掌纹图像预处理与脉络提取

本项目提供了三种掌纹图像预处理和脉络提取方法，用于从掌纹图像中提取清晰的脉络特征。

项目概述

本项目包含三个Python脚本：

1. palmprint_preprocessing.py - 基础掌纹预处理方法
2. row_column_histogram_vein_extraction.py - 基于行列直方图的动态二值化方法
3. palmprint_preprocessing2.py - 基于Gabor滤波和脊线检测的综合脉络提取方法

三种方法都支持批量处理，能够自动处理指定文件夹中的所有图像文件。

---

方法一：基础掌纹预处理 (palmprint_preprocessing.py)

原理说明

该方法采用传统的图像处理技术进行掌纹预处理，主要包括以下步骤：

1. 光照归一化

使用CLAHE（对比度受限的自适应直方图均衡化）处理图像：

• 将图像分成8×8的小块
• 在每个小块内进行直方图均衡化
• 限制对比度增强幅度，避免噪声放大
• 适应不同光照条件

2. 噪声降低

应用快速非局部均值去噪算法：

• 通过搜索相似图像块进行去噪
• 保留边缘细节
• 参数：h=10, templateWindowSize=7, searchWindowSize=21

3. 主干脉络增强

使用形态学黑帽操作：

• 提取比周围区域暗的特征（掌纹脉络）
• 将提取的特征叠加到原图上
• 增强脉络的可见性

4. 主干结构提取

通过形态学开运算和闭运算：

• 开运算（先腐蚀后膨胀）：去除细小噪声和细小分支
• 闭运算（先膨胀后腐蚀）：连接断裂的脉络，填充孔洞
• 保留主要的主干脉络

5. 自适应阈值二值化

使用高斯自适应阈值方法：

• 不是使用全局阈值，而是为每个像素点计算局部阈值
• 使用11×11的邻域窗口
• 通过高斯加权计算局部均值
• 阈值 = 局部均值 - 2

处理流程

原始图像 → 灰度转换 → CLAHE增强 → 去噪 → 黑帽增强 → 形态学提取 → 自适应阈值 → 输出

输出文件

• *_enhanced.jpg - 增强后的掌纹图像
• *_binary.jpg - 二值化处理后的图像
• *_structure.jpg - 提取的主干结构图像

示例输出

---

方法二：基于行列直方图的动态二值化 (row_column_histogram_vein_extraction.py)

原理说明

该方法利用掌纹脉络在图像中的分布特性（脉络线条在每行和每列中占比较小），通过行列直方图分析进行动态二值化。

1. 图像增强和去噪

与方法一相同，使用CLAHE和快速非局部均值去噪。

2. 基于列直方图的动态二值化

简单方法：

• 对每一列像素计算直方图
• 统计累积分布，找到使黑色像素比例达到15%的灰度值作为阈值
• 将该列中灰度值≤阈值的像素设为黑色（脉络）

自适应窗口方法：（建议采用这种方法）

• 以当前列为中心，取前后各5列（共11列）作为窗口
• 对窗口内所有像素计算直方图
• 根据窗口统计确定阈值
• 用窗口阈值处理当前列
• 提高统计稳定性，平滑阈值变化

3. 基于行直方图的动态二值化

与列处理完全相同，只是方向改为水平方向：

• 对每一行像素进行直方图分析
• 动态确定阈值（黑色像素比例为10%）
• 自适应窗口方法使用11行的窗口

4. 行列结果合并

使用逻辑或（OR）操作合并两个二值化结果：

• 只要列二值化或行二值化中任一判断为黑色，合并结果就是黑色
• 更全面地提取脉络特征，避免遗漏

5. 形态学清理

使用3×3椭圆结构元素进行开运算：

• 去除细小噪声
• 保持主干脉络的完整性

6. 骨架化处理

将二值化的脉络转换为单像素宽的骨架：

• 优先使用OpenCV的Zhang-Suen算法（cv2.ximgproc.thinning）
• 如果不可用，自动回退到形态学方法
• 提取脉络的中心线，便于特征提取和匹配

7. 骨架覆盖

将骨架以绿色覆盖到原始图像上：

• 直观显示提取的脉络在原始图像中的位置
• 便于验证提取效果

自适应窗口处理详解

核心思想： 用局部窗口的统计信息代替单列/单行的统计信息，在保持局部适应性的同时提高统计稳定性。

实现方式：

window_size = 11
start_col = max(0, col - window_size // 2)
end_col = min(width, col + window_size // 2 + 1)
window_pixels = image[:, start_col:end_col]

