通过学习，掌握以下几个问题：
1、核心算法，并且向GVF衍生；
2、核心库封装的方法
2016年11月16日06:52:51
昨日实现了梯度场和频率场的计算。最大的感觉就是建立基础代码库的重要性。
如果使用opencv或者别的代码库，可能它也能实现一些功能，特别对于建立在感官上的效果，差别不大。但是，如果是用于数学计算的，特别是对于我现在还不是很清楚过程，也不是很清楚结果的算法来说，精确的、容易比对的代码更重要。在这种时候，我更愿意采取原始的、按照定义实现的计算方法。
在昨天的频度场计算中，我突破好几天的困扰，直接按照定义修改代码，比如计算频度场
int main( int argc, char** argv )
{
Mat src = imread2gray("E:\template\1.bmp");
src.convertTo(src,CV_8U);//255的运算
pyrDown(src,src);
Mat dst;//结果
dst.create(src.size(),src.type());
int IMGH =src.rows;
int IMGW =src.cols;
int gradSum;
int grad;
long vx, vy, lvx, lvy;
unsigned char *lpSrc = NULL;
unsigned char *lpOri = NULL;
long angle, num;
double fAngle;
int r = 6;
int i;int j;
for (int y = 0;y<IMGH-1;y++)
{
for (int x=0;x<IMGW-1;x++)
{
lpOri = dst.ptr<uchar>(0) + y*IMGW + x;
lvx = 0;
lvy = 0;
num = 0;
for(i = -r; i <= r; i++) // 为提高速度，步长为
{
if(y+i<1 || y+i>=IMGH-1) continue;
for(j = -r; j <= r; j++) // 为提高速度，步长为
{
if(x+j<1 || x+j>=IMGW-1) continue;
lpSrc = src.ptr<uchar>(0) + (y+i)*(IMGW) + x+j;
//求x方向偏导
vx = *(lpSrc + IMGW + 1) - *(lpSrc + IMGW - 1) +
*(lpSrc + 1)*2 - *(lpSrc - 1)*2 +
*(lpSrc - IMGW + 1) - *(lpSrc - IMGW - 1);
//求y方向偏导
vy = *(lpSrc + IMGW - 1) - *(lpSrc - IMGW - 1) +
*(lpSrc + IMGW)*2 - *(lpSrc - IMGW)*2 +
*(lpSrc + IMGW + 1) - *(lpSrc - IMGW + 1);
lvx += vx * vy * 2;//sin(2sita)
lvy += vx*vx - vy*vy;//cos(2sita)
num++;
}
}
if(num == 0) num = 1;
// 求弧度
fAngle = atan2((float)lvy, (float)lvx);
// 变换到(0 - 2*pi)
if(fAngle < 0) fAngle += 2*PI;
// 求纹线角度
fAngle = (fAngle*EPI*0.5 + 0.5);
angle = (long)fAngle;
// 因为采用sobel算子，所以角度偏转了度，所以要旋转求得的角度
angle -= 135;
// 角度变换到（-180）
if(angle <= 0) angle += 180;
angle = 180-angle;
// 最终纹线角度
*lpOri = (unsigned char)angle;
*(lpOri + 1) = (unsigned char)angle;
*(lpOri + IMGW) = (unsigned char)angle;
*(lpOri + IMGW + 1) = (unsigned char)angle;
}
}
pyrUp(dst,dst);
imwrite("e:/sandbox/n1dst.bmp",dst);
return 0;
}这样从结果的面上来看，已经是非常接近书中给出的效果了。
下一步，专门成立GOGVF项目作为GOCVHelper的一个部分，逐步地改造现有代码库，实现书中的效果。并且向GOGVF的按照定义实现做出努力。
2016年11月16日06:52:51 已经逐步移植代码，从梯度一直做到了增强。虽然现在的代码还有一些问题，但是基本不影响使用。并且生成了专门的GOGVF库，用于收集这方面的代码。
虽然这本书很精彩，里面的代码对于我来说都是右开创性的；但是不可否认很多地方，他的代码写的还是比较繁琐、冗余的，给阅读移植带来了不少困难。
使用的情况是这样的
int main( int argc, char** argv )
{
Mat src = imread2gray("E:\template\2.bmp");
Mat grad = getGrads(src); //梯度场
Mat org = getOrientMap(src); //方向场
Mat seg;
segment(grad,seg); //对梯度场进行阈值,seg为分割结果
segment_clearEdge(src,org,seg);//反馈到src和org中了，这种方法倒也是方便
Mat equ = src.clone();
//cv::equalizeHist(src,equ);
equalize(src,equ);
Mat gauss = src.clone();
GaussSmooth(equ,gauss,0.4);
Mat smo = src.clone();
smooth(gauss,smo,1,1);
orientEnhance(org,smo);
orientEnhance(org,smo);
imshow("dst",smo);
waitKey(0);
return 0;
