基于Gabor滤波器的掌纹纹理特征的提取
２ 基于Ｇａｂｏｒ滤波器的纹理特征提取［７］
Ｇａｂｏｒ滤波器有着优良的滤波器性能，并且与生物识别系统相 近［８］［９］。 根据公式（１）和（２），本文实验数据设定如下：
在这里， 将１２８＊１２８像素的图像分成８＊８块，即６４ 块，每块为 １６＊１６像素， 如图１ 所 示 。 每 块 分 别 用 ８ 个 不 同 的Ｇａｂｏｒ滤波器进 行滤波，这样可以得到５１２维的特征向量。 图２为特征加权组示意图，图中有１６个窗口，每个窗口都包含４个 特征抽取子窗口，即这１６个窗口代表原样本图像的６４个特征抽取子窗 1, 2,3, 4}特征抽取子窗口。 口。 例如，ｗ４包含 { 现将图２中的１６个窗口分 成互相重叠的９组，如图所示，称为 “特征加权组” ，用圆圈中的数字代 表，记为 Wl , l = 1, 2,L , 9 。 圆圈经过的窗口为该特征加权组所包含的全 w20,w24,w36, w40}Î W 部特征抽取子窗口。 例如 {w4,w8, w20, w24}Î W 1， { 4 ，等 对每一 等。 令 N 代表 Wl 中包含特征抽取子窗口的个数，在这里 N 为１６。 个特征抽取子窗口都应用式（３）进行特征抽取。 设提取的特征值为 gij ， 其中 i 代表第 i 个Ｇａｂｏｒ滤波器 (i = 1, 2, L ,8) ， j 代表第 j 个特征抽取的 例如，对于 Wl ，当Ｇａｂｏｒ滤波器为 i 时，依次提取的特 量 ( j = 1,2,L ,64) 。 令 Sil 为 每 个 Wl 的 方 差， i 代 表 第 i 个 征为 {gi1 ,L , gi 8 , gi17, L gi 24 }。 Ｇａｂｏｒ滤波器， l 代表第 l 个特征加权组。 则 （４）
２４
科技创新导报 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
科技创新导报
２０１１ ＮＯ．０３ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
Ｉ Ｔ 技 术
拟信号开关控制测量程序。 在ＲＣＬ检 测 电 路 工 作 时，单片机控制运 算系统程序不仅担负着检测电路、 测量量程等按键命令的识别与 转换，， 同时还要负责检测数据误差的修正和显示数据信号的传输 显示。 （ ３ ）结合Ｒ Ｃ Ｌ频率信号测量分析运算原理矩阵形成电阻电容 电 感 数 据 检 测 的 计 算 程 序 ，并 由 单 片 机 内 部 Ｄ Ｓ Ｐ数 据 处 理 单 元 根 据Ａ ／ Ｄ模数转换所获得的频率信号值动态计算出测量元件的电 阻、 电感或电容值。 （ ４ ）液晶显示驱动控制。 基 于 单 片 机 的ＲＣＬ检测电路系统采用Ｃ ５ １语言编程，无论是电 阻、 电容、 或 电 感 值，均 可 以 利 用 模 拟 信 号 开 关 转 换 成 相 应 的 频 率 模拟信号后再利用单片机进行模数转换进行实时运算分析 ［ ３ ］ 。
换电路。 当仪器进行相关参数测量时，单片机检测运算系统就会通过 命令控制选择相应的振荡电路，并通过模拟信号开关转换成对应的 频率信号，经单片机接口输入到单片机内部处理单元中，完成对信号 的采样工作，然后经内部频率转换电路形成对应的检测数据结果并 以数据脉冲形式经通信通道传输给ＬＥＤ数显电路实现检测数据的动 态显示。 控制功能选择模块主要供用户进行待测参量选择、 历史数据 查询、 显示结果查阅、 系统节能休眠等功能的切换选择。 利用单片机 作为检测系统的控制核心，通过内部分析自动切换检测量纲级，避免 了传统ＲＣＬ检测电路由于量程选择不当造成仪器烧毁现象发生。 ２．２ 频率信号振荡电路 从图１ 中可知， 电阻和电容在测量过程中所形成的频率信号均 采用 “脉冲计数法” ，且 两 种 信 号 测 量 所 需 的 转 换 电 路 结 构 是 一 样 的，均为ＲＣ 振荡电路。 而 对 于 电 感 测 量 时，需要由多个ＬＣ 频率转换 电路形成对应的电容三点式振荡电路。 基于５５５电路构成的多谐振 荡Ｒ Ｃ 电 路 以 及 基 于 Ｌ Ｃ 频 率 转 换 的 电 容 三 点 式 振 荡 电 路 的 逻 辑 连 接 如 图２、 ３所示。 结合振荡电路的运行原理， 可以运用一个简单的运算矩阵来表 示单片机ＲＣＬ电路频率信号测量分析运算原理如式（１）所示：
