指纹识别源代码（1）-图像处理

源码已经上传到github,https://github.com/charlesLucky/FingerRecognitionFromScratch.git

1.缩放处理

f=imread(image);%读取图像到内存
f=imresize(f,[363,312]);%该函数用于对图像做缩放处理。
figure;imshow(f);
%用rgb2gray 将彩色图像转换为灰度图像。matlab读入图像的数据是uint8，而matlab中数值一般采用double型（64位）存储和运算。
%所以要先将图像转为double格式的才能运算
gray=double(rgb2gray(f));
%转成uint8 imshow()显示图像时对double型是认为在0~1范围内即大于1时都是显示为白色，而imshow显示uint8型时是0~255范围。
%所以对double类型的图像显示的时候，要么归一化到0~1之间，要么将double类型的0~255数据转为uint8类型。
figure;imshow(uint8(gray));

2.归一化，灰度值限制在某一范围

%归一化，灰度值限制在某一范围
M=0;var=0;
%均值
for x=1:mfor y=1:nM=M+gray(x,y);end
end
M1=M/(m*n);%M1为均值 所有像素总共和除以多少个像素
%方差
for x=1:mfor y=1:nvar=var+(gray(x,y)-M1).^2;end;
end;
var1=var/(m*n);%计算方差最终的大小 var1
%归一化 ********************************
for x=1:mfor y=1:nif gray(x,y)>M1gray(x,y)=150+sqrt(2000*(gray(x,y)-M1)/var1);elsegray(x,y)=150-sqrt(2000*(M1-gray(x,y))/var1);endend
end
figure;imshow(uint8(gray));

3.区分出前景色和背景色

%*************************************************************************************************************
%归一化处理完毕后会对图像进行分割处理，目的是区分出前景色和背景色。我采用的分割为根据多区域阈值分割。
%多区域分割的效果取决于区域的大小，而指纹的区域分为一脊一谷最好，所以我选择3x3的区域大小。我会根据对区域多次进行求均值和方差进行分割。
%分割 分成多个3*3的块大小
M=3;
H=floor(m/M);L=floor(n/M);
aveg1=zeros(H,L);
var1=zeros(H,L);
%计算每一块的平均值
for x=1:Hfor y=1:Laveg=0;var=0;%每一块的均值for i=1:Mfor j=1:Maveg=gray(i+(x-1)*M,j+(y-1)*M)+aveg;end;end;aveg1(x,y)=aveg/(M*M);%每一块的方差值for i=1:Mfor j=1:Mvar=(gray(i+(x-1)*M,j+(y-1)*M)-aveg1(x,y)).^2+var;end;end;var1(x,y)=var/(M*M);end;
end;
%所有块的平均值和方差
Gmean=0;Vmean=0;
for x=1:Hfor y=1:LGmean=Gmean+aveg1(x,y);Vmean=Vmean+var1(x,y);end
end
Gmean1=Gmean/(H*L);
Vmean1=Vmean/(H*L);%每一小块和整块相比，再次求均值方差
% 前景（黑色）
gtemp=0;gtotle=0;vtotle=0;vtemp=0;
for x=1:Hfor y=1:Lif Gmean1>aveg1(x,y)%如果当前快的均值小于全局均值 就认为是前景 gtemp=gtemp+1;gtotle=gtotle+aveg1(x,y);endif Vmean1<var1(x,y)%如果当前快的方差大于全局方差 认为是前景vtemp=vtemp+1;vtotle=vtotle+var1(x,y);endend
end
% 前景均值
G1=gtotle/gtemp;
% 前景方差
V1=vtotle/vtemp;%再次与刚刚产生的值相比
% 求得背景（白色）均值方差 增加可靠性
gtemp1=0;gtotle1=0;vtotle1=0;vtemp1=0;
for x=1:Hfor y=1:Lif G1<aveg1(x,y)%如果当前快的均值大于前景的均值 就认为是背景gtemp1=gtemp1+1;gtotle1=gtotle1+aveg1(x,y);endif 0<var1(x,y)<V1%如果当前的方差小于前景的方差 就认为是背景vtemp1=vtemp1+1;vtotle1=vtotle1+var1(x,y);endend
end
% 背景均值
G2=gtotle1/gtemp1;
% 背景方差
V2=vtotle1/vtemp1;
%我会根据对区域多次进行求均值和方差进行分割。采集到的指纹图背景的灰度值大于前景色，背景主要为低频，所以背景的方差小于前景的方差。
%我分别求得背景和前景的均值和方差然后会得到背景为白色 脊线为黑色。
%然后保存在矩阵e（二值图）中，我会根据e中位置等于1的点的八邻域点的和小于四得到背景色，达到背景和前景分离（e矩阵）。
%****************************************
%构建矩阵（H*L）
e=zeros(H,L);
for x=1:Hfor y=1:Lif aveg1(x,y)>G2 && var1(x,y)<V2 %当前的小块的值 大于背景均值 且当前小块的方差小于背景方差 %   背景e(x,y)=1;end%  前景中的更接近黑色的变为白色if aveg1(x,y)<G1-100 && var1(x,y)<V2e(x,y)=1;endend
end%该点八邻域小于四为0
%根据e中位置等于1的点的八邻域点的和小于四得到背景色，达到背景和前景分离（e矩阵）
for x=2:H-1for y=2:L-1if e(x,y)==1if e(x-1,y) + e(x,y+1)+e(x+1,y+1)+e(x-1,y+1)+e(x+1,y)+e(x+1,y-1)+e(x,y-1)+e(x-1,y-1) <=4e(x,y)=0;endendend
end
%然后黑白反转让感兴趣的前景色变为白色（保存在Icc中），灰度图（gray）的背景值替换为小区域块的和的均值（G1）.
%构建m*m矩阵
Icc=ones(m,n);
for x=1:Hfor y=1:Lif e(x,y)==1 %如果 当前 是 1 是我们想要的for i=1:Mfor j=1:Mgray(i+(x-1)*M,j+(y-1)*M)=G1;Icc(i+(x-1)*M,j+(y-1)*M)=0;endendendend
end
figure,imshow(uint8(gray));
figure,imshow(Icc);