作用：

• 提高统计稳定性：窗口包含11列，像素数量增加11倍
• 平滑局部光照变化：平均邻近列的光照信息
• 抗噪声干扰：噪声的影响被稀释
• 保持局部适应性：窗口仍只覆盖局部区域

处理流程

原始图像 → 增强去噪 → 列方向动态二值化 → 行方向动态二值化 → 合并结果 → 形态学清理 → 骨架化 → 覆盖到原图

输出文件

• *_denoised.jpg - 增强和去噪后的灰度图像
• *_binary_col_adaptive.jpg - 基于列直方图的二值化结果
• *_binary_row_adaptive.jpg - 基于行直方图的二值化结果
• *_binary_merged_adaptive.jpg - 行和列二值化结果的合并
• *_cleaned_adaptive.jpg - 形态学清理后的脉络图像
• *_skeleton_adaptive.jpg - 骨架化后的脉络（单像素宽）
• *_overlay_adaptive.jpg - 骨架覆盖到原始图像上的结果（绿色显示）

示例输出

---

方法三：基于Gabor滤波和脊线检测的综合脉络提取 (palmprint_preprocessing2.py)

原理说明

该方法采用多种图像处理技术的组合，通过Gabor滤波器和脊线检测相结合的方式提取掌纹脉络。

1. 图像预处理

使用CLAHE（对比度受限的自适应直方图均衡化）处理图像：

• 将图像分成8×8的小块
• 在每个小块内进行直方图均衡化
• 限制对比度增强幅度，避免噪声放大
• 适应不同光照条件

2. 多级降噪

采用两级降噪策略：

• 高斯模糊降噪：使用5×5高斯核进行初步降噪
• 非局部均值去噪：对保留细节效果更好
  • 参数：h=10, templateWindowSize=7, searchWindowSize=21
  • 通过搜索相似图像块进行去噪
  • 保留边缘细节

3. 脉络特征增强

使用形态学顶帽和黑帽变换组合增强：

• 顶帽变换（MORPH_TOPHAT）：提取比周围区域亮的特征
• 黑帽变换（MORPH_BLACKHAT）：提取比周围区域暗的特征（掌纹脉络）
• 组合增强：将顶帽结果叠加到原图，减去黑帽结果
• 增强脉络的可见性和对比度

4. Gabor滤波提取

使用多方向Gabor滤波器提取脉络：

• Gabor滤波器参数：
  • ksize=31：滤波器核大小
  • sigma=5.0：高斯标准差
  • lambd=10.0：正弦波长
  • gamma=0.5：空间纵横比
  • psi=0：相位偏移
• 多方向处理：0°、45°、90°、135°四个方向
• 最大响应融合：取所有方向的最大响应作为最终结果
• 适应不同方向的脉络特征

5. 脊线检测

使用Sobel算子检测边缘和脊线：

• Sobel算子：计算图像梯度
  • sobelx：水平方向梯度
  • sobely：垂直方向梯度
• 梯度幅值计算：sqrt(sobelx² + sobely²)
• 归一化处理：将梯度幅值映射到0-255范围
• 检测脉络的边缘和脊线特征

6. 结果融合

将Gabor滤波和脊线检测结果进行加权融合：

• 加权融合：cv2.addWeighted(gabor_result, 0.5, ridge_result, 0.5, 0)
• 优势互补：
  • Gabor滤波：对特定方向的脉络响应强
  • 脊线检测：对边缘和梯度变化敏感
• 综合效果：结合两种方法的优势，提高提取准确性

7. 形态学处理和骨架化

通过形态学操作优化最终结果：

• 二值化：使用Otsu方法自动确定阈值
• 闭运算：连接断裂的脉络，使用3×3椭圆结构元素，迭代2次
• 开运算：去除小噪点，使用2×2椭圆结构元素，迭代1次
• 骨架化：使用迭代腐蚀方法提取单像素宽的骨架
  • 提取脉络的中心线
  • 便于特征提取和匹配

