-
什么是Gabor滤波器?
Gabor滤波器是一种由正弦波调制的高斯核线性滤波器。Gabor滤波器的频率和方向表示与人类视觉系统相似。Gabor滤波器组通常用于计算机视觉和图像处理。特别适用于边缘检测和纹理分类。一个二维Gabor滤波器是一个由正弦平面波调制的高斯核函数。好处是对光强不敏感,十分适合纹理分析。 -
Gabor的原理?
公式繁琐不写了,详细可以参考Gabor滤波器 -
Gabor滤波器怎么应用与纹理分析?
Gabor滤波器提取纹理特征主要包括两个过程:①设计滤波器(例如函数、数目、方向和间隔);②从滤波器的输出结果中提取有效纹理特征集
实际行动中需注意:
1、选择不同方向下的Gabor滤波器
与检测对象趋势相同的方向参数可以使特征点的定位更加准确。
2、选择不同频率下的滤波器
当滤波器纹理与图像作用时,滤波器覆盖下的局部纹理频率与滤波器的频率越接近响应就越大,反之越小。
3、不同的卷积核(kernel size)大小对Gabor滤波核的影响
如果卷积核的边长小于波长,那么整个波形不能包括在卷积核中,使得波形边缘的滤波效果起不到作用。相反,如果如果卷积核的边长大于波长,则不会对滤波器产生什么影响。
4、相位变化对Gabor滤波核的影响
通过相位变化可以改变滤波核中心点的波形,如果滤波核中心点正对波峰(ϕ=0ϕ=0),则会对整张图像起到加强的作用,如果滤波核中心点正对波谷(ϕ=180ϕ=180),则会对整张图像起到减弱的作用。我们应当避免滤波核中心点的波形位于零交叉点,因为这样我们可能会看不到滤波器的任何效果。
5、不同方向不同尺度的Gabor滤波器可以提取对象中的不同特征 -
实际如何进行特征提取与应用?
以使用skimage.filters.gabor来进行不重复造车。下面的例子是官方给的,展示了如何基于Gabor滤波器组对纹理进行分类。详细可见Gabor filter banks for texture classification。
一般来说,Gabor分为实部和虚部,用实部进行滤波后图像会平滑;虚部滤波后用来检测边缘。本例中Gabor滤波器的频率和方向表示选择与人类视觉系统相似的。利用各种不同的Gabor滤波核的 实部 对图像进行滤波。然后将 滤波后 图像的 均值和方差 作为分类特征,为简单起见,该特征基于最小平方误差。
在进行实例前,先学习两个函数:
1、skimage.filters.gabor(image, frequency, theta=0, bandwidth=1, sigma_x=None, sigma_y=None, n_stds=3, offset=0, mode='reflect', cval=0)
用途: 将Gabor滤波核的实部和虚部应用于图像,并将响应作为一对数组返回。
参数:
image:2-D array
输入图像(2维)
frequency:float
谐波函数的空间频率. Specified in pixels.
theta:float, optional
方向以弧度制。如果是0,谐波在x方向上。
bandwidth:float, optional
滤波器捕获的带宽。在带宽固定的情况下,sigma_x和sigma_y会随着频率的增加而减小。如果sigma_x和sigma_y由用户设置,则忽略此值。
sigma_x, sigma_y:float, optional
x和y方向上的标准差。这些方向适用于旋转前的核。如果 t h e t a = 1 / 2 ∗ p i theta= 1/2*pi theta=1/2∗pi,那么核旋转90度,sigma_x控制垂直方向。
n_stds:scalar, optional
内核的线性大小是n_stds(默认为3)标准差。
offset:float, optional
谐波函数的相位偏移以弧度制。
mode:{‘constant’, ‘nearest’, ‘reflect’, ‘mirror’, ‘wrap’}, optional
用于图像与内核卷积的模式,传递给ndi.convolve
cval:scalar, optional
如果卷积模式是“constant”常数,则指定该常数值。该参数被传递给ndi.convolve。
2、skimage.filters.gabor_kernel(frequency, theta=0, bandwidth=1, sigma_x=None, sigma_y=None, n_stds=3, offset=0, dtype=<class 'numpy.complex128'>)
用途: 返回复杂的2D-Gabor过滤器内核。
Gabor核是由复杂的谐波函数调制的高斯核。谐波函数由虚正弦函数和实余弦函数组成。空间频率与谐波的波长和高斯核的标准差成反比。带宽也与标准差成反比。
参数:
frequency:float
谐波函数的空间频率。
theta:float, optional
方向以弧度制。如果是0,谐波在x方向上。
bandwidth:float, optional
滤波器捕获的带宽。在带宽固定的情况下,sigma_x和sigma_y会随着频率的增加而减小。如果sigma_x和sigma_y由用户设置,则忽略此值。
sigma_x, sigma_y:float, optional
滤波器捕获的带宽。在带宽固定的情况下,sigma_x和sigma_y会随着频率的增加而减小。如果sigma_x和sigma_y由用户设置,则忽略此值。
n_stds:scalar, optional
内核的线性大小是n_stds(默认为3)标准差
offset:float, optional
谐波函数的相位偏移以弧度制。
dtype{np.complex64, np.complex128}
指定过滤器是单精度复数还是双精度复数。
import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage as ndi
from skimage import data#引入数据
from skimage.util import img_as_float
from skimage.filters import gabor_kernel#引入Gabor核
# 准备滤波器的核,这里采用了16个核
kernels = []
for theta in