gabor特征提取 matlab,Gabor特征提取

Gabor滤波器是一种用于图像处理的线性滤波器，在空间域中表现为高斯核函数与正弦平面波的乘积。它由实部和虚部组成，实部用于平滑图像，虚部用于检测边缘。其脉冲响应为正弦平面波与高斯函数的卷积，并具有正交性。二维Gabor函数通过调整波长、方向、相位偏移和长宽比等参数可以提取不同尺度和方向的纹理特征。使用Gabor滤波器进行纹理特征提取的过程包括设计滤波器组（如4个尺度、6个方向）并在图像块上进行卷积操作后压缩特征向量以降低维度。

在图像处理领域中

基于Gabor理论的研究者们指出，在信号处理领域中对信号进行分析时会采用某种特定的方法来进行研究

下面给出二维Gabor函数的数学表达：​

复数表达:​

实数部分：

​

虚数部分：

其中：

和

波长(λ)：其数值采用像素单位表示，并规定最低设置为2个单位。此外，在实际应用中必须注意该参数的最大值不得超过输入图像宽度和高度的一半。

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

相位偏移(φ)：它所涵盖的角度范围是从-180°至+180°。具体而言，在角度为零°或±180°时，则分别对应于具有中心对称特性的center-on型和平常型（通常称为center-off型）；而在角度为±90°时，则与之相对应的是反交换特性。

长宽比(γ)：空间维度的比例反映了Gabor函数形状呈现的椭圆度。其值为基于支撑区域(support)所决定的参数数值。

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：

​

不可直接指定宽度参数 σ 的值, 它仅受带宽 b 的影响. 在设定 b 值时需确保其为正值, 并通常取 1, 在这种情况下, 标准差与波长之间的关系可表示为: σ =

0.56

当带宽减小时（λ值降低），标准差呈现增大趋势，并且相应的Gabor滤波器的空间尺度参数也随之增大。这会导致可见区域内的平行兴奋与抑制区域的条纹数量显著增加。

二、用gabor提取纹理特征的思路

Gabor方法的核心理念在于：不同类型的纹理通常具有各自独特的中心频率特征及其对应的带宽范围。基于这些频率特征及其对应的带宽范围，我们可以构建一组特定设计的Gabor滤波器集合，并对输入的纹理图像执行完整的滤波过程。每个单独的Gabor滤波器都能够精准识别与其中心频率匹配的纹理特征，并抑制其他类型的纹理能量输出。通过对各子滤波器输出结果进行系统分析并筛选出关键特征参数，在后续的任务处理中即可实现可靠的分类或分割目标。
在实际应用中，Gabor滤波器的设计主要包括两个关键步骤：首先是对参数的具体配置（包括函数形式、数目设定、方向选择以及采样间隔安排）；其次则是从各个子滤波器输出结果中提取出完整的有效特征集。值得注意的是，在满足不确定性原理的前提下实现了最优的时间-频域分辨性能。

实现步骤：

(1)将输入图像分为3×3(9块)和4×4(16块)的图像块；

(2)建立Gabor滤波器组：选择4个尺度，6个方向，这样组成了24个Gabor滤波器；

通过空域卷积作用于每个图像块后会产生多个响应信号，在此过程中每经过一次滤波器处理都会生成24个响应。这些响应信号具有与原图相同的空间尺寸，在实际应用中发现将这些响应直接作为特征向量提取会导致所构建的特征空间具有非常大的维度。

所以需要“浓缩”；

每个图像块通过Gabor滤波器组生成24个输出，并需进行压缩处理。如文中所述

responses within the

图像块（我的理解是采用平均灰度计算）用于表示该图像块的纹理特征。研究发现还可以用方差来描述这一特性。