处理流程

原始图像 → 灰度转换 → CLAHE增强 → 多级降噪 → 形态学增强 → Gabor滤波 → 脊线检测 → 结果融合 → 形态学处理 → 骨架化 → 输出

输出文件

• *_veins.png - 最终提取的掌纹脉络图像（骨架化结果）
• *_process.png - 处理过程可视化图像（包含7个子图）

可视化结果

该方法提供完整的处理过程可视化，包含7个子图：

1. 原始图像
2. 预处理结果
3. 降噪结果
4. 增强结果
5. Gabor滤波结果
6. 脊线检测结果
7. 融合结果
8. 最终脉络

示例输出

---

环境要求

Python版本

• Python 3.7 或更高版本

依赖库

• opencv-python
• numpy

---

使用方法

方法一：基础掌纹预处理

1. 准备数据

   • 将掌纹图像放入 data 文件夹
   • 支持的格式：.jpg, .jpeg, .png, .bmp, .tiff

2. 运行脚本

   python palmprint_preprocessing.py

3. 查看结果

   • 处理结果保存在 output 文件夹
   • 每个输入图像生成3个输出文件

方法二：基于行列直方图的动态二值化

1. 准备数据

   • 将掌纹图像放入 data 文件夹
   • 支持的格式：.jpg, .jpeg, .png, .bmp, .tiff

2. 运行脚本

   python row_column_histogram_vein_extraction.py

3. 查看结果

   • 处理结果保存在 output_row_column_histogram 文件夹
   • 每个输入图像生成7个输出文件

方法三：基于Gabor滤波和脊线检测的综合脉络提取

1. 准备数据

   • 将掌纹图像放入 data 文件夹
   • 支持的格式：.jpg, .jpeg, .png, .bmp, .tiff

2. 运行脚本

   python palmprint_preprocessing2.py

3. 查看结果

   • 处理结果保存在 output_palmprint2 文件夹
   • 每个输入图像生成2个输出文件：
     • *_veins.png - 最终提取的掌纹脉络图像
     • *_process.png - 处理过程可视化图像

---

参数说明

方法一参数

在 palmprint_preprocessing.py 中可以调整的参数：

# CLAHE参数
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# clipLimit: 对比度限制（默认2.0）
# tileGridSize: 网格大小（默认8×8）

# 去噪参数
cv2.fastNlMeansDenoising(enhanced, None, h=10, templateWindowSize=7, searchWindowSize=21)
# h: 去噪强度（默认10）
# templateWindowSize: 模板窗口大小（默认7）
# searchWindowSize: 搜索窗口大小（默认21）

# 形态学参数
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
# 结构元素大小（默认5×5）

# 自适应阈值参数
cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
# blockSize: 邻域窗口大小（默认11）
# C: 常数（默认2）

方法二参数

在 row_column_histogram_vein_extraction.py 中可以调整的参数：

# 列方向黑色像素比例阈值
binary_col = adaptive_dynamic_threshold_by_column(denoised, black_ratio_threshold=0.15, window_size=11)
# black_ratio_threshold: 黑色像素比例（默认0.15，即15%）
# window_size: 自适应窗口大小（默认11）

# 行方向黑色像素比例阈值
binary_row = adaptive_dynamic_threshold_by_row(denoised, black_ratio_threshold=0.1, window_size=11)
# black_ratio_threshold: 黑色像素比例（默认0.1，即10%）
# window_size: 自适应窗口大小（默认11）

# 形态学清理参数
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
# 结构元素大小（默认3×3）

# 骨架覆盖颜色
overlay = overlay_skeleton_on_image(image, skeleton, color=(0, 255, 0))
# color: BGR颜色值（默认绿色：(0, 255, 0)）

方法三参数

在 palmprint_preprocessing2.py 中可以调整的参数：

# CLAHE参数
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# clipLimit: 对比度限制（默认2.0）
# tileGridSize: 网格大小（默认8×8）

# 高斯模糊参数
denoised = cv2.GaussianBlur(image, (5, 5), 0)
# kernel_size: 高斯核大小（默认5×5）

# 非局部均值去噪参数
cv2.fastNlMeansDenoising(denoised, None, h=10, templateWindowSize=7, searchWindowSize=21)
# h: 去噪强度（默认10）
# templateWindowSize: 模板窗口大小（默认7）
# searchWindowSize: 搜索窗口大小（默认21）