参考文献
［１］ Ｄａｕｇｍａｎ Ｊ．Ｕｎｃｅｒｔａｉｎｔｙ ｒｅｌａｔｉｏｎ ｆｏｒ ｒｅｓｏｌｕｔｉｏｎ ｉｎ ｓｐａｃｅ， ｓｐａｔｉａｌ ｆｒｅｑｕｅｎｃｙ ａｎｄ ｏｒｉｅｎｔａｔｉｏｎ ｏｐｔｉｍｉｚｅｄ ｂｙ ｔｗｏ－ｄｉｍｅｎ－
图２ 特征加权组示意图
（下转２６页）
①基金项目：吉林省教育厅，吉教科合字［２００９］第５７４号。 ②作者简介：蒲鑫（１９７８．２ ～），性别女。 职称：讲师，硕士研究生，主要研究方向为数字图像处理。
R1 − R0 R2 − R1 Ri +1 − Ri ... T T T2 − T1 Ti +1 − Ti − T − Ti Rx Ri 1 0 C = C + C1 − C0 C2 − C1 ... Ci +1 − Ci T − T x i i L L T1 − T0 T2 − T1 Ti +1 − Ti T 2 − T 2 （１） x i i L1 − L0 L2 − L1 Li +1 − Li ... 2 2 2 2 2 2 T1 − T0 T2 − T1 Ti+1 − Ti 电容和 式（１）中， Ri , Ci , Li 为第ｉ 个周期内，单片机所获得的电阻、
１ Ｇａｂｏｒ滤波器
Ｇａｂｏｒ变换是在１９４６年提出的，具体针对Ｆｏｕｒｉｅｒ函数的纯频域 分析的局限性，在Ｇａｕｓｓｉａｎ函数的基础上提出的短时Ｆｏｕｒｉｅｒ变换， Ｄａｕｇｍａｎ将其扩展成为二维形式，即２Ｄ Ｇａｂｏｒ函数［１］［２］［３］［４］［５］ 。 本文在 应用Ｇａｂｏｒ函数进行特征提取 ［６］时主要通过Ｇａｂｏｒ滤波器（即Ｇａｂｏｒ ｆｉｌｔｅｒｉｎｇ）。 ２Ｄ－Ｇａｂｏｒ滤波器是以２Ｄ－Ｇａｂｏｒ函数作为其基函数，由 于在时域和频域都具有的显著的优势，因此Ｇａｂｏｒ函数作为分析滤 波器被广泛应用于图像处理中。 由于Ｇａｂｏｒ滤波器的定义是在Ｇ ａ ｂ ｏｒ 小波族的基础上进行离散化的处理， 因此我们通过对标准２ Ｄ Ｇ ａｂｏｒ函数进行归一化处理，即满足 ，可以得到Ｇａｂｏｒ滤波器 的函数形式，即： （１） （２）
５ 结语
对单片机用于电子元件ＲＣＬ测量的原理进行了系统的分析研 究后， 结 合 频 率 振 荡 电 路 设 计 了 基 于 单 片 机 的 硬 件 电 路 和 软 件 逻 辑程序。 本系统的研制将模拟电子技术、 数字电子技术、 单片机控 制技术、 电子工艺等多方面的知识进行了有机的结合， 形成了操作 方便、 价格便宜、 精确度高的ＲＣＬ 智能检测系统。
４ 系统检测精度分析
为 校 验 所 建 立 的 基 于 单 片 机 系 统 的Ｒ Ｃ Ｌ 智 能 检 测 系 统 的 精 准 性 和 灵 敏 度， 在标准环境调节下， 选 用 不 同 电 阻 、 电感和电容元件 利用不同的仪器进行数据精度校核。 分别选取该系统所获的２ 组电 阻 Ｒ、 电 容 Ｃ、 电感Ｌ的标准值与通过Ｑ（ＱＷＢＪ－３Ｂ）表测试所获得的 电阻、 电容、 电 感 元 件 的 标 称 值 进 行 对 比 如 表１ 所示。 从表１可以看出，利用两组不同的电阻、 电容、 以及电感值利用基 于单片机的ＲＣＬ检测电路进行检测后所获得的数据与Ｑ表测量的标 准值非常接近，而且整体误差可以有效控制在１％以内，说明所建立的 检测电路具有较高的精确性，完全能够满足实际工程数字检测需求。
用式（４）对特征 gij 进行加权后，得到的特征值 gij w 为： （５）
