版权声明：本文为业余狙击手原创文章，欢迎阅读，欢迎转载，转载请注明出处，谢谢。 https://blog.csdn.net/sxlsxl119/article/details/81329266
gabor参数说明：
波长（λ）：它的值以像素为单位指定，通常大于等于2.但不能大于输入图像尺寸的五分之一。通常用的是它的倒数频率f大于等于0.2。
方向（θ）：这个参数指定了Gabor函数并行条纹的方向，它的取值为0到360度
相位偏移（φ）：它的取值范围为-180度到180度。其中，0he180度分别对应中心对称的center-on函数和center-off函数，而-90度和90度对应反对称函数。
长宽比（γ）：空间纵横比，决定了Gabor函数形状（support，我翻译为形状）的椭圆率（ellipticity）。当γ= 1时，形状是圆的。当γ< 1时，形状随着平行条纹方向而拉长。
还有一个σ，它的话，在代码实现里常常是滤波器大小的一半。
在实际使用gabor的话，一般用的是它的实数部分。
这里用一张程序运行动态图可以清楚的显示出Gabor滤波核随各个参数变化的情况,
说一下环境，windows 10 64位系统，OpenCV版本为3.4.7, python 版本为3.6，IDE为 pycharm
# -*- coding: utf-8 -*-
import os
import cv2
import numpy as np
import pylab as pl
import random
def BuildGaborKernels(ksize = 5,lamda = 1.5,sigma = 1.0):
'''
@description:生成多尺度，多方向的gabor特征
@参数参考opencv
@return:多个gabor卷积核所组成的
@author:SXL
'''
filters = []
for theta in np.array([0,np.pi/4, np.pi/2,np.pi*3/4]):
kern = cv2.getGaborKernel((ksize,ksize),sigma,
theta,lamda,0.5,0,ktype=cv2.CV_32F)
#kern /= 1.5*kern.sum()
filters.append(kern)
pl.figure(1)
for temp in range(len(filters)):
pl.subplot(4, 4, temp + 1)
pl.imshow(filters[temp], cmap='gray')
pl.show()
return filters
def GaborFeature(image):
'''
@description:提取字符图像的gabor特征
@image:灰度字符图像
@return:滤波后的图
@author:SXL
'''
# retval,binary = cv2.threshold(image,0,255,cv2.THRESH_OTSU)
kernels = BuildGaborKernels(ksize = 7,lamda = 8,sigma = 4)
dst_imgs = []
for kernel in kernels:
img = np.zeros_like(image)
tmp = cv2.filter2D(image,cv2.CV_8UC3,kernel)
img = np.maximum(img,tmp,img)
dst_imgs.append(img)
pl.figure(2)
for temp in range(len(dst_imgs)):
pl.subplot(4,1,temp+1) #第一个4为4个方向，第二个4为4个尺寸
pl.imshow(dst_imgs[temp], cmap='gray' )
pl.show()
return dst_imgs
#字符图像的特征提取方法
#要求：1.无关图像大小；2.输入图像默认为灰度图;3.参数只有输入图像
def GetImageFeatureGabor(image):
'''
@description:提取经过Gabor滤波后字符图像的网格特征
@image:灰度字符图像
@return:长度为64字符图像的特征向量feature
@author:SXL
'''
#----------------------------------------
#图像大小归一化
image = cv2.resize(image,(64,64))
img_h = image.shape[0]
img_w = image.shape[1]
#----------------------------------------
#-----Gabor滤波--------------------------
resImg=GaborFeature(image)
#-----Gabor滤波--------------------------
#-----对滤波后的图逐个网格化提取特征-------
feature = np.zeros(64) # 定义特征向量
grid_size=4
imgcount=0
for img in resImg:
# 二值化
retval, binary = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)
imgcount+=1
# pl.figure("dog")
# pl.imshow(binary)
# pl.show()
# 计算网格大小
grid_h = binary.shape[0] / grid_size
grid_w = binary.shape[1] / grid_size
for j in range(grid_size):
for i in range(grid_size):
# 统计每个网格中黑点的个数
grid = binary[int(j * grid_h):int((j + 1) * grid_h), int(i * grid_w):int((i + 1) * grid_w)]
feature[j * grid_size + i+(imgcount-1)*grid_size*grid_size] = grid[grid == 0].size
return feature
#可以读取带中文路径的图
def cv_imread(file_path,type=0):
cv_img=cv2.imdecode(np.fromfile(file_path,dtype=np.uint8),-1)
if(type==0):
cv_img = cv2.cvtColor(cv_img, cv2.COLOR_BGR2GRAY)
return cv_img
#扫描输出图片列表
def eachFile(filepath):
list = []
pathDir = os.listdir(filepath)
for allDir in pathDir:
child = os.path.join(filepath, allDir)
list.append(child)
return list
#--------------批量读图------------------------------------------
list=eachFile(r"D:\sxl\处理图片\汉字分类\testImage/")
count1=0
# 读图
ImgFeatures=[]
ImgLabels=[]
for filename in list:
# image = cv2.imread(filename, 0)
image = cv_imread(filename,0)
# 获取特征向量，传入灰度图
feature = GetImageFeatureGabor(image)
结果展示如下：
4个滤波器核
滤波结果
