Gabor 小波变换

最新推荐文章于 2024-06-18 15:03:15 发布
最新推荐文章于 2024-06-18 15:03:15 发布
阅读量8k 收藏 8
点赞数
分类专栏： 机器视觉 智能算法

找了很久关于这方面的文献，介绍的都比较浅

求助领导，给了我一篇文章：

Gabor Based Kernel Partial-Least-Squares Discrimination Features for Face Recognition.pdf

看起来不是很麻烦，晚上回去实现一下，随后，上代码

// gabor.cpp
//
 
/********************************************************************
    created:    2012/10/08
    created:    08:10:2012   14:52    
    author:        SHI Juanfeng
    
    purpose:    gabor wavelet and extract gabor feature
*********************************************************************/
 
/// 转发请注明出处：http://shijuanfeng.blogbus.com/logs/222803606.html　
 
#include "stdafx.h"
 
 
#pragma once
 
 
#ifdef DEBUG
#pragma comment( lib,"opencv_contrib240d.lib" )
#pragma comment( lib,"opencv_core240d.lib" )
#pragma comment( lib,"opencv_highgui240d.lib" )
#pragma comment( lib,"opencv_imgproc240d.lib" )
#else
#pragma comment( lib,"opencv_contrib240.lib" )
#pragma comment( lib,"opencv_core240.lib" )
#pragma comment( lib,"opencv_highgui240.lib" )
#pragma comment( lib,"opencv_imgproc240.lib" )
#endif
 
#include <opencv2\opencv.hpp>
 
using namespace cv;
 
#include <vector>
 
 
/**
*    \brief GaborWavelet 的参数
*   
*                           f^2
*    ψ(f,θ,γ,η)  = ------------- exp( - (f^2*Xt^2/γ^2 + f^2*Yt^2/η^2) ) exp( j*2pai*f*Xt )
*                         pai*γ*η
*    xt = x cos θ + y sin θ,
*    yt = −x sin θ + y cos θ
*
*    ψg,h(x, y) = ψ(fg,θh,γ,η),
*      fg = fmax/(sqrtf(2))^g
*      θh = h*π/8
*    g,h由scales, orientations 决定, 例如 scales=5, orientations=8时，g={0, . . . , 4}，h=h ∈ {0, . . . , 7}
*    
*      γ、η、fmax是预先设好的参数
**/
struct GaborWaveletParam
{
    float gamma;            ///< 如上公式, ，默认 sqrtf(2)
    float etah;                ///< 如上公式，默认 sqrtf(2)
    float fmax;                ///< 如上公式，默认 0.25
    int scales ;             ///< 尺度的数目
    int orientations;        ///< 方向的数目
    int width;               ///< 生成的小波窗口宽
    int height;               ///< 生成的小波窗口高
};
 
/**
*    \brief  输出固定尺度固定方向的Gabor小波
*                           f^2
*    ψ(f,θ,γ,η)  = ------------- exp( - (f^2*Xt^2/γ^2 + f^2*Yt^2/η^2) ) exp( j*2pai*f*Xt )
*                         pai*γ*η
*    xt = x cos θ + y sin θ,
*    yt = −x sin θ + y cos θ
*    \param[in] width 小波窗口宽
*    \param[in] height 小波窗口高
*    \param[in] f 参数
*    \param[in] sita  参数
*    \param[in] gamma 参数
*    \param[in] etah  参数
*    \param[in][out] KernelReal Gabor小波实部
*    \param[in][out] KernelImg Gabor小波虚部
**/
void TwoDimGaborwavelet( int width, int height, float f, float sita, float gamma, float etah, Mat &KernelReal, Mat &KernelImg  );
 
/**
*    \brief  生成多尺度、多方向的Gabor小波
*    \param[in] param 参数，详见结构体说明
*/
void GaborWaveletsMultiscalesAndMultiOrientations( GaborWaveletParam &param );
 
/**
*    \brief  提取多尺度、多方向的Gabor特征
*    1. 原图像卷积Gabor 小波 Og,h(x, y) = I(x, y) ∗ ψg,h(x, y),
*    2. 在多个尺度上进行下采样
*    3. 归一化到0均值1方差
*    4. 将各尺度变成行向量连接起来，最终的特征为scales*orientations*ImgWidth*ImgHeight/rou长的行向量
*
*    \param[in] param 参数，详见结构体说明
*    \param[in] src 原图像
*    \param[in] rou 下采样的比例
*    \param[in] gaborFeatures  求得的gabor特征
**/
void GaborFeaturesMultiscalesAndMultiOrientations( GaborWaveletParam &param, const Mat &src, float rou, vector<float> &gaborFeatures );
 
