OpenCV 例程200篇 总目录-202205更新
【youcans 的 OpenCV 例程200篇】193.基于Gabor 滤波器的特征提取
6.5 Gabor 滤波器
Gabor 变换是一种加窗短时傅里叶变换，以高斯函数作为短时傅里叶变换的窗函数，因此可以在频域不同尺度、不同方向上提取特征。
Gabor 函数对频率和方向表达与人类视觉响应非常类似，且对图像的亮度变化、对比度变化、姿态变化都具有较强鲁棒性。Gabor 滤波器常用于边缘提取，对纹理识别和分离的效果很好；可以用于表达图像局部特征， 在视觉领域中经常被用来作图像的预处理 。
在空间域将正弦函数与高斯函数进行卷积，就得到 Gabor 滤波器，其数学表达形式为：
g(x,y)=exp[−x′2+γy′22σ2]⋅exp[i(2πx′λ+ψ)]g(x,y) = exp[- \frac{x'^2+\gamma y'^2}{2 \sigma ^2}] \cdot exp[i(2 \pi \frac{x'}{\lambda}+\psi)] g(x,y)=exp[−2σ2x′2+γy′2]⋅exp[i(2πλx′+ψ)]
实数部分：
g(x,y)=exp[−x′2+γy′22σ2]⋅cos[(2πx′λ+ψ)]g(x,y) = exp[- \frac{x'^2+\gamma y'^2}{2 \sigma ^2}] \cdot cos[(2 \pi \frac{x'}{\lambda}+\psi)] g(x,y)=exp[−2σ2x′2+γy′2]⋅cos[(2πλx′+ψ)]
虚数部分：
g(x,y)=exp[−x′2+γy′22σ2]⋅sin[(2πx′λ+ψ)]g(x,y) = exp[- \frac{x'^2+\gamma y'^2}{2 \sigma ^2}] \cdot sin[(2 \pi \frac{x'}{\lambda}+\psi)] g(x,y)=exp[−2σ2x′2+γy′2]⋅sin[(2πλx′+ψ)]
式中各参数的含义为：
x′=xcosθ+ysinθy′=−xsinθ+ycosθx' = x cos \theta + y sin \theta\\y' = - x sin \theta + y cos \theta\\ x′=xcosθ+ysinθy′=−xsinθ+ycosθ
λ\lambdaλ，滤波器核函数中正弦函数的波长，像素数，大于2，小于图像尺寸的 1/5。
ψ\psiψ，滤波器核函数中正弦函数的相位偏移，角度，-180～180度。0度时白条为中心，180度时黑条为中心。
θ\thetaθ，滤波器核函数中平行条带的倾斜角度，0～360度。
γ\gammaγ，空间纵横比，核函数形状的椭圆率，γ=1\gamma=1γ=1 时为圆形，γ<1\gamma<1γ<1 时在条纹的平行方向伸长，通常取 0.5。
σ\sigmaσ，滤波器核函数中高斯函数的标准差。
bbb，滤波器的半响应空间频率带宽，通常取 1.0，此时 σ/λ=0.56\sigma / \lambda = 0.56σ/λ=0.56。带宽越小，标准差越大，平行条纹数量越多。
Gabor 滤波器的冲激响应是高斯函数与复指数函的乘积，达到时频测不准关系的下界，因此是兼顾信号在时频域的最优分辨率。
Gabor 滤波的基本思想是，不同纹理具有不同的中心频率及带宽，Gabor 滤波器是带通滤波器，只允许特定频率的纹理通过，因而可以分析和提取纹理特征。
Gabor 滤波器可以提取不同方向和不同尺度的特征，通常选择若干尺度和方向进行组，建立 Gabor 滤波器组。
基于 Gabor 滤波器的特征提取的实现步骤：
（1）将输入图像按空间位置分为 3×3（9块）和 4×4（16块）的图像块；
（2）选择若干尺度和方向，如 5尺度4方向，建立 Gabor 滤波器组；
（3）Gabor 滤波器组与每个图像块在空域卷积，每个图像块得到 20 个滤波器输出；
（4）将每个图像块的 24个Gabor 滤波输出，“浓缩” 为一个 24×1 的列向量作为该图像块的纹理特征。
OpenCV 中提供的 cv.getGaborKernel() 函数可以生成 Gabor 滤波器核。
1.95： Gabor 带通滤波器
# 1.95: 基于 Gabor 带通滤波器的特征提取# 构造 Gabor 滤波器组GaborFilters = []size = [5, 7, 9, 11, 15] # Gabor 滤波器尺寸lamda = np.pi / 2.0 # 正弦函数波长for i in range(4):theta = i * np.pi/4 # 平行条带倾斜角度，0°,45°,90°,135°for k in range(5):ksize = (size[k], size[k]) # Gabor 滤波器尺寸kernel = cv2.getGaborKernel(ksize, 1.0, theta, lamda, 0.5, 0, ktype=cv2.CV_32F)kernel /= kernel.sum()GaborFilters.append(kernel)# 读取图像img = cv2.imread("../images/Fractal02.png", flags=1)# Gabor 滤波plt.figure(figsize=(10, 7))res = [] # 滤波结果for i in range(len(GaborFilters)):accum = np.zeros_like(img)for kern in GaborFilters[i]:fimg = cv2.filter2D(img, cv2.CV_8UC1, kern)accum = np.maximum(accum, fimg, accum)res.append(np.asarray(accum))plt.subplot(4, 5, i + 1), plt.axis('off')plt.imshow(cv2.cvtColor(accum, cv2.COLOR_BGR2RGB))plt.tight_layout()plt.show()
（本节完）
版权声明：
OpenCV 例程200篇 总目录-202205更新
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/124970610)
Copyright 2022 youcans, XUPT
Crated：2022-5-25
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列，持续更新中【youcans 的 OpenCV 例程200篇】185.图像金字塔之高斯金字塔
【youcans 的 OpenCV 例程200篇】186.图像金字塔之拉普拉斯金字塔
【youcans 的 OpenCV 例程200篇】187.由拉普拉斯金字塔还原图像
【youcans 的 OpenCV 例程200篇】188.基于拉普拉斯金字塔的图像融合
【youcans 的 OpenCV 例程200篇】189.基于掩模的拉普拉斯金字塔图像融合
【youcans 的 OpenCV 例程200篇】190.基于图像分割的图像融合
【youcans 的 OpenCV 例程200篇】191.基于图像分割的金字塔图像融合
【youcans 的 OpenCV 例程200篇】192.Gabor 滤波器组的形状
【youcans 的 OpenCV 例程200篇】193.基于Gabor 滤波器的特征提取
更多内容，请见：
【OpenCV 例程200篇 总目录-202206更新】
