Rekonstrukce a vylepšení poškozené části snímků otisků prstů

Abstract

Táto práca sa zaoberá problémom rekonštrukcie snímkov odtlačkov prsta so zameraním na neobnovyteľné oblasti poškodené rôznymi kožnými ochoreniami. Generatívne súperi- ace siete s trénovateľnou konvolučnou vrstvou s gaborovými filtrami bola natrénovaná na dátovej sade reálnych snímkov odtlačkov prsta. Práca predvádza že natrénovaný model vie spoľahlivo rekonštruovať malé oblasti ľubovoľného tvaru a v prípade väčších oblastí, globálne skóre kvality rekonštruovaného odtlačku prsta získané využitím softvéru NIST biometric image software sa v porovnaní s originálnym snímkom navýšilo. Je navrhnutý štandardizovaný formát pre snímky odtlačkov prsta ktorý pomohol stabilizovat trénovanie generatívnych súperiacich sietí.This thesis deals with the problem of fingerprint image reconstruction with focus on non- recoverable regions affected by various skin diseases. A generative adversarial network with learnable convolutional gabor filter layer was trained on preprocessed dataset of real fingerprint images. The work demonstrates that the trained model can reliably repair small corrupted regions of arbitrary shapes and in case of larger holes, the global quality score of reconstructed fingerprints evaluated by MINDTCT module from NIST biometric image software is increased compared to original fingerprint. A standardized format for fingerprint images that helped stabilize the results when training generative models is proposed.