编程小白的人工智能路之Gabor滤波提取掌纹特征并对比掌纹相似度（一）
先来写付费专栏的第一个项目吧。
在说这个题目之前，先说一下这个项目的总体思路，如下所示。
我们的目的是遇到问题，解决问题。
那么首先我们看一下我们的问题是什么吧？（ 发 现 问 题 color{green}发现问题 发现问题）利用Gabor象限特征实现掌纹识别，从网上找到Gabor变换代码，进行象限特征提取和掌纹匹配（分别计算同一个掌纹和不同掌纹的相似度）
拿到这个问题，我们首先抓住文章的关键词，
我找到的关键词如下：（ 分 析 问 题 color{green}分析问题 分析问题）
G a b o r , 象 限 特 征 掌 纹 , 识 别 象 限 特 征 提 取 ， 掌 纹 匹 配 color{red}{Gabor,象限特征}color{pink}{掌纹,识别}color{blue}{象限特征提取，掌纹匹配} Gabor,象限特征掌纹,识别象限特征提取，掌纹匹配
接下来呢，我们理清一下思路：（ 提 取 / 总 结 问 题 color{green}提取/总结问题 提取/总结问题）
题目的要求就是1.进行特征提取，2.将提取的特征进行匹配，查看相似度
然后呢，我们就要借助搜索引擎了，现在的所有引擎就是基于关键词搜索,我们可以提炼一下关键词，比如 G a b o r 象 限 特 征 color{red}{Gabor象限特征 } Gabor象限特征 P y t h o n color{red}{Python} Python,关键词之间要加空格。第一个关键词Gabor象限特征是要查找的代码类型，第二个关键词Python是说明要用什么代码实现，具体操作如下图所示。
除了标题之外，查看文章摘要，来了解文章是否是自己需要的。
然后我们就点一下符合我们要求的文章，详细查阅。这里我们先点开第一个文章看一下。通过题目感觉到跟我们的题目要求比较吻合。我们再往下细看。
他首先说了一下他的运行环境，如下图
而我的运行环境是Ubuntu18.04TLS，默认Python版本是3.74，没关系，我们可以在Terminal中创建一个虚拟环境，命令格式conda create -n xxx python=3.6，xxx为环境名。具体操作如下图。因为我们看到的博客上面说的需要的python2的环境，所以我的创建命令行语句是conda create -n gabor python==2.7.4，效果如下图所示。( 可 以 不 用 指 定 的 环 境 ， 比 如 p y t h o n 2 你 可 以 用 p y t h o n 3 代 替 ， 只 需 要 把 对 应 的 p y t h o n 2 代 码 换 成 p y t h o n 3 就 可 以 color{red}{可以不用指定的环境，比如python2你可以用python3代替，只需要把对应的python2代码换成python3就可以} 可以不用指定的环境，比如python2你可以用python3代替，只需要把对应的python2代码换成python3就可以)
出现如下字样，说明配置环境成功
进一步的，我们需要进入环境，命令为conda activate xxx,xxx为环境名称，这里我们是刚才创建的gabor
可以看到绿色部分表示环境已经从base 变成gabor了。红色部分则是激活环境的实际代码。
接下来继续配置环境，OpenCV版本为2.4.7,在gabor环境下输入命令行为pip install opencv-python
然后我们就开始书写我们的代码
第一步引入库函数
import cv2 #导入opencv函数库 import numpy as np #引入提供维度数据与矩阵运算的，支持数组运算的数学函数库numpy import pylab as pl #引入pylab,即可以画图又可以计算，可以交互使用 123 在Ubuntu下在指定的虚拟环境中用Pycharm创建一个py文件,如果不会在在虚拟环境中创建文件，请参考链接，例如gabor.py,在文件中添加函数库引入。如下图所示。
编译器没有报错，说明导入函数库成功。构建Gabor滤波器
import cv2 import numpy as np import pylab as pl def build_filters(): filters = [] ksize = [7,9,11,13,15,17] #gabor尺度，6个 lamda = np.pi/2.0 #波长 for theta in np.arange(0,np.pi,np.pi / 4): #gabor方向，0 45,90,135共四个 for K in range(6): kern = cv2.getGaborKernel((ksize[K],ksize[K]),1.0,theta,lamda,0.5,0,ktype=cv2.CV_32F) kern /= 1.5*kern.sum() filters.append(kern) return filters 1234567891011121314
11. 创建滤波过程
def process(img,filters): accum = np.zeros_like(img) for kern in filters: fimg = cv2.filter2D(img,cv2.CV_8UC3,kern) np.maximum(accum,fimg,accum) return accum 123456
12. 特征图提取并显示
#Gabor特征提取 def getGabor(img,filters): res = [] #滤波结果 for i in range(len(filters)): res1 = process(img,filters[i]) res.append(np.asarray(res1)) pl.figure(2) for temp in range(len(res)): pl.subplot(4,6,temp+1) pl.imshow(res[temp],cmap='gray') pl.show() return res 12345678910111213 然后再加入我写的图片读入函数，就可以获得图片效果了。
if __name__ == '__main__': path = "/home/philtell/Downloads/bmp600" # 待读取的文件夹 path_list = os.listdir(path) path_list.sort() # 对读取的路径进行排序 filters = build_filters() for filename in path_list[-1:]: print(filename) img_path = os.path.join(path, filename) image = cv2.imread(img_path) getGabor(image, filters) 12345678910
原图如下：
效果图如下：
再找一张原图：
特征效果如下图
下来就来对提取的特征进行匹配，
先对提取的特征进行标准化，我们写一下标准化函数，主要是每一个元素除以最大的元素#数据归一化 def normalization(data): return data / np.max(abs(data)) 123 计算特征之间的相似度，也就是汉明距离
