OpenCV—python Gabor滤波（提取图像纹理）

最新推荐文章于 2024-05-02 06:14:41 发布

SongpingWang

最新推荐文章于 2024-05-02 06:14:41 发布

阅读量2.8w

点赞数 30

分类专栏： OpenCV/python 文章标签： OpenCV—python Gabor滤波

本文链接：https://blog.csdn.net/wsp_1138886114/article/details/84841370

版权

OpenCV/python 专栏收录该内容

84 篇文章 237 订阅

订阅专栏

文章目录

- - 一、Gabor滤波简介
  - 二、代码演示

Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。在人脸识别等领域有着很广泛的应用

一、Gabor滤波简介

Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。
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。
在这里插入图片描述
Gabor滤波的公式如下所示：
$\exp(\frac{−x′^2+γ^2y^2}{2σ^2})\exp(i(2π\frac{x′}{λ}+ψ))$
其中实数部分与虚数部分为：
$g_{\rm real}(x,y;λ,θ,ψ,σ,γ)=\exp(\frac{−x′^2+γ^2y^2}{2σ^2})\cos(2π\frac{x′}{λ}+ψ)$

$g_{\rm imag}(x,y;λ,θ,ψ,σ,γ)=\exp(\frac{−x′^2+γ^2y^2}{2σ^2})\sin(2π\frac{x′}{λ}+ψ)$
其中
$\left\{\begin{matrix} x′=xcosθ+ysinθ\\ y′=−xsinθ+ycosθ \end{matrix}\right.$

这里面的参数：
（1） $x, y$ 分别表示像素坐标位置；
（2） $λ$ 表示滤波的波长；（波长越大，黑白相间的间隔越大）
（3） $θ$ 表示Gabor核函数图像的倾斜角度；
（4） $ψ$ 表示相位偏移量，范围是-180~180；（ $ψ$ =0时白条为中心， $ψ$ =180时，黑条为中心）
（5） $σ$ 表示高斯函数的标准差；（ $σ$ 增大，条纹数量越多）
（6） $γ$ 表示长宽比，决定这Gabor核函数图像的椭圆率。（ $γ$ 越小，核函数图像会越高）
这里的参数不了解不要紧，后面我将会针对这些参数进行一系列的实验，直观的展示出这些参数的作用

参数	物理意义	描述
$x, y$	像素坐标位置
$λ$	波长	直接影响滤波器的滤波尺度，通常大于等于2
$θ$	方向	Gabor核函数图像的倾斜角度
$ψ$	相位偏移	调谐函数的相位偏移，取值 -180 ~ 180
$γ$	空间纵横比（长宽比）	决定滤波器的形状椭圆率，取1时为圆形，通常取 0.5
$σ$	带宽	高斯滤波器的方差，通常取 $2 π$

二、代码演示

import cv2,os
import numpy as np
import matplotlib.pyplot as plt


def get_img(input_Path):
    img_paths = []
    for (path, dirs, files) in os.walk(input_Path):
        for filename in files:
            if filename.endswith(('.jpg','.png')):
                img_paths.append(path+'/'+filename)
    return img_paths


#构建Gabor滤波器
def build_filters():
     filters = []
     ksize = [7,9,11,13,15,17] # gabor尺度，6个
     lamda = np.pi/2.0         # 波长
     for theta in np.arange(0, np.pi, np.pi / 4): #gabor方向，0°，45°，90°，135°，共四个
         for K in range(6):
             kern = cv2.getGaborKernel((ksize[K], ksize[K]), 1.0, theta, lamda, 0.5, 0, ktype=cv2.CV_32F)
             kern /= 1.5*kern.sum()
             filters.append(kern)
     plt.figure(1)

     #用于绘制滤波器
     for temp in range(len(filters)):
         plt.subplot(4, 6, temp + 1)
         plt.imshow(filters[temp])
     plt.show()
     return filters

#Gabor特征提取
def getGabor(img,filters):
    res = [] #滤波结果
    for i in range(len(filters)):
        # res1 = process(img, filters[i])
        accum = np.zeros_like(img)
        for kern in filters[i]:
            fimg = cv2.filter2D(img, cv2.CV_8UC1, kern)
            accum = np.maximum(accum, fimg, accum)
        res.append(np.asarray(accum))