4.沿脊线方向增强指纹纹路

%但是得到的脊线方向并不能达到准确识别指纹。所以下一步会沿脊线方向增强指纹纹路，采用的方法为基于脊线方向场的增强方法。
%为了估计脊线的方向场，把脊线的方向场划分为八个方向，然后根据八个方向的灰度值的总和来得到脊线的方向。并对图像进行二值化。%找指纹脊线方向并二值化%*******************************
%*噪声对图像处理的影响很大，它影响图像处理的输入、采集和处理等各个环节以及输出结果。因此，在进行其它的图像处理前，需要对图像进行去噪处理。
%*均值滤波方法是，对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，用模板的均值来替代原像素的值的方法。
temp=(1/9)*[1,1,1;1,1,1;1,1,1];%模板系数  均值滤波
Im=gray;
In=zeros(m,n);
for a=2:m-1for b=2:n-1In(a,b)=Im(a-1,b-1)*temp(1,1)+Im(a-1,b)*temp(1,2)+Im(a-1,b+1)*temp(1,3)+Im(a,b-1)*temp(2,1)...+Im(a,b)*temp(2,2)+Im(a,b+1)*temp(2,3)+Im(a+1,b-1)*temp(3,1)+Im(a+1,b)*temp(3,2)+Im(a+1,b+1)*temp(3,3);end
end
gray=In;%平滑后的图像矩阵
Im=zeros(m,n);
%为了估计脊线的方向场，把脊线的方向场划分为八个方向，然后根据八个方向的灰度值的总和来得到脊线的方向。并对图像进行二值化。
%求八个方向每个方向的和
for x=5:m-5for y=5:n-5%0-7方向的和sum1=gray(x,y-4)+gray(x,y-2)+gray(x,y+2)+gray(x,y+4);sum2=gray(x-2,y+4)+gray(x-1,y+2)+gray(x+1,y-2)+gray(x+2,y-4);sum3=gray(x-2,y+2)+gray(x-4,y+4)+gray(x+2,y-2)+gray(x+4,y-4);sum4=gray(x-2,y+1)+gray(x-4,y+2)+gray(x+2,y-1)+gray(x+4,y-2);sum5=gray(x-2,y)+gray(x-4,y)+gray(x+2,y)+gray(x+4,y);sum6=gray(x-4,y-2)+gray(x-2,y-1)+gray(x+2,y+1)+gray(x+4,y+2);sum7=gray(x-4,y-4)+gray(x-2,y-2)+gray(x+2,y+2)+gray(x+4,y+4);sum8=gray(x-2,y-4)+gray(x-1,y-2)+gray(x+1,y+2)+gray(x+2,y+4);sumi=[sum1,sum2,sum3,sum4,sum5,sum6,sum7,sum8];%最大值summax=max(sumi);%最小值summin=min(sumi);%和 &&平均值summ=sum(sumi);b=summ/8;if(summax+summin+4*gray(x,y))> (3*b)sumf=summin;elsesumf=summax;endif sumf>bIm(x,y)=128;elseIm(x,y)=255;endend
end
% imshow(Im);%两个矩阵点乘 Icc 白色的是感兴趣的像素 黑色的 0 表示的是边缘 不感兴趣的，需要略掉
for i=1:mfor j=1:nIcc(i,j)=Icc(i,j)*Im(i,j);end
end
%转换为二值图
for i=1:mfor j=1:nif (Icc(i,j)==128)Icc(i,j)=0;elseIcc(i,j)=1;endend
end
figure;imshow(double(Icc));
title('Icc');

