Gabor纹理提取总结
Gabor滤波（个人学习）
Gabor滤波（个⼈学习）Gabor滤波1.优点Gabor⼩波与⼈类视觉系统中简单细胞的视觉刺激响应⾮常相似。
在提取⽬标的局部空间和频率与信息⽅⾯具有良好的特性。
对于图像的边缘敏感，能够提供良好的⽅向选择和尺度选择。
因此Gabor⼩波被⼴泛应⽤于视觉信息理解。
Gabor滤波器和脊椎动物视觉⽪层感受野响应的⽐较：第⼀⾏代表脊椎动物的视觉⽪层感受野，第⼆⾏是Gabor滤波器，第三⾏是两者的残差。
可见两者相差极⼩。
Gabor滤波器的这⼀性质，使得其在视觉领域中经常被⽤来作图像的预处理。
2) Gabor定义① Gabor变换的基本思想：把信号划分成许多⼩的时间间隔，⽤傅⾥叶变换分析每⼀个时间间隔，以便确定信号在该时间间隔存在的频率。
其处理⽅法是对f(t)加⼀个滑动窗，再作傅⾥叶变换。
设函数f为具体的函数，且，则Gabor变换定义为其中，，是⾼斯函数，称为窗函数。
其中a>0,b>0.是⼀个时间局部化的“窗函数”。
其中，参数b⽤于平⾏移动窗⼝，以便于覆盖整个时域。
对参数b积分，则有信号的重构表达式为Gabor取g(t)为⼀个⾼斯函数有两个原因：⼀是⾼斯函数的Fourier变换仍为⾼斯函数，这使得Fourier逆变换也是⽤窗函数局部化，同时体现了频域的局部化；⼆是Gabor变换是最优的窗⼝Fourier变换。
其意义在于Gabor变换出现之后，才有了真正意义上的时间－频率分析。
即Gabor变换可以达到时频局部化的⽬的：它能够在整体上提供信号的全部信息⽽⼜能提供在任⼀局部时间内信号变化剧烈程度的信息。
简⾔之，可以同时提供时域和频域局部化的信息。
②窗⼝的宽⾼关系：经理论推导可以得出：⾼斯窗函数条件下的窗⼝宽度与⾼度，且积为⼀固定值。
矩形时间――频率窗：宽为，⾼。
由此，可以看出Gabor变换的局限性：时间频率的宽度对所有频率是固定不变的。
实际要求是：窗⼝的⼤⼩应随频率⽽变化，频率⾼窗⼝应愈⼩，这才符合实际问题中的⾼频信号的分辨率应⽐低频信号的分辨率要低。
log-gabor 提取特征
log-gabor 提取特征
Log-Gabor提取特征是一种基于Gabor滤波器的图像特征提取方法。
由于Gabor滤波器具有良好的频率和方向选择性，可以在不同的方向和尺度上提取图像的局部特征。
而Log-Gabor滤波器则能够在频率域上均匀地分布，以达到更好的覆盖频率空间的目的。
Log-Gabor提取特征的步骤包括：首先对图像进行预处理，如进行归一化或将图像转换为灰度图像；然后，使用一组Log-Gabor滤波器对图像进行滤波，得到一组滤波后的图像；接着，对滤波后的图像进行非线性处理，如取幅值或平方，以增强图像的边缘和纹理信息；最后，将处理后的图像块划分为不同的区域，提取每个区域的统计特征，如均值、标准差、能量等，得到最终的特征向量。
Log-Gabor提取特征在图像分类、目标检测、人脸识别、纹理分析等领域得到了广泛应用。
与其他特征提取方法相比，Log-Gabor提取特征具有较好的鲁棒性和判别性能，能够有效地提取图像的局部特征，对于复杂图像的分析具有很好的效果。
gabor变换提取纹理特征
Gabor变换提取纹理特征1. 简介Gabor变换是一种基于滤波器的图像处理方法，可以用于提取图像中的纹理特征。
纹理特征是指图像中的局部结构和纹理模式，通过提取纹理特征可以帮助我们理解图像的结构、分类对象以及进行图像识别等任务。
Gabor变换的基本原理是利用一组Gabor滤波器对图像进行滤波操作，然后提取滤波后的图像的特征。
Gabor滤波器是一种带有正弦波和高斯函数的复合滤波器，可以通过调整滤波器的参数来适应不同的纹理特征。
2. Gabor滤波器Gabor滤波器是在频域和空域中都具有良好性质的一种滤波器。
它的频域响应和空域响应都是带有方向选择性的，可以有效地提取图像中的纹理特征。
