标签：不同 aaa water classes filter ext pca bsp hand
Gabor变化属于加窗傅里叶变换，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。Gabor函数与人眼的生物作用相仿，所以经常用于纹理识别上，并取得了较好的效果。
二维Gobor滤波函数：
?
其中：
function [ G,gabout ] = gaborfilter(I,Sx,Sy,f,theta)
% gaborfilter定义，I为输入图像，Sx、Sy是变量在x，y轴变化的范围，即选定的gabor小波窗口的大小
% f为正弦函数的频率，theta为gabor滤波器的方向。G为gabor滤波函数g(x,y)，gabout为gabor滤波后的图像
if isa(I,‘double‘)~=1
I = double(I);
end
for x = -fix(Sx):fix(Sx)
for y=-fix(Sy):fix(Sy)
xp = x * cos(theta) + y * sin(theta);
yp = y * cos(theta) - x*sin(theta);
G(fix(Sx)+x+1,fix(Sy)+y+1) = exp(-.5*((xp/Sx)^2+(yp/Sy)^2))*cos(2*pi*f*xp);
end
end
Imgabout = conv2(I,double(imag(G)),‘same‘);
Regabout = conv2(I,double(real(G)),‘same‘);
gabout = sqrt(Imgabout.*Imgabout+Regabout.*Regabout); %gabor小波变换后的图像gabout
endclose all;clear all;clc;
I = imread(‘wenli.jpg‘);
I=rgb2gray(I);
[G,gabout]=gaborfilter(I,2,4,16,pi/10); %调用garborfilter()函数对图像做小波变换
J = fft2(gabout); %对滤波后的图像做fft变换（快速傅里叶），变换到频域
A = double(J);
[m,n] = size(A);
B = A;
C = zeros(m,n);
for i=1:m-1
for j=1:n-1
B(i,j) = A(i+1,j+1);
C(i,j) = abs(round(A(i,j)-B(i,j)));
end
end
h = imhist(mat2gray(C))/(m*n);
mean = 0;con=0;ent=0;
for i=1:256 %图像的均值，对比度和熵
mean = mean+(i*h(i))/256;
con = con+i*i*h(i);
if(h(i)>0)
ent = ent-h(i)*log2(h(i));
end
end
figure;
subplot(121);imshow(I);
subplot(122);imshow(uint8(gabout));
mean,con,ent
?左图为原图，右图为gabor pi/10 方向上处理纹理图像
?左图为原图，右图为gabor pi/4 方向上处理纹理图像
| mean（平均值） | Con（对比度） | Ent（熵） | |
| theta=pi/10 | 0.0043 | 1.6111 | 0.4046 |
| theta=pi/4 | 0.0042 | 1.5869 | 0.3623 |
熵反映了图像的能量，当滤波器的方向和图像纹理方向越吻合，输出图像的能量越大。这证明了Gabor函数可以捕捉到相当多的纹理信息，具有极佳的空间特征。
标签：不同 aaa water classes filter ext pca bsp hand
原文地址：https://www.cnblogs.com/wojianxin/p/11432280.html
