVDEDL[D ou UHMHLWDEDL[D SDVVD RX UHMHLWD EDQGD. Um filtro SDVVD DOWD deixa passar as altas freqüências. )LOWUR *DXVVLDQR 2 . ou faixa de intervalo. A suavização tende pelo mesmo motivo. mas elimina os valores relacionados às altas freqüências. mas elimina os valores relacionados às baixas freqüências. O efeito indesejado é o de enfatizar o ruído que possa existir na imagem. Seu efeito visual depende da faixa predefinida e geralmente é projetado para salientar aspectos determinados. eliminar ruídos ou imperfeições presentes em uma freqüência conhecida. diminuir o ruído em imagens. uma vez que as altas freqüências que correspondem às transições abruptas são atenuadas. e SDVVDDOWD ou UHMHLWDDOWD. Um filtro do tipo SDVVDEDL[D deixa passar as baixas freqüências. o efeito deste filtro é o de VXDYL]DomR da imagem. Portanto.

A distribuição para )LJXUD  )RUPD ' GD GLVWULEXLomR *DXVVLDQD FRP PpGLD ]HUR H  SDGUmR XP Em 2-D. É assum ido que a distribuição tem m édia = 1 é ilustrada na Figura 2.O filtro Gaussiano pode ser usado com o um filtro SDVVDEDL[D. está centrada em x= 0 ). 3 . sua forma isotrópica (LH circularmente simétrica) é dada pela equação:  GHVYLR E mostrada na figura 3. O Filtro de Gaussiano em 1-D tem a form a: onde é o desvio padrão. onde é usado a função Gaussiana para obter valores de um a m áscara a ser definida digitalm ente.e. zero (i.

)LJXUD  ± 5HSUHVHQWDomR GD IXQomR *DXVVLDQD HP ' FRP PpGLD HP .

Este seria teoricam ente infinitam ente grande. m as n a prática se zera aproxim adam ente a um a distância de três unidades (ou pixels) do centro. Considerando que a im agem é arm azenada com o um a coleção de pixels )LJXUH  )RUPD GLVFUHWD DSUR[LPDGD GD IXQomR *DXVVLDQD FRP  4 .0 . A Figura 4 m ostra a form a inteira 5 x 5 do kernel da Gaussiana para = 1. nós precisam os produzir um a IRUPD GLVFUHWD GD GLVWULEXLomR Gaussiana para obter um núcleo de convolução (m áscara ou kernel). H GHVYLR SDGUmR  discretos.

m as o m ais usual é passar a PHVPD PiVFDUD PDLV GH XPD YH] QD DSUR[LPDGDPHQWH *DXVVLDQD. Neste uso m áscara 1-D da Gaussiana QD GLUHomR \ fazer prim eiro um a convolução em 1-D QD GLUHomR [ e depois usar a m esm a Um form a m ais rápida de aplicá-lo na im agem é. pois no processo de visão hum ana algum as FpOXODV WHP IRUPD GH UHVSRVWD Os filtros Gaussianos são m uito úteis tam bém em Biologia Com putacional e Visão m esm a form a que o ILOWUR GH PpGLD ( m ean filter). quase da 5 .ed.os valores depois deverão ser m ultiplicados por  arredon dados para cim a.uk/ rbf/ HIPR2/ gsm ooth.  podem -se m ontar outra LPDJHP m áscara. ao invés da con volução em 2-D A Figura 5 m ostra um a form a de )LJXUD  8P GRV SDUHV ' SDUD FRQYROXomR TXH WHP R PHVPR HIHLWR GR NHUQHO GD )LJXUD  Para filtros Gaussianos com m aiores desvios padrões . reproduzir o kernel 2D usando  SL[HOV . ou m elhor “brincado no tutorial HIPR2”: http:/ / hom epages. blur) a imagem . m as orientado verticalm ente. O com ponente em y é o m esm o. Desvios padrões m aiores tam bém fazem com que a m áscara ( convolution kernels) deva ser m aior para um a representação adequada Teste esse efeito usando alguns softwares. em duas convoluções em 1-D.inf.htm # 2 O efeito do ILOWUR *DXVVLDQR é suavizar (sm oothing . O resultado será tão m ais suave quanto m aior o desvio padrão ( standard deviation) da Gaussiana usada. e finalm ente truncados para inteiros.ac. sem pre.

