參考博客：https://blog.csdn.net/xue_wenyuan/article/details/51533953

　　　　　https://blog.csdn.net/jinshengtao/article/details/17797641

傅裏葉變換是一種信號處理中的有力工具，可以幫助我們將圖像從空域轉換到頻域，並提取到空域上不易提取的特征。但是經過傅裏葉變換後，

　　圖像在不同位置的頻度特征往往混合在一起，但是Gabor濾波器卻可以抽取空間局部頻度特征，是一種有效的紋理檢測工具。

在圖像處理中，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制的高斯核函數。

gabor核函數的表達式：

　　復數表達式：

　　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.但不能大於輸入圖像尺寸的五分之一。

相位偏移（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

帶寬（b）：Gabor濾波器的半響應空間頻率帶寬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的值不能直接設置，它僅隨著帶寬b變化。帶寬值必須是正實數，通常為1，此時，標準差和波長的關系為：σ= 0.56 λ。帶寬越小，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，我們提取紋理特征。

　　提取紋理特征，還有增強紋理特征，很多時候我們都是要先提取ROI感興趣區域來進行操作的。很多圖片上的其他空間其實對我們沒有什麽太大的作用，還影響程序的運行速度。則我們只拿ROI區域進行紋理提取。

先看看原來的指靜脈圖片：

這圖片區域很多，一般我們只需要中間那部分指靜脈紋理最多的ROI區域。

代碼：

#!/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()

#構建GABOR濾波器
def build_filters():
    """ returns a list of kernels in several orientations
    """
    filters = []
    ksize = 31                                                                 #gaborl尺度 這裏是一個
    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圖像不同
        
        params = {‘ksize‘:(ksize, ksize), ‘sigma‘:3.3, ‘theta‘:theta, ‘lambd‘:18.3,    
                  ‘gamma‘:4.5, ‘psi‘:0.89, ‘ktype‘:cv2.CV_32F}
                                                                            #gamma越大核函數圖像越小，條紋數不變，sigma越大 條紋和圖像都越大
                                                                            #psi這裏接近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)                                    #創建內核
        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  這裏就是將紋理特征顯化更加明顯
    return accum

#獲取感興趣區域的top 和 bottom值 用於切割顯示圖像
def getRoiHCut2(img, p0):
    h, w = img.shape

    maxTop = np.argmax(img[0: h / 2, 0])                                    #在一定區域遍歷選取指靜脈邊緣 具體高寬結合圖像
    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,:]

#獲取感興趣區域範圍
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直方圖均衡化器  

    w1_2 = clahe.apply(w[:, (p0 /20):(p0 + p0 / 2)])                       #截取區域寬度大概是p0高度的一點五倍 apply是獲取一個返回值 這裏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                                          #將圖像數據轉為０－１存儲

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是每個文件的路徑，mDir是需要創建路徑所有文件夾存放預處理後圖片
mDir = [i.replace(‘db‘, ‘gab_roi_db‘) for i in mDir]

#判斷路徑是否存在   不存在就創建路徑
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)                                        #獲取ROI進行直方圖均衡化 切割後 在gabor濾波
    cv2.imwrite(p0Imgs[index] + ".png", res0)
    print index


cv2.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，預處理之後就可以 進行紋理特征提取放入文件進行模式匹配啊 進行指靜脈識別啊。有興趣的就期待在下之後的博客。

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

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

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

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