虽 然 特 征 加 权 组 是 重 叠 的，但每次特征加权时，都 取 原Ｇａｂｏｒ 值。 实际上， 此时提取 gij w 的特征值是一个复数量， 即： （６） 其中，Ｐ为特征值的实部，Ｑ为特征值的虚部，此时定义 gij w (q , l ) 的纹理能量为： E = P 2 + Q 2 （７）
电感值，为第 ｉ 个周期所需测算的时间。 通过式（１）构筑单片机的逻 辑运算方法，就 可 以 实 现 单 片 机 采 集ＲＣＬ电 路 所 检 测 到 的 电 阻 、 电 容及电感值元件频率实际值，并转换成对应的电阻、 电容、 电感值 在ＬＥＤ 数显电路中进行实时显示。
参考文献
［１］ 顾 正 华，顾 亚 平，陈光．基于Ｖ Ｘ Ｉ总 线 数 字 多 用 表 模 块 硬 件 设 计 ［Ｊ］．中国测试技术，２００６，３２（４）：８７～８９，１４３． ［２］ 刘新．如何正确使用ＲＣＬ测 试 仪 测 量 电 子 元 件［Ｊ］．计 量 与 测 试 技术，２００６，３３（５）：１２～１４． ［３］ 闫 玉 德．ＭＣＳ－５１单 片 机 原 理 与 应 用：Ｃ 语 言 版［ Ｍ ］ ．机 械 工 业 出 版社，２００４．
３ 计算结果
如表１为 l = 2 2, q = ห้องสมุดไป่ตู้5o 时的Ｇａｂｏｒ滤波器提取的掌纹纹理能 量，分 别 计 算８个 滤 波 器，得到５ １ ２维 的 特 征 向 量 。
图１ 将一幅掌纹图像分成６ ４ 块１ ６ ＊ １ ６ 像素的图像
４ 结论
在本文中， 重点阐述了基于纹理特征的提取问题。 这种特征提 取的方法有其特定的优势， 它不关心手掌纹线具体的分布和尺寸， 而只关心手掌在某指定方向的纹理分布，它看重不同纹线对不同 方向贡献的全局变量。 本章讨论了二维 Ｇ ａ ｂ ｏ ｒ 滤波器的特性， 提 取Ｇ ａ ｂ ｏ ｒ滤 波 器 的 纹 理 能 量 作 为 特 征 向 量，经 证 明 具 有 可 行 性 。
本滤波器组有２＊４个滤波器组成，共８个滤波器。 设样本图像为 Ｙ ），其中， W 为滤波器的 I (x , y ) ，从图像 I ( x, y ) 中抽取的样点为（ Ｘ ， 窗口大小。 则 在 该 点 处 提 取 的 特 征 为： （３）
gabor变换提取纹理特征
gabor变换提取纹理特征
Gabor变换是一种用于提取纹理特征的图像处理技术。
它基于Gabor滤波器，该滤波器是通过将一个正弦函数和一个高斯函
数相乘得到的。
在具体应用中，Gabor变换可以通过以下步骤来提取纹理特征：
1. 首先，选择一组不同方向和频率的Gabor滤波器。
这些滤波器的方向和频率可以根据应用需求进行调整。
2. 对输入图像进行卷积操作，使用所选择的Gabor滤波器。
这将在图像中对应的位置产生一组滤波响应。
3. 对于每个位置，计算每个Gabor滤波器的幅度响应，并将其组合成一个特征向量。
通常，幅度响应可以使用欧氏距离或相关系数等方法进行计算。
4. 可选地，可以对特征向量进行归一化或降维，以进一步提取和表示纹理特征。
通过这一系列步骤，Gabor变换能够提取图像中不同方向和频
率的纹理特征，从而对图像进行纹理分析、识别和分类等任务提供有用的信息。
基于Gabor滤波器的掌纹纹理特征的提取
的 数 式即 ∞匹 兰 Ｊ｛ 譬业ｉ （ 成互 相 重叠的 ９ ， 图所 示 ， “ 加权 组 ”， 圆圈 中的数字 代 函 形 ，： ： ｛ ‘ ２ Ｊ １ ｐ ＿ 兰 ｝ ） 组 如 称为 特征 用
０ 二（ ＝ 一Ｄ， Ｌ ，。 ， ｋ＝ ２３…
ｒ｜
口。 例如， 包含｛，，，｝ ｗ４ １ ３４ 特征抽取子窗Ｅ。 ２ ｌ现将图２ 中的ｌ个窗１分 ６ ３
旦 业 ：
Ｓｃｉ ｃｅ ｅｎ ａｎｄ Ｔｅｃ Ｏｌ ｇｙ ｎ ｈｎ Ｏ Ｉ ｎｏｖｅ ｏｎ ｔｉ Ｈｅｒ ｌ ａｄ
Ｔ 技 术
基于 Ｇａ ｒ ｂ 滤波 器 的掌纹纹 理特征 的提 取① ｏ ②
蒲 鑫
