📚 课程目录第3章指纹图像增强

3. 指纹图像增强

任务说明

本案例针对采集质量不佳的指纹图像（存在噪声、脊线断裂或对比度不足），使用Gabor滤波结合方向场估计实现指纹图像增强，修复脊线断裂并抑制噪声，为后续特征提取提供更清晰的输入。输入为灰度指纹图像，输出为增强后的二值化脊线图。

实现方案

增强流程分为四个步骤：（1）归一化——调整灰度均值和方差；（2）方向场估计——通过Sobel梯度计算每个像素所在脊线的局部方向；（3）Gabor滤波——沿脊线方向进行带通滤波，连接断裂脊线并去噪；（4）自适应二值化——将增强结果转为清晰的脊线/谷线二值图。核心参数（Gabor频率、方向数、滤波器尺寸）在代码中显式定义，可直接运行验证。

代码实现


import cv2
import numpy as np
import math

def normalize(img, mean_target=100.0, var_target=100.0):
    """灰度归一化到指定均值和方差"""
    mean = img.mean()
    var = img.var()
    normalized = (img - mean) * math.sqrt(var_target / (var + 1e-6)) + mean_target
    return np.clip(normalized, 0, 255).astype(np.uint8)

def estimate_orientation(img, block_size=16):
    """基于梯度计算方向场（每个block一个方向角，弧度）"""
    gx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
    gy = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
    rows, cols = img.shape
    orientation = np.zeros((rows // block_size, cols // block_size), dtype=np.float32)
    for i in range(0, rows - block_size, block_size):
        for j in range(0, cols - block_size, block_size):
            Vx = (2 * gx[i:i+block_size, j:j+block_size] * gy[i:i+block_size, j:j+block_size]).sum()
            Vy = (gx[i:i+block_size, j:j+block_size]**2 - gy[i:i+block_size, j:j+block_size]**2).sum()
            angle = 0.5 * math.atan2(Vx, Vy)  # 主方向
            orientation[i // block_size, j // block_size] = angle
    return orientation

def gabor_filter_block(block, angle, freq=0.1, ksize=7, sigma=2.0):
    """对单个block应用Gabor滤波（沿方向angle增强脊线）"""
    theta = angle + math.pi / 2  # Gabor核垂直于脊线方向
    kernel = cv2.getGaborKernel((ksize, ksize), sigma, theta, 1.0/freq, 0.5, 0)
    return cv2.filter2D(block, cv2.CV_64F, kernel)

def enhance_fingerprint(img, block_size=16):
    """完整增强流程：归一化→方向场→Gabor滤波→二值化"""
    img = normalize(img)
    orientation = estimate_orientation(img, block_size)
    enhanced = np.zeros_like(img, dtype=np.float32)
    rows, cols = img.shape
    for i in range(0, rows - block_size, block_size):
        for j in range(0, cols - block_size, block_size):
            block = img[i:i+block_size, j:j+block_size].astype(np.float32)
            angle = orientation[i // block_size, j // block_size]
            filtered = gabor_filter_block(block, angle)
            enhanced[i:i+block_size, j:j+block_size] = filtered
    # 自适应二值化（Otsu）
    enhanced_u8 = np.clip(enhanced, 0, 255).astype(np.uint8)
    _, binary = cv2.threshold(enhanced_u8, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    return binary

# 使用示例（输入为灰度指纹图像，路径自行替换）
if __name__ == "__main__":
    img = cv2.imread("fingerprint.png", cv2.IMREAD_GRAYSCALE)
    if img is None:
        print("请提供有效的指纹图像路径")
    else:
        result = enhance_fingerprint(img)
        cv2.imwrite("enhanced_fingerprint.png", result)
        print("增强完成，结果已保存为 enhanced_fingerprint.png")

关键参数说明

block_size=16：方向场估计的局部窗口大小，与指纹脊线周期（约8~12像素）匹配；
freq=0.1：Gabor核的脊线频率（周期为10像素），可根据实际图像调整；
ksize=7, sigma=2.0：滤波器尺寸与高斯包络标准差，控制增强的平滑程度。

验证方法

准备一张含噪声或脊线断裂的指纹灰度图（如FVC2002数据库样本），运行上述代码。判定标准：

程序正常输出enhanced_fingerprint.png，无异常报错；
目视检查输出图像：脊线连续完整，断裂处被连接，背景噪声明显减少；
与输入图像对比，脊线/谷线对比度增强，二值化后无大面积黑色空洞或白色粘连。

判定标准

运行代码后，若输出图像满足：脊线断裂处被有效连接、背景噪声明显减少、脊线宽度均匀且无大面积伪连接，则判定增强成功。若效果不理想，优先调整freq（脊线周期）和block_size（方向场窗口）两个参数。