《数字图像处理》冈萨雷斯 第三版中，P179有一个指纹增强的例子；
先用opencv模拟实现：
处理这个指纹图像 ，其污染是很明显的。自动指纹识别的关键一步是增强指纹的脊线并减小污染。使用高通滤波实现；
脊线增强使用脊线包含高频这样一个事实来完成，而高通滤波不会改变高频；另一方面，滤掉了低频，而低频分量对应图像中慢变化的灰度，例如背景和污染。
这样增强就可以同时减少高频外的所有特征来达到，当前情况，高频是感兴趣的特征。
原图像---------------------------------------------------高通滤波后图像------------------------------------------阈值化后图像
先用布特沃斯高通滤波器D0=50，n=4滤波，结果失去了灰度色调，因为直流项被减小为0；最终结果是高通滤波后图像的典型暗色调已成为主流，这样就可以通过附加处理增强感兴趣细节。
一种简单的方法是对结果进行阈值操作，将所有负值设为黑，所有正值设为白。
代码实现：
#include "opencv2/opencv.hpp"
using namespace cv;
//transform to center 中心化
void center_transform( cv::Mat &src )
{
for(int i=0; i<src.rows; i++){
float *p = src.ptr<float>(i);
for(int j=0; j<src.cols; j++){
p[j] = p[j] * pow(-1, i+j);
}
}
}
void zero_to_center(Mat &freq_plane)
{
// freq_plane = freq_plane(Rect(0, 0, freq_plane.cols & -2, freq_plane.rows & -2));
//这里为什么&上-2具体查看opencv文档
//其实是为了把行和列变成偶数 -2的二进制是11111111.......10 最后一位是0
int cx=freq_plane.cols/2;int cy=freq_plane.rows/2;
//以下的操作是移动图像 (零频移到中心) 与函数center_transform()作用相同，只是一个先处理，一个dft后再变换
Mat part1_r(freq_plane, Rect(0,0,cx,cy)); //元素坐标表示为(cx,cy)
Mat part2_r(freq_plane, Rect(cx,0,cx,cy));
Mat part3_r(freq_plane, Rect(0,cy,cx,cy));
Mat part4_r(freq_plane, Rect(cx,cy,cx,cy));
Mat tmp;
part1_r.copyTo(tmp); //左上与右下交换位置(实部)
part4_r.copyTo(part1_r);
tmp.copyTo(part4_r);
part2_r.copyTo(tmp); //右上与左下交换位置(实部)
part3_r.copyTo(part2_r);
tmp.copyTo(part3_r);
}
int main(int argc, char * argv[])
{
const char* filename = argc >=2 ? argv[1] : "zhiwen12.tif";
Mat image = imread(filename, IMREAD_GRAYSCALE);
if( image.empty())
return -1;
resize( image, image, Size(), 0.25, 0.25);
imshow("src",image);
image.convertTo(image,CV_32FC1);
///快速傅里叶变换/
// int oph = getOptimalDFTSize(image.rows);
// int opw = getOptimalDFTSize(image.cols);
int oph = 2*image.rows;
int opw = 2*image.cols;
Mat padded;
copyMakeBorder(image, padded, 0, oph-image.rows, 0, opw-image.cols,
BORDER_CONSTANT, Scalar::all(0));
// center_transform(padded);
Mat pad_show;
normalize(padded, pad_show, 1, 0, CV_MINMAX);
imshow("padded",pad_show);
Mat temp[] = {padded, Mat::zeros(padded.size(),CV_32FC1)};
Mat complexI;
merge(temp, 2, complexI);
dft(complexI, complexI); //傅里叶变换
//显示频谱图
split(complexI, temp);
zero_to_center(temp[0]);
zero_to_center(temp[1]);
Mat aa;
magnitude(temp[0], temp[1], aa);
divide(aa, oph*opw, aa);
imshow("pu",aa);
/频域滤波///
//生成频域滤波核
Mat butter_sharpen(padded.size(), CV_32FC2);
float D0 = 50.;
int n = 4;
for(int i=0; i<butter_sharpen.rows; i++){
float *q = butter_sharpen.ptr<float>(i);
for(int j=0; j<butter_sharpen.cols; j++){
float d = sqrt(pow(i-oph/2, 2) + pow(j-opw/2, 2));
q[2*j] = 1.0/(1 + pow(D0/d, 2* n));
q[2*j+1] = 1.0/(1 + pow(D0/d, 2*n));
}
}
// Mat tmp[2];
// split(butter_sharpen, tmp);
// multiply(temp[0], tmp[0], temp[0]);
// multiply(temp[1], tmp[0], temp[1]);
merge(temp, 2, complexI);
multiply(complexI, butter_sharpen, complexI);
//傅里叶反变换
idft(complexI, complexI, CV_DXT_INVERSE);
Mat dstSharpen[2];
split(complexI, dstSharpen);
// magnitude(dstSharpen[0],dstSharpen[1],dstSharpen[0]); //求幅值(模)
for(int i=0; i<oph; i++){
float *q = dstSharpen[0].ptr<float>(i);
for(int j=0; j<opw; j++){
q[j] = q[j] * pow(-1, i+j);
}
}
Mat show;
// divide(dstSharpen[0], dstSharpen[0].cols*dstSharpen[0].rows, show);
normalize(dstSharpen[0], show, 1, 0, CV_MINMAX);
show = show(Rect(0,0,image.cols, image.rows));
imshow("_filter",show);
threshold(dstSharpen[0], dstSharpen[0], 0, 255, THRESH_BINARY);
normalize(dstSharpen[0], dstSharpen[0], 0, 1, CV_MINMAX);
dstSharpen[0] = dstSharpen[0](Rect(0,0,image.cols, image.rows));
imshow("dstSharpen",dstSharpen[0]);
// imshow( "dest_finger", dest_finger );
waitKey(0);
return 1;
}