matlab gabor纹理特征提取,R语言Gabor滤波进行目标图像纹理特征的提取

Gabor特征已广泛用于

(字符和面部识别)。

(诺贝尔奖获得者，电气工程师和物理学家)使用了以下措辞，我认为在这个小插图中值得一提，

“你无法预测未来，但你可以发明它。”

在下面的几行中，我将描述

GaborFeatureExtract R6类，其中包括以下方法，

GaborFeatureExtract

gabor_filter_bank()

gabor_feature_extraction()

gabor_feature_engine()

这些方法基于Matlab代码

of

M. Haghighat，S。Zonouz，M.Abdel-Mottaleb，“CloudID：Trustworthy cloud-based and cross-enterprise biometric identification，”Expert Systems with Applications，vol。42，不。21，pp.7905-7916,2015，

//dx.doi.org/10.1016/j.eswa.2015.06.025。修改了最初的Matlab代码(我添加了

Magnitude特性和

gabor_feature_engine()方法)，并在可能的地方使用Rcpp进行并行化。

Gabor功能

我在CRAN(综合R档案网络)上进行了常规搜索，但我找不到任何与Gabor特征提取相关的内容(截至2018年8月)，因此我决定将Matlab代码移植到R中。网上有很多资源如果有人打算加深他/她对这个主题的了解，我会在Vignette的末尾添加一些我觉得有用的内容(参考文献)。

gabor_filter_bank

该

gabor_filter_bank方法

“......生成自定义尺寸的Gabor滤波器组。它创建一个UxV单元阵列，其元素是MxN矩阵;根据

代码的

每个矩阵都是2-D Gabor滤波器。以下代码块显示了它在R中是如何工作的，

library(OpenImageR)init_gb = GaborFeatureExtract$ ()#------------------# gabor-filter-bank#------------------gb_f = init_gb$ (scales = 5, orientations = 8, gabor_rows = 39,gabor_columns = 39, plot_data = TRUE)#-----------------------------------------------# plot of the real part of the gabor-filter-bank#-----------------------------------------------plt_f = init_gb$ (real_matrices =  $gabor_real, margin_btw_plots = 0.65,thresholding = FALSE)

对于

gabor_filter_bank，我使用5个

刻度和8个

方向来构建大小为39 x 39的过滤器。该方法的输出是长度为3的列表，

str(gb_f)List of 3$ gaborArray     :List of 40..$ : cplx [1:39, 1:39] -1.58e-12-0.00i 0.00-5.02e-12i 1.50e-11-0.00i .....$ : cplx [1:39, 1:39] 4.86e-08-3.96e-08i 1.02e-07+4.63e-08i 6.31e-09+1.93e-07i .....$ : cplx [1:39, 1:39] 6.24e-06-6.24e-06i 1.18e-05+0.00i 1.10e-05+1.10e-05i .....$ : cplx [1:39, 1:39] -6.69e-05-3.18e-05i -4.63e-05-7.20e-05i -1.60e-06-9.81e-05i .....$ : cplx [1:39, 1:39] 1.40e-04+5.81e-05i 1.15e-04+1.15e-04i 6.68e-05+1.61e-04i ..........$ gabor_imaginary:List of 40..$ : num [1:39, 1:39] -4.65e-27 -5.02e-12 -1.10e-26 4.21e-11 -2.99e-25 .....$ : num [1:39, 1:39] -3.96e-08 4.63e-08 1.93e-07 1.53e-07 -3.04e-07 .....$ : num [1:39, 1:39] -6.24e-06 4.84e-20 1.10e-05 2.01e-05 1.81e-05 .....$ : num [1:39, 1:39] -3.18e-05 -7.20e-05 -9.81e-05 -9.58e-05 -5.78e-05 .....$ : num [1:39, 1:39] 5.81e-05 1.15e-04 1.61e-04 1.86e-04 1.83e-04 ..........$ gabor_real     :List of 40..$ : num [1:39, 1:39] -1.58e-12 5.54e-27 1.50e-11 -4.12e-26 -1.11e-10 .....$ : num [1:39, 1:39] 4.86e-08 1.02e-07 6.31e-09 -2.85e-07 -4.28e-07 .....$ : num [1:39, 1:39] 6.24e-06 1.18e-05 1.10e-05 -8.11e-20 -1.81e-05 .....$ : num [1:39, 1:39] -6.69e-05 -4.63e-05 -1.60e-06 5.73e-05 1.12e-04 .....$ : num [1:39, 1:39] 1.40e-04 1.15e-04 6.68e-05 -3.77e-19 -7.57e-05 ..........

第一

个子列表(

gaborArray)由复杂类型的40个矩阵(5个刻度×8个方向)组成，其中每个matix的尺寸为39 x 39(gabor滤波器)。第二

个子列表(

gabor_imaginary)是虚部(数字)，而第三

个子列表是实部(

gabor_real)。实部(数字)用于绘制gabor滤波器。

该文档包含所使用的每个参数的更多详细信息。

gabor_feature_extraction

该

gabor_feature_extraction方法提取图像的Gabor特征。与初始Matlab代码相比，此方法得到修改，以便用户可以选择对图像进行下采样或对特征进行标准化。此外，我添加了

Magnitude功能，因为根据

它提高了可预测性。

基于前面提到的

car.png图像，

# read image#-----------pth_im = system.file("tmp_images", "car.png", package = "OpenImageR")im = readImage(pth_im) * 255# gabor-feature-extract#----------------------gb_im = init_gb$ (image = im, scales = 5,  ,downsample_rows = NULL,downsample_col, plot_data = TRUE,normalize_features = FALSE, threads = 3)

此函数再次返回长度为3的列表，

其中

gaborFeatures是提取的特征，其行数等于nrow(im)x ncol(im)(或166 x 249)，列数等于scale x orientationations(或5 x 8)。第二和第三个子列表是与gabor滤波器卷积后得到的图像的虚部和实部。以下代码块允许用户绘制图像的不同

比例和

方向，

plt_im = init_gb$plot_gabor(real_matrices = gb_im$  , thresholding = FALSE)

通过将

gb_im $ gabor_features_real对象(比例，方向)阈值

化为 [0,1]，可以直观地探索图像，

# thresholding parameter is set to TRUE#--------------------------------------plt_im_thresh = init_gb$plot_gabor(real_matrices   ,margin_btw_plots = 0.65, thresholding = TRUE)

gabor_feature_engine

该

gabor_feature_engine方法是初始Matlab代码的扩展，并且允许用户从多个图像中提取Gabor特征。此方法的工作方式与

HOG_apply方法相同，后者采用图像矩阵(如mnist数据集)，并在处理后返回要素。以下示例说明如何将

gabor_feature_engine方法与mnist数据集一起使用，

mnist 

str(dat)List of 2$ magnitude      : num [1:70000, 1:3136] 0 0 0 0 0 0 0 0 0 0 ...$ energy_aptitude: num [1:70000, 1:64] 2682 2576 1399 1178 2240 ...

的

DAT目的是长度为2的列表中的第一子列表对应于

幅度，而第二子列表到

本地能量和

均值性向。在计算mnist数据的准确性之前要做的第一件事是减少

幅度特征的维数(我将使用

包来实现此目的)，

并且我将创建一个缩小

幅度和

能量 - 能力数据的中心缩放矩阵，

然后我将利用

nmslibR库(近似方法'hnsw')来计算mnist数据的准确性，

我将使用

HOG_apply函数执行相同的

操作，

通过平均

gabor和

HoG特征，平均准确度增加到98.34％，这非常接近于

(98.4)的

，

非常感谢您阅读本文，有任何问题请在下面留言！