python實現gabor濾波器提取紋理特徵 提取指靜脈紋理特徵 指靜脈切割代碼

標籤：映像   顯示   ==   center   濾波   rpo   ext   support   模式   

參考部落格：51533953

　　　　　17797641

傅裡葉變換是一種訊號處理中的有力工具，可以協助我們將映像從空域轉換到頻域，並提取到空域上不易提取的特徵。但是經過傅裡葉變換後，

　　映像在不同位置的頻度特徵往往混合在一起，但是Gabor濾波器卻可以抽取空間局部頻度特徵，是一種有效紋理偵查工具。

在影像處理中，Gabor函數是一個用於邊緣提取的線性濾波器。Gabor濾波器的頻率和方向表達同人類視覺系統類別似。研究發現，Gabor濾波器十分適合紋理表達和分離。在空間域中，一個二維Gabor濾波器是一個由正弦平面波調製的高斯核函數。

 

gabor核函數的運算式：

　　複數運算式：

 

　　可以拆解：實部：

 

　　　　　　　虛部：

　　　　　　

其中：

和

 

參數介紹：

方向（θ）：這個參數指定了Gabor函數並行條紋的方向，它的取值為0到360度

 

波長（λ）：它的值以像素為單位指定，通常大於等於2.但不能大於輸入映像尺寸的五分之一。

 

相位位移（φ）：它的取值範圍為-180度到180度。其中，0he180度分別對應中心對稱的center-on函數和center-off函數，而-90度和90度對應反對稱函數。

 

長寬比（γ）：空間縱橫比，決定了Gabor函數形狀（support，我翻譯為形狀）的橢圓率（ellipticity）。當γ= 1時，形狀是圓的。當γ< 1時，形狀隨著平行條紋方向而拉長。通常該值為0.5

 

 

頻寬（b）：Gabor濾波器的半響應空間頻率頻寬b和σ/ λ的比率有關，其中σ表示Gabor函數的高斯因子的標準差，如下：

 

σ的值不能直接設定，它僅隨著頻寬b變化。頻寬值必須是正實數，通常為1，此時，標準差和波長的關係為：σ= 0.56 λ。頻寬越小，標準差越大，Gabor形狀越大，可見平行興奮和抑制區條紋數量越多。

 

好介紹完畢。

現在進入主題，我們提取紋理特徵。

　　提取紋理特徵，還有增強紋理特徵，很多時候我們都是要先提取ROI感興趣地區來進行操作的。很多圖片上的其他空間其實對我們沒有什麼太大的作用，還影響程式的運行速度。則我們只拿ROI地區進行紋理提取。

先看看原來的指靜脈圖片：

　　

 

這圖片地區很多，一般我們只需要中間那部分指靜脈紋理最多的ROI地區。

 

