原文作者：aircraft
原文地址：/DOMLX/p/8989836.html
参考博客：/xue_wenyuan/article/details/51533953
/jinshengtao/article/details/17797641
傅里叶变换是一种信号处理中的有力工具，可以帮助我们将图像从空域转换到频域，并提取到空域上不易提取的特征。但是经过傅里叶变换后，
图像在不同位置的频度特征往往混合在一起，但是Gabor滤波器却可以抽取空间局部频度特征，是一种有效的纹理检测工具。
在图像处理中，Gabor函数是一个用于边缘提取的线性滤波器。Gabor滤波器的频率和方向表达同人类视觉系统类似。研究发现，Gabor滤波器十分适合纹理表达和分离。在空间域中，一个二维Gabor滤波器是一个由正弦平面波调制的高斯核函数。
gabor核函数的表达式：
复数表达式：
可以拆解：实部：
虚部：
其中：
和
参数介绍：
方向（θ）：这个参数指定了Gabor函数并行条纹的方向，它的取值为0到360度
波长（λ）：它的值以像素为单位指定，通常大于等于2.但不能大于输入图像尺寸的五分之一。
相位偏移（φ）：它的取值范围为-180度到180度。其中，0he180度分别对应中心对称的center-on函数和center-off函数，而-90度和90度对应反对称函数。
长宽比（γ）：空间纵横比，决定了Gabor函数形状（support，我翻译为形状）的椭圆率（ellipticity）。当γ= 1时，形状是圆的。当γ< 1时，形状随着平行条纹方向而拉长。通常该值为0.5
带宽（b）：Gabor滤波器的半响应空间频率带宽b和σ/ λ的比率有关，其中σ表示Gabor函数的高斯因子的标准差，如下：
σ的值不能直接设置，它仅随着带宽b变化。带宽值必须是正实数，通常为1，此时，标准差和波长的关系为：σ= 0.56 λ。带宽越小，标准差越大，Gabor形状越大，可见平行兴奋和抑制区条纹数量越多。
好介绍完毕。
现在进入主题，我们提取纹理特征。
提取纹理特征，还有增强纹理特征，很多时候我们都是要先提取ROI感兴趣区域来进行操作的。很多图片上的其他空间其实对我们没有什么太大的作用，还影响程序的运行速度。则我们只拿ROI区域进行纹理提取。
先看看原来的指静脉图片：
这图片区域很多，一般我们只需要中间那部分指静脉纹理最多的ROI区域。
代码：
#!/usr/bin/python#coding:utf-8import numpy as npimport osimport cv2#构建GABOR滤波器def build_filters():""" returns a list of kernels in several orientations"""filters = []ksize = 31#gaborl尺度 这里是一个for theta in np.arange(0, np.pi, np.pi / 4): #gaborl方向 0 45 90 135 角度尺度的不同会导致滤波后图像不同 params = {'ksize':(ksize, ksize), 'sigma':3.3, 'theta':theta, 'lambd':18.3, 'gamma':4.5, 'psi':0.89, 'ktype':cv2.CV_32F}#gamma越大核函数图像越小，条纹数不变，sigma越大 条纹和图像都越大#psi这里接近0度以白条纹为中心，180度时以黑条纹为中心#theta代表条纹旋转角度#lambd为波长 波长越大 条纹越大kern = cv2.getGaborKernel(**params)#创建内核kern /= 1.5*kern.sum()filters.append((kern,params))return filters #滤波过程def process(img, filters):""" returns the img filtered by the filter list"""accum = np.zeros_like(img)#初始化img一样大小的矩阵for kern,params in filters:fimg = cv2.filter2D(img, cv2.CV_8UC3, kern)#2D滤波函数 kern为其滤波模板np.maximum(accum, fimg, accum) #参数1与参数2逐位比较 取大者存入参数3 这里就是将纹理特征显化更加明显return accum
函数全给了 自己调用后
好现在看看处理后的指静脉图片：
看起来还不错吧，预处理之后就可以 进行纹理特征提取放入文件进行模式匹配啊 进行指静脉识别啊。有兴趣的就期待在下之后的博客。
/DOMLX/p/8989836.html提取纹理特征
/DOMLX/p/8672489.html指静脉细化算法
/DOMLX/p/8111507.html指静脉切割过程
指静脉识别：
/DOMLX/p/9491972.html
若想下载指静脉识别入门代码：/lmskyle/process
我的博客即将搬运同步至腾讯云+社区，邀请大家一同入驻：/developer/support-plan?invite_code=dfh7hdfwu87c
如果觉得《python实现gabor滤波器提取纹理特征 提取指静脉纹理特征》对你有帮助，请点赞、收藏，并留下你的观点哦！