（ 长春理 工大学 光电信 息学院 吉林长春 １ ０ １ ） ０ ３ ２
其中， ，为 正 弦 波的 波 长 ， ａ为正 弦 波 的 方 向 ， ｄ为， ａ ｏ￣， ， 个特征加 权组 。 则
用纹 理 作 为 特 征 向 量 ， 果 表 明 此 方 法 可 以 较 好 的 提 取 掌 纹 的 特 征 。 结 关 键 词 ： 纹 Ｇａ ｏ滤 波 纹 理 特 征 掌 ｂｒ
中图分 类号 ： Ｐ３ １ Ｔ ９
文献标 识 码 ： Ａ
文章编号 ： ７ —０ ８ ２ ｌ ） Ｉｃ一０ ２ —０ Ｉ ４ ９ ｘ（ ０ １０ （） ０ ４ ２ ６
ｆ１ ２
、
表 ， 为 ， ，， ９ 圆圈经过 的窗 口为该特 征加权 组所包 含的全 记 ， ２…， 。 ＝１
部特征抽取子窗口。 Ⅱ以 浅 例女 ‘
Ｗ，啦 ｗ４ ８ ｌ｛ ２ Ⅵ６
， 等
等。 Ⅳ代表 中包含特征抽 取子窗 口的个数 ， 令 在这里 Ⅳ为 ｌ 。 ６ 对每一 Ｘ和Ｙ方 向上的标准差 ， 这里 ｑ＝ ， 它决定 了高斯包络在空 间上 个特征 抽取子 窗 口都 应用式 （） 行特征 抽取 。 ３ 进 设提 取的 特征值 为 ， 的扩 展 方 向 。 们 将 滤 波 器 组 选 定 为 （ 我 ６×４ 大 小 ， ） 即沿 行 方 向为 ６ 其中 ｆ 代表第 ｉ 个Ｇ ｂ ｒ ， 器 （ ， …，） Ｊ ａｏｔ波 ￣ ｆ ２ ８ ， 代表 第 个特征抽取 的 ＝ｌ ， 个尺 度 ， 列 方 向 为４ 方 向 。 向 的 确定 是 依 据 公 式 （ ） 定 的 ， 量 （ ＝ ，， ，４ 。 沿 个 方 ２确 ， １ … ６ ） 例如 ， 于 ， ａ ｏ 滤波器为 时 ， ２ 对 当Ｇ ｂ ｒ 依次提取的特 由ｎ ＝４， 以得 到 的４ 方 向分 别 为（ 。 ４ 。 ９ 。 １ ５ ） 可 个 ０ ， ５ ， ０ ，３。。 征为｛ …， ｇ …ｇ 。 ｇ ｇ ． ｝ 令 ， 为每个 的方差 ， ｆ代表 第 ｆ个
基于Gabor滤波器和BP神经网络的人脸皮肤皱纹区域自动识别
Gabor滤波器由 Daugman[6 ]最早提出 ,用于模拟灵长类动 物可视表层中的简单细胞功能 。 Gabor变换属于加窗傅里叶 变换 ,可以在频域不同尺度 、不同方向上提取相关的特征 。其
收稿日期 : 2009 - 07 - 26。 基金项目 :国家自然科学基金资助项目 (10603009) ;北京市教委项目 (200710028018) 。 作者简介 :顼改燕 (1982 - ) ,女 ,河北石家庄人 ,硕士研究生 ,主要研究方向 :机器视觉 、数字图像处理 ; 徐华 ( 1975 - ) ,男 ,河北石家庄人 , 副研究员 ,博士 ,主要研究方向 :控制软件建模 、机器学习 、图像处理 ; 翟忠武 (1983 - ) ,男 ,湖北黄冈人 ,博士研究生 ,主要研究方向 :观点挖掘 、 机器学习 、人工智能 ; 葛庆平 (1951 - )男 ,北京人 ,副教授 ,主要研究方向 :机器视觉 、数字图像处理 。
Key words: Gabor transformation; Back Propagation (BP ) neural network; texture analysis; w rinkles recognition; pattern recognition
0 引言
人脸皮肤老化的标志之一是皱纹 ,皱纹纹理深度和变化 的测定研究一直是皮肤衰老和抗衰老研究的重要课题 。目前 国际上流行先采用硅胶复膜复制皮肤表面的细微结构再结合 计算机图像分析系统进行皱纹识别与测量 。与此同时 ,图像 分析已是当前研究人脸纹理的主要手段 ,就是采用数字化手 段分析面部肌肤特征 ,从而为化妆品疗效提供科学依据 。近 年来 ,国外已经采用激光扫描或共聚焦显微镜结合计算机图 像分析识别技术进行皮肤表面结构研究 ,并有一系列的仪器 投入生产应用 。国内基于彩色图像分析算法的数码智能皮肤 分析系统 ,初步给出了对人脸皮肤表面指标的整体检测 ,其相 关图像处理算法需要深入的研究与改进 。本文在深入研究纹 理分析的基础上 ,引入了模式识别中的神经网络纹理识别技 术对人脸皱纹进行识别 ,取得了较好的效果 。