}
原始图像
梯度图像，可以看到，在指纹比较密集的地方，梯度很强，而在背景区域，比较干净。
通过梯度场，可以背景前景分离。
方向场。基本上是表示了指纹线段角度的变化。特别观察中间的位置，由255跳跃至0，是因为在中间的部分，指纹几乎是水平的。
gaobor增强，现在在细节部分还有一点问题，但是已经基本体现出来特点了。
这是我第一次自己写代码实现gabor的效果，也是深入理解gabor的一次。回头思考，指纹识别其实是很好的算法平台，因为采集到的图片，本身背景前景分割还是比较干净的；在以前，如果处理这样的图片，我可能会选择阈值分割这种直观的方法；在实现了frangi算法之后，很多时候我会拿frangi来实验一下，看看效果。但是这次试用gabor增强，应该说是给我增加了一种新的思路，以后的眼界会更宽阔。。
gaobor增强的核心，是对前面计算出来的梯度场中的“纹线方向进行平滑滤波，纹线的竖直方向进行锐化滤波”
。那么首先就是要计算处正确的梯度场来。在本例中，图片质量比较好，能够通过几乎是定义计算的方法计算出正确稳定的梯度场（但是在其他很多地方，可能不能这样使用？用什么计算出正确的梯度场，作为一个专门的话题）。然后就是通过对梯度进行增强。这里才是实现gaobor的地方。这里贴出的是实现的代码，推导过程分帖说明。关键就是“量化“。
int DDIndex(int angle)
{
/////////////////////////////////////////////////////////////////////////
// angle: [in] 角度 （0 - 180）
/////////////////////////////////////////////////////////////////////////
if(angle >= 173 || angle < 8)
{
return 0;
}
else
{
return ((angle-8)/15 + 1);
}
}
void orientEnhance(Mat org,Mat& dst)
{
int x, y;
int i;
int d = 0;
int sum = 0;
// 纹线方向上进行平滑滤波的平滑滤波器
int Hw[7] = {1, 1, 1, 1, 1, 1, 1};
// 纹线方向的垂直方向上进行锐化滤波的锐化滤波器
int Vw[7] = {-3, -1, 3, 9, 3, -1, -3};
int hsum = 0;
int vsum = 0;
int temp = 0;
int IMGW = org.cols;
int IMGH = org.rows;
BYTE *lpSrc = NULL;
BYTE *lpDir = NULL;
BYTE *g_lpOrient = org.ptr<uchar>(0);
BYTE *g_lpOrgFinger = dst.ptr<uchar>(0);
BYTE *g_lpTemp = dst.ptr<uchar>(0);
//BYTE *g_lpTemp = new BYTE[IMGW * IMGH];
// 纹线方向上进行平滑滤波
temp = 0;
for(y = 0; y < IMGH; y++)
{
for(x = 0; x < IMGW; x++)
{
lpDir = g_lpOrient + temp + x;
lpSrc = g_lpOrgFinger + temp + x;
// 纹线方向的索引
d = DDIndex(*lpDir);
sum = 0;
hsum = 0;
for(i = 0; i < 7; i++)
{
if(y+g_DDSite[d][i][1] < 0 || y+g_DDSite[d][i][1] >= IMGH ||
x+g_DDSite[d][i][0] < 0 || x+g_DDSite[d][i][0] >= IMGW)
{
continue;
}
sum += Hw[i]*(*(lpSrc + g_DDSite[d][i][1]*IMGW + g_DDSite[d][i][0]));
hsum += Hw[i];
}
if(hsum != 0)
{
*(g_lpTemp + temp + x) = (BYTE)(sum/hsum);
}
else
{
*(g_lpTemp + temp + x) = 255;
}
}
temp += IMGW;
}
// 纹线方向的垂直方向上进行锐化滤波
temp = 0;
for(y = 0; y < IMGH; y++)
{
for(x = 0; x < IMGW; x++)
{
lpDir = g_lpOrient + temp + x;
lpSrc = g_lpTemp + temp + x;
// 纹线方向的垂直方向的索引
d = (DDIndex(*lpDir)+6) % 12;
sum = 0;
vsum = 0;
for(i = 0; i < 7; i++)
{
if(y+g_DDSite[d][i][1] < 0 || y+g_DDSite[d][i][1] >= IMGH ||
x+g_DDSite[d][i][0] < 0 || x+g_DDSite[d][i][0] >= IMGW)
{
continue;
}
sum += Vw[i]*(*(lpSrc + g_DDSite[d][i][1]*IMGW + g_DDSite[d][i][0]));
vsum += Vw[i];
}
if(vsum > 0)
{
sum /= vsum;
if(sum > 255)
{
*(g_lpOrgFinger + temp + x) = 255;
}
else if(sum < 0)
{
*(g_lpOrgFinger + temp + x) = 0;
}
else
{
*(g_lpOrgFinger + temp + x) = (BYTE)sum;
}
}
else
{
*(g_lpOrgFinger + temp + x) = 255;
}
}
temp += IMGW;
}
了现在的代码，下一步就可以思考如何对自然环境下的许多图像进行增强了。