# 形态学增强参数
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 15))
# 结构元素大小（默认15×15）

# Gabor滤波器参数
ksize = 31  # 滤波器核大小
sigma = 5.0  # 高斯标准差
lambd = 10.0  # 正弦波长
gamma = 0.5  # 空间纵横比
psi = 0  # 相位偏移
angles = [0, 45, 90, 135]  # 滤波方向

# Sobel算子参数
ksize = 3  # Sobel核大小（默认3）

# 结果融合参数
cv2.addWeighted(gabor_result, 0.5, ridge_result, 0.5, 0)
# alpha: Gabor结果权重（默认0.5）
# beta: 脊线结果权重（默认0.5）

# 形态学处理参数
kernel_close = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
kernel_open = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (2, 2))
# 闭运算：结构元素大小（默认3×3），迭代次数（默认2）
# 开运算：结构元素大小（默认2×2），迭代次数（默认1）

参数调优建议

黑色像素比例阈值：

• 较小值（0.05-0.10）：更严格，只提取最暗的脉络，减少误检
• 中等值（0.10-0.15）：平衡，适合大多数情况
• 较大值（0.15-0.20）：宽松，提取更多细节，可能包含噪声

自适应窗口大小：

• window_size = 1：等价于简单方法
• window_size = 11：平衡局部性和稳定性（推荐）
• window_size = 21：更稳定，但可能过度平滑
• window_size = 51：接近全局阈值，失去局部适应性

---

方法对比

特性	方法一	方法二	方法三
核心思想	传统图像处理技术	行列直方图动态分析	Gabor滤波+脊线检测
二值化方法	全局自适应阈值	动态阈值（基于直方图）	Otsu自动阈值
适应性	局部自适应	双向自适应（行+列）	多方向自适应
输出文件数	3个	7个	2个
骨架化	无	有	有
可视化	有	骨架覆盖	完整过程可视化
适用场景	快速预处理	精确脉络提取	高精度脉络提取

---

常见问题

1. 如何修改输入输出目录？

在脚本的主函数部分修改：

data_directory = "data"  # 输入目录
output_directory = "output"  # 输出目录

2. 如何选择方法？

• 方法一：适合快速预处理，需要简单的脉络提取
• 方法二：适合精确脉络提取，需要骨架化结果
• 方法三：适合高精度脉络提取，需要完整过程可视化

3. 处理速度慢怎么办？

• 减小图像尺寸
• 减小自适应窗口大小
• 使用简单方法而非自适应方法

4. 提取效果不理想？

• 调整黑色像素比例阈值
• 调整自适应窗口大小
• 检查图像质量和光照条件

---

示例输出

方法一输出示例

找到 6 个图像文件
开始批量处理...
--------------------------------------------------
处理完成: 1
  - 增强图像: output\1_enhanced.jpg
  - 二值化图像: output\1_binary.jpg
  - 主干结构: output\1_structure.jpg
--------------------------------------------------
批量处理完成！共处理 6 个图像
结果保存在: output

方法二输出示例

基于行和列直方图的动态二值化掌纹脉络提取
==================================================

找到 6 个图像文件
使用方法: adaptive
开始批量处理...
--------------------------------------------------
处理完成: 1 (方法: adaptive)
  - 去噪图像: output_row_column_histogram\1_denoised.jpg
  - 列二值化图像: output_row_column_histogram\1_binary_col_adaptive.jpg
  - 行二值化图像: output_row_column_histogram\1_binary_row_adaptive.jpg
  - 合并二值化图像: output_row_column_histogram\1_binary_merged_adaptive.jpg
  - 清理后图像: output_row_column_histogram\1_cleaned_adaptive.jpg
  - 骨架图像: output_row_column_histogram\1_skeleton_adaptive.jpg
  - 覆盖图像: output_row_column_histogram\1_overlay_adaptive.jpg
--------------------------------------------------
批量处理完成！共处理 6 个图像
结果保存在: output_row_column_histogram

方法三输出示例

基于Gabor滤波和脊线检测的综合脉络提取
==================================================

找到 6 个图像文件
开始批量处理...
--------------------------------------------------
处理完成: 1
  - 脉络图像: output_palmprint2\1_veins.png
  - 处理过程: output_palmprint2\1_process.png
--------------------------------------------------
批量处理完成！共处理 6 个图像
结果保存在: output_palmprint2

---

许可证

本项目仅供学习和研究使用。

联系方式

如有问题或建议，欢迎提出Issue。