agindo com o passa baixa no dom ínio das freqüências (lowpass frequency filters) . mas o de média WHP FDUiWHU RVFLODWyULR. O eixo de freqüências (spatial frequency axis) está representado apenas até 0. ficam depois de transform ados para o dom ínio das freqüên cias. Já o Gaussiano não. além do próprio formato da curva ser preservado. Repare que os dois filtros DWHQXDP DOWDV IUHTrQFLDV. Isto também faz com que ele seja adequado para uso em combinações com outros em técnicas detecção de lados como a zero crossings ou ainda. A Figura 6 = 3 m ostra com o o filtro de m édia 1-D de largura 7 e com o o Gaussiano com )LJXUD  Resposta em Freqüência do filtro de média (LH mean filter) com 7 pixels e do Gaussiano com = 3 pixels. No domínio das freqüências XPD *DXVVLDQD FRQWLQXD VHQGR XPD *DXVVLDQD. Isso significa que rem ovem freqüências espaciais depois de um certo valor.5 pixels por ciclo pois maiores distâncias tem pouco significado. Um a das m elhores justificativas para seu uso e seu m elhor desem penho se relaciona com sua UHVSRVWD QR GRPLQR GDV IUHTrQFLDV (frequency response).Por não ter todos os pesos iguais com o o filtro de m édia. Suas diferenças assim são m ais bem enten didas se olharm os para suas form as depois de transform adas por Fourier (Fourier transform). o filtro Gaussiano faz um a suavização m ais delicada (gentler sm oothing) preservando m ais os contornos que o de m édia. e seja usado para derivar outros filtros como o que 6 . A m aioria dos filtros de suavização (o de m ediana é um a exceção) é baseado na convolução.

)LOWURV FRPSRVWRV FRP R *DXVVLDQR O Laplaciano . nosso objetivo final neste estudo. / [\.Laplaniano do Gaussiano .veremos a seguir. além do filtro de Gabor.

[\. de uma imagem é a derivada segunda do valor da função que descreve a intensidade dos seus pixels . . .

o que nós precisam os é produzir um a IRUPD GLVFUHWD GD GHULYDGD VHJXQGD que é representada por um núcleo de convolução (m áscara ou kernel) por exem plo com o as da Figura 7. VHQGR UHSUHVHQWDGR SRU: Considerando que a im agem é arm azenada com o um a coleção de pixels discretos. usando a derivada 7 . reduzindo bem o tempo de processamento. pois o tamanho de ambos é muito menor do que o da imagem. )LJXUD  Aproximações do filtro Laplaciano. ela geralmente deve ser processada por um passa baixa como o filtro Gaussiano antes de aplicada na imagem. mas pode ocorrer deste ser negativo. surge o filtro que processa a derivada segunda da im agem segunda da m ácara Gaussiana a ser usada. Como a imagem processada pelo filtro Laplaciano é muito sensível a ruídos. Assim . No entanto como estas duas operações são lineares e associativas. (Note. ou seja toda a máscara estar multiplicada por -1). Este processo resulta QR /R* processada pelo filtro de Gaussiano em um a só operação. podem ser aplicadas no kernel do filtro e depois na imagem. que aqui o valor central é positivo.

C/DSODFLDQ RI *DXVVLDQ .

)LJXUD   Forma em 2-D do filtro Laplaciana do Gaussian (LoG). Para uma Gaussiana com da Figura 9. = 1. Os eixos [ e \ estão em unidades de desvio padrão .4 esta função pode ser representada no forma digital 8 . RX VHMD QR )LOWUR /DSODFLDQR GR *DXVVLDQR que é representa por: E que é representado em 2D na figura 8 .

Devido a isto. a resposta do LoG será positiva no lado mais escuro e negativa no lado mais claro. Note que o LoG tem também o formato de uma Gaussiana. Na vizinhaça da mudança da intensidade. assim os efeitos do LoG para um função degrau como a da figura 11 são: • • • • zero a alguma distancia do ponto de variação das intensidade . Ele tem o mesmo aspecto de inversão de sinais dos kernels simples Laplacianos. Fazendo um aumento de contraste entre duas regiões. terão valores de LoG também zero. negative no lado claro que muda para escuro.)LJXUD  Aproximação Discreta do LoG para uma Gaussiana com = 1.Máscara do Laplaciano do Gaussiano Como o LoG calcula as derivadas segundas de uma imagem. áreas com intensidades constantes (LH com gradiente = zero). 9 . positive no lado escuro que muda para claro.4 M áscaras m aiores ou m esm o m enores podem ser utilizada com o a da figura 10 . cruzando o zero no ponto de degrau. mas multiplicada por um IDWRU TXH D GHL[D PDLV ILQD. e inverte seu sinal de acordo com os valores de x e y. 0 0 -1 0 0 0 -1 -2 -1 0 -1 -2 16 -2 -1 0 -1 -2 -1 0 0 0 -1 0 0 Figura 10 .5 pixels) a suavização praticamente não ocorre. se forem usadas Gaussianas muito finas ( < 0.