Gabor滤波特征提取
1 Gabor 滤波器组特征提取方法大量心理和生理学研究发现，在人类的低级视觉中，输入信号被一系列具有 不同频率和方位的线性空间滤波器分解成一组频率和方位通道， Gabor 变换可以 很好地描述这一信号分解过程，它具有两个很重要的特征：一是其良好的空间域 与频率域局部化性质；二是无论从空间域的起伏特性上， 方位选择特性上，空间 域与频率域选择上，还是从正交相位的关系上，二维Gabor 基函数具有与大多数 哺乳动物的视觉表皮简单细胞的二维感知域模型相似的性质。
因此，我们可以借 鉴人类处理信号的特性，用包含多个Gabor 滤波器的滤波器组来对图像进行不同 中心频率和方位的滤波处理，从而提取包含不同频率成分和不同方位的特征，作 为目标的非参数化特征，研究其不同分辨率目标的特征与图像分辨率的关系。
考 虑到计算效率的问题，不可能在 Gabor 滤波器组中包含所有中心频率的滤波器， 实际应用中通常根据经验选取某几个中心频率和方位。
2二维Gabor 滤波器表达式一维Gabor 滤波器的空间域公式是:与一维Gabor 滤波器类似，二维Gabor 滤波器的空间域描述为:f X,y,*F y , fR 二i(xcosd +ysi nd)2 (-xsi nd +ycoSh)2 , L 十 LI 2S 2<S 丿 J f (x,<i x ®f )=丄 exp V 2n<i exp j2： f X (4-10其中，二是空间尺度因子, ■ f 是中心频率。
将它分解可以得到两个实滤波 器：余弦Gabor 滤波器和正弦 Gabor 滤波器，它们的形式如下: 心沁七1X) exp JI CT f iXf ： exp x, 2 x 2匚2cos 蔦 f x sin 2 f x(4-11 (4-12 ---- exp - i 2— (4-13)*exp ：j2. iOfXCOSVf ，f ysin 片 /其中，匚X 和二y 分别代表水平和垂直方位的空间尺度因子，f 和二f 分别表示中心频率及方位。
基于Gabor小波和LLE的掌纹识别
基于Gabor小波和LLE的掌纹识别夏德群;陈玮【摘要】为了更好地提取掌纹图像的非线性特征,文中提出一种基于Gabor小波变换和局部线性嵌入的掌纹识别算法.通过提取ROI进行光照和滤波预处理,之后进行Gabor小波变换,提取掌纹图像的多尺度特征,利用非线性的LLE算法提取主元,用最近邻方法进行分类.通过PolyU掌纹库进行验证,比较了预处理、不同ROI提取方法、LLE算法的参数对识别率的影响.实验表明,此方法相比于传统的线性降维算法以及单独的LLE算法在识别率上均有所提高.【期刊名称】《电子科技》【年(卷),期】2015(028)007【总页数】4页(P145-148)【关键词】多尺度特征;部线性嵌入;非线性降维;掌纹识别【作者】夏德群;陈玮【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TP391.41掌纹识别属于生物特征识别领域，与指纹、虹膜、人脸等特征相比，掌纹特征稳定，受伤再生的掌纹与原有掌纹信息完全相同，不易产生畸变;掌纹面积大，信息量丰富;掌纹信息可进行非接触成像的方式获得，具有非侵犯性，易于被用户接受;对采集设备要求不高，即使是低分辨率的图像同样可达到较高的识别精度［1］。
掌纹识别的难点和热点是掌纹特征的提取，当前掌纹特征提取的方法主要有:基于结构特征的方法;基于子空间的方法，如 PCA［2］，LDA［3］等算法;基于纹理特征的方法，如 HOL［4］，LBP［5］等。
