递归类连通性分类（R3C）用于改进婴儿指纹增强的二值图像分割
计算机视觉与模式识别
2026-05-26 v1
摘要
图像增强在婴儿指纹匹配中起关键作用，因为婴儿特有的特征，如较小的手指尺寸和较薄的脊纹结构，常常在获取过程中降低图像质量。为解决这些限制，通常依赖专业的高分辨率扫描仪，而现有增强方法并不专为此设计。因此，婴儿的识别率显著低于成人指纹。本研究引入递归类连通性分类（Recursive Class Connectivity Classification, R3C），这是一种新型框架，通过扩展脊纹结构来迭代细化来自现有增强方法的二值分割输出。R3C 无需修改底层分类器，也无需训练数据——目前婴儿指纹尚无训练数据可供使用。相反，该方法通过重复将分类后的图像反馈回分类过程中改进分割，同时将每个中间分割与原始输入图像组合。实验在三个指纹数据集上使用四种不同的增强分类器进行，结果表明与仅使用增强方法相比，R3C 可使儿童的真正接受率（True Acceptance Rate, TAR）提高最高可达 4%，新生儿可提高超过 40%。定性分析进一步表明，R3C 重新连接了碎片化的脊纹模式，改善了分割的视觉质量。由于其独立于所使用的增强方法，R3C 提供了一个灵活且广泛适用的改进二值分割解决方案。
引用
@article{arxiv.2605.25307,
title = {Recursive Class Connectivity Classification (R3C) Applied to Binary Image Segmentation for Improved Infant Fingerprint Enhancement},
author = {Joao Leonardo Harres Dall Agnol and Luiz Fernando Puttow Southier and Jefferson Tales 0liva and Marcelo Teixeira and Rodrigo Mineto and Marcelo Filipa and Dalcimar Casanova and Erick Oliveira Rodrigues},
journal= {arXiv preprint arXiv:2605.25307},
year = {2026}
}