来进行Gabor 滤波吧。
Gabor 滤波器是一种结合了高斯分布和频率变换的滤波器,用于在图像的特定方向提取边缘。
滤波器由以下式子定义:
G(y, x) = e^{-\frac{{x’}^2 + \gamma^2\ {y’}^2}{2\ \sigma^2}} \ \cos(\frac{2\ \pi\ x’}{\lambda} + p)\\
x’=\cos(A)\ x+\sin(A)\ y\\
y’=-\sin(A)\ x+\cos(A)\ y
其中:
- $$x$$、$$y$$是滤波器的位置。滤波器的大小如果为$$K$$的话,$$y$$、$$x$$取$$[-k//2,k//2]$$;
- $$\gamma$$:Gabor 滤波器的椭圆度;
- $$\sigma$$:高斯分布的标准差;
- $$\lambda$$:波长;
- $$p$$:相位;
- $$A$$:滤波核中平行条带的方向。
在这里,取K=111,\sigma=10,\gamma = 1.2,\lambda =10,p=0,A=0,可视化Gabor滤波器吧!
实际使用Gabor滤波器时,通过归一化以使滤波器值的绝对值之和为1使其更易于使用。
在答案中,滤波器值被归一化至[0,255]以进行可视化。
输入 (imori.jpg) | 输出 |
---|---|
python实现:
import cv2
import numpy as np
import matplotlib.pyplot as plt
# Gabor
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
# get gabor kernel
gabor = Gabor_filter(K_size=111, Sigma=10, Gamma=1.2, Lambda=10, Psi=0, angle=0)
# Visualize
# normalize to [0, 255]
out = gabor - np.min(gabor)
out /= np.max(out)
out *= 255
out = out.astype(np.uint8)
cv2.imwrite("out.jpg", out)
cv2.imshow("result", out)
cv2.waitKey(0)