    #用于绘制滤波效果
    plt.figure(2)
    for temp in range(len(res)):
        plt.subplot(4,6,temp+1)
        plt.imshow(res[temp], cmap='gray' )
    plt.show()
    return res  #返回滤波结果,结果为24幅图，按照gabor角度排列


if __name__ == '__main__':
    input_Path = './content'
    filters = build_filters()
    img_paths = get_img(input_Path)
    for img in img_paths:
        img = cv2.imread(img)
        getGabor(img, filters)



这个过程有点慢，一张图片要1-3s，若是批量处理可以开启多线程，这样会快点

在这里插入图片描述
此代码用来查看滤波器

#coding:utf-8

'''
Gabor滤波器参数可视化
参考：https://blog.csdn.net/lhanchao/article/details/55006663
'''

import cv2
import numpy as np
import math

# λ（波长）变化
kernel1 = cv2.getGaborKernel((200,200),10,0,5,0.5,0)
kernel2 = cv2.getGaborKernel((200,200),10,0,10,0.5,0)
kernel3 = cv2.getGaborKernel((200,200),10,0,15,0.5,0)
kernel4 = cv2.getGaborKernel((200,200),10,0,20,0.5,0)

cv2.imshow("lambda: 5", kernel1)
cv2.imshow("lambda: 10", kernel2)
cv2.imshow("lambda: 15", kernel3)
cv2.imshow("lambda: 20", kernel4)

# θ变化
kernel1 = cv2.getGaborKernel((311, 311), 10, 0, 10, 0.5, 0)
kernel2 = cv2.getGaborKernel((311, 311), 10, math.pi * 0.25, 10, 0.5)
kernel3 = cv2.getGaborKernel((311, 311), 10, math.pi * 0.5, 10, 0.5, 0)
kernel4 = cv2.getGaborKernel((311, 311), 10, math.pi * 0.75, 10, 0.5, 0)

cv2.imshow("theta: 0", kernel1)
cv2.imshow("theta: 45", kernel2)
cv2.imshow("theta: 90", kernel3)
cv2.imshow("theta: 135", kernel4)

# ψ的变化

# σ的变化：
kernel1 = cv2.getGaborKernel((311, 311), 5, 0, 10, 0.5, 0)
kernel2 = cv2.getGaborKernel((311, 311), 10, 0, 10, 0.5, 0)
kernel3 = cv2.getGaborKernel((311, 311), 15, 0, 10, 0.5, 0)
kernel4 = cv2.getGaborKernel((311, 311), 20, 0, 10, 0.5, 0)

cv2.imshow("sigma: 5", kernel1)
cv2.imshow("sigma: 10", kernel2)
cv2.imshow("sigma: 15", kernel3)
cv2.imshow("sigma: 20", kernel4)

# γ的变化

kernel1 = cv2.getGaborKernel((200, 200), 10, 0, 10, 0.5, 0)
kernel2 = cv2.getGaborKernel((200, 200), 10, 0, 10, 1.0, 0)
kernel3 = cv2.getGaborKernel((200, 200), 10, 0, 10, 1.5, 0)
kernel4 = cv2.getGaborKernel((200, 200), 10, 0, 10, 2.0, 0)
cv2.imshow("gamma: 0.5", kernel1)
cv2.imshow("gamma: 1.0", kernel2)
cv2.imshow("gamma: 1.5", kernel3)
cv2.imshow("gamma: 2.0", kernel4)

cv2.waitKey()
cv2.destroyAllWindows()

未完待续

鸣谢
https://www.liangzl.com/get-article-detail-1703.html
https://blog.csdn.net/vitaminc4/article/details/78840904
https://blog.csdn.net/zizi7/article/details/53038031
https://blog.csdn.net/hanwenhui3/article/details/48289145
https://blog.csdn.net/sxlsxl119/article/details/81329266

SongpingWang

关注

30
点赞
踩
254

收藏

觉得还不错? 一键收藏
打赏
22
评论
OpenCV—python Gabor滤波（提取图像纹理）

文章目录一、Gabor滤波简介二、代码演示Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。在人脸识别等领域有着很广泛的应用一、Gabor滤波简介Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏...
复制链接

扫一扫