代碼：

#!/usr/bin/python#coding:utf-8import numpy as npimport osimport cv2def pathFile(path):    return os.getcwd() + ‘/‘ + pathdef brightestColumn(img):    w, h = img.shape    r = range(h / 2, h - 1)    c = range(0, w - 1)    return img[c][:,r].sum(axis=0).argmax()#構建GABOR濾波器def build_filters():    """ returns a list of kernels in several orientations    """    filters = []    ksize = 31                                                                 #gaborl尺度 這裡是一個    for theta in np.arange(0, np.pi, np.pi / 4):                               #gaborl方向 0 45 90 135 角度尺度的不同會導致濾波後映像不同                params = {‘ksize‘:(ksize, ksize), ‘sigma‘:3.3, ‘theta‘:theta, ‘lambd‘:18.3,                      ‘gamma‘:4.5, ‘psi‘:0.89, ‘ktype‘:cv2.CV_32F}                                                                            #gamma越大核函數映像越小，條紋數不變，sigma越大 條紋和映像都越大                                                                            #psi這裡接近0度以白條紋為中心，180度時以黑條紋為中心                                                                            #theta代表條紋旋轉角度                                                                            #lambd為波長 波長越大 條紋越大        kern = cv2.getGaborKernel(**params)                                    #建立核心        kern /= 1.5*kern.sum()        filters.append((kern,params))    return filters                                                          #濾波過程def process(img, filters):    """ returns the img filtered by the filter list    """    accum = np.zeros_like(img)                                              #初始化img一樣大小的矩陣    for kern,params in filters:        fimg = cv2.filter2D(img, cv2.CV_8UC3, kern)                         #2D濾波函數  kern為其濾波模板        np.maximum(accum, fimg, accum)                                      #參數1與參數2逐位比較  取大者存入參數3  這裡就是將紋理特徵顯化更加明顯    return accum#擷取感興趣地區的top 和 bottom值 用於切割顯示映像def getRoiHCut2(img, p0):    h, w = img.shape    maxTop = np.argmax(img[0: h / 2, 0])                                    #在一定區域細部搜尋選取指靜脈邊緣 具體高寬結合映像    minTop = np.argmax(img[0: h / 2, w-1])    if(maxTop < 65):        maxBottom = np.argmax(img[(13 * h / 16): 40*h/48  , 0]) + 3 * h / 4        minBottom = np.argmax(img[(13 * h / 16): 40*h/48, w-1]) + 3 * h / 4    else:        maxBottom = np.argmax(img[(3 * h / 4): h  , 0]) + 3 * h / 4        minBottom = np.argmax(img[(3 * h / 4): h, w-1]) + 3 * h / 4    maxTop = (2*maxTop + minTop) / 3    maxBottom = (maxBottom + 2*minBottom) / 3    return img[maxTop:maxBottom,:]#擷取感興趣地區範圍def getRoi(img):    height, width = img.shape    heightDist = height / 4    w = img.copy()    w1 = w[heightDist:3 * heightDist,width / 4:]    p0 = brightestColumn(w1) + heightDist + height / 2                      #將手指邊緣的高度加上四分之三原始高度      pCol = w[:,p0:p0 + 1]    pColInv = pCol[::-1]    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))              #構建一個有限對比適應性長條圖均衡化器      w1_2 = clahe.apply(w[:, (p0 /20):(p0 + p0 / 2)])                       #截取地區寬度大概是p0高度的一點五倍 apply是擷取一個傳回值 這裡是為了方便參數的傳遞    w2 = getRoiHCut2(w1_2, p0)    res = cv2.resize(w2, (270, 150), interpolation=cv2.INTER_CUBIC)    return clahe.apply(res)def logImg(img):    return img.astype(float) / 255                                          #將映像資料轉為０－１儲存mDir=[]imgs = []dbDir = os.getcwd() + "/db100/"people = os.listdir(dbDir)people.sort()for person in people:    personDir = dbDir + person + "/"    hands = os.listdir(personDir)    for hand in hands:        handDir = personDir + hand + "/"        mDir += [handDir]        mg = os.listdir(handDir)        mg.sort()        imgs = imgs + [handDir + s.split(".")[0] for s in mg if not s.split(".")[0] == "Thumbs"]p0Imgs = [i.replace(‘db‘, ‘gab_roi_db‘) for i in imgs]                         #p0Imgs是每個檔案的路徑，mDir是需要建立路徑所有檔案夾存放預先處理後圖片mDir = [i.replace(‘db‘, ‘gab_roi_db‘) for i in mDir]#判斷路徑是否存在   不存在就建立路徑for path in mDir:    if not os.path.exists(path):        os.makedirs(path)filters = build_filters()for index, imgPath  in enumerate(imgs):    img = cv2.imread(imgPath + ".bmp", 0)    res0 = process(getRoi(img), filters)                                        #擷取ROI進行長條圖均衡化 切割後 在gabor濾波    cv2.imwrite(p0Imgs[index] + ".png", res0)    print indexcv2.waitKey(0)cv2.destroyAllWindows()

好現在看看處理後的指靜脈圖片：

看起來還不錯吧，預先處理之後就可以 進行紋理特徵提取放入檔案進行模式比對啊 進行指靜脈識別啊。有興趣的就期待在下之後的部落格。

http://www.cnblogs.com/DOMLX/p/8989836.html 提取紋理特徵

http://www.cnblogs.com/DOMLX/p/8672489.html 指靜脈細化演算法

http://www.cnblogs.com/DOMLX/p/8111507.html 指靜脈切割過程

 

python實現gabor濾波器提取紋理特徵 提取指靜脈紋理特徵 指靜脈切割代碼