用于指纹图像增强的 Gabor 滤波器参数？

问题描述

我在图像处理和 gabor 过滤器方面比较厉害，我想用这个过滤器来增强指纹图像

我阅读了很多关于指纹图像增强的文章，我知道这样做的步骤是

读取图像 -> 归一化 -> 获取方向图 -> gabor 过滤器 -> 二值化 -> 骨架

现在我在第 4 步，我的问题是如何为 gabor 获得（ lamds 和 gamma ）的正确值

过滤器

我的形象：

我的代码：

1- 读取图像并使用 HOG 特征获取方向图

imgc = imread(r'C:\Users\iP\Desktop\printe.jpg',as_gray=True)
imgc = resize(imgc,(64*3,128*3))
rows,cols=imgc.shape
offset=24
ori=9    # to get angels (0,45,90,135) only

fd,hog_image = hog(imgc,orientations=ori,pixels_per_cell=(offset,offset),cells_per_block=(1,1),visualize=True,multichannel=None,feature_vector=False
              )

方向图：

2- 将方向图从 (8,16,1,9) 重塑为 (8,9),8 ->rows,16 -> cols,9 方向

fd=np.array(fd)
fd=np.reshape(fd,(fd.shape[0],fd.shape[1],ori))

# from (8,9) to (8,1)
# Choose the angle that has the most potential ( biggest magntude )
angels=np.zeros((fd.shape[0],1))
for r in range(fd.shape[0]):
    for c in range(fd.shape[1]):
       bloc_prop = fd[r,c]
       angelss=bloc_prop.reshape((1,ori))
       angel=np.argmax(angelss)
       angels[r,c]=angel
angels=angels.astype(np.int32)

3- 卷积函数

def conv_gabor(img,orient_map,gabor_kernel_shape):
    #
    # loop on all pixels in the image and convolve it with it's angel in the orientation map
    #
    roo,coo=img.shape

    #to get the padding value for immage before convolving it with kernels
    pad=(gabor_kernel_shape-1)


    padded=np.zeros((img.shape[0]+pad,img.shape[1]+pad)) # adding the cols and rows 
    padded[int(pad/2):-int(pad/2),int(pad/2):-int(pad/2)]=img # copy image to inside the padded 
    image

    #result image
    dst=padded.copy()

    # start from the image that inside the padded
    for r in range(int(pad/2),int(pad/2)+roo): 
    
        for c in range(int(pad/2),int(pad/2)+coo):
        
            # get the angel from the orientation map
            ro=(r-int(pad/2))//offset
            co=(c-int(pad/2))//offset
            ang=angels[ro,co]
            real_angel=(((180/ori)*ang))
        
            # bloack around the pixe to convolve it 
            block=padded[r-int(pad/2):r+int(pad/2)+1,c-int(pad/2):c+int(pad/2)+1]
            # get Gabor kernel 
            # here is my question ->> what to get the parametres values for ( lambda and gamma 
            and phi)
            ker= cv2.getGaborKernel( (gabor_kernel_shape,gabor_kernel_shape),3,np.deg2rad(real_angel),np.pi/4,0.001,0 )
                                
            dst[r,c]=np.sum((ker*block))
    return dst

dst=conv_gabor(imgc,angels,11)

dst :

你看到图像太糟糕了，我不知道为什么会这样，我想是因为 lambda 和 gamma 还是什么？

但是当我只用一个天使过滤 45 时：

ker= cv2.getGaborKernel( (11,11),2,np.deg2rad(45),0.5,0 )
filt = cv2.filter2D(imgc,cv2.CV_64F,ker)
plt.imshow(filt,'gray')

结果：

你看到左边有 45 的边质量很好

谁能帮助我，告诉我在这个问题中我该怎么做？

谢谢大家:)

编辑：

我搜索了另一种方法，我发现我可以使用具有多种方向的 gabor fiter bank 并在过滤图像中获得最佳分数，那么如何从过滤图像中找到像素的最佳分数

这是当我使用具有 45,60,65,135 个角度的 gabor fiter bank 并将过滤后的图像划分为 16*16 并找到最高标准偏差时的输出（最佳分数 -> 我使用标准偏差作为分数）对于每个块并获得最佳过滤图像

所以你可以看到图像中有好的和坏的部分，我认为单独使用标准偏差在图像的某些部分是无效的，所以我的新问题是什么是最好的得分函数，它可以给我提供好的输出部分图片

原图：

解决方法

在我看来，对过滤后的图像进行加权可能足以满足您的任务。考虑到您的过滤器方向，角度为 45 和 135 的过滤器在图像的不同区域响应非常好。因此，您可以计算加权总和以获得最佳过滤结果。

img = cv2.imread('fingerprint.jpg',0)

w_45 =  0.5
w_135 = 0.5

img_45 = cv2.filter2D(img,cv2.CV_64F,cv2.getGaborKernel( (11,11),2,np.deg2rad(45),np.pi/4,0.5,0 ))
img_135 = cv2.filter2D(img,np.deg2rad(135),0 ))

result = img_45*w_45+img_135*w_135
result = result/np.amax(result)*255

plt.imshow(result,cmap='gray')
plt.show()

随意使用重量。结果完全取决于您的下一步是什么。