ed. Filtros de Gabor 10 . Que são simplesmente a diferença de 2 filtros de média da tamanhos diferentes . já que a mascara do Laplaciano é simétrica.uk/rbf/HIPR2/log. O efeito deste filtro é salientar (highlight) os contornos de objetos presentes na imagem. pois como estes podem ser negativos podem simplesmente deixar de ser representados ou serem representados por extremos.inf. Os filtros /R* H 'R* são importantes no processo biológico da visão (Marr 1982). o que produz uma versão “reta” dos LoG valores reais de forma inadequada. Este tipo de filtro é chamado de 'R* filter (abreviatura de `Difference of Gaussians'). Veja em http://homepages. provocando RYHUIORZ ou saturação nos limites )LOWURV &RPSRVWRV GH *DXVVLDQDV H IXQo}HV KDUP{QLFDV (seno ou coseno). O fato deste filtro fazer os dados cruzarem o zero é usado para detectar lados no métodos chamados de zero crossing edge detection. muito mais rápidas são conhecidas como filtros 'R% (`Difference of Boxes').htm experiências com estes filtros. Uma aproximação dos LoG . no entanto a direção dos lados não pode ser calculada.ac. É preciso prestar atenção nos valores dos pixels de saída.)LJXUH  Resposta (à esquerda) 1-D do filtro LoG (com uma Gaussiana com = 3 pixels) para uma função degrau (step edge) representada por uma imagem 1-D image com 200(à direita). É possível aproximar o LoG com um filtro que é apenas a diferença de duas Gaussianas de tamanhos diferentes . Com este tipo de método.

Este filtro. é também conhecido como filtro GH *DERU e é representado a partir da IXQomR GH *DERU (figura 12). desenvolvido por 'HQQLV *DERU em 1946. *DERU nasceu em %XGDSHVW *iERU 'pQHV.

estudou na 8QLYHUVLGDGH 7pFQLFD GH %XGDSHVW e na 8QLYHUVLGDGH 7pFQLFD GH %HUOLQ. em 1900 e morreu em Londres em 1979.(. A 6RFLHGDGH .QWHUQDWLRQDO 6RFLHW\ IRU 2SWLFDO (QJLQHHULQJ.QWHUQDFLRQDO GH (QJHQKDULD ÏWLFD 63. Ganhou o premio 1REHO GH ItVLFD pela invenção da KRORJUDILD em 1971. além de diversas outras medalhas e prêmios.

Figura 12. como as apresentadas na figura 13. as IXQo}HV GH *DERU são VXSHUItFLHV JDXVVLDQDV PRGXODGDV SRU H[SRQHQFLDLV FRPSOH[DV (figura 12). concede em sua homenagem um prêmio anual.Função de Gabor 2D O filtro de Gabor se apresenta como a melhor solução dentre os filtros existentes para a melhoria de imagens que se assemelham a senoidais.PDJHP VLQWpWLFD FRP YDORUHV GH LQWHQVLGDGH YDULDQGR VHQRLGDOPHQWH QD GLUHomR KRUL]RQWDO 11 . O filtro que leva seu nome consiste de um ILOWUR OLQHDU GHILQLGR como uma IXQomR KDUP{QLFD PXOWLSOLFDGD SRU XPD *DXVVLDQD A função harmônica pode ser VHQR FRVHQR ou ambas na forma de uma H[SRQHQFLDO FRPSOH[D Em 2D. Imagem cuja intensidade é definida por uma Senóide Mesma imagem após o após filtragem pelo filtro de Gabor )LJXUD  ± .

