文章目录
一、Gabor滤波简介二、代码演示Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。在人脸识别等领域有着很广泛的应用
一、Gabor滤波简介
Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。
Gabor滤波器和脊椎动物视觉皮层感受野响应的比较：第一行代表脊椎动物的视觉皮层感受野，第二行是Gabor滤波器，第三行是两者的残差。可见两者相差极小。Gabor滤波器的这一性质，使得其在视觉领域中经常被用来作图像的预处理。
Gabor滤波的公式如下所示：
g(x,y;λ,θ,ψ,σ,γ)=exp(−x′2+γ2y22σ2)exp(i(2πx′λ+ψ))g(x,y;λ,θ,ψ,σ,γ) = \exp(\frac{−x′^2+γ^2y^2}{2σ^2})\exp(i(2π\frac{x′}{λ}+ψ))g(x,y;λ,θ,ψ,σ,γ)=exp(2σ2−x′2+γ2y2)exp(i(2πλx′+ψ))
其中实数部分与虚数部分为：
greal(x,y;λ,θ,ψ,σ,γ)=exp(−x′2+γ2y22σ2)cos(2πx′λ+ψ)g_{\rm real}(x,y;λ,θ,ψ,σ,γ)=\exp(\frac{−x′^2+γ^2y^2}{2σ^2})\cos(2π\frac{x′}{λ}+ψ)greal(x,y;λ,θ,ψ,σ,γ)=exp(2σ2−x′2+γ2y2)cos(2πλx′+ψ)
gimag(x,y;λ,θ,ψ,σ,γ)=exp(−x′2+γ2y22σ2)sin(2πx′λ+ψ)g_{\rm imag}(x,y;λ,θ,ψ,σ,γ)=\exp(\frac{−x′^2+γ^2y^2}{2σ^2})\sin(2π\frac{x′}{λ}+ψ)gimag(x,y;λ,θ,ψ,σ,γ)=exp(2σ2−x′2+γ2y2)sin(2πλx′+ψ)
其中
{x′=xcosθ+ysinθy′=−xsinθ+ycosθ\left\{\begin{matrix} x′=xcosθ+ysinθ\\ y′=−xsinθ+ycosθ \end{matrix}\right.{x′=xcosθ+ysinθy′=−xsinθ+ycosθ
这里面的参数：
（1）x,yx,yx,y 分别表示像素坐标位置；
（2）λλλ 表示滤波的波长；（波长越大，黑白相间的间隔越大）
（3）θθθ 表示Gabor核函数图像的倾斜角度；
（4）ψψψ 表示相位偏移量，范围是-180~180；（ψψψ=0时白条为中心，ψψψ=180时，黑条为中心 ）
（5）σσσ 表示高斯函数的标准差；（σσσ增大，条纹数量越多）
（6）γγγ 表示长宽比，决定这Gabor核函数图像的椭圆率。（γγγ越小，核函数图像会越高）
这里的参数不了解不要紧，后面我将会针对这些参数进行一系列的实验，直观的展示出这些参数的作用
二、代码演示
import cv2,osimport numpy as npimport matplotlib.pyplot as pltdef get_img(input_Path):img_paths = []for (path, dirs, files) in os.walk(input_Path):for filename in files:if filename.endswith(('.jpg','.png')):img_paths.append(path+'/'+filename)return img_paths#构建Gabor滤波器def build_filters():filters = []ksize = [7,9,11,13,15,17] # gabor尺度，6个lamda = np.pi/2.0 # 波长for theta in np.arange(0, np.pi, np.pi / 4): #gabor方向，0°，45°，90°，135°，共四个for K in range(6):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)plt.figure(1)#用于绘制滤波器for temp in range(len(filters)):plt.subplot(4, 6, temp + 1)plt.imshow(filters[temp])plt.show()return filters#Gabor特征提取def getGabor(img,filters):res = [] #滤波结果for i in range(len(filters)):# res1 = process(img, filters[i])accum = np.zeros_like(img)for kern in filters[i]:fimg = cv2.filter2D(img, cv2.CV_8UC1, kern)accum = np.maximum(accum, fimg, accum)res.append(np.asarray(accum))#用于绘制滤波效果plt.figure(2)for temp in range(len(res)):plt.subplot(4,6,temp+1)plt.imshow(res[temp], cmap='gray' )plt.show()return res #返回滤波结果,结果为24幅图，按照gabor角度排列if __name__ == '__main__':input_Path = './content'filters = build_filters()img_paths = get_img(input_Path)for img in img_paths:img = cv2.imread(img)getGabor(img, filters)这个过程有点慢，一张图片要1-3s，若是批量处理可以开启多线程，这样会快点
