使用基于分形系统的离线签名方法

最新推荐文章于 2024-07-25 23:26:35 发布
最新推荐文章于 2024-07-25 23:26:35 发布
阅读量126 收藏
点赞数
文章标签： 机器学习 opencv 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/brightendavid/article/details/107465548
版权

使用基于分形系统的离线签名方法

主要参考文献：
（基于分形理论的离线签名鉴别系统 叶秀芬，裴志，王杰）

完全使用C语言编写，使用opencv库
使用二值化，归一化，进行图像预处理后，使得图像可以比较。
求出他的分形维度特征，利用分形维数作为提取的特征，分形维数定量地表述了分形物体的形状和复杂性。
用分形理论进行图像分析的原理是利用图像的分形维数特征进行分析。分形维数直观上与物体表面的粗糙程度相吻合,而自然界不同物体粗糙程度有很大差别，因此可用分形维数作为区别不同类别物体的有效参数。分形维数反映了人们对物体表面粗糙程度的
感受，又具有尺度变换下不变性这个性质，因而该参
数在图像分析中有着广泛的应用前景。

本次使用盒子维作为较容易求的分形维度。
依据论文，分形维度求法为，讲图像分为多个小方块，对于图像中每一个小方块计算最大灰度和最小灰度的差值，再将 差值/小方块边长(ε) 累加，得到N，得到(logN,logξ)的序列；
重复上述操作多次，得到多个(logN,logξ)的序列
使用最小二乘法，求出这些点集的斜率。斜率就是图像的分形维度。
对于决策部分，论文使用了贝叶斯决策作为判断依据，
我直接使用样本相似度进行判断。对于相似度不足 90%的样本直接判断为假冒样本。
对于训练集 ，求出他的分形维度平均数
对于sample集合，对于每一个图像的分形维数进行判断，误差率>=10%的图像计为假签名,误差率可以根据情况调整

#define _CRT_SECURE_NO_WARNINGS
#include<stdio.h>
#include<math.h>
#include<string.h>
#include<stdlib.h>
#include<opencv.hpp>
#include <iostream>
#define _CRT_SECURE_NO_WARNINGS
using namespace cv;
using namespace std;
using namespace cv;
#define MAX 20
#define  NUM  30    //读取img的个数
int main()
{
		string ImgName;
		float xielu[109];
		int n = 1;
	while (n <= NUM)   //100   真实图的训练
	{
		Mat img;
	
		int i, j;
	
		//读取部分
		ImgName = "实验";
		//int 转换string
		stringstream ss;
		string str;
		ss << n;
		ss >> str;

		//ImgName = ImgName + " (" + str + ")";    //图像文件明格式：ImgName(n)
		ImgName = ImgName + str ;    //图像文件名格式：ImgName(n)
		ImgName = "E:\\21\\read_more_img\\read\\read2\\2b\\" + ImgName + ".png";
		
		cout << "处理：" << ImgName << endl;
		img = imread(ImgName);//读取图片
		
		if (img.data == 0)
		{
			printf("[error] 没有图片\n");
			break;
		}
		

		cvtColor(img, img, COLOR_BGR2GRAY);
		//操作部分  读取的图像为  img 

		//归一化图像,调整大小使得图像可比较
		Mat m = Mat(Size(900, 900), CV_8UC1);
		for (i = 0; i < img.rows; i++) {
			for (j = 0; j < img.cols; j++) {
				m.at<uchar>(i, j) = 255;//创建纯白图
			}
		}
		int xmin = 0, xmax = 3 * img.rows / 4, ymin = 0, ymax = 3 * img.cols / 4;
		printf("%d %d\n", img.rows, img.cols);
		float a1 = 600.0 / (xmax - xmin);
		float b1 = 600.0 / (ymax - ymin);
		printf("%f %f", a1, b1);
		//二值化
		for (i = 0; i < img.rows; i++) {
			for (j = 0; j < img.cols; j++) {
				if (img.at<uchar>(i, j) >= 50)
				{
					img.at<uchar>(i, j) = 255;//把实验图像的背景部分变成白色    二值化
				}
				else {
					img.at<uchar>(i, j) = 0;
				}
			}
		}
		for (i = 0; i < img.rows; i++) {
			for (j = 0; j < img.cols; j++) {
				//if (img.at<uchar>(i, j) == 0)
				{
					m.at<uchar>(int(a1 * i), int(b1 * j)) = img.at<uchar>(i, j);
				}

			}
		}

		Mat DstPic, edge, grayImage, fushi, src, m2;
		//先使用3*3内核来降噪
		{
			blur(m, edge, Size(3, 3));
		