Gabor滤波器的频域响应由一个正弦波和一个高斯函数的乘积组成，表示为：H(u,v)=e−u′2+v′22σ2⋅cos(2πfu′)其中，H(u,v)是滤波器的频域响应，u和v是频域中的坐标，u′和v′是经过旋转和缩放变换后的坐标，σ是高斯函数的标准差，f是正弦波的频率。
Gabor滤波器的空域响应可以通过对频域响应进行傅里叶逆变换得到。
3. Gabor变换Gabor变换是通过将图像与一组Gabor滤波器进行卷积操作来提取纹理特征的方法。
具体步骤如下：1.选择一组Gabor滤波器的参数，包括方向、频率、尺度等。
2.将图像与每个Gabor滤波器进行卷积操作，得到一组滤波后的图像。
3.对每个滤波后的图像进行特征提取，可以选择平均灰度、能量、方差等统计量作为纹理特征。
4.将提取的纹理特征进行组合，得到最终的纹理特征向量。
Gabor变换可以提取图像中的不同尺度和方向的纹理特征，因此在图像识别、纹理分类、目标检测等任务中具有广泛应用。
4. 纹理特征提取在Gabor变换中，纹理特征的提取是非常关键的一步。
常用的纹理特征包括平均灰度、能量、方差、对比度等。
平均灰度是指图像中像素灰度值的平均值，可以反映图像的整体亮度。
能量是指图像中像素灰度值的平方和，可以反映图像的纹理复杂度。
基于Gabor滤波器的掌纹纹理特征的提取
的 数 式即 ∞匹 兰 Ｊ｛ 譬业ｉ （ 成互 相 重叠的 ９ ， 图所 示 ， “ 加权 组 ”， 圆圈 中的数字 代 函 形 ，： ： ｛ ‘ ２ Ｊ １ ｐ ＿ 兰 ｝ ） 组 如 称为 特征 用
０ 二（ ＝ 一Ｄ， Ｌ ，。 ， ｋ＝ ２３…
ｒ｜
口。 例如， 包含｛，，，｝ ｗ４ １ ３４ 特征抽取子窗Ｅ。 ２ ｌ现将图２ 中的ｌ个窗１分 ６ ３
旦 业 ：
Ｓｃｉ ｃｅ ｅｎ ａｎｄ Ｔｅｃ Ｏｌ ｇｙ ｎ ｈｎ Ｏ Ｉ ｎｏｖｅ ｏｎ ｔｉ Ｈｅｒ ｌ ａｄ
Ｔ 技 术
基于 Ｇａ ｒ ｂ 滤波 器 的掌纹纹 理特征 的提 取① ｏ ②
蒲 鑫
（ 长春理 工大学 光电信 息学院 吉林长春 １ ０ １ ） ０ ３ ２
其中， ，为 正 弦 波的 波 长 ， ａ为正 弦 波 的 方 向 ， ｄ为， ａ ｏ￣， ， 个特征加 权组 。 则
用纹 理 作 为 特 征 向 量 ， 果 表 明 此 方 法 可 以 较 好 的 提 取 掌 纹 的 特 征 。 结 关 键 词 ： 纹 Ｇａ ｏ滤 波 纹 理 特 征 掌 ｂｒ
中图分 类号 ： Ｐ３ １ Ｔ ９
文献标 识 码 ： Ａ
文章编号 ： ７ —０ ８ ２ ｌ ） Ｉｃ一０ ２ —０ Ｉ ４ ９ ｘ（ ０ １０ （） ０ ４ ２ ６
ｆ１ ２
、
表 ， 为 ， ，， ９ 圆圈经过 的窗 口为该特 征加权 组所包 含的全 记 ， ２…， 。 ＝１
部特征抽取子窗口。 Ⅱ以 浅 例女 ‘
Ｗ，啦 ｗ４ ８ ｌ｛ ２ Ⅵ６
， 等
等。 Ⅳ代表 中包含特征抽 取子窗 口的个数 ， 令 在这里 Ⅳ为 ｌ 。 ６ 对每一 Ｘ和Ｙ方 向上的标准差 ， 这里 ｑ＝ ， 它决定 了高斯包络在空 间上 个特征 抽取子 窗 口都 应用式 （） 行特征 抽取 。 ３ 进 设提 取的 特征值 为 ， 的扩 展 方 向 。 们 将 滤 波 器 组 选 定 为 （ 我 ６×４ 大 小 ， ） 即沿 行 方 向为 ６ 其中 ｆ 代表第 ｉ 个Ｇ ｂ ｒ ， 器 （ ， …，） Ｊ ａｏｔ波 ￣ ｆ ２ ８ ， 代表 第 个特征抽取 的 ＝ｌ ， 个尺 度 ， 列 方 向 为４ 方 向 。 向 的 确定 是 依 据 公 式 （ ） 定 的 ， 量 （ ＝ ，， ，４ 。 沿 个 方 ２确 ， １ … ６ ） 例如 ， 于 ， ａ ｏ 滤波器为 时 ， ２ 对 当Ｇ ｂ ｒ 依次提取的特 由ｎ ＝４， 以得 到 的４ 方 向分 别 为（ 。 ４ 。 ９ 。 １ ５ ） 可 个 ０ ， ５ ， ０ ，３。。 征为｛ …， ｇ …ｇ 。 ｇ ｇ ． ｝ 令 ， 为每个 的方差 ， ｆ代表 第 ｆ个