dentre eles a freqüência do aparecimento das linhas e a orientação (inclinação) da freqüência. como por exemplo. dependendo dos valores selecionados. Neste caso eles filtram os ruídos ao mesmo tempo em que reconstituem a imagem e também capta as minúcias. A figura 15 mostra o filtro de Gabor aplicado a uma imagem real de impressões digitais. uma vez que estas podem ser vistas como detalhes entre duas cristas paralelas. as biometrias. 12 . comentadas acima. Imagem antes do filtro de Gabor Imagem após o filtro de Gabor )LJXUD  ± . Observe na imagem da figura 14 como o filtro de Gabor ressalta as linhas e remove o ruído existente na imagem. vários parâmetros devem ser passados com valores adequados para que o mesmo apresente um resultado satisfatório. Ele é assim um filtro muito útil para muitas aplicações que usam imagens biomédicas ou naturais. O filtro de Gabor é um filtro que pode se enquadrar dentro de uma de qualquer uma das 3 classes.PDJHP VLQWpWLFD FRP UXtGRV VREUH YDORUHV GH LQWHQVLGDGH YDULDQGR GH DFRUGR FRP XPD IXQomR VHQRLGDO QD GLUHomR KRUL]RQWDO O filtro de Gabor sintonizado de forma apropriada remove o ruído e preserva as cristas e vales. Ele é na realidade um filtro composto.Na aplicação do Filtro de Gabor. fornecendo a informação contida numa orientação particular da imagem.

Imagem antes do Filtro Usando os valores θ = 2 *π 4 . Temos na figura 17 o exemplo de uma imagem onde a freqüência e a orientação não foram bem definidas. Imagem após o Filtro de Gabor.PDJHP HP %UDQFR )LJXUD  ± 3DUWH GH XPD LPSUHVVmR GLJLWDO UHDO FRP RULHQWDomR DSUR[LPDGD GH ƒ PDV FRP RV YDORUHV GR )LOWUR HUUDGRV kQJXOR H IUHTrQFLD.Imagem antes do Filtro Imagem após o Filtro de Gabor. f = 2 e δ  = δ¡ = 2 . f = 4 e δ  = δ¡ = 2 )LJXUD  ± 3DUWH GH XPD LPSUHVVmR GLJLWDO UHDO FRP RULHQWDomR DSUR[LPDGD GH ƒ No entanto observe na figura 16 o que ocorre se os parâmetros não forem bem escolhidos. Usando os valores θ = 3*π 4 .

Imagem antes do Filtro Usando os valores θ = 3*π 4 . Imagem após o Filtro de Gabor. f = 2 e δ  = δ¡ = 2 )LJXUD  ± 3DUWH GH XPD LPSUHVVmR GLJLWDO UHDO FRP RULHQWDomR DSUR[LPDGD GH ƒ PDV FRP R YDORU GH IUHTrQFLD GR ILOWUR HUUDGR 13 .

Por exemplo. a freqüência pode ser calculada de acordo com a seguinte equação: I = '¢¤£ ¥§¦©¨ 1 O filtro de Gabor é dado pela seguinte equação:   [ ’2 \ ’2  1     * ( [.θ . I . a qual é praticamente constante em um datilograma. com uma excelente retirada de ruído e realce das linhas. I . M. em muitos tipos de imagens tem aspectos bem definidos. apresenta uma melhora significativa na imagem. Cabe ressaltar que esta freqüência varia dependendo do datilograma e da resolução com a qual o datilograma foi adquirido.[ ] 2 2   σ . em uma imagem de impressões digitais ela é praticamente constante em dada área da imagem. A seguir apresentaremos detalhadamente as equações deste filtro. Sendo DRidges a distancia entre as cristas (meio das linhas mais escuras) da imagem.π . \.Podemos observar que o filtro de Gabor é uma ferramenta que ao ser bem utilizado. 'HVFULomR GR ILOWUR GH *DERU A freqüência espacial.σ ) = exp + . A freqüência espacial de impressões digitais é determinada com base na distancia media entre as cristas papilares. exp[2.

  2  σ  Onde o valor de M − 1 e os valores de [¶e \¶ necessários para que seja possível aplicar o filtro de Gabor. são definidos pelas equações [ ’= [ * VHQ(θ )+ \ * cos(θ ) \ ’= [ * cos(θ )− \ * VHQ(θ ) 14 .

