Gabor特征提取

Question

我正在做一个关于Gabor特征提取的项目。我很困惑Gabor功能的含义。我制作了一个具有不同方向和频率的特征矩阵。这是Gabor特征还是像统计特征，几何特征，空间域特征，不变性，可重复性等特征计算得到的图像，这是在将图像与具有不同方向和频率的Gabor滤波器组卷积后得到的，是指Gabor特征。

Answer 1

Gabor过滤器与mamalian视觉皮层细胞非常相似，因此它们从不同方向和不同尺度提取特征。

我最近也做了一些基于特征提取的Gabor过滤器 它最初看起来很难，但很容易实现。

为了让您轻松理解，我会给您一个演练。

假设您有一个类似

的图像

你计算5级和8个方向的gabor特征（我想你已经完成了）你会得到像这样的过滤器

现在您需要将每个滤镜与图像进行卷积，以获得相同图像的40（8 * 5 = 40）个不同表示（response matrices），其中每个图像都为您提供特征向量。

卷积后

现在您需要将响应矩阵转换为特征向量 因此，特征向量可以包括：本地能量，平均幅度，相位或方位，其本地具有最大能量

我研究了局部能量和平均振幅，得到了足够好的结果。

局部能量=从响应矩阵中总结每个矩阵值的平方值

平均幅度=来自响应矩阵的每个矩阵值的绝对值之和

因此，最后你会得到两个矩阵，每个矩阵为[1x40] 您可以将一个矩阵附加到另一个矩阵，为一个图像创建[1x80]特征矩阵，从而为n个图像创建[nx80]向量，以便进一步训练。

为了提高效率，您可以使用Log Gabor过滤器。（see this）

有关使用Gabor滤波器提取特征的更多信息，请参阅此paper