gabor滤波器案例
gabor滤波器案例Gabor滤波器是一种用于图像处理和分析的重要工具，它可以用来提取图像的纹理特征和边缘信息。
下面将介绍Gabor滤波器的原理、应用和一些案例。
1. Gabor滤波器的原理Gabor滤波器是基于Gabor小波函数的一种滤波器，它可以将图像分解成不同频率和方向的子频带。
Gabor小波函数是一种平滑且局部化的振荡函数，它在频域和空域上都具有良好的局部特性。
Gabor 滤波器通过在不同尺度和方向上对输入图像进行卷积来提取图像的纹理特征和边缘信息。
2. Gabor滤波器的应用Gabor滤波器在图像处理和分析中有广泛的应用，例如人脸识别、纹理分析、目标检测等领域。
由于Gabor滤波器在不同尺度和方向上具有良好的频率选择性和方向选择性，它能够在提取图像特征时保持较好的不变性和鲁棒性。
3. Gabor滤波器的案例(1) 人脸识别：Gabor滤波器可以用来提取人脸图像的纹理特征，通过将人脸图像分解成不同尺度和方向的子频带，然后提取每个子频带的局部纹理特征，最后将这些特征用于人脸识别任务。
(2) 纹理分析：Gabor滤波器可以用来分析图像中的纹理信息，通过提取图像中不同尺度和方向上的纹理特征，可以实现对纹理的描述和分类，从而用于纹理分析和识别任务。
(3) 目标检测：Gabor滤波器可以用来检测图像中的边缘和纹理信息，通过在不同尺度和方向上对图像进行卷积，可以得到图像的纹理特征图，然后通过对这些特征图进行分析和处理，可以实现目标的检测和定位。
(4) 图像增强：Gabor滤波器可以用来增强图像的纹理信息，通过对图像进行Gabor滤波，可以增强图像中的纹理细节，使图像更加清晰和有结构感。
(5) 文字识别：Gabor滤波器可以用来提取图像中的文字纹理特征，通过将图像分解成不同尺度和方向的子频带，然后提取每个子频带的局部纹理特征，最后将这些特征用于文字识别任务。
(6) 图像压缩：Gabor滤波器可以用来压缩图像的纹理信息，通过对图像进行Gabor变换，可以将图像的纹理信息表示为一组系数，然后可以对这些系数进行压缩和编码，从而实现图像的压缩。
基于Gab or滤波器的掌纹纹理特征的提取
基于Gab or滤波器的掌纹纹理特征的提取摘要:特征提取就是要对图像的性质进行定量化处理,在已有的方法中,有提取点特征,线特征,时频变换法,纹理特征等。
时频变换法主要是时把图像变换到频域,通过对频域特性的分析得到在时域时的情况。
纹理的方法是一种全局的方法,它不关心手掌纹线具体的分布和尺寸,而只关心在某个特定方向的纹理分布,即忽略掌纹的细节特征,而只看重不同纹线对不同方向贡献的全局变量。
在本文中,采用纹理作为特征向量,结果表明此方法可以较好的提取掌纹的特征。
关键词:掌纹Gabor滤波纹理特征1 Gabor滤波器Gabor变换是在1946年提出的,具体针对Fourier函数的纯频域分析的局限性,在Gaussian函数的基础上提出的短时Fourier变换,Daugman将其扩展成为二维形式,即2D Gabor函数[1][2][3][4][5]。
本文在应用Gabor函数进行特征提取[6]时主要通过Gabor滤波器(即Gabor filtering)。
2D-Gabor滤波器是以2D-Gabor函数作为其基函数,由于在时域和频域都具有的显著的优势,因此Gabor函数作为分析滤波器被广泛应用于图像处理中。
由于Gabor滤波器的定义是在Gabor 小波族的基础上进行离散化的处理,因此我们通过对标准2D Gabor函数进行归一化处理,即满足,可以得到Gabor滤波器的函数形式,即:4 结论在本文中,重点阐述了基于纹理特征的提取问题。
