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。

1. 那么首先我们看一下我们的问题是什么吧？（）

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）

2. 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：（）
   
3. 接下来呢，我们理清一下思路：（）
   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​​
5. 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 ,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。



7. 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。



9. 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。



11. 他首先说了一下他的运行环境，如下图



12. 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 pythnotallow=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 pythnotallow==2.7.4​​，效果如下图所示。()



13. 出现如下字样，说明配置环境成功



15. 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​​



16. 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

9. 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。
10. 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

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

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

13. 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)

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，

1. 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))

2. 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)

3. 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

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)

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～