5.去除指纹中的空洞和毛刺

%因为各种采集原因（油脂水分等）会使指纹粘连断裂，会影响后续的特征提取和识别，接下来会去除指纹中的空洞和毛刺，
%如果当前位置点值为0（背景）该点的四邻域点（上下左右）的和大于3则为毛刺，
%空洞的判断方法为该点为白色（背景）的四周为黑色（前景）八领域点两的和为0，则为空洞。
%去除空洞和毛刺
u=Icc;
for x=2:m-1for y=2:n-1if u(x,y)==0%该点的4邻域点（上下左右） 如果三个或以上都是白点（1）则该点为毛刺if u(x,y-1)+u(x-1,y)+u(x,y+1)+u(x+1,y)>=3u(x,y)=1;endelseu(x,y)=u(x,y);endend
end
figure;imshow(u);
title('去除毛刺');
%去除空洞
for a=2:m-1for b=2:n-1if u(a,b)==1%寻找端点if abs(u(a,b+1)-u(a-1,b+1))+abs(u(a-1,b+1)-u(a-1,b))+abs(u(a-1,b)-u(a-1,b-1))...+abs(u(a-1,b-1)-u(a,b-1))+(abs(u(a,b-1)-u(a+1,b-1)))+abs(u(a+1,b-1)-u(a+1,b))...+abs(u(a+1,b)-u(a+1,b+1))+abs(u(a+1,b+1)-u(a,b+1))~=1if (u(a,b+1)+u(a-1,b+1)+u(a-1,b))*(u(a,b-1)+u(a+1,b-1)+u(a+1,b))+(u(a-1,b)+u(a-1,b-1)+u(a,b-1))...*(u(a+1,b)+u(a+1,b+1)+u(a,b+1))==0%去除空洞u(a,b)=0;endendendend
endfigure;imshow(u);
title('去除空洞');

