傅里叶变换是一种信号处理中的有力工具，可以帮助我们将图像从空域转换到频域，并提取到空域上不易提取的特征。但是经过傅里叶变换后，
图像在不同位置的频度特征往往混合在一起，但是Gabor滤波器却可以抽取空间局部频度特征，是一种有效的纹理检测工具。
在图像处理中，Gabor函数是一个用于边缘提取的线性滤波器。Gabor滤波器的频率和方向表达同人类视觉系统类似。研究发现，Gabor滤波器十分适合纹理表达和分离。在空间域中，一个二维Gabor滤波器是一个由正弦平面波调制的高斯核函数。
gabor核函数的表达式：
复数表达式：
可以拆解：实部：
虚部：
其中：
和
参数介绍：
方向（θ）：这个参数指定了Gabor函数并行条纹的方向，它的取值为0到360度
波长（λ）：它的值以像素为单位指定，通常大于等于2.但不能大于输入图像尺寸的五分之一。
相位偏移（φ）：它的取值范围为-180度到180度。其中，0he180度分别对应中心对称的center-on函数和center-off函数，而-90度和90度对应反对称函数。
长宽比（γ）：空间纵横比，决定了Gabor函数形状（support，我翻译为形状）的椭圆率（ellipticity）。当γ= 1时，形状是圆的。当γ< 1时，形状随着平行条纹方向而拉长。通常该值为0.5
带宽（b）：Gabor滤波器的半响应空间频率带宽b和σ/ λ的比率有关，其中σ表示Gabor函数的高斯因子的标准差，如下：
σ的值不能直接设置，它仅随着带宽b变化。带宽值必须是正实数，通常为1，此时，标准差和波长的关系为：σ= 0.56 λ。带宽越小，标准差越大，Gabor形状越大，可见平行兴奋和抑制区条纹数量越多。
好介绍完毕。
现在进入主题，我们提取纹理特征。
提取纹理特征，还有增强纹理特征，很多时候我们都是要先提取ROI感兴趣区域来进行操作的。很多图片上的其他空间其实对我们没有什么太大的作用，还影响程序的运行速度。则我们只拿ROI区域进行纹理提取。
先看看原来的指静脉图片：
这图片区域很多，一般我们只需要中间那部分指静脉纹理最多的ROI区域。
代码：
#!/usr/bin/python #coding:utf-8 import numpy as np import os import cv2 def pathFile(path): return os.getcwd() + '/' + path def 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() #构建GABOR滤波器 def build_filters(): """ returns a list of kernels in several orientations """ filters = [] ksize = 31 #gaborl尺度 这里是一个 for theta in np.arange(0, np.pi, np.pi / 4): #gaborl方向 0 45 90 135 角度尺度的不同会导致滤波后图像不同 params = {'ksize':(ksize, ksize), 'sigma':3.3, 'theta':theta, 'lambd':18.3, 'gamma':4.5, 'psi':0.89, 'ktype':cv2.CV_32F} #gamma越大核函数图像越小，条纹数不变，sigma越大 条纹和图像都越大 #psi这里接近0度以白条纹为中心，180度时以黑条纹为中心 #theta代表条纹旋转角度 #lambd为波长 波长越大 条纹越大 kern = cv2.getGaborKernel(**params) #创建内核 kern /= 1.5*kern.sum() filters.append((kern,params)) return filters #滤波过程 def process(img, filters): """ returns the img filtered by the filter list """ accum = np.zeros_like(img) #初始化img一样大小的矩阵 for kern,params in filters: fimg = cv2.filter2D(img, cv2.CV_8UC3, kern) #2D滤波函数 kern为其滤波模板 np.maximum(accum, fimg, accum) #参数1与参数2逐位比较 取大者存入参数3 这里就是将纹理特征显化更加明显 return accum #获取感兴趣区域的top 和 bottom值 用于切割显示图像 def getRoiHCut2(img, p0): h, w = img.shape maxTop = np.argmax(img[0: h / 2, 0]) #在一定区域遍历选取指静脉边缘 具体高宽结合图像 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,:] #获取感兴趣区域范围 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 #将手指边缘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)) #构建一个有限对比适应性直方图均衡化器 w1_2 = clahe.apply(w[:, (p0 /20):(p0 + p0 / 2)]) #截取区域宽度大概是p0高度的一点五倍 apply是获取一个返回值 这里是为了方便参数的传递 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 #将图像数据转为０－１存储 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是每个文件的路径，mDir是需要创建路径所有文件夹存放预处理后图片 mDir = [i.replace('db', 'gab_roi_db') for i in mDir] #判断路径是否存在 不存在就创建路径 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) #获取ROI进行直方图均衡化 切割后 在gabor滤波 cv2.imwrite(p0Imgs[index] + ".png", res0) print index cv2.waitKey(0) cv2.destroyAllWindows()
好现在看看处理后的指静脉图片：
看起来还不错吧，预处理之后就可以 进行纹理特征提取放入文件进行模式匹配啊 进行指静脉识别啊。
http://www.fxm1291.top/
http://www.wyz5825.top/
http://www.kbx3827.top/
http://www.tqt8862.top/
http://www.yma5505.top/
http://www.rye6349.top/
http://www.xqs4260.top/
http://www.fjv3790.top/
http://www.wqv1289.top/
http://www.mxz6626.top/
http://www.npl2536.top/
http://www.vme0237.top/
http://www.edr0603.top/
http://www.kft8502.top/
http://www.kwb2561.top/
http://www.dqv1869.top/
http://www.iai9521.top/
http://www.jla2696.top/
http://www.vip1477.top/
http://www.ryc2010.top/
http://www.tpz5308.top/
http://www.gzi6562.top/
http://www.dwf8840.top/
http://www.soq5741.top/
http://www.pud6117.top/
http://www.zrv3166.top/
http://www.ylg5948.top/
http://www.evm5267.top/
http://www.mmc0244.top/
http://www.auk8793.top/
http://www.nbw1542.top/
http://www.oka2713.top/
http://www.txz2284.top/
http://www.amv5754.top/
http://www.ubb2737.top/
http://www.oim9564.top/
http://www.jhg1176.top/
http://www.ehe5445.top/
http://www.vkp0211.top/
http://www.uzy8206.top/
http://www.cnn5986.top/
http://www.nwz4782.top/
http://news.taj7240.cn/
http://news.dto7731.cn/
http://news.tox1106.cn/
http://news.pzx0011.cn/
http://news.kdd4058.cn/
http://news.bti6873.cn/
http://news.nvg6571.cn/
http://news.krr6354.cn/
http://news.uym8620.cn/
http://news.blm3653.cn/
http://news.uqt9445.cn/
http://news.txr3194.cn/
http://news.hqu4552.cn/
http://news.veo6686.cn/
http://news.usx0758.cn/
http://news.bpl6646.cn/