基于子空间的方法处理过程简单，可达到较高的识别率，有着广泛应用，目前应用于掌纹识别的多为线性子空间方法，并未考虑图像的非线性特征。
为了更好地提取掌纹的非线性特征，本文提出了Gabor小波变换和局部线性嵌入(LLE)的掌纹特征提取算法，充分利用了掌纹图像的多尺度特征，提升了特征数，利用非线性的局部线性嵌入算法，提取主元，提高识别率。
基于Gab or滤波器的掌纹纹理特征的提取
基于Gab or滤波器的掌纹纹理特征的提取摘要:特征提取就是要对图像的性质进行定量化处理,在已有的方法中,有提取点特征,线特征,时频变换法,纹理特征等。
时频变换法主要是时把图像变换到频域,通过对频域特性的分析得到在时域时的情况。
纹理的方法是一种全局的方法,它不关心手掌纹线具体的分布和尺寸,而只关心在某个特定方向的纹理分布,即忽略掌纹的细节特征,而只看重不同纹线对不同方向贡献的全局变量。
在本文中,采用纹理作为特征向量,结果表明此方法可以较好的提取掌纹的特征。
关键词:掌纹Gabor滤波纹理特征1 Gabor滤波器Gabor变换是在1946年提出的,具体针对Fourier函数的纯频域分析的局限性,在Gaussian函数的基础上提出的短时Fourier变换,Daugman将其扩展成为二维形式,即2D Gabor函数[1][2][3][4][5]。
本文在应用Gabor函数进行特征提取[6]时主要通过Gabor滤波器(即Gabor filtering)。
2D-Gabor滤波器是以2D-Gabor函数作为其基函数,由于在时域和频域都具有的显著的优势,因此Gabor函数作为分析滤波器被广泛应用于图像处理中。
由于Gabor滤波器的定义是在Gabor 小波族的基础上进行离散化的处理,因此我们通过对标准2D Gabor函数进行归一化处理,即满足,可以得到Gabor滤波器的函数形式,即:4 结论在本文中,重点阐述了基于纹理特征的提取问题。
这种特征提取的方法有其特定的优势,它不关心手掌纹线具体的分布和尺寸,而只关心手掌在某指定方向的纹理分布,它看重不同纹线对不同方向贡献的全局变量。
本章讨论了二维Gabor滤波器的特性,提取Gabor滤波器的纹理能量作为特征向量,经证明具有可行性。
参考文献[1] Daugman J.Uncertainty relation for resolution in space,spatial frequency and orientation optimized by two-dimensional visual cortical filters[J].Journal of the Optical Society of America A,1985,2:1160～1169.[2] Bastiaans M.J.Gabor&acute;s Expansions of a Signal into Gaussian Elementary Signals[J].Proc.IEEE,1980,V ol,68,No.4,pp538～539.[3] John plete Discrete 2-D Gabor Transforms by Neural Networks for Image Analysis and Compression[J].IEEE Transactions on Acoustics Speech and Signal Processing luly 1998.V oL 36,No.7,pp1169～1179.[4] Qian S Chen D. Discrete Gabor transforms[J].IEEE Trans Signal Processing,1993,21(7),pp2429～2438.