 
 
//
/// 实现
 
/// 输出固定尺度固定方向的Gabor小波
void TwoDimGaborwavelet( int width, int height, float f, float sita, float gamma, float etah, Mat &KernelReal, Mat &KernelImg )
{
 
    for ( int x=-width/2; x<width/2; x++)
    {
        for ( int y=-height/2; y<height/2; y++ )
        {
            float xt = x * cos(sita) + y * sin(sita);
            float yt = -x * sin(sita) + y * cos(sita);
 
            float fai = f*f / (CV_PI*gamma*etah) * exp( - f*f* ( xt*xt/(gamma*gamma) + yt*yt/(etah*etah) ) ) ;
 
            KernelReal.at<float>(x+width/2, y+height/2) = fai * cos( 2*CV_PI*f*xt);
            KernelImg.at<float>(x+width/2, y+height/2) = fai * sin( 2*CV_PI*f*xt);
        }
    }
            
}
 
/// 生成多尺度、多方向的Gabor小波
void GaborWaveletsMultiscalesAndMultiOrientations( GaborWaveletParam &param )
{
 
    int cnt = 1;
 
    Mat KernelReal = Mat::zeros( param.width, param.height, CV_32F );
    Mat KernelImg = Mat::zeros( param.width, param.height, CV_32F );
 
    for ( int g=0; g<param.scales; g++ )
    {
        for ( int h=0; h<param.orientations; h++ )
        {
            float f = param.fmax/pow( sqrtf(2.0), g );
            float sita = h * CV_PI / 8;
            TwoDimGaborwavelet( param.width, param.height, f, sita, param.gamma, param.etah, KernelReal, KernelImg );
            normalize( KernelReal, KernelReal, 0, 255, NORM_MINMAX );
 
#if 1 ///< 这里我为了测试加入了保存图像的过程，实际使用应将该部分注释，此外，我只保存了实部用以观察
            char buf[MAX_PATH] = {0};   
            itoa( cnt, buf, 10 );
            string name = "gaborWaveletKernelReal" ;
            name += buf;
            name += ".jpg";
 
            IplImage gaborWaveletImg = IplImage(KernelReal); 
            cvSaveImage( name.c_str(), &gaborWaveletImg );
            cnt++;
#endif        
        }
    }
 
}
 
 
/// 提取多尺度、多方向的Gabor特征
void GaborFeaturesMultiscalesAndMultiOrientations( GaborWaveletParam &param, const Mat &src, float rou, vector<float> &gaborFeatures )
{
 
    int cnt = 1;
 
    Mat KernelReal = Mat::zeros( param.width, param.height, CV_32F );
    Mat KernelImg = Mat::zeros( param.width, param.height, CV_32F );
    Mat faceReal;
    Mat faceImg;
    Mat faceMag = Mat::zeros( src.rows, src.cols, CV_32F );
    Mat gaborImg = Mat::zeros( src.rows/rou, src.cols/rou, CV_32F );
 
    for ( int g=0; g<param.scales; g++ )
    {
        for ( int h=0; h<param.orientations; h++ )
        {
            float f = param.fmax/pow( sqrtf(2.0), g );
            float sita = h * CV_PI / 8;
            TwoDimGaborwavelet( param.width, param.height, f, sita, param.gamma, param.etah, KernelReal, KernelImg );
 
            /// 卷积
            flip( KernelReal, KernelReal, -1 );
            filter2D( src, faceReal, -1, KernelReal, Point( -1, -1 ), 0, BORDER_REPLICATE ); 
            filter2D( src, faceImg, -1, KernelImg, Point( -1, -1 ), 0, BORDER_REPLICATE ); 
 
            /// 幅值
            faceReal = cv::Mat_<float>(faceReal);
            faceImg = cv::Mat_<float>(faceImg);
            magnitude( faceReal, faceImg, faceMag );        
 
#if 1 ///< 这里我为了测试加入了保存图像的过程，实际使用应将该部分注释调
            normalize( faceMag, faceMag, 0, 255, NORM_MINMAX );
            char buf[MAX_PATH] = {0};   
            itoa( cnt, buf, 10 );
            string name = "gaborFeaturesMag" ;
            name += buf;
            name += ".jpg";
 