这种特征提取的方法有其特定的优势,它不关心手掌纹线具体的分布和尺寸,而只关心手掌在某指定方向的纹理分布,它看重不同纹线对不同方向贡献的全局变量。
本章讨论了二维Gabor滤波器的特性,提取Gabor滤波器的纹理能量作为特征向量,经证明具有可行性。
参考文献[1] Daugman J.Uncertainty relation for resolution in space,spatial frequency and orientation optimized by two-dimensional visual cortical filters[J].Journal of the Optical Society of America A,1985,2:1160～1169.[2] Bastiaans M.J.Gabor´s Expansions of a Signal into Gaussian Elementary Signals[J].Proc.IEEE,1980,V ol,68,No.4,pp538～539.[3] John plete Discrete 2-D Gabor Transforms by Neural Networks for Image Analysis and Compression[J].IEEE Transactions on Acoustics Speech and Signal Processing luly 1998.V oL 36,No.7,pp1169～1179.[4] Qian S Chen D. Discrete Gabor transforms[J].IEEE Trans Signal Processing,1993,21(7),pp2429～2438.[5] Alexander Mojaev.Andreas Zell.Real-Time Scale Invariant Object and Face Tracking using Gabor Wavelet Templates[J].InTagungsband zum 18. Fachgesprach AMS (Autonome Mobile Systeme)(R.Dillman H Worn T.Gockel eds.),Karlsruhe,4～5.Dez 2003,pp12～20.[6] 靳明.基于Gabor滤波器的军用目标识别及跟踪方法的研究[D].中国科学院研究生院(长春光学精密机械与物理研究所),2005.[7] 赵英男,刘正东,杨静宇.基于Gabor滤波器和特征加权的红外图像识别[J].计算机工程与应用,2004.32:22～24.[8] 李文新.夏胜雄基于主线特征的双向匹配的掌纹识别新方法[J]计算机研究与发展,2004,41(6):996～1002上.[9] 吴介,裘正定.掌纹识别中的特征提取算法综述[J]北京电子科技学院学报,2005,13(2):86～92.[10] ZHANG D.KONG W K.Online palmprint identification[J].IEEE Transactions on Pattern Analysis And Machine Intelligence,2003,9(25):1041～1050.。
如何利用计算机视觉技术进行纹理分析
如何利用计算机视觉技术进行纹理分析计算机视觉技术是指通过图像或视频等视觉数据，对其中的结构、特征进行分析和处理的一门技术。
其中，纹理分析是计算机视觉领域中的重要研究方向之一。
通过纹理分析，我们可以对图像或者视频中的纹理特征进行提取和分类，进而应用于许多领域，如图像处理、目标检测和识别、医学影像分析等。
一、纹理特征的提取纹理特征是指图像中由于物体表面颜色、形状、方向等局部变化所形成的连续性分布。
计算机视觉技术通过一系列算法和方法，可以从图像或者视频中提取出丰富的纹理特征。
