Трудность в понимании функции и параметров функции - PullRequest
Новая
       46

Трудность в понимании функции и параметров функции

0 голосов
/ 14 июня 2019

Я пытаюсь построить программу на основе проверки отпечатков пальцев на основе Minutiae, и для предварительной обработки мне нужно сориентировать гребни, и я нашел в интернете соответствующую функцию, но не смог ее правильно понять.

Я пыталсяЧтение многих исследовательских работ по извлечению мелочей.

Эту функцию я нашел в интернете 

def ridge_orient(im, gradientsigma, blocksigma, orientsmoothsigma):

rows,cols = im.shape;
#Calculate image gradients.
sze = np.fix(6*gradientsigma);
if np.remainder(sze,2) == 0:
    sze = sze+1;

gauss = cv2.getGaussianKernel(np.int(sze),gradientsigma);
f = gauss * gauss.T;

fy,fx = np.gradient(f);     #Gradient of Gaussian

#Gx = ndimage.convolve(np.double(im),fx);
#Gy = ndimage.convolve(np.double(im),fy);

Gx = signal.convolve2d(im,fx,mode='same');    
Gy = signal.convolve2d(im,fy,mode='same');

Gxx = np.power(Gx,2);
Gyy = np.power(Gy,2);
Gxy = Gx*Gy;

#Now smooth the covariance data to perform a weighted summation of the data.    

sze = np.fix(6*blocksigma);

gauss = cv2.getGaussianKernel(np.int(sze),blocksigma);
f = gauss * gauss.T;

Gxx = ndimage.convolve(Gxx,f);
Gyy = ndimage.convolve(Gyy,f);
Gxy = 2*ndimage.convolve(Gxy,f);

# Analytic solution of principal direction
denom = np.sqrt(np.power(Gxy,2) + np.power((Gxx - Gyy),2)) + np.finfo(float).eps;

sin2theta = Gxy/denom;            # Sine and cosine of doubled angles
cos2theta = (Gxx-Gyy)/denom;


if orientsmoothsigma:
    sze = np.fix(6*orientsmoothsigma);
    if np.remainder(sze,2) == 0:
        sze = sze+1;    
    gauss = cv2.getGaussianKernel(np.int(sze),orientsmoothsigma);
    f = gauss * gauss.T;
    cos2theta = ndimage.convolve(cos2theta,f); # Smoothed sine and cosine of
    sin2theta = ndimage.convolve(sin2theta,f); # doubled angles

orientim = np.pi/2 + np.arctan2(sin2theta,cos2theta)/2;
return(orientim);

1 Ответ

0 голосов
/ 14 июня 2019

Этот код вычисляет тензор структуры , метод для надежного вычисления локальной ориентации.Он получает для каждого пикселя симметричную матрицу 2х2 (тензор) (переменные Gxx, Gyy и Gxy), собственные векторы которой указывают локальную ориентацию, а собственные значения указывают силу локального изменения.Поскольку он возвращает матрицу, а не простой вектор градиента, вы можете отличить однородные области от структур, подобных кресту, ни один из которых не имеет сильного градиента, но крест имеет сильный локальный разброс.

Некоторыекритика по поводу кода 

fy,fx = np.gradient(f);

- это действительно плохой способ получения ядра гауссовой производной.Здесь вы просто теряете все преимущества гауссовского градиента и вместо этого вычисляете приближение конечной разности к градиенту.

Далее, код не использует отделимость гауссовского алгоритма для уменьшения сложности вычислений, что такжепозор.

В этом сообщении в блоге я перехожу к теории гауссовой фильтрации и гауссовых производных, а в этой другой я подробно излагаю некоторые практические аспекты (используя MATLAB, но это должно распространяться на Python).

...