6.图像细化

%图像细化
v=~u;
figure;imshow(v);
se=strel('square',3);%用于膨胀腐蚀及开闭运算等操作的结构元素对象% 形态学运算中腐蚀，膨胀，开运算和闭运算。
%
% 1. 腐蚀是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。
% 腐蚀的算法：
% 用3x3的结构元素，扫描图像的每一个像素
% 用结构元素与其覆盖的二值图像做“与”操作
% 如果都为1，结果图像的该像素为1。否则为0。
% 结果：使二值图像减小一圈
%
% 2. 膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。
% 膨胀的算法：
% 用3x3的结构元素，扫描图像的每一个像素
% 用结构元素与其覆盖的二值图像做“与”操作
% 如果都为0，结果图像的该像素为0。否则为1
% 结果：使二值图像扩大一圈
%
%
% 3. 先腐蚀后膨胀的过程称为开运算。用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。
% 4. 先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。
%
%对图像进行开闭操作
fo=imopen(v,se);
figure;imshow(fo);
% 先腐蚀后膨胀，作用是：可以使边界平滑，消除细小的尖刺，断开窄小的连接,保持面积大小不变
title('开运算')
v=imclose(fo,se);
figure;imshow(v);
title('闭运算')
w=bwmorph(v,'thin',Inf);%对图像进行细化
figure;imshow(w);
title('细化图');
imshow(Icc)

指纹识别源代码（1）-图像处理相关推荐

指纹识别源代码（2）-特征点提取
源码已经上传到github,https://github.com/charlesLucky/FingerRecognitionFromScratch.git 上图为上一步拿到的图像预处理之后的细化图. ...
【指纹识别】基于模板匹配算法指纹识别匹配门禁系统matlab源码
一.简介 1 指纹识别的引入和原理 1.1 指纹的基本知识指纹,由于其具有终身不变性.唯一性和方便性,已几乎成为生物特征识别的代名词.指纹是指人的手指末端正面皮肤上凸凹不平产生的纹线.纹线有规律的排 ...
Android 6.0 指纹识别功能学习（一）----阿冬专栏！！！
转载自:http://www.cnblogs.com/changyuet/p/5535082.html 由于毕设需要设计增强的身份认证(生物特征认证方式),所以需要学习指纹识别相关的android6. ...
u盘解密软件_【精彩文章】基于STM32的指纹识别U盘设计
U盘是我们日常生活工作中经常使用到的工具之一,它能够帮我们存储和拷贝重要的文件和数据信息.它小巧便于携带.存储容量大.价格便宜.性能可靠.U盘体积很小,仅大拇指般大小,重量极轻,一般在15克左右,特别 ...
Android开发学习—指纹识别系统的原理与使用
指纹识别是什么? 提到指纹识别我们就要先弄清楚什么事指纹,指纹为何能够做到区别性. 指纹,由于其具有终身不变性.唯一性和方便性,已几乎成为生物特征识别的代名词.指纹是指人的手指末端正面皮肤上凸凹不平产 ...
计算机指纹应用领域,指纹识别是计算机在什么方面的应用
语音内容: 大家好,我是时间财富网智能客服时间君,上述问题将由我为大家进行解答. 指纹识别是计算机在人工智能方面的应用.该技术拥有识别速度快.采集方便和价格低廉等优点,被广泛应用于图像处理.模式识别. ...
视频图像处理平台对比_情绪管理考勤机人脸识别原理与指纹识别性能对比-微幼科技...
随着AI人工智能技术发展越来越成熟,生物识别技术也越来越成熟.包括指纹识别.眼纹识别.虹膜识别.视网膜识别.声纹识别和人脸识别等,这些识别方式一般用于确认身份信息.考勤和支付等.那么,情绪管理考勤机人 ...
墨奇科技汤林鹏：如何用 AI 技术颠覆指纹识别？
受访者 | 墨奇科技联合创始人& CTO 汤林鹏记者 | Aholiab,编辑 | Carol 出品 | AI科技大本营(ID:rgznai100) 随着深度学习等AI技术的成熟,生物识别成 ...
python实现指纹识别毕业论文_指纹识别系统大学本科毕业论文
I 指纹识别系统摘要指纹的唯一性和不变性决定了它在身份认证中的重要地位. 它是模式识别领域中使用最早,也是应用最广的生物鉴定技术.随着低价位指纹采集仪的出现和高可靠性算法的实现, 自动指纹识别 ...

指纹识别源代码（1）-图像处理

1.缩放处理

2.归一化，灰度值限制在某一范围

3.区分出前景色和背景色

4.沿脊线方向增强指纹纹路

5.去除指纹中的空洞和毛刺

6.图像细化

指纹识别源代码（1）-图像处理相关推荐

最新文章

热门文章