python实现Gabor滤波器-skimage（一）

• 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$theta=1/2\ast pi$，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