此代码用来查看滤波器
#coding:utf-8'''Gabor滤波器参数可视化参考：/lhanchao/article/details/55006663'''import cv2import numpy as npimport math# λ（波长）变化kernel1 = cv2.getGaborKernel((200,200),10,0,5,0.5,0)kernel2 = cv2.getGaborKernel((200,200),10,0,10,0.5,0)kernel3 = cv2.getGaborKernel((200,200),10,0,15,0.5,0)kernel4 = cv2.getGaborKernel((200,200),10,0,20,0.5,0)cv2.imshow("lambda: 5", kernel1)cv2.imshow("lambda: 10", kernel2)cv2.imshow("lambda: 15", kernel3)cv2.imshow("lambda: 20", kernel4)# θ变化kernel1 = cv2.getGaborKernel((311, 311), 10, 0, 10, 0.5, 0)kernel2 = cv2.getGaborKernel((311, 311), 10, math.pi * 0.25, 10, 0.5)kernel3 = cv2.getGaborKernel((311, 311), 10, math.pi * 0.5, 10, 0.5, 0)kernel4 = cv2.getGaborKernel((311, 311), 10, math.pi * 0.75, 10, 0.5, 0)cv2.imshow("theta: 0", kernel1)cv2.imshow("theta: 45", kernel2)cv2.imshow("theta: 90", kernel3)cv2.imshow("theta: 135", kernel4)# ψ的变化# σ的变化：kernel1 = cv2.getGaborKernel((311, 311), 5, 0, 10, 0.5, 0)kernel2 = cv2.getGaborKernel((311, 311), 10, 0, 10, 0.5, 0)kernel3 = cv2.getGaborKernel((311, 311), 15, 0, 10, 0.5, 0)kernel4 = cv2.getGaborKernel((311, 311), 20, 0, 10, 0.5, 0)cv2.imshow("sigma: 5", kernel1)cv2.imshow("sigma: 10", kernel2)cv2.imshow("sigma: 15", kernel3)cv2.imshow("sigma: 20", kernel4)# γ的变化kernel1 = cv2.getGaborKernel((200, 200), 10, 0, 10, 0.5, 0)kernel2 = cv2.getGaborKernel((200, 200), 10, 0, 10, 1.0, 0)kernel3 = cv2.getGaborKernel((200, 200), 10, 0, 10, 1.5, 0)kernel4 = cv2.getGaborKernel((200, 200), 10, 0, 10, 2.0, 0)cv2.imshow("gamma: 0.5", kernel1)cv2.imshow("gamma: 1.0", kernel2)cv2.imshow("gamma: 1.5", kernel3)cv2.imshow("gamma: 2.0", kernel4)cv2.waitKey()cv2.destroyAllWindows()
未完待续
鸣谢
/get-article-detail-1703.html
/vitaminc4/article/details/78840904
/zizi7/article/details/53038031
/hanwenhui3/article/details/48289145
/sxlsxl119/article/details/81329266
如果觉得《OpenCV—python Gabor滤波（提取图像纹理）》对你有帮助，请点赞、收藏，并留下你的观点哦！