[5] Alexander Mojaev.Andreas Zell.Real-Time Scale Invariant Object and Face Tracking using Gabor Wavelet Templates[J].InTagungsband zum 18. Fachgesprach AMS (Autonome Mobile Systeme)(R.Dillman H Worn T.Gockel eds.),Karlsruhe,4～5.Dez 2003,pp12～20.[6] 靳明.基于Gabor滤波器的军用目标识别及跟踪方法的研究[D].中国科学院研究生院(长春光学精密机械与物理研究所),2005.[7] 赵英男,刘正东,杨静宇.基于Gabor滤波器和特征加权的红外图像识别[J].计算机工程与应用,2004.32:22～24.[8] 李文新.夏胜雄基于主线特征的双向匹配的掌纹识别新方法[J]计算机研究与发展,2004,41(6):996～1002上.[9] 吴介,裘正定.掌纹识别中的特征提取算法综述[J]北京电子科技学院学报,2005,13(2):86～92.[10] ZHANG D.KONG W K.Online palmprint identification[J].IEEE Transactions on Pattern Analysis And Machine Intelligence,2003,9(25):1041～1050.。
图像处理中的纹理分析与纹理特征提取算法研究
图像处理中的纹理分析与纹理特征提取算法研究摘要：图像纹理分析和纹理特征提取是计算机视觉和图像处理领域的重要研究方向之一。
纹理在图像中包含了丰富的视觉信息，能够用于图像分类、目标检测和识别等应用。
本文将介绍图像纹理分析的相关概念和算法，并讨论纹理特征提取的常用方法和应用。
1. 引言图像纹理是指由多个纹理单元组成的图像区域。
这些纹理单元在某种视觉空间上独立地重复出现，形成了具有一定规律的纹理模式。
图像中的纹理可以根据其表现形式分为统计纹理和结构纹理。
统计纹理是指通过统计纹理单元的分布和统计规律来描述纹理特征，而结构纹理则是指通过纹理单元的空间关系来描述纹理特征。
图像纹理的分析和特征提取是图像处理中的重要任务之一。
2. 图像纹理分析算法图像纹理分析是指对图像中的纹理进行描述和分析的过程。
常用的图像纹理分析算法有以下几种：2.1 灰度共生矩阵（GLCM）灰度共生矩阵是一种描述图像纹理统计特性的方法。
它将图像的灰度级别相邻像素的关系编码成一个矩阵。
通过对该矩阵进行统计分析，可以得到一系列纹理特征。
常用的纹理特征包括对比度、相关性、能量和熵等。
2.2 Gabor滤波器Gabor滤波器是一种用于提取图像纹理特征的滤波器。
它模拟了人类视觉系统中的简单细胞的特性，可以捕捉到图像中的纹理细节。
Gabor滤波器使用一组复指数函数来对图像进行滤波，得到一组滤波响应，然后通过对响应进行统计分析，提取纹理特征。
2.3 小波变换小波变换是一种用于图像分析的时-频分析方法，也可以用于纹理分析。
通过对图像进行小波变换，可以将图像分解为不同尺度和方向上的纹理分量。
然后可以对这些分量进行统计分析，提取纹理特征。
3. 纹理特征提取算法纹理特征提取是指从图像纹理中提取具有表征能力的特征。
常用的纹理特征提取算法有以下几种：3.1 统计特征统计特征是指通过对图像纹理的统计规律进行描述的特征。
常用的统计特征包括对比度、相关性、能量和熵等。
3.2 结构特征结构特征是指通过纹理单元的空间关系来描述纹理特征的特征。
基于Gabor滤波的掌纹图像线特征提取技术
基于Gabor滤波的掌纹图像线特征提取技术
张丽婷;王孝莉;林家恒
【期刊名称】《兵工自动化》
【年(卷),期】2007(26)1
【摘要】利用Gabor滤波器增强掌纹线特征方法,将掌纹图像分割成若干子块并将子块变换到频率域.利用Gobar滤波器在频域内对子块在其主方向上进行滤波,增强特征纹线信息.然后对增强后的图像进行形态学Bot-Hat变换提取出掌纹特征纹线.实验证明,该方法可有效提取掌纹图像特征纹线信息.
