指纹识别C代码（包括图像预处理和图像匹配）

/*############################################################################# * 文件名：imagemanip.c * 功能： 实现了主要的图像处理操作 * modified by PRTsinghua@hotmail.com #############################################################################*/ #include <math.h> #include <stdio.h> #include <stdlib.h> #include <time.h> #include <string.h> #include "imagemanip.h" #ifndef min #define min(a,b) (((a)<(b))?(a):(b)) #endif /* 宏定义 */ #define PIJKL p[i+k + (j+l)*nSizeX] /****************************************************************************** * 功能：图像缩放操作 * 参数：image 指纹图像 * size 缩放的图像块大小 * tolerance 消去直方图的边界 * 返回：错误编号 ******************************************************************************/ FvsError_t ImageLocalStretch(FvsImage_t image, const FvsInt_t size, const FvsInt_t tolerance) { /* 定义一些变量 */ int nSizeX = ImageGetWidth(image) - size + 1; int nSizeY = ImageGetHeight(image) - size + 1; FvsInt_t i, j, t, l; FvsInt_t sum, denom; FvsByte_t a = 0; FvsInt_t k = 0; FvsByte_t b = 255; int hist[256]; FvsByte_t* p = ImageGetBuffer(image); if (p==NULL) return FvsMemory; for (j=0; j < nSizeY; j+=size) { for (i=0; i < nSizeX; i+=size) { /* 计算直方图 */ memset(hist, 0, 256*sizeof(int)); for (l = 0; l<size; l++) for (k = 0; k<size; k++) hist[PIJKL]++; /* 伸缩 */ for (k=0, sum=0; k <256; k++) { sum+=hist[k]; a = (FvsByte_t)k; if (sum>tolerance) break; } for (k=255, sum=0; k >= 0; k--) { sum+=hist[k]; b = (FvsByte_t)k; if (sum>tolerance) break; } denom = (FvsInt_t)(b-a); if (denom!=0) { for (l = 0; l<size; l++) { for (k = 0; k<size; k++) { if (PIJKL<a) PIJKL = a; if (PIJKL>b) PIJKL = b; t = (FvsInt_t)((((PIJKL)-a)*255)/denom); PIJKL = (FvsByte_t)(t); } } } } } return FvsOK; } #define P(x,y) ((int32_t)p[(x)+(y)*pitch]) /****************************************************************************** ** 估算脊线的方向 ** 给定一个归一化的指纹图像，算法的主要步骤如下： ** ** 1 - 将G分成大小为 w x w - (15 x 15) 的块； ** ** 2 - 计算每个象素 (i,j)的梯度 dx(i,j) 和 dy(i,j) , ** 根据计算的需求，梯度算子可以从简单的Sobel算子到复杂的Marr-Hildreth 算子。 ** ** 3 - 估算优势方向(i,j), 使用如下的操作： ** ** i+w/2 j+w/2 ** --- --- ** \ \ ** Nx(i,j) = -- -- 2 dx(u,v) dy(u,v) ** / / ** --- --- ** u=i-w/2 v=j-w/2 ** ** i+w/2 j+w/2 ** --- --- ** \ \ ** Ny(i,j) = -- -- dx(u,v) - dy(u,v) ** / / ** --- --- ** u=i-w/2 v=j-w/2 ** ** 1 -1 / Nx(i,j) \ ** Theta(i,j) = - tan | ------- | ** 2 \ Ny(i,j) / ** ** 这里，Theta(i,j)是局部脊线方向的最小方差估计，以像素 (i,j) 为中心。 ** 从数学的角度看，它代表傅立叶频谱中直角占有时的方向。 ** ** 4 - 由于有噪声，脊线的中断，细节点等等的存在，在输入图像中，对局部脊线 ** 方向的估计并不总是正确的。由于局部脊线方向变化缓慢，所以可以用低通 ** 滤波器来修正不正确的脊线方向。为了运用低通滤波器，方向图必须转换成 ** 连续的矢量域，定义如下： ** Phi_x(i,j) = cos( 2 x theta(i,j) ) ** Phi_y(i,j) = sin( 2 x theta(i,j) ) ** 在矢量域，可以用如下的卷积低通滤波： ** Phi2_x(i,j) = (W @ Phi_x) (i,j) ** Phi2_y(i,j) = (W @ Phi_y) (i,j) ** W是一个二维的低通滤波器。 ** ** 5 - 用如下公式计算 (i,j) 处的方向： ** ** 1 -1 / Phi2_y(i,j) \ ** O(i,j) = - tan | ----------- | ** 2 \ Phi2_x(i,j) / ** ** 用这个算法可以得到相当平滑的方向图 ** */ static FvsError_t FingerprintDirectionLowPass(FvsFloat_t* theta, FvsFloat_t* out, FvsInt_t nFilterSize, FvsInt_t w, FvsInt_t h) { FvsError_t nRet = FvsOK; FvsFloat_t* filter = NULL; FvsFloat_t* phix = NULL; FvsFloat_t* phiy = NULL; FvsFloat_t* phi2x = NULL; FvsFloat_t* phi2y = NULL; FvsInt_t fsize = nFilterSize*2+1; size_t nbytes = (size_t)(w*h*sizeof(FvsFloat_t)); FvsFloat_t nx, ny; FvsInt_t val; FvsInt_t i, j, x, y; filter= (FvsFloat_t*)malloc((size_t)fsize*fsize*sizeof(FvsFloat_t)); phix = (FvsFloat_t*)malloc(nbytes); phiy = (FvsFloat_t*)malloc(nbytes); phi2x = (FvsFloat_t*)malloc(nbytes); phi2y = (FvsFloat_t*)malloc(nbytes); if (filter==NULL || phi2x==NULL || phi2y==NULL || phix==NULL || phiy==NULL) nRet = FvsMemory; else { /* 置 0 */ memset(filter, 0, (size_t)fsize*fsize*sizeof(FvsFloat_t)); memset(phix, 0, nbytes); memset(phiy, 0, nbytes); memset(phi2x, 0, nbytes); memset(phi2y, 0, nbytes); /* 步骤4 */ for (y = 0; y < h; y++) for (x = 0; x < w; x++) { val = x+y*w; phix[val] = cos(theta[val]); phiy[val] = sin(theta[val]); } /* 构造低通滤波器 */ nx = 0.0; for (j = 0; j < fsize; j++) for (i = 0; i < fsize; i++) { filter[j*fsize+i] = 1.0; nx += filter[j*fsize+i]; /* 系数和 */ } if (nx>1.0) { for (j = 0; j < fsize; j++) for (i = 0; i < fsize; i++) /* 归一化结果 */ filter[j*fsize+i] /= nx; } /* 低通滤波 */ for (y = 0; y < h-fsize; y++) for (x = 0; x < w-fsize; x++) { nx = 0.0; ny = 0.0; for (j = 0; j < fsize; j++) for (i = 0; i < fsize; i++) { val = (x+i)+(j+y)*w; nx += filter[j*fsize+i]*phix[val]; ny += filter[j*fsize+i]*phiy[val]; } val = x+y*w; phi2x[val] = nx; phi2y[val] = ny; } /* 销毁 phix, phiy */ if (phix!=NULL) { free(phix); phix=NULL; } if (phiy!=NULL) { free(phiy); phiy=NULL; } /* 步骤5 */ for (y = 0; y < h-fsize; y++) for (x = 0; x < w-fsize; x++) { val = x+y*w; out[val] = atan2(phi2y[val], phi2x[val])*0.5; } } if (phix!=NULL) free(phix); if (phiy!=NULL) free(phiy); if (phi2x!=NULL) free(phi2x); if (phi2y!=NULL) free(phi2y); if (filter!=NULL)free(filter); return nRet; } /****************************************************************************** * 功能：计算指纹图像脊线的方向。 该算法在许多论文中都有描述，如果图像做了归一化，并且对比度较高， 则最后的处理效果也较好。 方向的值在-PI/2和PI/2之间，弧度和脊并不相同。 选取的块越大，分析的效果也越好，但所需的处理计算时间也越长。 由于指纹图像中脊线方向的变化比较缓慢，所以低通滤波器可以较好的 过虑掉方向中的噪声和错误。 * 参数：image 指向图像对象的指针 * field 指向浮点域对象的指针，保存结果 * nBlockSize 块大小 * nFilterSize 滤波器大小 * 返回：错误编号 ******************************************************************************/ FvsError_t FingerprintGetDirection(const FvsImage_t image, FvsFloatField_t field, const FvsInt_t nBlockSize, const FvsInt_t nFilterSize) { /* 输入图像的宽度和高度 */ FvsInt_