1. Gabor滤波器Gabor滤波器是常用的纹理特征提取工具之一。
它通过使用一系列正弦函数和高斯函数相乘，对图像进行卷积运算，从而得到具有多个尺度和多个方向的纹理特征响应。
Gabor滤波器可以同时考虑图像中的空间和频率域信息，提取到的纹理特征更加细致和准确。
2. 尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）SIFT算法是一种常用的纹理特征提取算法。
它通过检测图像中的局部特征点，并提取出这些特征点周围的描述子，用于表示图像中不同区域的纹理特征。
SIFT算法具有良好的尺度不变性和旋转不变性，能够较好地适应图像中不同纹理特征的变化。
二、纹理特征的分类纹理特征的分类是通过对提取到的特征进行进一步处理和分析，将图像或视频中的纹理区域划分为不同的类别。
直方图是一种常用的纹理分类方法。
它将图像或视频中出现的纹理特征按照不同的灰度级别进行统计，并绘制成直方图图像。
通过比较不同图像或视频间直方图的相似性，可以将它们分为同一类别或不同类别。
2. 统计特征统计特征是一种基于特征的概率分布，用于表示图像或视频中的纹理信息。
常用的统计特征包括均值、方差、相关性等。
通过对图像纹理区域的统计特征进行提取和比较，可以实现纹理的分类和识别。
三、纹理分析的应用利用计算机视觉技术进行纹理分析在许多领域都具有重要的应用价值。
一种采用Gabor小波的纹理特征提取方法
一种采用Gabor小波的纹理特征提取方法一、本文概述纹理分析是计算机视觉领域中的一个重要研究方向，广泛应用于图像识别、目标检测、模式识别等多个领域。
纹理特征提取作为纹理分析的核心环节，其准确性和有效性对于后续处理步骤至关重要。
近年来，随着小波变换理论的深入研究和应用，Gabor小波因其良好的空间频率特性和方向选择性，在纹理特征提取方面展现出独特的优势。
本文旨在探讨一种采用Gabor小波的纹理特征提取方法，以期提高纹理识别的准确性和鲁棒性。
本文首先简要介绍纹理特征提取的背景和意义，然后重点阐述Gabor小波的基本理论及其在纹理特征提取中的应用。
接着，详细介绍本文提出的基于Gabor小波的纹理特征提取方法，包括Gabor滤波器的设计、特征向量的构建以及特征提取的具体步骤。
通过实验验证所提方法的有效性和性能，并与现有方法进行对比分析。
本文旨在为相关领域的研究者提供一种新的纹理特征提取思路和方法，推动纹理分析技术的进一步发展。
二、Gabor小波变换原理Gabor小波变换是一种线性滤波方法，其基本思想是通过一组Gabor滤波器对图像进行卷积，从而提取出图像的局部特征。
Gabor 滤波器是一种具有特定频率、方向和尺度的线性滤波器，其冲激响应函数可以表示为二维高斯函数与复正弦函数的乘积。
g(x,y;λ,θ,φ,σ,γ) = exp(-(x'² + γ²y'²)/(2σ²)) * exp(i(2πx'/λ + φ))其中，(x,y)表示空间坐标，λ表示波长，θ表示方向，φ表示相位偏移，σ表示高斯包络函数的标准差，γ表示空间纵横比，用于控制滤波器的椭圆形状。
x'和y'是旋转后的坐标，通过旋转矩阵实现。
Gabor小波变换的核心思想是将图像与一组Gabor滤波器进行卷积，每个滤波器都可以提取出图像在特定频率、方向和尺度下的局部特征。
这样，通过对所有滤波器输出的组合，就可以得到图像的完整纹理特征。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
滤波参数选择
• ϒ =1 • b=1 • ψ = 0 时对应的是gabor的实部 • θ : 0, 30, 60, 90, 120, 150 • λ= 1/f i = 1, 2, ..., log2(Nc/8) Nc 图像的宽，2的幂次方 0 < FL(i) < 0.25 0.25 <= FH(i) < 0.5.