【总页数】2页(P45-46)
【作者】张丽婷;王孝莉;林家恒
【作者单位】山东大学,控制科学与工程学院,山东,济南,250061;山东大学,控制科学与工程学院,山东,济南,250061;山东大学,控制科学与工程学院,山东,济南,250061【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于模板匹配和形态学的掌纹线特征提取方法 [J], 彭其胜;陈华华
2.掌纹图像的主线特征提取 [J], 徐寒
3.基于Gabor滤波器的掌纹纹理特征的提取 [J], 蒲鑫
4.一种基于数学形态学和模板匹配的掌纹线特征提取方法 [J], 彭其胜
5.基于Log-Gabor小波相位一致的掌纹线特征提取 [J], 张建新;欧宗瑛
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Gabor滤波器和LBP的分级掌纹识别_练秋生
Ａｂｓｔｒ ａｃｔ： Ｔｈｉｓ ｐａｐｅｒ ｆｉｒｓｔ ｐｒｅｓｅｎｔｓ ａ ｎｅｗ ｍｅｔｈｏｄ ｏｆ ｐａｌｍｐｒｉｎｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂｙ ｕｓｉｎｇ Ｌｏｃａｌ Ｂｉｎａｒｙ Ｐａｔｔｅｒｎ （ ＬＢＰ） ．Ｂｙ ｒｅｆｅｒｒｉｎｇ ｔｏ ｈｉｅｒａｒｃｈｉｃａｌ ｒｅｔｒｉｅｖａｌ， Ｇａｂｏｒ ｆｉｌｔｅｒ ｉｓ ｆｉｒｓｔ ｕｓｅｄ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｇｌｏｂａｌ ｅｎｅｒｇｙ ｆｅａｔｕｒｅ， ａｎｄ ｔｈｅｎ ＬＢＰ ｏｐｅｒａｔｏｒ ｉｓ ｕｓｅｄ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｌｏｃａｌ ｆｅａｔｕｒｅ， ｗｈｉｃｈ ａｒｅ ｕｓｅｄ ｔｏ ｃｌａｓｓｉｆｙ ｔｗｉｃｅ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｒａｔｅ ｃａｎ ｂｅ ｉｍｐｒｏｖｅｄ ｆｕｒｔｈｅｒ ｂｙ ｃｏｍｐａｒｉｓｏｎ ｗｉｔｈ ｔｈｅ ｍｅｔｈｏｄ ｏｆ ｕｓｉｎｇ Ｇａｂｏｒ ｆｉｌｔｅｒ ｏｎｌｙ． Ｋｅｙ ｗｏｒ ｄｓ： ｐａｌｍｐｒｉｎｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ； ＬＢＰ； Ｇａｂｏｒ； ｈｉｅｒａｒｃｈｉｃａｌ ｒｅｔｒｉｅｖａｌ
摘 要： 首次提出将局部二进制模式（ ＬＢＰ） 应用到掌纹识别中。借鉴分级检索的思想， 先采用 Ｇａｂｏｒ 滤波器提取掌纹的全局能量特 征， 后采用 ＬＢＰ 算子提取局部特征实现两次分类。实验结果表明， 与单纯的 Ｇａｂｏｒ 滤波器方法相比， 系统的识别率可进一步提高。 关键词： 掌纹识别； ＬＢＰ； Ｇａｂｏｒ； 分级检索 文章编号： １００２－ ８３３１（ ２００７） ０６－ ０２１２－ ０４ 文献标识码： Ａ 中图分类号： ＴＰ３９１．４１
ｒｉｕ２
等价类模式占总模式的 ９０％左右， 而利用 ＬＢＰ１６， ２ 算子进行特 征提取时， 等价类模式 大 约 仅 占 总 模 式 的 ７０％。 由 此 可 见 ， 等 价类模式占总模式中的绝大多数， 利用这些等价类模式和混合 类模式的直方图， 可提取代表图像本质特性的特征。
Gabor纹理提取总结
• 1式为gabor函数，1式是其对应的傅里叶形式 • σu = 1/2πσx, and σv, = 1/2πσy
• Ul和Uh是感兴趣的最低频和最高频
• θ = nπ/K， k是方向个数 • m = 0, 1, ..., S – 1，S是尺度个数
纹理提取
• • • • • 原图傅里叶变换 Gabor基傅里叶 相乘 反变换 求均值方差
B.S. Manjunath and W.Y. Ma @ 加州大学圣塔芭芭拉分校
• 构建滤波器组
• 滤波器作为基函数，对图像进行傅里叶变 换 • 提取纹理
一、Gabor 滤波器组
_ _ 其中x = xcosθ+ysinθ, y =--xsinθ+ycosθ σx和σy是缩放比例常数，控制高斯函数在x轴和y轴 的伸缩程度，它们决定了一象素点周围参与加权和 的有效范围，θ 是滤波器的方向参数，w 是正弦曲线 的径向频率，决定了滤波器在频域中的位置。
Gabor
纹理提取
• 在信号处理技术领域中，Gabor 变换是被公 认的信号表示尤其是图像辨识的最好方法 之一。 • 生物学领域的研究也发现，二维 Gabor 滤 波器能够很好的描述脊椎动物大脑初级视 觉皮层部分的单细胞可接收信息域的分布， 两者在空频域均具有相似的局部特点，这 与人类的视觉系统也是一致的e Segmentation Using Gabor Filters Khaled Hammouda Prof. Ed Jernigan University of Waterloo, Ontario, Canada 滑铁卢大学
Naotoshi @马里兰大学
• 构建滤波器组（自动尺度） • 用滤波器对图像进行卷积 • 提取纹理
Gabor纹理