            IplImage gaborWaveletImg = IplImage(faceMag); 
            cvSaveImage( name.c_str(), &gaborWaveletImg );
            cnt++;
#endif    
 
            /// 下采样到要求的尺寸
            resize( faceMag, gaborImg, gaborImg.size() );
 
            /// 归一化到0均值1方差
            Scalar m;
            Scalar stddev;
            meanStdDev( gaborImg, m, stddev ); 
 
            gaborImg = (gaborImg-m[0])/stddev[0];
 
            /// 得到特征
            for ( int i=0; i<gaborImg.rows; i++ )
            {
                for ( int j=0; j<gaborImg.cols; j++ )
                {
                    gaborFeatures.push_back( gaborImg.at<float>(i,j) );
                }
            }
        
        }
    }
 
}
 
//
/// 测试
int _tmain(int argc, _TCHAR* argv[])
{
    
    /// Gabor 小波
    GaborWaveletParam param;
 
    param.gamma = sqrtf(2.0);
    param.etah = sqrtf(2.0);
    param.fmax = 0.25;
    param.scales = 5; 
    param.orientations = 8;
    param. width=64; ///< 为了看的清楚，我将窗口尺寸设置较大，实际一般用不到这么大的尺寸
    param.height=64; ///< 为了看的清楚，我将窗口尺寸设置较大，实际一般用不到这么大的尺寸
    GaborWaveletsMultiscalesAndMultiOrientations( param );
 
 
    //
 
    /// 提取图像的Gabor特征
    /* 1. 原图像卷积Gabor 小波 Og,h(x, y) = I(x, y) ∗ ψg,h(x, y),
        2. 在多个尺度上进行下采样
        3. 归一化到0均值1方差
        4. 将各尺度变成行向量连接起来，最终的特征为scales*orientations*ImgWidth*ImgHeight/rou长的行向量
    */
 
    char name[] = "E:\\database\\CMU\\CMUPie_illum_Cropped_128x128\\04000\\27_02.jpg";
    IplImage *img = cvLoadImage( name, CV_LOAD_IMAGE_GRAYSCALE );
    Mat src( img, 0 );
 
    /// 实际使用的窗口尺寸, 若高斯核参数为sigma，窗口一般选择为6*sigma；二维时，亦然
    param. width = 6 * param.gamma; 
    param.height=6 * param.etah; 
 
    /// 下采样
    float rou = 4;
 
    /// 求得的Gabor特征,将各尺度变成行向量连接起来，长度为 scales*orientations*ImgWidth*ImgHeight/rou 
    vector<float> gaborFeatures; 
    GaborFeaturesMultiscalesAndMultiOrientations( param, src,  rou, gaborFeatures );
 
    return 0;
}

cpp原文件下载地址：http://www.kuaipan.cn/file/id_71521745328144392.htm

二维gabor小波是弄明白了，一维呢？公式是啥啊？？？继续探究

/**
*    \brief  输出一维固定尺度固定方向的Gabor小波
*                           f^2
*    ψ(f,θ,γ)  = ------------- exp( - f^2*Xt^2/γ^2 ) exp( j*pai*f*Xt )
*                         pai*γ
*    xt = x cos θ + y sin θ,
*    \param[in] width 小波窗口宽
*    \param[in] f  参数
*    \param[in] gamma 参数
*    \param[in] sita  参数
*    \param[in] gamma 参数
*    \param[in][out] KernelReal Gabor小波实部
*    \param[in][out] KernelImg Gabor小波虚部
**/
void GaborWavelet( int width, float f, float gamma, float sita, Mat &KernelReal, Mat &KernelImg  )
{
    for ( int x=-width/2; x<width/2; x++)
    {
        float xt = x * cos(sita);
 
        float fai = f*f / ( sqrtf(CV_PI)*gamma) * exp( - f*f*xt*xt/(gamma*gamma) ) ;
 
        KernelReal.at<float>(x+width/2, 0 ) = fai * cos( CV_PI*f*xt);
        KernelImg.at<float>(x+width/2,0 ) = fai * sin( CV_PI*f*xt);
        
    }
}
 
int _tmain(int argc, _TCHAR* argv[])
{
    int width = 4;
    Mat KernelReal = Mat::zeros( width, 1, CV_32F );
    Mat KernelImg = Mat::zeros( width, 1, CV_32F );
    GaborWavelet( width, 0.25, 1, 6./CV_PI, KernelReal, KernelImg  );
 