		}

		float X[MAX], Y[MAX];

		int num = 2;
		int a, b;
		float N = 0;
		int max = 0, min = 255;
		double x = 0;
		int k = 0;
		for (k = 0;k < MAX;k++) {
			num += 1;
			for (i = num;i < m.rows;i += num) {
				for (j = num;j < m.cols;j += num) {
					for (a = i - num;a < i;a++) {
						for (b = j - num;b < j;b++) {
							if (m.at<uchar>(a, b) > max)  max = m.at<uchar>(a, b);
							if (m.at<uchar>(a, b) < min)  min = m.at<uchar>(a, b);
						}
					}
					N += (max - min) / num;
				}
			}
			X[k] = log(N);
			Y[k] = log(num);
			printf(" \nX[],Y[]  %lf  %lf\n", X[k], Y[k]);
		}

		//最小二乘法求出分形维数，储存在xielu中
		float A = 0.0, B = 0.0, C = 0.0, D = 0.0;
		for (i = 0;i < MAX;i++) {
			A += X[i] * X[i];
			B += X[i];
			C += X[i] * Y[i];
			D += Y[i];
			printf(" \nA,B,C,D  %f  %f  %f   %f\n", A, B, C, D);
		}
		printf("\nA  %f ; B  %f ;C %f ; D %f\n", A, B, C, D);
	
		xielu[n] = 1.0 * (C * MAX - B * D) / (A * MAX - B * B);
		printf("\n  xierlu  %f\n", xielu[n]);
		n++;
	}
	n = n - 1;
	float sum = 0;
	int i, j;
	for (i = 1;i <=n;i++) {
		sum =sum+xielu[i];
		printf("  \n  xielu[i] %f \n ", xielu[i]);
		printf("  \n  %f  ", sum);
	}
	printf("\n\n   维数的平均值   %f\n", 1.0 *sum / (n*1.0));

	float average = 1.0 * sum / (n * 1.0);
	

	int panduan[100];
	for (i = 1;i < 99;i++) {
		panduan[i] = 0;
	}
	n = 1;
	while (n <= NUM)   //100   待测图像组  检测部分
	{
		Mat img;

		int i, j;

		//读取部分
		ImgName = "实验";
		//int 转换string
		stringstream ss;
		string str;
		ss << n;
		ss >> str;

		//ImgName = ImgName + " (" + str + ")";    //图像文件明格式：ImgName(n)
		ImgName = ImgName + str;    //图像文件名格式：ImgName(n)
		ImgName = "E:\\21\\read_more_img\\read\\read2\\2_b\\" + ImgName + ".png";

		cout << "处理：" << ImgName << endl;
		img = imread(ImgName);//读取图片

		if (img.data == 0)
		{
			printf("[error] 没有图片\n");
			break;
		}


		cvtColor(img, img, COLOR_BGR2GRAY);
		//归一化图像,调整大小使得图像可比较
		Mat m = Mat(Size(900, 900), CV_8UC1);
		for (i = 0; i < img.rows; i++) {
			for (j = 0; j < img.cols; j++) {
				m.at<uchar>(i, j) = 255;
			}
		}
		int xmin = 0, xmax = 3 * img.rows / 4, ymin = 0, ymax = 3 * img.cols / 4;
		printf("%d %d\n", img.rows, img.cols);
		float a1 = 600.0 / (xmax - xmin);
		float b1 = 600.0 / (ymax - ymin);
		printf("%f %f", a1, b1);
		//二值化
		for (i = 0; i < img.rows; i++) {
			for (j = 0; j < img.cols; j++) {
				if (img.at<uchar>(i, j) >= 50)
				{
					img.at<uchar>(i, j) = 255;
				}
				else {
					img.at<uchar>(i, j) = 0;
				}
			}
		}
		for (i = 0; i < img.rows; i++) {
			for (j = 0; j < img.cols; j++) {
				{
					m.at<uchar>(int(a1 * i), int(b1 * j)) = img.at<uchar>(i, j);
				}

