- 1、本文档共3页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
Gabor滤波特征提取
1 Gabor滤波器组特征提取方法
大量心理和生理学研究发现,在人类的低级视觉中,输入信号被一系列具有不同频率和方位的线性空间滤波器分解成一组频率和方位通道,Gabor变换可以很好地描述这一信号分解过程,它具有两个很重要的特征:一是其良好的空间域与频率域局部化性质;二是无论从空间域的起伏特性上,方位选择特性上,空间域与频率域选择上,还是从正交相位的关系上,二维Gabor基函数具有与大多数哺乳动物的视觉表皮简单细胞的二维感知域模型相似的性质。因此,我们可以借鉴人类处理信号的特性,用包含多个Gabor滤波器的滤波器组来对图像进行不同中心频率和方位的滤波处理,从而提取包含不同频率成分和不同方位的特征,作为目标的非参数化特征,研究其不同分辨率目标的特征与图像分辨率的关系。考虑到计算效率的问题,不可能在Gabor滤波器组中包含所有中心频率的滤波器,实际应用中通常根据经验选取某几个中心频率和方位。
2 二维Gabor滤波器表达式
一维Gabor滤波器的空间域公式是:
(4-10)
其中,是空间尺度因子,是中心频率。将它分解可以得到两个实滤波器:余弦Gabor滤波器和正弦Gabor滤波器,它们的形式如下:
(4-11)
和
(4-12)
与一维Gabor滤波器类似,二维Gabor滤波器的空间域描述为:
(4-13)
其中,和分别代表水平和垂直方位的空间尺度因子,和分别表示中心频率及方位。
同样,分解该滤波器可以得到两个实滤波器,余弦Gabor滤波器和正弦Gabor滤波器:
(4-14)
和
(4-15)
我们采用二维余弦Gabor滤波器作为图像特征提取的滤波器,故只对二维余弦滤波器进行研究设计,由于正弦Gabor滤波器和余弦Gabor滤波器有着许多相似的性质,可以采用同样的方法对正弦Gabor滤波器进行设计。
对式(4-14)作Fourier变换得到:
(4-16)
由式(4-16)可知,滤波器中有四个自由参量:,因此我们的任务就是确定这四个量。
3 基于Gabor滤波器组的图像特征提取
由于图像在计算机中是以离散点的形式存放的,因此为了用Gabor滤波器对其进行滤波处理,首先要将连续的Gabor滤波器采样获得离散的Gabor滤波器,这里取x,y间的整数值对连续的Gabor滤波器进行离散采样。
运用Gabor滤波器对图像进行滤波实际上就是用离散化的Gabor模板矩阵和图像数据矩阵卷积的过程。当两卷积矩阵很大时,运算量将会急剧增大,如果把空间域中的卷积问题转化到频率域中用相乘的来实现,将大大降低运算量。
设矩阵,的Fourier变化分别为,,即有
=
=
则由卷积定理得到
conv(,) = ifft( .* )
(4-17)
其中conv表示卷积,fft表示Fourier变化,ifft表示Fourier变化的逆变化, .* 表示矩阵和中的对应元素相乘。
这一运算的流程框图如图4-1所示。
图 4-1 Gabor滤波器特征提取流程图
在用含有多个Gabor滤波器的滤波器组进行图像特征提取时,具有最低中心频率需要根据目标图像的最大尺寸确定,但是实际应用时这一尺寸不一定可以得到,此时我们可以粗略的用来代替,相应的=。
文档评论(0)