def getSimilarityDistance(feature1,feature2): diff = 0 x1 = np.array(feature1).flatten() #将特征抹平，多维矩阵变成一维数组，逐个对比，计算相似度 x2 = np.array(feature2).flatten() for bit1,bit2 in zip(x1,x2): if bit1 != bit2: diff += 1 print(diff) similarity = 1 - diff/len(x1) print('相似度',similarity) diff = 0 print(len(x1)) for bit1,bit2 in zip(x1,x1): if bit1 != bit2: diff += 1 print(diff) similarity = 1 - diff/len(x1) print(diff) similarity = 1 - diff/len(x1) print('相似度',similarity)
12345678910111213141516171819202122232425 主函数为：if __name__ == '__main__': path = "/home/philtell/Downloads/bmp600" # 待读取的文件夹 filters = build_filters() #构建滤波器 img_path = os.path.join(path, '061_5.bmp') #获得图片地址 img_path2 = os.path.join(path, '062_5.bmp') image = cv2.imread(img_path) #将图片转化为多维数组 image2 = cv2.imread(img_path2) result = getGabor(image, filters) result2 = getGabor(image2, filters) features = normalization(np.array(result)) #归一化图片特征 features2 = normalization(np.array(result2)) getSimilarityDistance(features,features2) #计算不同图片和相同图片之间相似度 1234567891011121314
效果如下：
不同图片相似度为 0.60，相同图片相似度为1.0
最后将全部代码上传：
import cv2 import numpy as np import pylab as pl import os def build_filters(): filters = [] ksize = [7,9,11,13,15,17] #gabor尺度，6个 lamda = np.pi/2.0 #波长 for theta in np.arange(0,np.pi,np.pi / 4): #gabor方向，0 45,90,135共四个 for K in range(6): kern = cv2.getGaborKernel((ksize[K],ksize[K]),1.0,theta,lamda,0.5,0,ktype=cv2.CV_32F) kern /= 1.5*kern.sum() filters.append(kern) print("np.arange(0,np.pi,np.pi / 4)",np.arange(0,np.pi,np.pi / 4)) print("np.pi",np.pi) print("len",len(filters)) return filters def process(img,filters): accum = np.zeros_like(img) for kern in filters: fimg = cv2.filter2D(img,cv2.CV_8UC3,kern) np.maximum(accum,fimg,accum) return accum #Gabor特征提取 def getGabor(img,filters): print('len(filters)',len(filters)) res = [] #滤波结果 for i in range(len(filters)): res1 = process(img,filters[i]) res.append(np.asarray(res1)) pl.figure(2) for temp in range(len(res)): pl.subplot(4,6,temp+1) pl.imshow(res[temp],cmap='gray') pl.show() return res #数据归一化 def normalization(data): return data / np.max(abs(data)) def getSimilarityDistance(feature1,feature2): diff = 0 x1 = np.array(feature1).flatten() #将特征抹平，多维矩阵变成一维数组，逐个对比，计算相似度 x2 = np.array(feature2).flatten() for bit1,bit2 in zip(x1,x2): if bit1 != bit2: diff += 1 print(diff) similarity = 1 - diff/len(x1) print('相似度',similarity) diff = 0 print(len(x1)) for bit1,bit2 in zip(x1,x1): if bit1 != bit2: diff += 1 print(diff) similarity = 1 - diff/len(x1) print(diff) similarity = 1 - diff/len(x1) print('相似度',similarity) if __name__ == '__main__': path = "/home/philtell/Downloads/bmp600" # 待读取的文件夹 path_list = os.listdir(path) path_list.sort() # 对读取的路径进行排序 filters = build_filters() img_path = os.path.join(path, '061_5.bmp') img_path2 = os.path.join(path, '062_5.bmp') image = cv2.imread(img_path) image2 = cv2.imread(img_path2) print('image',type(image)) result = getGabor(image, filters) result2 = getGabor(image2, filters) features = normalization(np.array(result)) features2 = normalization(np.array(result2)) getSimilarityDistance(features,features2)
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293如果你能看到我这句话，那么说明你是订阅了专栏，感谢你的订阅～
相关知识
掌纹很乱、富贵可达、晚婚之象的手相
妇科病的掌纹诊断方法
【滤波专题
机器学习=编程？NO！
一种基于花朵特征的植物种类识别系统.pdf
看相算命典型的富贵之相
基于人工智能的花卉识别和病虫害防治系统研发
基于特征检测的蔬菜叶片病虫害识别模型研究
VC开发手写识别系统：深度解析与实战
一种农作物病情指数的计算方法及系统的制作方法
网址: 编程小白的人工智能路之Gabor滤波提取掌纹特征并对比掌纹相似度（一） https://m.huajiangbk.com/newsview1580774.html
| 上一篇: 基于MATLAB和Python的 |
下一篇: 揭秘掌纹AI算法：如何让科技之手 |