			}
		}
		Mat DstPic, edge, grayImage, fushi, src, m2;
		{
			blur(m, edge, Size(3, 3));
		}

		float X[MAX], Y[MAX];//使用最小二乘法计算斜率
		float sample = 0;
		int num = 2;
		int a, b;
		float N = 0;
		int max = 0, min = 255;
		double x = 0;
		int k = 0;
		for (k = 0; k < MAX; k++) {
			num += 1;
			for (i = num; i < m.rows; i += num) {
				for (j = num; j < m.cols; j += num) {
					for (a = i - num; a < i; a++) {
						for (b = j - num; b < j; b++) {
							if (m.at<uchar>(a, b) > max)  max = m.at<uchar>(a, b);
							if (m.at<uchar>(a, b) < min)  min = m.at<uchar>(a, b);
						}
					}
					N += (max - min) / num;
				}
			}
			X[k] = log(N);
			Y[k] = log(num);
			printf(" \nX[],Y[]  %lf  %lf\n", X[k], Y[k]);
		}
		float A = 0.0, B = 0.0, C = 0.0, D = 0.0;
		for (i = 0; i < MAX; i++) {
			A += X[i] * X[i];
			B += X[i];
			C += X[i] * Y[i];
			D += Y[i];
			printf(" \nA,B,C,D  %f  %f  %f   %f\n", A, B, C, D);
		}
		printf("\nA  %f ; B  %f ;C %f ; D %f\n", A, B, C, D);

		sample = 1.0 * (C * MAX - B * D) / (A * MAX - B * B);
		printf("\n  xierlu  %f\n", sample);
		if (fabs(sample - average)/average <= 0.065) {
			printf("\n%s 图像是同一笔迹\n",ImgName.c_str());
			panduan[n] = 1;
		}
		else {
			printf("\n%s 图像不是同一笔迹\n", ImgName.c_str());
			panduan[n] = 0;
		}
		n++;
	}
	for (i = 1;i <= n - 1;i++) {
		if(panduan[i]==0)
			printf("\n\n图像实验%d是错的!!\n", i);
		else {
			printf("\n\n图像实验%d是对的!!\n", i);
		}
	}
		waitKey(0);
	return 0;
}

