指纹特征提取及描述（附Python代码）

首发于https://juejin.cn/post/6924305350497828872/，转载注明出处

GitHub

https://github.com/KinghooWei/FingerprintFeatureExtractionAndDescription
开门见山啦，记得star一下呀

最终效果图

设计思路

项目的编程环境为python3.7.7，编译器使用pycharm2019.3.4 x64。首先为项目设计一个GUI界面，界面有四个按钮，分别是“选择图片”、“图像增强”、“细化”和“特征提取及描述”，使用是按顺序点击按钮即可，每完成一步，都会在按钮下方显示处理结果，最终的特征描述会在右下的文本框中显示。

图像增强

图像归一化

由于不同的指纹图像在灰度图分布上有很大的差异，会给之后的图像特征提取和匹配增加难度，因此指纹图像要进行归一化处理，将所有图像转换成具有给定均值和方差的标准图像。归一化并不能改变指纹的脊线和谷线的清晰程度，其结果是减少了不同指纹图像之间灰度值的差异，并为接下来的图像处理做好准备。归一化公式如下：

G ( i , j ) = { M 0 + σ 0 2 ( I ( i , j ) − M ) 2 σ 2 I ( i , j ) > M M 0 − σ 0 2 ( I ( i , j ) − M ) 2 σ 2 I ( i , j ) ≤ M G_{\left(i,j\right)}=\left\{

$$\begin{aligned} &M_0+\sqrt{\frac{\sigma_0^2(I(i,j)-M)^2}{\sigma^2}} &I(i,j)>M\\ &M_0-\sqrt{\frac{\sigma_0^2(I(i,j)-M)^2}{\sigma^2}} &I(i,j)\le M \end{aligned}$$ \right. G(i,j)​=⎩⎪⎪⎪⎨⎪⎪⎪⎧​​M0​+σ2σ02​(I(i,j)−M)2​ ​M0​−σ2σ02​(I(i,j)−M)2​ ​​I(i,j)>MI(i,j)≤M​

式中$I\left(i,j\right)$和$G_{\left(i,j\right)}$分别为规格化前后的图像，$M_0$、${\sigma }_0^2$是预先设定的图像平均灰度和均方差，$M$和 σ 2 \sigma^2 σ