    /// 归一化到sqrtf(2)均值1方差
    Scalar m;
    Scalar stddev;
    meanStdDev( KernelReal, m, stddev ); 
    KernelReal = sqrtf(2.) * (KernelReal-m[0])/stddev[0];
 
    meanStdDev( KernelImg, m, stddev ); 
    KernelImg = sqrtf(2.) * (KernelImg-m[0])/stddev[0];
 
 
    /// 幅值
    Mat KernelMag =  Mat::zeros( width, 1, CV_32F );
    KernelReal = cv::Mat_<float>(KernelReal);
    KernelImg = cv::Mat_<float>(KernelImg);
    magnitude( KernelReal, KernelImg, KernelMag );    
 
    for ( int i=0; i<width; i++ )
    {
        cout << KernelReal.at<float>(i,0) << "    ";
    }
    cout << endl; 
 
    for ( int i=0; i<width; i++ )
    {
        cout << KernelImg.at<float>(i,0) << "    ";
    }
    cout << endl;
 
    for ( int i=0; i<width; i++ )
    {
        cout << KernelMag.at<float>(i,0) << "    ";
    }
    cout << endl;
 
    return 0;
}
 
源自作者：http://shijuanfeng.blogbus.com/logs/222803606.html
会飞的鱼啊鱼啊鱼
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Gabor小波变换
06-11
Gabor小波变换是一种在图像处理和信号分析领域广泛应用的数学工具，它结合了傅立叶变换的全局频谱分析和短时傅立叶变换的局部时频特性。Gabor滤波器以其对自然图像的优异适应性而受到关注，尤其是在纹理分析、图像...
图像处理的两种变换：2D-DWT和Gabor变换
qq_45981086的博客
06-26 3355
DWT(Discrete Wavelet Transformation)代表离散小波变换。 作用：对于图像来说，它能够将图像变换为一系列的小波系数并将这些系数进行高效的压缩和储存，并且小波的粗略边缘消除了DCT压缩普遍具有的方块效应从而可以更好地还原和表现图像。
gabor小波变换matlab,Gabor wavelets transform 【Gabor 小波变换】
weixin_35203997的博客
03-22 561
There is considerable evidence (reviewed inMacLennan 1991) that images in primary visual cortex (V1) arerepresented in terms of Gabor wavelets, that is, hierarchicallyarranged, Gaussian-modulated sinu...
【信号处理】基于gabor变换的声音信号时频分析附Matlab代码
最新发布
m0_57702748的博客
06-18 472
声音信号作为一种重要的信息载体，广泛应用于语音识别、音乐信息检索、故障诊断等领域。对声音信号进行时频分析，可以有效地提取信号的时频特征，为进一步的信号处理和应用提供重要基础。Gabor 变换作为一种经典的时频分析工具，因其良好的时频分辨率和对非平稳信号的适应性，在声音信号处理中得到了广泛的应用。本文将深入探讨基于 Gabor 变换的声音信号时频分析方法，并分析其优缺点及应用场景。1. Gabor 变换概述。
小波变换
贾路飞的博客
06-27 1217
本文主要转载自http://cda.pinggu.org/view/18623.html，文章通俗易懂，感谢大神的指点！！！ 本文部分转载自https://blog.csdn.net/u013360881/article/details/43490791，感谢大神指点！！！ 从傅里叶变换到小波变换，并不是一个完全抽象的东西，可以讲得很形象。小波变换有着明确的物理意义，如果我们从它提出时所面对的...
Gabor小波变换滤波器原理与创建
技术改变生活，创新让世界更美
10-27 6679
在提取目标的局部空间和频率域信息上，Gabor小波变换具有良好的特性，对图像进行Gabor小波变换，就类似于人类视网膜中的简单细胞对图像刺激作出的响应。 Gabor小波变换不仅仅可以提取出图像纹理的特征，并且可以减小光照和位置对图像识别造成的干扰。一般对图像进行Gabor小波变换提取特征后，还要进行降维处理，以提高运算效率。 一、二维Gabor小波核函数定义 式中，对于Gabor核函
对于gabor变换和gabor小波变换理解与总结
程序人生
02-04 2万+
