Python Gabor滤波器原理与OpenCV实现详解
本文深入解析Gabor滤波器在图像处理和纹理识别中的应用。详细阐述其数学原理，包括复数表示、实虚部分解及关键参数（波长、方向、相位、长宽比、带宽）的物理意义。提供Python原生实现与OpenCV库中cv.getGaborKernel函数的使用示例，展示如何生成不同角度的Gabor核并进行图像滤波操作，帮助开发者掌握这一强大的时频分析工具。
Gabor滤波器概述
深入解析Gabor滤波器
傅里叶变换是信号处理的核心工具，能将图像从空间域转换至频率域，从而提取出空间域中难以捕捉的特征。然而，标准傅里叶变换缺乏时间和位置的局部信息。Gabor变换作为一种短时加窗傅里叶变换，当窗函数选用高斯函数时即构成Gabor滤波器。这使得Gabor滤波器能够在频域的不同尺度和方向上有效提取特征。鉴于Gabor函数与人眼视觉系统的特性高度相似，它在纹理识别领域表现优异，常能取得良好的识别效果。
Gabor函数数学原理
在二维空间中，Gabor滤波器由三角函数（如正弦函数）与高斯函数叠加而成，具体结构如图所示。
二维Gabor函数的数学表达式如下：
复数表示：
实数部分：
虚数部分：
x'、y' 计算公式：
关键参数详解
公式中各参数的具体含义如下：
波长(λ)：定义Gabor核中余弦函数的波长，单位通常为像素，取值一般≥2，且不超过输入图像尺寸的1/5。方向(θ)：表示Gabor滤波核中平行条纹的方向，有效范围覆盖0°至360°的实数。相位偏移(ψ)：控制余弦函数的相位，取值范围-180°至180°。其中，0°与180°对应的方程关于原点对称，-90°和90°的方程关于原点中心对称。长宽比(γ)：决定Gabor函数形状的椭圆率，即空间纵横比。当γ=1时形状为圆形；当γ<1时，形状沿平行条纹方向拉长，常用值为0.5。带宽(b)：Gabor滤波器的半响应空间频率带宽，与σ/λ的比率相关，其中σ为高斯因子的标准差，三者满足特定关系。
σ值不可直接设置，它随带宽b的变化而变化。带宽必须为正实数，通常设为1，此时标准差与波长的关系为σ=0.56λ。带宽越小，标准差越大，Gabor形状越大，可见的平行条纹数量也越多。
Python原生实现
使用Python实现Gabor滤波器
# Gabor 滤波器实现
# K_size：Gabor核大小 K_size x K_size
# Sigma : σ
# Gamma： γ
# Lambda：λ
# Psi ： ψ
# angle： θ
def Gabor_filter(K_size=111, Sigma=10, Gamma=1.2, Lambda=10, Psi=0, angle=0):
# get half size
d = K_size // 2
# prepare kernel
gabor = np.zeros((K_size, K_size), dtype=np.float32)
# each value
for y in range(K_size):
for x in range(K_size):
# distance from center
px = x - d
py = y - d
# degree -> radian
theta = angle / 180. * np.pi
# get kernel x
_x = np.cos(theta) * px + np.sin(theta) * py
# get kernel y
_y = -np.sin(theta) * px + np.cos(theta) * py
# fill kernel
gabor[y, x] = np.exp(-(_x**2 + Gamma**2 * _y**2) / (2 * Sigma**2)) * np.cos(2*np.pi*_x/Lambda + Psi)
# kernel normalization
gabor /= np.sum(np.abs(gabor))
return gabor生成不同角度Gabor滤波器的可视化图像
import cv2
import numpy as np
import matplotlib.pyplot as plt
# Gabor 滤波器实现
# K_size：Gabor核大小 K_size x K_size
# Sigma : σ
# Gamma： γ
# Lambda：λ
# Psi ： ψ
# angle： θ
def Gabor_filter(K_size=111, Sigma=10, Gamma=1.2, Lambda=10, Psi=0, angle=0):
# get half size
d = K_size // 2
# prepare kernel
gabor = np.zeros((K_size, K_size), dtype=np.float32)
# each value
for y in range(K_size):
for x in range(K_size):
# distance from center
px = x - d
py = y - d
# degree -> radian
theta = angle / 180. * np.pi
# get kernel x
_x = np.cos(theta) * px + np.sin(theta) * py
# get kernel y
_y = -np.sin(theta) * px + np.cos(theta) * py
# fill kernel
gabor[y, x] = np.exp(-(_x**2 + Gamma**2 * _y**2) / (2 * Sigma**2)) * np.cos(2*np.pi*_x/Lambda + Psi)
# kernel normalization
gabor /= np.sum(np.abs(gabor))
return gabor
# define each angle
As = [0, 45, 90, 135]
# prepare pyplot
plt.subplots_adjust(left=0, right=1, top=1, bottom=0, hspace=0, wspace=0.2)
# each angle
for i, A in enumerate(As):
# get gabor kernel
gabor = Gabor_filter(K_size=111, Sigma=10, Gamma=1.2, Lambda=10, Psi=0, angle=A)
# normalize to [0, 255]
out = gabor - np.min(gabor)
out /= np.max(out)
out *= 255
out = out.astype(np.uint8)
plt.subplot(1, 4, i+1)
plt.imshow(out, cmap='gray')
plt.axis('off')
plt.title("Angle "+str(A))
plt.savefig("out.png")
plt.show()实验输出的Gabor滤波器图像结果
OpenCV库应用
在OpenCV（Python接口）中使用Gabor滤波器
函数原型定义：
retval=cv.getGaborKernel(ksize, sigma, theta, lambd, gamma[, psi[, ktype]])
函数使用具体示例
import numpy as np
import cv2 as cv
# retval = cv.getGaborKernel(ksize, sigma, theta, lambd, gamma[, psi[, ktype]])
# Ksize 是一个元组
retval = cv.getGaborKernel(ksize=(111,111), sigma=10, theta=60, lambd=10, gamma=1.2)
image1 = cv.imread('../paojie.jpg')
# dst = cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
result = cv.filter2D(image1,-1,retval)
cv.imshow('result',result)
cv.waitKey(0)
cv.destroyAllWindows()实验运行结果展示
参考资源： python实现Gabor滤波器 Gabor滤波器参数详解 Gabor滤波器原理及opencv中的实现
本文关于Python Gabor滤波器的讲解到此结束。如需了解更多相关内容，请搜索本站历史文章或继续浏览后续内容，感谢大家的支持！
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
