R plot图片背景设置为透明_R语言Gabor滤波进行目标图像纹理特征的提取

Gabor特征已广泛用于 图像分析和处理(字符和面部识别)。 Gabor(诺贝尔奖获得者，电气工程师和物理学家)使用了以下措辞，我认为在这个小插图中值得一提， “你无法预测未来，但你可以发明它。” 

在下面的几行中，我将描述 GaborFeatureExtract R6类，其中包括以下方法，

GaborFeatureExtract
gabor_filter_bank()
gabor_feature_extraction()
gabor_feature_engine()
这些方法基于Matlab代码 Gabor Feature Extraction of  M. Haghighat，S。Zonouz，，“CloudID：Trustworthy cloud-based and cross-enterprise biometric identification，”Expert Systems with Applications，vol。42，不。21，， http：//。修改了最初的Matlab代码(我添加了 Magnitude特性和 gabor_feature_engine()方法)，并在可能的地方使用Rcpp进行并行化。

Gabor功能

 我在CRAN(综合R档案网络)上进行了常规搜索，但我找不到任何与Gabor特征提取相关的内容(截至2018年8月)，因此我决定将Matlab代码移植到R中。网上有很多资源如果有人打算加深他/她对这个主题的了解，我会在Vignette的末尾添加一些我觉得有用的内容(参考文献)。 

gabor_filter_bank

该 gabor_filter_bank方法 “......生成自定义尺寸的Gabor滤波器组。它创建一个UxV单元阵列，其元素是MxN矩阵; 根据 Matlab代码的 作者，每个矩阵都是2-D Gabor滤波器。以下代码块显示了它在R中是如何工作的，

library(OpenImageR)init_gb = GaborFeatureExtract$ ()#------------------# gabor-filter-bank#------------------gb_f = init_gb$ (scales = 5, orientations = 8, gabor_rows = 39,gabor_columns = 39, plot_data = TRUE)#-----------------------------------------------# plot of the real part of the gabor-filter-bank#-----------------------------------------------plt_f = init_gb$ (real_matrices =  $gabor_real, margin_btw_plots =  = FALSE)

对于 gabor_filter_bank，我使用5个 刻度和8个 方向来构建大小为39 x 39的过滤器。该方法的输出是长度为3的列表，

str(gb_f)List of 3$ gaborArray     :List of 40..$ : cplx [1:39, 1:39]    .....$ : cplx [1:39, 1:39]    .....$ : cplx [1:39, 1:39]    .....$ : cplx [1:39, 1:39]    .....$ : cplx [1:39, 1:39]    ..........$ gabor_imaginary:List of 40..$ : num [1:39, 1:39]      .....$ : num [1:39, 1:39]      .....$ : num [1:39, 1:39]      .....$ : num [1:39, 1:39]      .....$ : num [1:39, 1:39]      ..........$ gabor_real     :List of 40..$ : num [1:39, 1:39]      .....$ : num [1:39, 1:39]      .....$ : num [1:39, 1:39]     - .....$ : num [1:39, 1:39]      .....$ : num [1:39, 1:39]      ..........

第一 个子列表( gaborArray)由复杂类型的40个矩阵(5个刻度×8个方向)组成，其中每个matix的尺寸为39 x 39(gabor滤波器)。第二 个子列表( gabor_imaginary)是虚部(数字)，而第三 个子列表是实部( gabor_real)。实部(数字)用于绘制gabor滤波器。

该文档包含所使用的每个参数的更多详细信息。

gabor_feature_extraction

该 gabor_feature_extraction方法提取图像的Gabor特征。与初始Matlab代码相比，此方法得到修改，以便用户可以选择对图像进行下采样或对特征进行标准化。此外，我添加了 Magnitude功能，因为根据 文献，它提高了可预测性。

基于前面提到的 图像，

# read image#-----------pth_im = ("tmp_images", "", package = "OpenImageR")im = readImage(pth_im) * 255# gabor-feature-extract#----------------------gb_im = init_gb$ (image = im, scales = 5,  ,downsample_rows = NULL,downsample_col, plot_data = TRUE,normalize_features = FALSE, threads = 3)

此函数再次返回长度为3的列表，

其中 gaborFeatures是提取的特征，其行数等于nrow(im)x ncol(im)(或166 x 249)，列数等于scale x orientationations(或5 x 8)。第二和第三个子列表是与gabor滤波器卷积后得到的图像的虚部和实部。以下代码块允许用户绘制图像的不同 比例和 方向，

plt_im = init_gb$plot_gabor(real_matrices = gb_im$  , thresholding = FALSE)

通过将 gb_im $ gabor_features_real对象(比例，方向)阈值 化为 [0,1]，可以直观地探索图像，

# thresholding parameter is set to TRUE#--------------------------------------plt_im_thresh = init_gb$plot_gabor(real_matrices   ,margin_btw_plots = , thresholding = TRUE)

gabor_feature_engine

该 gabor_feature_engine方法是初始Matlab代码的扩展，并且允许用户从多个图像中提取Gabor特征。此方法的工作方式与 HOG_apply方法相同，后者采用图像矩阵(如mnist数据集)，并在处理后返回要素。以下示例说明如何将 gabor_feature_engine方法与mnist数据集一起使用，

mnist <- (unz("", ""), nrows = 70000, header = T,quote = "\"", sep = ",")dat = init_gb$gabor_feature_engine(img_data = x, img_nrow = 28, img_ncol = 28,scales = 4, orientations = 8, gabor_rows = 13,gabor_columns = 13, downsample_gabor = FALSE,downsample_rows = NULL, downsample_cols = NULL,normalize_features = FALSE, threads = 6,verbose = TRUE)Time to complete :  mins

str(dat)List of 2$ magnitude      : num [1:70000, 1:3136] 0 0 0 0 0 0 0 0 0 0 ...$ energy_aptitude: num [1:70000, 1:64] 2682 2576 1399 1178 2240 ...

的 DAT目的是长度为2的列表中的第一子列表对应于 幅度，而第二子列表到 本地能量和 均值性向。在计算mnist数据的准确性之前要做的第一件事是减少 幅度特征的维数(我将使用 irlba包来实现此目的)，

并且我将创建一个缩小 幅度和 能量 - 能力数据的中心缩放矩阵，

然后我将利用 nmslibR库(近似方法'hnsw')来计算mnist数据的准确性，

我将使用 HOG_apply函数执行相同的 操作，

通过平均 gabor和 HoG特征，平均准确度增加到％，这非常接近于 KernelKnn()的 HoG +强力方法的得分，

来自 “ ITPUB博客 ” ，链接：，如需转载，请注明出处，否则将追究法律责任。