M. BOUDJELAL Abdelwahhab

Multimodal biometrics is an evolving technology in the fields of security. Biometrics system reduces the effort of remember a memorable password. Multimodal biometrics system uses two or more traits for efficient recognition. This paper presents a hand biometric system by fusing information of palmprint and finger knuckle. To this end, BSIF ( Binarized Statistical Image Features) filter and LBP (Local binary patterns) coefficients are employed to obtain the Finger-knuckle-print and palm-print traits, and subsequently selection of the features vector is conducted with PCA (Principal Component Analysis) transforms in higher coefficients. To match the finger knuckle or palm-print feature vector, the (ELM) Extreme learning machine is applied. According to the experiment outcomes, the proposed system not only has a significantly high recognition rate but it also affords greater security compared to the single biometric system.

Contexte
Il y a eu des progrès considérables dans l'instrumentation de mesure de données et les méthodes informatiques permettant de générer des images des données de TEP mesurées. Ces méthodes informatiques ont été développées pour résoudre le problème inverse, aussi appelé problème de « reconstruction de l'image à partir des projections ».
But
Dans cet article, les auteurs proposent un algorithme modifié pour la technique de reconstruction algébrique simultanée (SART), de façon à améliorer la qualité de la reconstruction de l'image en incorporant la minimisation de la variation totale (TV) dans l'algorithme itératif de SART.
Méthodologie
L'algorithme SART met à jour l'image estimative en faisant une projection avant de l'image sur l'espace du sinogramme. La différence entre le sinogramme estimé et le sinogramme donné est ensuite rétroprojetée sur le domaine de l'image. Cette différence est ensuite soustraite de l'image initiale pour obtenir une image corrigée. La minimisation rapide de la variation totale (FTV) est appliquée à l'image obtenue dans l’étape SART. La deuxième étape est le résultat obtenu de la mise à jour FTV précédente. Les étapes de SART et de minimisation FTV sont conduites de façon itérative, en alternance. Cinquante itérations ont été appliquées à l'algorithme SART utilisé dans chacune des méthodes fondées sur la régularisation. En plus de l'algorithme SART conventionnel, le lissage spatial a été utilisé pour améliorer la qualité de l'image. Toutes les images ont été produites en format 128 x 128 pixels.
Résultats
L'algorithme proposé a préservé les bordures avec succès. Un examen détaillé révèle que les algorithmes de reconstruction étaient différents; par exemple, l'algorithme SART et l'algorithme SART-FTV proposé ont préservé efficacement les bordures chaudes des lésions, tandis que les artefacts et les déviations étaient plus susceptibles d'apparaître dans l'algorithme ART que dans les autres algorithmes.
Conclusion
En comparaison de l'algorithme SART standard l'algorithme proposé réussit mieux à éliminer le bruit ambiant tout en préservant les bordures pour supprimer les artefacts existants. Les mesures de qualité et l'inspection visuelle montrent une amélioration significative de la qualité de l'image comparativement à l'algorithme SART traditionnel et à l'algorithme de technique de reconstruction algébrique (ART).

A better quality of an image can be achieved through iterative image reconstruction for positron emission tomography (PET) as it employs spatial regularisation that minimises the difference of image intensity among adjacent pixels. In this paper, the Bayesian inference rule is applied to devise a novel approach to address the ill-posed inverse problem associated with the iterative maximum-likelihood Expectation-Maximisation (MLEM) algorithm by proposing a regularised constraint probability model. The proposed algorithm is more robust than the standard MLEM and in background noise removal with preserving edges to suppress the out of focus slice blur, which is the existent image artefact. The quality measurements and visual inspections show a significant improvement in image quality compared to conventional MLEM and the state-of-the-art regularised algorithms.