Gabor金字塔在视觉注意模型研究中的应用（一）--准备篇

    随着仿生学的发展，在计算机视觉研究领域，研究者已使用视觉神经解剖学和神经心理学领域的研究成果指导计算机视觉研究，通过模仿人类视觉特性，构造出更灵活、更先进的计算机视觉算法。视觉注意模型正是基于仿生学发展起来的，其能够快速搜索到人类感兴趣的目标，该类目标被称为显著性目标。这类模型被称为显著性模型。

    在视觉注意研究中，对于图像的强度（暂且理解为一幅灰度图像的亮度）、颜色、方向均可生成对应的强度显著图、颜色显著图和方向显著图。在现有的一些模型中，高斯金字塔、平均金字塔、小波低通金字塔等被用来产生强度显著图；Gabor金字塔被用来产生方向显著图；由于强度显著图和方向显著图中突出的区域为与背景对比强烈的区域，而且考虑到一幅图像颜色分量和强度分量的差别仅在于输入数据的不同，因此推断能够产生强度显著图和方向显著图的方法亦可产生颜色显著图。

    Gabor滤波器和Gabor金字塔中使用的Gabor变换是窗函数为高斯函数的短时距傅里叶变换。所以在学习Gabor变换之前有必要回顾下强大的傅里叶变换。

一、傅里叶变换

    数字图像处理的方法主要分成两大部分：空间域处理和频率域处理。空间域处理就是对图像矩阵进行处理；频率域处理是通过图像变换将图像从空间域变换到频率域，在频率域中分析图像的特征并进行处理，然后通过反变换把处理结果返回到空间域。频率域分析法在图像增强、图像复原、图像编码压缩及特征编码压缩方面有着广泛应用。

    如果一个信号在f(t)在（-∞,∞）上满足狄里赫利条件：

    (1) 函数在任意有限区间内连续，或只有有限个第一类间断点（当t从左或右趋于这个间断点时，函数有有限的左极限和右极限）；

   （2）在一个周期内，函数有有限个极大值或极小值；

    (3) x(t)绝对可积，即

    周期信号才能展开成傅里叶级数，就可以通过傅里叶变换把时域信号f(t)转化到频域进行处理：

    然后再通过傅里叶反变换把频域信号转化到时域：

    傅里叶变换是线性系统分析的有力工具，提供了一种把时域信号转换到频域进行分析的途径，时域和频域之间是1-1映射关系，图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。

    傅里叶变换在实际中有非常明显的物理意义，设f(t)是一个能量有限的模拟信号，则其傅里叶变换就表示f的频谱。从纯粹的数学意义上看，傅里叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅里叶逆变换是将图像的频率分布函数变换为灰度分布函数。

二、不足之处

    经典Fourier变换只能反映信号的整体特性（时域，频域）。对傅里叶谱中的某一频率，无法知道这个频率是在什么时候产生的。从傅里叶变换的定义也可看出，傅里叶变换是信号在整个时域内的积分，因此反映的是信号频率的统计特性，没有局部化分析信号的功能。另外，要求信号满足平稳条件。傅里叶变换时域和频域是完全分割开来的。

    (1) 由式子

        可知，要用Fourier变换研究时域信号频谱特性，必须要获得时域中的全部信息；

    (2) 信号在某时刻的一个小的邻域内发生变化，那么信号的整个频谱都要受到影响，而频谱的变化从根本上来说无法标定发生变化的时间位置和发生变化的剧烈程度。也就是说，Fourier变换对信号的齐性不敏感。不能给出在各个局部时间范围内部频谱上的谱信息描述。然而在实际应用中齐性正是我们所关心的信号局部范围内的特性。如：音乐、语言信号等。即：局部化时间分析，图形边缘检，地震勘探反射波的位置等信息极重要；

    (3) 为解决傅里叶变换的局限性，产生了Gabor变换和小波变换。

    对傅里叶变换有了初步的认识后，我们在下一篇中将步入正题，由浅入深的学习Gabor变换的理论解析，为之后它在图像处理中的应用打通“任督二脉”。

注：文章中很多知识来自于我阅读过的文献、书籍以及互联网上，经过理解后重新对知识点进行了梳理。