共计21个图形样本，错误样本5个，正确样本16个

精确度要求0.10.080.070.0650.060.05
F->T443221
T->F011124
brightendavid
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1
qq_43001322的博客
11-25 2006
数字图像处理在刀具状态检测中的应用综述摘要1 介绍1.1 DIP用于刀具状态监控的优缺点2 数字图像处理技术3 照明系统4 。使用图像处理的直接中医技术4.1 。二维技术4.2 。三维技术5 。使用图像处理的间接中药技术5.1 。在线技术5.2 。离线技术6 。结论References sciencedirect 摘要 在过去的三十年中，由于对提高产品质量的需求不断增加，刀具状态监视与自动制造工艺的发展正在并行发展。由于机器视觉系统，计算硬件和非触觉应用的改进，用于工具状态监测的数字图像处理技术的进步是重要
基于分形维数的离线图像分割方法 (2013年)
05-26
为了能够提高图像分割的精度，提出了一种基于统计学和分形维数的图像分割方法，能够对自然景物中树木、道路和天空进行分割，并且可以应用于机器人导航的视觉系统.该方法首先通过统计大量的道路和树木和天空的分形维...
【昇腾学院】昇腾AI处理器软件栈--框架管理器（Framework）离线模型生成
华为云官方博客
12-17 1819
离线模型生成 以卷积神经网络为例，在深度学习框架下构造好相应的网络模型，并且训练好原始数据，再通过离线模型生成器进行算子调度优化、权重数据重排和压缩、内存优化等，最终生成调优好的离线模型。离线模型生成器主要用来生成可以高效执行在昇腾AI处理器上的离线模型。 离线模型生成器的工作原理如上图所示，在接收到原始模型后，对卷积神经网络模型进行模型解析、量化、编译和序列化四个步骤： 1.解析 在...
计算机常用算法对照表整理
IT届的小学生
07-26 1万+
常用对照：NLP CRF算法: 中文名称条件随机场算法，外文名称conditional random field algorithm，是一种数学算法，是2001年提出的，基于遵循马尔可夫性的概率图模型。 全部对照第一部分、计算机算法常用术语中英对照 Data Structures 基本数据结构 Dictionaries 字典 Priority Queues 堆 Graph Data
计算机编程 常用术语英语词汇大全 记忆
热门推荐
机器学习-深度学习-图像处理-opencv-段子
04-14 1万+
第一部分、计算机算法常用术语中英对照 Data Structures 基本数据结构 Dictionaries 字典 Priority Queues 堆 Graph Data Structures 图 Set Data Structures 集合 Kd-Trees 线段树 Numerical Problems 数值问题 Solving Lin
fra.rar_基于分形
09-24
例如，文件中的"dlifs.m"和"dlifs2.m"可能实现了迭代函数系统（Iterated Function System, IFS），这是一种构建分形图像的经典方法。IFS通过一系列收缩映射组合，可以生成复杂的分形结构。在图像压缩中，IFS可以用来...
基于分形算法的仿真系统设计与实现
01-29
《基于分形算法的仿真系统设计与实现》这篇文章探讨了如何利用分形理论和技术来创建一个教学仿真系统，旨在帮助师生更好地理解和应用分形算法。分形理论是现代科学的重要分支，尤其在数学、物理学、计算机科学等领域...
论文研究-基于分形理论的预测方法 .pdf
08-15
基于分形理论的预测方法，康凯，常乐，本文在分析移动短信往年业务量的基础上，对未来短信业务量进行预测。方法是利用分形理论前对已有数据进行变换，使其符合常维数分
从零开始学习机器学习，掌握AI未来的关键！
qq_42538588的博客
07-25 1302
欢迎来到"人工智能-机器学习基础"！在本文中，我们将一起探索人工智能的奇妙世界。首先，让我们来介绍一下人工智能的概述。人工智能（Artificial Intelligence）是一门研究如何使机器具备智能能力的科学与技术。简单来说，它是能够像人类一样思考、学习和决策的机器。人工智能可以追溯到上个世纪50年代，当时科学家们就开始尝试模仿和理解人类的思维过程。然而，由于当时计算机技术的限制，人工智能的发展并不顺利。直到最近几年，随着计算能力的迅猛增长和大数据的普及，人工智能取得了巨大突破。
嵌入式C++、ROS 、OpenCV、SLAM 算法和路径规划算法：自主导航的移动机器人流程设计（代码示例）
嵌入式极客小张
07-25 1462
在科技迅速发展的背景下，嵌入式自主移动机器人作为一个具有广泛应用前景的研究领域，吸引了众多开发者的关注。本文详细介绍了一个嵌入式自主移动机器人项目，重点阐述了其硬件与软件系统设计及代码实现。硬件部分采用ESP32、Raspberry Pi和Arduino作为嵌入式控制器，结合激光雷达、超声波传感器和摄像头等多种传感器，实现环境感知和数据采集。软件系统基于Raspberry Pi OS，主要使用Python进行高层逻辑控制，C/C++用于实时任务处理，并利用ROS框架支持机器人开发。
OpenCV 图像处理 轮廓检测基本原理
weixin_46999174的博客
07-25 1746
轮廓发现是图像处理中的一个重要步骤，用于检测物体的边界和形状。本文讲解了基本实现原理和代码实现
基于opencv[python]的人脸检测
m0_65963495的博客
07-25 3129
从这里可以清晰看到有1/3的图像没有成功检测到，后面我试试用Faster R-CNN模型，不过需要标注，数据量也大，这里先试着玩玩呗。
蓝桥杯 2024 年第十五届省赛真题 —— 最大异或结点
执梗的博客
07-23 2016
蓝桥杯 2024 年第十五届省赛真题 —— 最大异或结点
2024秋招算法
weixin_43364551的博客
07-22 2324
根据代码随想录和力扣进行算法训练的笔记
C语言100道基础拔高题（1）
2303_78660417的博客
07-23 3078
最后按最小值，中间值，最大值的顺序打印即可。解题思路：首先输出由这几个数字所组成的所有三位数，接着再设置条件，使其输出的三位数不重复，下面我们来看下源代码。值得注意的是：所以题目的代码都是作者自行编写，如有更好的思路或者代码的优化，还请指出更正。解题思路：首先找到能整除这个正整数的最小正数，接着重置循环初值，让它继续查找最小正数，最后将得到的所有正数放到一个数组里，最后设置好格式之后循环打印出来。解题思路：首先确定好区间，接着判断是否是素数，素数就是一个大于1的数，除了1和它本身之外，不能被其他数整除。
算法 —— 暴力枚举
最新发布
fen_0108的博客
07-25 3662
第二看纵向宽发生改变，长重置为1，长为1，宽为2的时候，第一行个数为7个，总共有5 x 7 个，长为2，宽为2的时候 第一行个数为6个，共有5 x 6个……首先是横着的长方形，宽始终为1，长不断发生改变，可以看出长为2的时候，第一行个数为6个，总共有6 x 6个，长为3的时候，总共有6 x 5个……这是一道简单的模拟题，枚举出所有可能情况，不会超过规定时间的，以下附上k
河南萌新联赛2024第（二）场：南阳理工学院
a13997460860的博客
07-25 1504
这场比赛里面出到了很多的题，都是需要很多的时间去写，主要考察到了代码的实现能力，与codeforces里面的题有些差距。codeforces打多了还是有点不习惯的。题挺好的，尤其是H题感觉很考代码实现能力与STL的使用熟练度。多写写这样的题还是对我们很有好处的。只不过前三题都太水了，没有一点难度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值