I . Como vimos nos exemplos apresentados nas figuras (13 a 18). perceberemos que a distância entre as cristas papilares praticamente não se alteram. assim sendo podemos utilizar a mesma freqüência (I) para todas as direções em que o filtro de Gabor for aplicado na impressão digital.[ ] . \. a escolha incorreta deste parâmetro fará com que o filtro seja aplicado de forma incorreta na imagem. exp[2. * ( [.π .σ ) = exp  2 + 2 .   σ . a freqüência (I) é um parâmetro muito importante para a aplicação do filtro de Gabor. Se analisarmos uma impressão digital. que é um dos termos que realmente fazem a diferença no melhoramento da imagem. A freqüência representa neste filtro a distância entre as cristas papilares (linhas) de uma impressão digital. isto é. M.θ .A orientação que é indicada por θ .   1  [ ’2 \ ’2   A equação do filtro de Gabor. I .

cos(2.π .π . Gimaginario Para o nosso caso utilizaremos apenas com Greal.VHQ(2. I .σ ) = exp  2 + 2 .[ )     σ   2  σ    1  [ ’2 \ ’2   * ( [. I . \.θ . I .θ .θ . \.[ ) = J ([. I . \.σ ) = exp  2 + 2 . que pode ser decomposto em duas equações da seguinte forma:   1  [ ’2 \ ’2   * ( [. cos(2. \. I .σ ) * .   2  σ  pode ser descrita da seguinte forma:   1  [ ’2 \ ’2   * ( [.π . I . I .[ )  σ    2  σ  Onde G = Greal + M . [I.σ ) = exp  2 + 2 .θ .

parte imaginaria da equação. 15 .   σ    2  σ  parte real da equação.

I .   1  [ ’2 \ ’2   J ( [.θ .σ ) = exp  2 + 2  e . \.onde J ([.σ ) é a equação Gaussiana que pertence ao filtro de Gabor. \. [I.θ . I .

os componentes σ  e σ  também serão constantes. Como observamos anteriormente que a distância entre as cristas papilares é praticamente constante.π .   σ    2  σ  cos(2. o filtro de Gabor é um filtro composto. I . Pela composição destas duas equações. Esses componentes σ  e σ  são os desvios padrão que estão relacionados com a largura da equação Gaussiana que modula o filtro de Gabor. pois como já demonstrado acima. Os componentes σ  e σ  da equação de Gabor tem a sua origem na sua origem na equação Gaussiana. RULJLQDO σ H σ  σ H σ  16 . Um bom ajuste destes valores pode fazer com que a sensibilidade as informações e a remoção de ruídos. neste caso o melhor valor para σ  H σ  encontrado foi 2. Observe nas imagens abaixo a importância dos valores de σ  e σ  na melhoria da imagem.[ ) . consideramos o filtro de Gabor um filtro composto.

onde 0 ≤ L ≤ N N onde o valor de N é determinado e corresponde a quantidade de sub-aplicações realizadas pelo filtro de Gabor.σ H σ  σ H σ  σ H σ  )LJXUD  ± 3DUWH GH XPD LPSUHVVmR GLJLWDO UHDO FRP RULHQWDomR DSUR[LPDGD GH ƒ FRP YDORUHV GH θ = 3 * π H I  XWLOL]DGRV QR ILOWUR 4 Cabe observar que não há sentido utilizar os valores de ângulo de orientação θ . devemos variar com a orientação das linhas. Uma forma de fazer isto é utilizar a seguinte equação: π  θ = L ×   . pois a orientação destas cristas estará sempre entre 0° e 180°: 0 ≤ θ ≤ 180 ou 0 ≤ θ ≤ π Se desejarmos criar um filtro de Gabor Adaptativo. em qualquer direção das linhas que a descrevem. 17 . isto é que consiga melhorar uma impressão digital por inteiro. Por exemplo. então temos que o valor de N  Na primeira aplicação do filtro teremos a π  π  orientação θ = 1 ×   onde L  e na última aplicação teremos a orientação θ = 10 ×    10   10  onde L . suponha que desejamos aplicar o filtro de Gabor com 10 orientações diferentes. os valores de θ que devem ser aplicados a imagem. isto é quantas vezes o filtro de Gabor será aplicado a esta imagem. superior a 180°.

com valores bem escolhidos para cada uma das direções das cristas papilares existentes em uma impressão digital. Imagem com muitos ruídos e contraste mal definido Imagem após o Filtro (σ  H σ   I ó H foi utilizado 128 divisões de θ entre 0º e 180º) )LJXUD  ± 3DUWH GH XPD LPDJHP UHDO GH LPSUHVV}HV PDO DGTXLULGR Quando temos um filtro de Gabor. 18 . melhor será o seu resultado final. Cabe ressaltar que quanto melhor tenha sido a coleta desta imagem. Minúcias estas tão importante nos sistemas de identificação AFIS (Automatic Fingerprint Identification Systems) e AFAS (Automatic Fingerprint Authentication Systems). a aplicação do filtro de Gabor se apresenta como uma ferramenta essencial. como a da figura 8. pois é através delas que os sistemas de identificação trabalham. Quando temos uma imagem com pouca qualidade. conseguimos uma melhora significativa da imagem. Como as cristas papilares contidas em um datilograma apresentam um padrão quase senoidal. nem sempre o filtro de Gabor se apresenta como uma boa solução. com a recuperação de alguns trechos da imagem e a preservação das minúcias (figuras 13 a 20). e uma impressão digital (datilograma) com uma boa qualidade na aquisição.&RQFOXVmR O filtro de Gabor é uma excelente ferramenta para a melhoria e recuperação de imagens que apresentam um padrão senoidal.

