OpenCV 例程200篇 总目录-202205更新
Gabor 变换是一种加窗短时傅里叶变换,以高斯函数作为短时傅里叶变换的窗函数,因此可以在频域不同尺度、不同方向上提取特征。
Gabor 函数对频率和方向表达与人类视觉响应非常类似,且对图像的亮度变化、对比度变化、姿态变化都具有较强鲁棒性。Gabor 滤波器常用于边缘提取,对纹理识别和分离的效果很好;可以用于表达图像局部特征, 在视觉领域中经常被用来作图像的预处理 。
在空间域将正弦函数与高斯函数进行卷积,就得到 Gabor 滤波器,其数学表达形式为:
g ( x , y ) = e x p [ − x ′ 2 + γ y ′ 2 2 σ 2 ] ⋅ e x p [ i ( 2 π x ′ λ + ψ ) ] g(x,y) = exp[- \frac{x'^2+\gamma y'^2}{2 \sigma ^2}] \cdot exp[i(2 \pi \frac{x'}{\lambda}+\psi)] g(x,y)=exp[−2σ2x′2+γy′2]⋅exp[i(2πλx′+ψ)]
实数部分:
g ( x , y ) = e x p [ − x ′ 2 + γ y ′ 2 2 σ 2 ] ⋅ c o s [ ( 2 π x ′ λ + ψ ) ] g(x,y) = exp[- \frac{x'^2+\gamma y'^2}{2 \sigma ^2}] \cdot cos[(2 \pi \frac{x'}{\lambda}+\psi)] g(x,y)=exp[−2σ2x′2+γy′2]⋅cos[(2πλx′+ψ)]
虚数部分:
g ( x , y ) = e x p [ − x ′ 2 + γ y ′ 2 2 σ 2 ] ⋅ s i n [ ( 2 π x ′ λ + ψ ) ] g(x,y) = exp[- \frac{x'^2+\gamma y'^2}{2 \sigma ^2}] \cdot sin[(2 \pi \frac{x'}{\lambda}+\psi)] g(x,y)=exp[−2σ2x′2+γy′2]⋅sin[(2πλx′+ψ)]
式中各参数的含义为:
x ′ = x c o s θ + y s i n θ y ′ = − x s i n θ + y c o s θ x' = x cos \theta + y sin \theta\\y' = - x sin \theta + y cos \theta\\ x′=xcosθ+ysinθy′=−xsinθ+ycosθ
λ \lambda λ,滤波器核函数中正弦函数的波长,像素数,大于2,小于图像尺寸的 1/5。
ψ \psi ψ,滤波器核函数中正弦函数的相位偏移,角度,-180~180度。0度时白条为中心,180度时黑条为中心。
θ \theta θ,滤波器核函数中平行条带的倾斜角度,0~360度。
γ \gamma γ,空间纵横比,核函数形状的椭圆率, γ = 1 \gamma=1 γ=1 时为圆形, γ < 1 \gamma<1 γ<1 时在条纹的平行方向伸长,通常取 0.5。
σ \sigma σ,滤波器核函数中高斯函数的标准差。
b b b,滤波器的半响应空间频率带宽,通常取 1.0,此时 σ / λ = 0.56 \sigma / \lambda = 0.56 σ/λ=0.56。带宽越小,标准差越大,平行条纹数量越多。
Gabor 滤波器的冲激响应是高斯函数与复指数函的乘积,达到时频测不准关系的下界,因此是兼顾信号在时频域的最优分辨率。
Gabor 滤波的基本思想是,不同纹理具有不同的中心频率及带宽,Gabor 滤波器是带通滤波器,只允许特定频率的纹理通过,因而可以分析和提取纹理特征。
Gabor 滤波器可以提取不同方向和不同尺度的特征,通常选择若干尺度和方向进行组,建立 Gabor 滤波器组。
基于 Gabor 滤波器的特征提取的实现步骤:
(1)将输入图像按空间位置分为 3×3(9块)和 4×4(16块)的图像块;
(2)选择若干尺度和方向,如 5尺度4方向,建立 Gabor 滤波器组;
(3)Gabor 滤波器组与每个图像块在空域卷积,每个图像块得到 20 个滤波器输出;
(4)将每个图像块的 24个Gabor 滤波输出,“浓缩” 为一个 24×1 的列向量作为该图像块的纹理特征。
OpenCV 中提供的 cv.getGaborKernel() 函数可以生成 Gabor 滤波器核。
# 1.95: 基于 Gabor 带通滤波器的特征提取
# 构造 Gabor 滤波器组
GaborFilters = []
size = [5, 7, 9, 11, 15] # Gabor 滤波器尺寸
lamda = np.pi / 2.0 # 正弦函数波长
for i in range(4):
theta = i * np.pi/4 # 平行条带倾斜角度,0°,45°,90°,135°
for k in range(5):
ksize = (size[k], size[k]) # Gabor 滤波器尺寸
kernel = cv2.getGaborKernel(ksize, 1.0, theta, lamda, 0.5, 0, ktype=cv2.CV_32F)
kernel /= kernel.sum()
GaborFilters.append(kernel)
# 读取图像
img = cv2.imread("../images/Fractal02.png", flags=1)
# Gabor 滤波
plt.figure(figsize=(10, 7))
res = [] # 滤波结果
for i in range(len(GaborFilters)):
accum = np.zeros_like(img)
for kern in GaborFilters[i]:
fimg = cv2.filter2D(img, cv2.CV_8UC1, kern)
accum = np.maximum(accum, fimg, accum)
res.append(np.asarray(accum))
plt.subplot(4, 5, i + 1), plt.axis('off')
plt.imshow(cv2.cvtColor(accum, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()
(本节完)
版权声明:
OpenCV 例程200篇 总目录-202205更新
youcans@xupt 原创作品,转载必须标注原文链接:(https://blog.csdn.net/youcans/article/details/124970610)
Copyright 2022 youcans, XUPT
Crated:2022-5-25
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中【youcans 的 OpenCV 例程200篇】185.图像金字塔之高斯金字塔
【youcans 的 OpenCV 例程200篇】186.图像金字塔之拉普拉斯金字塔
【youcans 的 OpenCV 例程200篇】187.由拉普拉斯金字塔还原图像
【youcans 的 OpenCV 例程200篇】188.基于拉普拉斯金字塔的图像融合
【youcans 的 OpenCV 例程200篇】189.基于掩模的拉普拉斯金字塔图像融合
【youcans 的 OpenCV 例程200篇】190.基于图像分割的图像融合
【youcans 的 OpenCV 例程200篇】191.基于图像分割的金字塔图像融合
【youcans 的 OpenCV 例程200篇】192.Gabor 滤波器组的形状
【youcans 的 OpenCV 例程200篇】193.基于Gabor 滤波器的特征提取
更多内容,请见:
【OpenCV 例程200篇 总目录-202206更新】