Gabor 特征提取答案

【问题标题】：Gabor feature extractionGabor 特征提取
【发布时间】：2014-01-03 16:45:44
【问题描述】：

我正在做一个关于 Gabor 特征提取的项目。我对 Gabor 特征的含义感到非常困惑。我制作了一个具有不同方向和频率的特征矩阵。是将图像与不同方向和频率的Gabor滤波器组卷积后得到的图像计算得到的图像的统计特征、几何特征、空间域特征、不变性、重复性等特征，是指Gabor特征还是指Gabor特征。

【问题讨论】：

标签： pattern-recognition

【解决方案1】：

Gabor 滤波器的作用与哺乳动物视觉皮层细胞非常相似，因此它们从不同方向和不同尺度中提取特征。

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

为了让你更容易理解，我会给你一个演练。

假设你有一张像

然后你计算 5 个尺度和 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

现在您需要将每个过滤器与图像进行卷积，以获得 40 个 (8*5=40) 不同表示 (response matrices) 的同一图像，其中每个图像为您提供一个特征向量。

所以卷积之后

现在您需要将这些响应矩阵转换为特征向量。
所以特征向量可能包括：局部能量、平均幅度、相位幅度或局部具有最大能量的方向

我研究了局部能量和平均振幅，并获得了足够好的结果。

局部能量 = 对响应矩阵中每个矩阵值的平方值求和

平均幅度 = 响应矩阵中每个矩阵值的绝对值之和

因此，最后你会得到两个矩阵，每个矩阵都是[1x40]。
您可以将一个矩阵附加到另一个矩阵，从而为一个图像创建一个[1x80] 特征矩阵，从而为 n 个图像创建一个[nx80] 向量以进行进一步训练。

为了提高效率，您可以使用 Log Gabor 过滤器。(see this)

有关使用 Gabor 过滤器进行特征提取的更多信息，请参阅paper

【讨论】：

非常感谢您的帮助。
非常感谢您的帮助。但是，我想知道如何实际解释这些功能。此外，当我通过对过滤后图像的每个像素进行平方并对获得的值求和来计算我的能量时，我每次都会得到 255 的答案。您能否详细说明您是如何做到的。提前致谢。
可能是你做错了什么......你是否得到了预期的卷积响应（正如我在第三张图片中展示的那样）。 stackoverflow.com/questions/9003147/…这是一些代码，以便您找出自己做错了什么
如果您对python代码感兴趣，可以使用@pythonhosted.org/LogGabor提供的包进行类似的编码
哪个表达式有助于缩放，如您的答案@adil 所示？我正在使用，en.wikipedia.org/wiki/Gabor_filter