B.S. Manjunath and W.Y. Ma @ 加州大学圣塔芭芭拉分校
• 构建滤波器组
• 滤波器作为基函数，对图像进行傅里叶变 换 • 提取纹理
一、Gabor 滤波器组
_ _ 其中x = xcosθ+ysinθ, y =--xsinθ+ycosθ σx和σy是缩放比例常数，控制高斯函数在x轴和y轴 的伸缩程度，它们决定了一象素点周围参与加权和 的有效范围，θ 是滤波器的方向参数，w 是正弦曲线 的径向频率，决定了滤波器在频域中的位置。
• 如果从Fourier变换的角度来看，Gobor变换 就是窗函数取高斯窗时的短时Fourier变换。 • 如果从小波变换的角度来看，Gabor变换就 是小波基函数取Gabor基的小波变换。
• Fourier变换是整体上将信号分解为不同的频 率分量（任何信号都可分解为复正弦信号 之和），Fourier变换缺乏时间的局部性信息， 无法告知某些频率成分发生在哪些时间内。 但是Gabor变换中的Gabor基函数包含一个 高斯窗函数窗，窗的中心位置可以由我们 设定（即设定时域信号取值范围），所以 某个信号经过Gabor变换后在Gabor频域的 表现与信号时域表现就可以联系起来了。
其他人的 • 滤波器对图像进行卷积 • 提取纹理
11.1782,-0.384211 4.32678,-0.187325 4.06591,-1.2575 19.0114,-0.395956 6.48956,-0.388263 6.76781,-96.8741 23.57,-0.655297 9.25225,-0.547531 13.5566,-0.631876 15.2156,-0.200875 5.91,-0.532951 4.46158,-102.874 13.8364,-0.263744 4.34812,-0.343628 9.96749,-0.475392 20.7942,-0.224897 4.17269,-0.248964 13.7891,-2.28015 11.5148,-0.304531 6.32335,-0.382923 5.00933,-0.0510691 13.9723,-0.236214 6.95537,-0.275556 8.10471,-0.246632 14.8846,-0.0896573 11.9098,-0.0807993 8.82971,-0.165818 14.622,-0.820833 8.52627,-0.422823 3.77919,-0.522876 13.032,-0.401408 7.14051,-0.444171 13.508,-0.449381 9.89683,-0.309541 5.15573,-0.143047 14.7604,-0.39837 13.312,-0.388005 7.30762,-0.2338 4.83414,-0.159176 17.626,-0.139972 8.32798,-0.40333 11.3599,-0.121858 16.7661,-0.54759 14.7426,-0.877513 13.4699,-0.121443 10.7712,-0.27778 9.46838,-0.356335 5.39981,-0.21449 8.05304,-0.091969 8.38209,-0.447155 17.9332,-0.678463 9.30488,-0.415276 6.79565,-0.336817 17.9486,-0.228588 9.90672,-0.126585 10.4479,-0.193317 10.5295,-0.0721238 15.2226,-0.139393 10.9331,-0.22532 24.6918,-0.222509
• • • •
Texture Segmentation Using Gabor Filters Khaled Hammouda Prof. Ed Jernigan University of Waterloo, Ontario, Canada 滑铁卢大学
Naotoshi @马里兰大学
• 构建滤波器组（自动尺度） • 用滤波器对图像进行卷积 • 提取纹理
Gabor纹理
• 1、Gabor滤波 • 构建gabor滤波器组，多方向多尺度对图像 进行gabor滤波。 • 2、纹理提取
• 对每个方向每个尺度的滤波图像进行纹理 特征描述
Gabor滤波
• 指定方向，自动尺度 • 指定方向，指定尺度
纹理提取方法
• • • • using the magnitude response幅度响应 applying spatial smoothing空间平滑 using only the real component实部分量 using a non-linear sigmoidal function非线性S型 函数 • using pixel adjacency information像素邻接信息 • applying full wave rectification全波整流 • creating moments based on the spatialfrequency plane空间频率平面
Gabor 滤波器组
参数
• • • • λ：波长的余弦因子（Lambda） θ：方向角度 （Theta） ψ：相位偏移角度（Psi） σ ：is the standard deviation of the Gaussian determines the (linear) size of the receptive field 尺寸 （Sigma） • ϒ：空间的长宽比（Gamma） • b：半响应的空间频率带宽
Gabor
纹理提取
• 在信号处理技术领域中，Gabor 变换是被公 认的信号表示尤其是图像辨识的最好方法 之一。 • 生物学领域的研究也发现，二维 Gabor 滤 波器能够很好的描述脊椎动物大脑初级视 觉皮层部分的单细胞可接收信息域的分布， 两者在空频域均具有相似的局部特点，这 与人类的视觉系统也是一致的。
• 1式为gabor函数，1式是其对应的傅里叶形式 • σu = 1/2πσx, and σv, = 1/2πσy
• Ul和Uh是感兴趣的最低频和最高频
• θ = nπ/K， k是方向个数 • m = 0, 1, ..., S – 1，S是尺度个数
纹理提取
• • • • • 原图傅里叶变换 Gabor基傅里叶 相乘 反变换 求均值方差
滤波器
纹理提取
• Gabor滤波器组对图像卷积 • S型（非线性）函数 • 高斯滤波
• Jain在论文中提到了平均绝对偏差average absolute deviation (AAD)
1、非线性转换
• S函数公式 • 归一化
α为常数=0.25（论文中）
2、高斯滤波
• 这里的σ为前面滤波器组中σ的3倍。 （Sigma）