最近开始研究gabor变换，之前只是停留在表面的意义上，没有深入研究，总是将gabor变换和gabor小波变换混为一团 ，给自己后续的学习带来很大的困扰，借此机会查阅了相关资料好好整理总结一下，以便区分。不过在说gabor变换和gabor小波变换之前，不得不提一下傅里叶变换和小波变换，因为它们都是由傅里叶变换的演变而产生的。 一、定义与联系 傅立叶变换       表示能将满足一定条件的某个
Opencv实现Gabor小波变换
06-08
基于opencv实现了对给定图像Gabor小波变换；尺度、方向、高斯窗口等参数可调
laifou.zip_Gabor小波变换
07-13
各种资源分配算法实现，有小波分析的盲信号处理，Gabor小波变换与PCA的人脸识别代码。
论文研究-基于Gabor小波变换的纹理图像检索技术研究 .pdf
08-15
基于Gabor小波变换的纹理图像检索技术研究，周亮，杨杰，本文采用基于Gabor小波变换的纹理图像检索方法，以Brodatz纹理库为对象进行了实验。以Gabor函数为母波函数生成一组不同方向不同尺度的�
基于Gabor小波变换和人工神经网络的人脸识别方法，matlab代码。.zip
08-12
基于Gabor小波变换和人工神经网络的人脸识别方法，matlab代码。
Gabor学习笔记
weixin_34064653的博客
03-19 1071
本文根据博客http://blog.csdn.net/watkinsong/article/details/7870996 ，博客http://www.cnblogs.com/yingying0907/archive/2012/11/22/2781945.html整理。   1.傅里叶变换 1) 简介 数字图像处理的方法主要分成两大部分：空域分析法和频域分析法。空域分析法就是对图像矩阵进行...
傅立叶变换、Gabor变换与小波变换
热门推荐
chenaiyanmie的博客
05-08 2万+
傅立叶变换数字图像处理的方法主要分成两种：空域分析法和频域分析法。空域分析法就是对图像矩阵进行处理；频域分析法是通过图像变换将图像从空域变换到频域，从另外一个角度来分析图像的特征并进行处理。频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 f(t)f(t) 在 (−∞,+∞)(- \infty, + \infty) 上满足： f(t)f(t) 在任一有限区间上
gabor与gabor小波
yanchujian88的博客
02-22 6081
先总结一句：瞎搞不如看文献。 前沿：最近在做图像分割，需要用到gabor来增强图像，然而这个gabor我看了很久，在网上看了很多关于gabor的知识，也在不断的调试参数，可总达不到我想要的结果，也具体搞不懂gabor与gabor小波的关系，后来看了关于gabor的文献，故来总结之。写这篇博客纯粹是以慰我在gabor上花的时间。 贴上这篇文献的连接，可以免费下载。 http://www.cse.ms...
Gabor wavelet and 实现方法
carrierlxksuper的专栏
08-01 3629
参考博客：http://blog.csdn.net/jinshengtao/article/details/17797641 http://matlabserver.cs.rug.nl/edgedetectionweb/web/edgedetection_params.html Gabor的实现，可以参考这个：提供了各种版本的实现方法：http://blog.csdn.net/watkin
基于Gabor-小波滤波深度图表面法线的特征提取算法【通过正常Gabor-小波的直方图进行2D或3D特征提取】研究（Matlab代码实现）
Ke_Yan_She的博客
05-18 635
本文的主要贡献是一种新颖的基于表面法线的识别算法，该算法提供了一种彻底的 评估3D鼻部区域的识别潜力。所提出的方法不依赖于复杂的对齐或去噪步骤，当画廊中每个受试者仅使用一个样本时非常稳健，并且不需要地标算法的训练步骤。将新算法与以前的算法进行比较 使用类似方法的方法，在鼻表面计算法线的应用，用于 识别以及验证方案。，其3D表面有很多 未被发现的潜力。本文进一步研究了用于人类身份认证的三维鼻区和 验证目的，并提出了一种新颖的算法，该算法提供非常高的判别强度，可与 最近的3D人脸识别算法，它使用整个面部域。
【图像特征提取】基于小波变换、gabor、双树复小波提取纹理图像特征附Matlab代码
matlab_dingdang的博客
10-17 1437
【图像特征提取】基于小波变换、gabor、双树复小波提取纹理图像特征附Matlab代码function varargout = main(varargin)% MAIN MATLAB code for main.fig% MAIN, by itself, creates a new MAIN or raises the existing% singleton*.%% H = MAIN returns the handle to a new MAIN or the handle
gabor小波变换matlab代码实现
04-12
gabor小波变换是一种常用的图像特征提取方法，可以用于纹理图像特征的提取。下面是一个使用Matlab实现gabor小波变换的代码示例[^1]： ```matlab % 设置gabor小波变换的参数 lambda = 4; % 波长 theta = 0; % 方向 ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值