Python对图像进行二维Gabor滤波加速

1️⃣作业需求

选取5个尺度，36个方向共180个二维模板对一幅图像（任取，可用作业（1）的图像）分别做二维卷积，得到180幅滤波结果图像，以此作为基准Gabor滤波结果。由于这个基准算法处理速度很慢，故请试着对该方法进行改进，改进方法在要求得到同样180个卷积的结果图像的前提下，尽量提高其处理速度。

2️⃣实现源码

# coding:utf-8
import cv2
import numpy as np
import pylab as pl
from PIL import Image

#构建Gabor滤波器
from joblib.numpy_pickle_utils import xrange


def build_filters():
    filters = []
    ksize = [7,9,11,13,15] #gabor尺度 5个
    lamda = np.pi/2.0 # 波长
    # 三个参数 默认起点为0，终点为360，步长为10
    for theta in np.arange(0,360,10): #gabor方向 36个方向
        for k in xrange(5):
            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)
    return filters

#滤波过程
def process(img,filters):
    accum = np.zeros_like(img)
    for kern in filters:
        fimg = cv2.filter2D(img,cv2.CV_8UC3,kern)
        np.maximum(accum,fimg,accum)
    return accum

#特征图生成并显示
def getGabor(img,filters):
    image = Image.open(img)
    img_ndarray = np.asarray(image)
    res = [] #滤波结果
    for i in xrange(len(filters)):
        res1 = process(img_ndarray,filters[i])
        res.append(np.asarray(res1))

    pl.figure(2)
    for temp in xrange(len(res)):
        pl.subplot(36,5,temp+1)  #画36*5的格子显示出来
        pl.imshow(res[temp],cmap='gray')
    pl.show()

    return res

if __name__ == '__main__':
    filters = build_filters()
    getGabor('./dataset/image.png',filters)

其中image.png是我们要进行Gabor滤波处理的图片，也就是这张图片：

3️⃣实验结果

实验结果是36x5的图片序列，每一列从左到右代表[7,9,11,13,15]五个尺度。每一行从上至下代表0、10、20…340、350共36个维度。一共180幅滤波结果图像，使用的cv2的getGaborKernel进行优化，滤波处理的速度非常快。

⭐实验源码+报告⭐

当我们递归地实现 DFS 时，似乎不需要使用任何栈。但实际上，我们使用的是由系统提供的隐式栈，也称为调用栈（Call Stack）。