Muhammad Umer. 2001 3 .Javed.4. utilizamos o programa MatLab 6.Bhanu. University of Califórnia at Riverside. Wang. Computational Algorithms for Fingerprint Recognition. )LQJHUSULQW 5HFRJQLWLRQ XVLQJ *DERU %DVLV )XQFWLRQ International Symposium on Intelligent Multimedia. Tan.3.  I ó H foi utilizado 128 %LEOLRJUDILD 1 .5. Xuejun. )LQJHUSULQW 0DWFKLQJ XVLQJ *DERU )LOWHU National Conference on Emerging Technologies 2004. Chih-Jen. Kuo-Ping. Kluwer Academic Publishers. Rawalpindi. 2004 2 . Para que houvesse um melhor aproveitamento.Lee. 2004 19 . Vídeo and Speech Processing. Pakistan. National Taiwan University. USA.Bir. para que fosse realizado a aplicação do filtro de Gabor.5 em todas as imagens que estão presentes nas figuras 2. Muhammad Younas. Munir. Sheng-De.6 e 7. Taiwan. Nas figuras 18 e 19 foi utilizado um programa desenvolvido em C++ para que fosse possível a aplicação do filtro de Gabor em várias direções.Imagem Antes do Filtro Imagem depois do Filtro )LJXUD  ± 3DUWH GH XPD LPDJHP UHDO GH LPSUHVV}HV RQGH R ILOWUR GH *DERU SUDWLFDPHQHWH UHVWDXURX WRGD D SDUWH SHUGLGD GD LQIRUPDomR Onde foi utilizado os seguintes parâmetros ( σ  H σ  divisões de θ entre 0º e 180º) Neste trabalho. National University of Sciences and Technology. foram utilizados filtros de equalização. filtro de média e binarização da imagem. Wu. China.

. R. 'LJLWDO LPDJH SURFHVVLQJ Addison-Wesley Publishing Company.L.PSUHVV}HV 'LJLWDLV 3HOR )LOWUR GH *DERU. César Alexandre R.PDJHQV GH 20 . B. Airam Carlos P. & Akhan. visitado em 07/11/2006 Marques. Universidade do Estado do Rio de Janeiro: Nova Friburgo. 2004 6 . Sanderson L. 1993 10 . pp 28-30 University of Hertfordshire. Desenvolvimento de um algoritmo baseado no filtro de Gabor para identificação de impressões digitais.Gonzaga.O. I.2004 7 . 8WLOL]DomR GH 5HGHV 1HXUDLV HP 3URFHVVDPHQWR GH .Gonzaga. Dissertação (Mestrado em Modelagem Computacional). Gonzaga.com. Recuperado em 02/11/2006 (www. A.L. E. Joaquim Teixeira. $XWHQWLFDomR FRP . http://www.pdf) 11 Federal Bureau of Investigation.B. UK. 2006 5 . 2003 8 .Gonzalez.GHQWLILFDomR GH .Conci.gov/.PSUHVVmR 'LJLWDO. de Oliveira. Assis. Volume 4.fbi. 3UHSURFHVVLQJ RI ILQJHUSULQW LPDJHV European Conference on Security and Detection. M. Viola. 8PD 0HWRGRORJLD GH .PDJHQV GH ..4 ..Emiroglu. Revista IEEE América Latina. FBI.PSUHVV}HV 'LJLWDLV Biológica Sistemas. S. & Woods. S..O. Universidade Federal Fluminense . R. Melhoria de imagens de impressões digitais por filtro de Gabor adaptativo baseado em campos direcionais. Aura.biologicasistemas. Instituto Politécnico. April 1997 9 ..br/img/pdf_news/Extracao.Pacheco.. Inc. Flávio. Instituto Superior de Engenharia de Lisboa. C.