我正在进行有关Gabor特征提取的项目。我对Gabor特征的含义感到非常困惑。我创建了一个具有不同方向和频率的特征矩阵。那是Gabor特征还是像统计特征、几何特征、空间域特征、不变性、重复性等在使用不同方向和频率的Gabor滤波器组卷积图像后得到的计算出来的特征指Gabor特征。
我正在进行有关Gabor特征提取的项目。我对Gabor特征的含义感到非常困惑。我创建了一个具有不同方向和频率的特征矩阵。那是Gabor特征还是像统计特征、几何特征、空间域特征、不变性、重复性等在使用不同方向和频率的Gabor滤波器组卷积图像后得到的计算出来的特征指Gabor特征。
Gabor滤波器与哺乳动物视觉皮层细胞非常相似,因此它们可以从不同的方向和不同的尺度提取特征。
我最近也进行了一些基于Gabor滤波器的特征提取。
一开始看起来很难,但实现起来很容易。
为了让您更容易理解,我将给您一个步骤。
假设您有一张像这样的图像
并且您在5个尺度和8个方向上计算Gabor特征(我想您已经做过了),则会得到如下滤波器:
现在,您需要将每个滤波器与该图像卷积,以获取同一图像的40(8*5=40)个不同表示(响应矩阵
),其中每个图像都会给出一个特征向量。
因此,在卷积后
现在,您需要将这些响应矩阵转换为特征向量。
因此,特征向量可能包括: 局部能量、平均振幅、具有最大能量的方向或局部的方向
我使用了局部能量和平均振幅,并得到了足够好的结果。
局部能量 = 从响应矩阵中每个矩阵值的平方值相加
平均振幅= 响应矩阵中每个矩阵值的绝对值之和
因此,在最后,您将获得两个大小为[1x40]
的矩阵。
您可以将其中一个矩阵附加到另一个矩阵以创建一个[1x80]
的特征矩阵,用于一个图像,并因此创建一个[nx80]
向量,用于进一步的训练目的。
然而,为了提高效率,您可以使用对数 Gabor 滤波器。(参见此处)
有关使用 Gabor 滤波器进行特征提取的更多信息,请参见此论文